Multi-agent systemen domineren IT-omgevingen anno 2026
In dit artikel:
Databricks’ nieuwe onderzoek laat zien dat er achter het beeld van aarzelende AI-adoptie een stilstaande doorbraak heeft plaatsgevonden: organisaties schakelen snel van losse chatbots naar samenwerkende AI-agents. Op het Databricks Data Intelligence Platform groeiden multi-agent workflows met 327 procent; zulke workflows coördineren meerdere tools om taken te automatiseren en routinetaken met veel data af te handelen.
Praktijkvoorbeeld: een financiële instelling zet meerdere agents in om intentie uit gesprekken te halen, relevante documenten op te zoeken en compliance-checks te doen — de output kan een chatbot-antwoord zijn, maar vaak is dat slechts één schakel in een geautomatiseerde keten. Binnen Databricks zijn de Supervisor Agent (dirigeert en controleert andere agents) en de Information Extraction-agent (haalt context uit bedrijfsdata) het populairst.
Ook databases en testprocessen zijn in snel tempo door agents overgenomen: volgens het onderzoek bouwen agents tegenwoordig 80% van alle databases en lopen 97% van de testtaken geautomatiseerd. Dat roept fundamentele vragen op over architectuur en menselijke rol. Als antwoord promoot Databricks de ‘lakebase’ — een Postgres-gebaseerde database met integratie in hun lakehouse-architectuur (een concept dat voortkomt uit de overname van Neon) — die specifiek is bedoeld om agents te ondersteunen.
De toepassingen verbreden: AI wordt vooral ingezet voor routinematige, datarijke taken zoals marktonderzoek, voorspellend onderhoud en het prioriteren van klantenservice-gevallen. Databricks-gebruikers lijken adoptie te kiezen op basis van taakbehoefte in plaats van sectorspecifieke oplossingen; vrijwel elke organisatie heeft processen die zich lenen voor automatisering.
Technologisch schuift de markt ook verder dan één LLM: waar van mei–juli 2025 nog 39% van de organisaties slechts één model in productie had (36% draaide 3+ modellen), veranderde dat tussen augustus en oktober 2025 naar 22% met één model versus 59% met drie of meer. De conclusie is dat simpele, enkelvoudige LLM-oplossingen niet meer volstaan voor enterprise-toepassingen; schaalbare waarde komt steeds vaker voort uit verbindingen tussen modellen en andere systemen — kort gezegd: multi-agent ecosystemen die op hun beurt beheerd moeten worden.
Wat blijft hangen zijn onbeantwoorde vragen: welke taken blijven ongeschikt voor automatisering, hoe verandert de werkplek en welke IT-architecturen optimaliseren multi-agent workflows? Databricks’ cijfers tonen een snelle verschuiving naar complexere, gecoördineerde AI — maar de gevolgen voor menselijk werk, veiligheid en echte gebruikerswaarde blijven nog onduidelijk en verdienen vervolgonderzoek.