Aangeboden door DigitalOcean
Van het refactoren van codebases tot het debuggen van productiecodes: AI-agents hebben hun waarde bewezen. Maar het opschalen naar productie blijft de uitzondering en niet de regel.
In de DigitalOcean Actueel onderzoeksrapport 2026Uit een onderzoek onder meer dan 1.100 ontwikkelaars, CTO’s en oprichters blijkt dat 67% van de organisaties die agenten gebruiken een hogere productiviteit rapporteert. Ondertussen zei 60% van de respondenten dat applicaties en agenten de grootste langetermijnwaarde in de AI-stapel vertegenwoordigen. Slechts 10% zijn echter kalkaanslagmiddelen in de productie.
Topblokker? Negenenveertig procent noemde de hoge kosten van gevolgtrekking. Het is niet alleen de prijs van één API-oproep. Dit zijn kosten die stijgen naarmate agenten taken ketenen en onafhankelijk werken. Bijna de helft van de respondenten besteedt nu 76 tot 100% van hun AI-budget alleen aan gevolgtrekkingen. Dit is het probleem dat DigitalOcean oplost. Wat nodig is, is een infrastructuur die is ontworpen rond de economie van inferentie: voorspelbare prestaties, kostenbeheersing onder belasting en minder bewegende delen. Zo wordt 2026 het jaar waarin agenten overstappen van proef naar product.
52% van de bedrijven implementeert actief AI-oplossingen (inclusief agenten)
Toen we dit onderzoek een jaar geleden uitvoerden, was slechts 35% van de respondenten actief bezig met het implementeren van AI-oplossingen. De meesten waren nog in de verkenningsmodus of voerden hun eerste projecten uit. Nu 52%. De overgang van “laten we kijken wat er gedaan kan worden” naar “laten we produceren” is in volle gang.
Er is een explosie van agenten onder deze cijfers. 46% van die respondenten maakt specifiek gebruik van AI-agents, dit zijn autonome systemen die zelfstandig taken uitvoeren in plaats van bij elke stap op instructies te wachten. Open klauwen (voorheen Moltbot en Clawdbot) is een recent voorbeeld, een open source-assistent die verbinding maakt met berichtentoepassingen, op internet surft, shell-opdrachten uitvoert en autonoom taken uitvoert.
Waar zijn de agenten gebleven? Meestal zijn het code en bewerkingen:
-
54% zei codering en refactoring, waardoor het de leider is
-
49% automatiseert interne activiteiten
-
45% bouwt klantenondersteuning en chatbots
-
43% richt zich op bedrijfslogica en taakorkestratie
-
41% maakt gebruik van een bureau voor het creëren van geschreven content
-
27% streeft naar automatisering van de marketingworkflow
-
21% voert data-analyse uit
Het zijn de ontwikkelaars die hier het voortouw nemen. Y Combinator deelt bijvoorbeeld dat a een kwart van de startups in de winter van 2025 bouwt met een codebasis die voor 95% uit AI bestaat. Dan is er nog wat Andrej Karpathy ‘vibratiecodering’ noemt: in eenvoudige taal beschrijven wat je wilt en de code door AI laten schrijven.
Tooling is verdeeld om aan verschillende workflows te voldoen. Cursors integreren AI in een vork van VS Code voor inline bewerking en snelle iteratie. Claude Code draait in de terminal voor meer diepgaand werk in de repository. Maar beide zijn verder gegaan dan automatisch aanvullen. Deze tools werken nu in een agentlus, waarbij ze bestanden lezen, tests uitvoeren, fouten identificeren en herhalen totdat de build slaagt. Je beschrijft een kenmerk. Agenten voeren het uit. Sommige sessies duurden uren; niemand gebruikte een toetsenbord.
Maar agenten zijn niet alleen voor ingenieurs. Ze beginnen zich bezig te houden met marketing, klantsucces en bedrijfsvoering. We zien het ook intern bij DigitalOcean. Op experimentele showcases en hackdagen zijn demo’s te zien van AI-workflows voor het op grote schaal testen van advertentieteksten, het personaliseren van e-mails en het prioriteren van groei-experimenten.
67% van de organisaties die agenten gebruiken, rapporteert meetbare productiviteitsverbeteringen
De productiviteitsvraag is degene die iedereen zich stelt: leveren agenten daadwerkelijk resultaten, of is het slechts een hype? De gegevens laten het eerste zien. In totaal rapporteert 67% van de organisaties die agenten gebruiken meetbare productiviteitsverbeteringen. En voor sommigen zijn de voordelen enorm: 9% van de respondenten meldde een productiviteitsstijging van 75% of meer.
Op de vraag welke resultaten ze hebben waargenomen bij het gebruik van AI-agents:
-
53% zei productiviteits- en tijdbesparingen voor werknemers
-
44% meldde de creatie van nieuwe zakelijke mogelijkheden
-
32% geeft aan dat er minder behoefte is aan extra personeel
-
27% zag meetbare kostenbesparingen
-
26% meldde een verbeterde klantervaring
Intern onderzoek bij Anthropic onderzoekt wat deze technologie kan brengen: toen het bedrijf bestudeerde hoe zijn ingenieurs Claude Code gebruikten, ontdekte het dat meer dan een kwart van het door AI ondersteunde werk bestond uit taken die anders niet mogelijk zouden zijn geweest. Dit omvat het opschalen van projecten en het bouwen van interne tools. Het omvat ook verkennend werk dat voorheen de tijdsinvestering niet waard was, maar dat nu wel waard is.
Wat drijft deze productiviteitscijfers nog hoger? Agenten leren samenwerken. Google-release Agentontwikkelingskit aangezien een open source-framework een verschuiving markeert van agenten met één doel naar gecoördineerde multi-agentsystemen die elkaar kunnen ontdekken, informatie kunnen uitwisselen en kunnen samenwerken, ongeacht de leverancier of het raamwerk.
14% heeft de voordelen echter niet gevoeld en 19% zei dat het te vroeg was om deze te meten. Van wat we zien zal 2025 vooral een jaar van prototypen en experimenteren zijn, en 2026 zal het jaar zijn waarin meer teams agenten in productie nemen.
60% zet in op apps en agenten als de grootste kans in AI
De begroting volgt de resultaten. AI blijft voor de meeste organisaties een actief investeringsgebied: slechts 4% van de respondenten zegt niet te verwachten de komende twaalf maanden in AI te zullen investeren. En wanneer organisaties productiviteitsverbeteringen zien, zijn de verbeteringen tweeledig: op de applicatielaag, niet op de onderliggende infrastructuur.
Toen hem werd gevraagd naar de schattingen van de respondenten van de budgetgroei in de komende twaalf maanden, beantwoordde 37% de vraag over apps en agenten, wat ruim het dubbele is van het aantal respondenten voor infrastructuur (14%) of platforms (17%). De langetermijnvisie is nog sterker: 60% ziet applicaties en agents als de grootste kans in de AI-stack, vergeleken met slechts 19% die infrastructuur ziet.
Marktgegevens ondersteunen dit. Volgens één rapportde applicatielaag genereert in 2025 19 miljard dollar – meer dan de helft van de uitgaven voor generatieve AI. Codeertools genereerden $4 miljard, wat neerkomt op 55% van de AI-uitgaven van de afdeling, en waren de grootste categorie binnen de stapel. Veel organisaties gokken erop dat de applicatielaag, waar AI daadwerkelijk in aanraking komt met gebruikers en workflows, belangrijker zal zijn dan de onderliggende componenten.
49% zegt dat de kosten van het op grote schaal toepassen van AI hun grootste belemmering voor groei vormen
Agenten werken alleen als je ze kunt uitvoeren. En op dit moment is gevolgtrekking het knelpunt. In tegenstelling tot training, wat een vaste investering vooraf is om een model te bouwen, genereert elk verzoek aan een agent tokens waarvoor een vergoeding geldt. Deze kosten stijgen met elke stap van de redeneer-, nieuwe poging- en zelfcorrectiecyclus. Op schaal verandert dit gevolgtrekking in operationele kosten die de initiële investering in het model zelf kunnen overschrijden.
Toen we de respondenten vroegen wat hun vermogen om AI te schalen beperkt, noemde 49% de hoge kosten van inferentie op schaal als hun grootste obstakel. Dit komt overeen met het budgetgebruik: 44% van de respondenten besteedt nu het grootste deel van hun AI-budget (76-100%) aan gevolgtrekkingen, niet aan training.
Maar het oplossen van gevolgtrekkingen mag niet de verantwoordelijkheid van de ontwikkelaar zijn.
De complexiteit van het optimaliseren van GPU-configuraties, het beheren van parallellisatiestrategieën en het verfijnen van de modelbedieningsinfrastructuur is geen werk dat de meeste teams alleen moeten doen. Dit is complexiteit op infrastructuurniveau, en cloudproviders moeten deze absorberen.
Bij DigitalOcean staat dit centraal in de manier waarop we over ons bedrijf denken Gradient™ AI Inference Cloud. We investeren in gevolgtrekkingsoptimalisatie, zodat de teams die we bedienen dat niet hoeven te doen. Karakter.ai is een goed voorbeeld: ze kwamen naar ons toe omdat ze de inferentiekosten wilden verlagen zonder concessies te doen aan de prestaties of latentie. Door te migreren naar ons inferentie-cloudplatform en nauw samen te werken met ons team en AMD, hebben ze hun productie- en inferentiedoorvoer verdubbeld lagere kosten per token met 50%.
Dat is het soort resultaat dat mogelijk is als het platform het zware werk doet. Naarmate agenten overstappen van testen naar productie, zullen de bedrijven die succesvol opschalen, degenen zijn die niet verstrikt raken in het op eigen houtje concluderen.
Wade Wegner is Chief Ecosystem and Growth Officer bij DigitalOcean.
Gesponsorde artikelen zijn inhoud die is geproduceerd door bedrijven die voor de post hebben betaald of die een zakelijke relatie hebben met VentureBeat, en worden altijd duidelijk als zodanig gemarkeerd. Voor meer informatie kunt u contact opnemen met sales@venturebeat.com.
