Het datalandschap is decennialang relatief statisch geweest. Relationele databases (hallo, Oracle!) zijn de standaard en domineren databases, waarbij informatie in bekende kolommen en rijen wordt georganiseerd.
Die stabiliteit werd uitgehold toen opeenvolgende golven NoSQL-documentarchieven, grafische databases en meest recentelijk vectorgebaseerde systemen introduceerden. In het tijdperk van agent AI verandert de data-infrastructuur opnieuw – en evolueert sneller dan ooit.
Nu 2026 nadert, is één les onvermijdelijk: data zijn belangrijker dan ooit.
RAG is dood. Lang leve RAG
Misschien wel de belangrijkste trend in 2025 waarover tot ver in 2026 (en misschien ook daarna) zal worden gedebatteerd, is de rol van RAG.
Het probleem is dat de oorspronkelijke architectuur van de RAG-pijplijn vergelijkbaar is met standaard zoeken. Met Retrieval worden de resultaten van een specifieke zoekopdracht op een specifiek tijdstip gevonden. Dit is ook vaak beperkt tot een enkele gegevensbron, althans zo zijn RAG-pijpleidingen in het verleden gebouwd (het verleden was vóór juni 2025).
Deze beperkingen hebben ertoe geleid dat een toenemend aantal leveranciers beweert dat RAG op sterven ligt, op weg is naar de uitgang, of al dood.
Wat echter naar voren komt zijn alternatieve benaderingen (zoals contextueel geheugen), evenals betere en verbeterde RAG-benaderingen. Snowflake heeft het bijvoorbeeld onlangs aangekondigd analyse van agentdocumenten technologie, die de traditionele RAG-datapijplijnen uitbreidt om analyse uit duizenden bronnen mogelijk te maken, zonder dat er eerst gestructureerde gegevens nodig zijn. Er zijn ook veel andere RAG-achtige benaderingen in opkomst, waaronder GrafischRAG die in 2026 waarschijnlijk alleen maar zal toenemen in gebruik en mogelijkheden.
Dus nu is RAG nog niet (helemaal) dood, althans nog niet. Organisaties zullen in 2026 nog steeds gebruiksscenario’s tegenkomen waarvoor het vastleggen van gegevens vereist is, en een verbeterde versie van RAG zal waarschijnlijk nog steeds aan de eisen voldoen. Bedrijven zullen in 2026 use cases op individuele basis moeten evalueren. Traditionele RAG werkt voor het ophalen van statische kennis, terwijl verbeterde benaderingen zoals GraphRAG geschikt zijn voor complexe zoekopdrachten met meerdere bronnen.
Contextueel geheugen is de inzet van AI-agenten
Hoewel RAG’s in 2026 niet helemaal verdwenen zullen zijn, is contextueel geheugen, ook bekend als agentgeheugen of lange context, een benadering die RAG’s waarschijnlijk zal overtreffen in termen van gebruik voor agent-AI. Met deze technologie kunnen LLM’s gerelateerde informatie gedurende langere perioden opslaan en openen.
In 2025 ontstaan er verschillende soortgelijke systemen, waaronder Hindsight, A-MEM-framework, Algemeen agentisch geheugen (GAM), LangMem, en schroot basis. RAG blijft nuttig voor statische gegevens, maar het geheugen van agenten is van cruciaal belang voor adaptieve assistent- en AI-agentworkflows die moeten leren van feedback, de status moeten behouden en zich in de loop van de tijd moeten aanpassen.
In 2026 zal contextueel geheugen niet langer een nieuwe techniek zijn; dit zal de inzet zijn voor veel AI-toepassingen van operationele agenten.
De gebruiksscenario’s van speciaal gebouwde vectordatabases zullen veranderen
Aan het begin van het moderne generatieve AI-tijdperk waren speciaal gebouwde vectordatabases (zoals onder meer Pinecone en Milvus) erg populair.
Om ervoor te zorgen dat LLM’s (in het algemeen, maar niet uitsluitend via RAG’s) toegang krijgen tot nieuwe informatie, moeten LLM’s toegang hebben tot gegevens. De beste manier om dit te doen is door de gegevens in vectoren te coderen, dat wil zeggen een numerieke weergave van wat de gegevens vertegenwoordigen.
Wat in 2025 heel duidelijk zal worden, is dat vectoren niet langer een specifiek databasetype zijn, maar eerder een specifiek datatype dat kan worden geïntegreerd in bestaande multimodeldatabases. Dus in plaats van dat een organisatie een op maat gemaakt systeem moet gebruiken, kan zij eenvoudigweg een bestaande database en ondersteunende vectoren gebruiken. Oracle ondersteunt bijvoorbeeld vector en dat geldt ook voor elke database die door Google wordt aangeboden.
O, en het wordt beter. Amazon S3, lange tijd de feitelijke leider op het gebied van cloudgebaseerde objectopslag, is dat nu stelt gebruikers in staat vectoren op te slaanwaardoor de behoefte aan speciale en unieke vectordatabases verder wordt geëlimineerd. Dit betekent niet dat objectstores vectorzoekmachines vervangen (prestaties, indexering en filtering zijn nog steeds belangrijk), maar het beperkt wel de reeks gebruiksscenario’s waarvoor een gespecialiseerd systeem nodig is.
Nee, dat betekent niet dat op maat gemaakte vectordatabases dood zijn. Net als bij RAG zullen er in 2026 gebruiksscenario’s blijven bestaan voor speciaal gebouwde vectordatabases. Wat zal veranderen is dat de gebruiksscenario’s waarschijnlijk kleiner zullen worden voor organisaties die de hoogste prestatieniveaus of specifieke optimalisaties vereisen die niet worden ondersteund door algemene oplossingen.
PostgreSQL is invloedrijk
Nu 2026 begint, is wat oud is weer nieuw. De open-source PostgreSQL-database zal in 2026 40 jaar oud zijn, maar zal relevanter zijn dan ooit.
Gedurende 2025 zal PostgreSQL de suprematie blijven als de primaire database voor het bouwen van alle soorten GenAI-oplossingen wordt duidelijk. Snowflake heeft 250 miljoen dollar uitgegeven om Crunchy Data, een leverancier van PostgreSQL-databases, over te nemen; Databricks $ 1 miljard uitgegeven in neon; en Supabase haalde een serie E van $ 100 miljoen op, waardoor het een waardering van $ 5 miljard kreeg.
Al dat geld dient als een duidelijk signaal dat het bedrijf PostgreSQL niet langer gebruikt. De redenen zijn talrijk, waaronder een open source-basis, flexibiliteit en prestaties. Voor sfeercodering (vooral de kerngebruiksscenario’s voor Supabase en Neon) is PostgreSQL de standaard.
Verwacht in 2026 meer groei en acceptatie van PostgreSQL naarmate meer organisaties tot dezelfde conclusies komen als Snowflake en Databricks.
Dataonderzoekers zullen nieuwe manieren blijven vinden om problemen op te lossen die al zijn opgelost
Er zal waarschijnlijk meer innovatie komen om problemen op te lossen waar veel organisaties misschien al aan denken: problemen opgelost.
In 2025 zien we veel innovaties, zoals het idee dat AI gegevens uit ongestructureerde gegevensbronnen zoals PDF’s kan ontleden. Het is een mogelijkheid die al een paar jaar bestaat, maar is moeilijker gebleken om op grote schaal te operationaliseren dan velen dachten. Databricks heeft nu een geavanceerde parser en andere leveranciers, waaronder Mistral, hebben hun eigen verbeteringen bedacht.
Hetzelfde geldt voor natuurlijke taalvertaling naar SQL. Hoewel sommige mensen misschien aannemen dat dit probleem is opgelost, is dat in werkelijkheid ook zo blijven kijken naar innovatie in 2025 en zullen er in 2026 nog meer zien.
Voor bedrijven is het belangrijk om in 2026 waakzaam te blijven. Ga er niet van uit dat basismogelijkheden zoals parseren of natuurlijke taal voor SQL volledig zijn opgelost. Evalueer voortdurend nieuwe benaderingen die mogelijk aanzienlijk beter presteren dan bestaande tools.
Acquisities, investeringen en consolidatie zullen doorgaan
2025 is een belangrijk jaar waarin veel geld naar dataleveranciers vloeit.
Meta investeerde $ 14,3 miljard in data-labelingleverancier Scale AI; IBM zei dat het van plan is een overname te doen $11 miljard datastreamingleverancier Confluent; en verkoopkracht Informatica gevolgd van $8 miljard.
Organisaties mogen verwachten dat het tempo van acquisities van elke omvang in 2026 zal aanhouden, nu grote leveranciers zich realiseren hoe belangrijk data zijn voor het succes van agent AI.
De impact van overnames en consolidaties op bedrijven in 2026 is lastig te voorspellen. Dit kan leiden tot een ‘vendor lock-in’ en mogelijk ook tot een uitbreiding van de platformmogelijkheden.
In 2026 zal de vraag niet langer zijn of bedrijven AI zullen gebruiken, maar eerder of hun datasystemen dit kunnen volhouden. Naarmate agent AI volwassener wordt, zal een duurzame data-infrastructuur – en niet slimme commando’s of een kortstondige architectuur – bepalen welke implementaties schalen en welke stilzwijgend stagneren.
