Enterprise-datateams die agent-AI naar productie verplaatsen, ervaren consistente faalpunten op dataniveau. Agents die zijn gebouwd op vectoropslag, relationele databases, grafiekopslag en lakehouses hebben synchronisatiekanalen nodig om de context actueel te houden. Onder het gewicht van de productie wordt die context muf.
Oracle, wiens database-infrastructuur naar eigen zeggen de transactiesystemen van 97% van de Fortune Global 100-bedrijven aandrijft, maakt nu een eenvoudig architectonisch argument dat databases de juiste plek zijn om het probleem op te lossen.
Oracle heeft deze week een reeks aangekondigd agent AI-mogelijkheden voor Oracle AI Databasegebouwd op een direct architectonisch tegenargument voor het patroon.
De kern van deze release is Unified Memory Core, een enkele ACID-transactie-engine (Atomicity, Consistentie, Isolatie en Duurzaamheid) die vector-, JSON-, grafiek-, relationele, ruimtelijke en kolomgegevens verwerkt zonder een synchronisatielaag. Tegelijkertijd kondigde Oracle ook Vectors on Ice aan voor native vectorindexering op Apache Iceberg-tabellen, een zelfstandige Autonomous AI Vector Database-service, en Autonomous AI Database MCP Server voor directe agenttoegang zonder aangepaste integratiecode.
Naar verluidt is het niet alleen Oracle dat nieuwe functies toevoegt, maar ook ’s werelds grootste databaseleveranciers realiseren zich dat er dingen zijn veranderd in de wereld van AI die verder gaan dan wat dezelfde databases bieden.
“Ik wil je vertellen dat iedereen tegenwoordig al zijn gegevens in Oracle-databases opslaat – jij en ik leven in de echte wereld”, zegt Maria Colgan, Vice President, Product Management for Mission Critical Data and AI Engines, bij Oracle. VentureBeat. “We weten dat dat niet waar is.”
Vier mogelijkheden, één architecturale gok tegen een gefragmenteerde agentenstack
De Oracle-release bevat vier gerelateerde mogelijkheden. Samen vormen deze drie dingen een architectonisch argument dat een geconvergeerde database-engine een betere basis is voor AI van productieagenten dan een verzameling speciale tools.
Geïntegreerde geheugenkern. Agents die tegelijkertijd door meerdere dataformaten redeneren (vector, JSON, grafisch, relationeel, ruimtelijk) hebben synchronisatiekanalen nodig als deze formaten zich in afzonderlijke systemen bevinden. Unified Memory Core plaatst het allemaal in één ACID transactionele engine. Onder de motorkap is het een API-laag bovenop de Oracle-database-engine, wat betekent dat ACID-consistentie van toepassing is op elk gegevenstype zonder een afzonderlijk consistentiemechanisme. “Door het geheugen op dezelfde plek te plaatsen als de gegevens, kunnen we bepalen waartoe toegang kan worden verkregen, op dezelfde manier waarop we de gegevens in de database controleren”, legt Colgan uit.
Vector op ijs. Voor teams die data lakehouse-architecturen draaien op het open source Apache Iceberg-tabelformaat, creëert Oracle nu vectorindexen binnen de database die rechtstreeks naar Iceberg-tabellen verwijzen. De index wordt automatisch bijgewerkt als de onderliggende gegevens veranderen en werkt met Iceberg-tabellen die worden beheerd door Databricks en Snowflake. Teams kunnen zoekopdrachten naar ijsbergvectoren combineren met relationele, JSON-, ruimtelijke of grafiekgegevens die in Oracle zijn opgeslagen in één enkele query.
Autonome AI-vectordatabase. Een volledig beheerde, gratis te gebruiken vectordatabaseservice gebouwd op de Oracle 26ai-engine. De service is ontworpen als toegangspunt voor ontwikkelaars met een upgradepad met één klik naar een volledige autonome AI-database naarmate de werklast toeneemt.
Autonome AI-database MCP-server. Hiermee kunnen externe agenten en MCP-clients verbinding maken met de Autonomous AI Database zonder speciale integratiecode. Toegangscontroles op rij- en kolomniveau van Oracle worden automatisch toegepast wanneer een agent verbinding maakt, ongeacht wat de agent vraagt. “Ook al voer je dezelfde standaard API-aanroepen uit als met elk ander platform, de rechten die de gebruiker heeft blijven verleend wanneer LLM de vraag stelt”, aldus Colgan.
Een zelfstandige vectordatabase is een startpunt, geen bestemming
De Autonomous AI Vector Database van Oracle betreedt een markt die wordt bezet door op maat gemaakte vectorservices, waaronder Pinecone, Qdrant en Weaviate. Het verschil dat Oracle beschrijft gaat over wat er gebeurt als vectoren alleen niet genoeg zijn.
“Als je eenmaal klaar bent met vectoren, heb je geen andere keus”, zegt Steve Zivanic, Global Vice President, Database Services and Autonomous, Product Marketing bij Oracle, tegen VentureBeat. “Hiermee kun je grafische, ruimtelijke tijdreeksen krijgen, wat je maar nodig hebt. Het loopt niet dood.”
Holger Mueller, hoofdanalist bij Constellation Research, zei dat het argument van de architectuur geloofwaardig is omdat andere leveranciers het niet konden bouwen zonder eerst de gegevens te verplaatsen. Andere databaseleveranciers vereisen dat transactiegegevens naar een datameer worden verplaatst voordat agenten deze kunnen overwegen. Oracle’s erfenis van convergentie biedt volgens hem structurele voordelen die moeilijk te repliceren zijn zonder het geheel opnieuw op te bouwen.
Niet iedereen ziet functiesets als verschillend. Steven Dickens, CEO en hoofdanalist bij HyperFRAME Research, zegt VentureBeat dat vectorzoeken, RAG-integratie en Apache Iceberg-ondersteuning nu standaardvereisten zijn voor bedrijfsdatabases; Postgres, Snowflake en Databricks bieden allemaal vergelijkbare mogelijkheden.
“De stap van Oracle om zichzelf een AI-database te noemen, is in wezen een rebranding van zijn geconvergeerde databasestrategie, zodat deze past bij de huidige hype-cyclus”, aldus Dickens. Volgens hem ligt het echte onderscheid dat Oracle beweert niet op het niveau van de features, maar op het architecturale niveau – en Unified Memory Core is waar dat argument staat of valt.
Wanneer de implementatie van de enterprise-agent volledig mislukt
De vier mogelijkheden die Oracle deze week heeft uitgebracht, zijn reacties op specifieke en goed gedocumenteerde productiestoringen. De implementatie van de enterprise-agent veroorzaakt geen schade aan de modellagen. Ze hebben last van storingen in de datalaag, omdat agenten die in gefragmenteerde systemen zijn gebouwd, te maken krijgen met synchronisatielatenties, verouderde contexten en inconsistente toegangscontroles naarmate de werklast toeneemt.
Matt Kimball, vice-president en hoofdanalist bij Moor Insights and Strategy, zei VentureBeat de datalaag is waar productiebeperkingen voor het eerst naar voren komen.
“Het is een strijd om de productie op gang te krijgen”, zei Kimball. “De hiaten zijn onmiddellijk zichtbaar op de datalaag: toegang, beheer, latentie en consistentie. Dit zijn allemaal obstakels.”
Dickens beschrijft deze kerndiscrepantie als een stateless versus stateful probleem. De meeste agentframeworks voor ondernemingen slaan het geheugen op als een platte lijst van eerdere interacties, wat betekent dat agenten in feite staatloos zijn, terwijl de database die ze doorzoeken stateful is. Vertragingen tussen de twee ontstaan wanneer beslissingen verkeerd worden genomen. “Datateams zijn uitgeput door fragmentatie”, zegt Dickens. “Het beheren van vectoropslag, grafische databases en afzonderlijke relationele systemen om slechts één agent te ondersteunen is een DevOps-nachtmerrie.”
Die fragmentatie is wat Oracle’s Unified Memory Core is ontworpen om te elimineren. De vraag over het controlevlak volgt direct. “In het traditionele applicatiemodel ligt de controle op de applicatielaag”, zegt Kimball. “Met agentsystemen werken toegangscontroles niet snel omdat agenten dynamisch acties genereren en consistente beleidshandhaving vereisen. Door al die controles in een database te plaatsen, kunnen ze op een meer uniforme manier worden geïmplementeerd.”
Wat dit betekent voor bedrijfsdatateams
De vraag waar de controle zich bevindt in de AI-stack van een enterprise-agent is onopgelost. De meeste organisaties bouwen nog steeds gefragmenteerde systemen, en de architecturale beslissingen die vandaag de dag worden genomen – welke machines het geheugen van agenten verankeren, waar toegangscontroles worden geïmplementeerd, hoe lakehouse-gegevens in de context van agenten worden ingevoerd – zullen moeilijk op grote schaal ongedaan te maken zijn.
De gedistribueerde data-uitdaging is nog steeds de echte test. “Gegevens worden steeds meer gedistribueerd over SaaS-platforms, lakehouses en gebeurtenisgestuurde systemen, die elk hun eigen controleniveau en bestuursmodel hebben”, aldus Kimball. “De kans is nu om deze modellen uit te breiden naar het bredere, gedistribueerde datadomein dat een groot deel van de hedendaagse bedrijfsomgeving definieert.”
