Gepresenteerd door Zeta Global
De kloof tussen wat AI belooft en wat het oplevert is niet subtiel. Hetzelfde model kan in het ene systeem nauwkeurige, bruikbare resultaten opleveren en in het andere systeem generieke, irrelevante resultaten opleveren.
Het probleem is niet het model. Het is de context.
De meeste bedrijfssystemen zijn niet gebouwd voor de manier waarop AI werkt. Gegevens zijn verspreid over tools. Identiteit is inconsistent. Signalen komen laat of helemaal niet aan. Systemen registreren gebeurtenissen, maar slagen er niet in deze te verbinden tot een continu beeld.
AI is afhankelijk van die continuïteit. Zonder dit model vult het model de gaten op, zodat het resultaat er gepolijst uitziet, maar niet relevant is. Dit is waar de meeste teams vastlopen.
Een beter model lost geen gefragmenteerde, verouderde of gecommoditiseerde gegevens op. Gartner schat dat organisaties jaarlijks gemiddeld 12,9 miljoen dollar verliezen vanwege de slechte datakwaliteit. AI lost dat probleem niet op, maar brengt het sneller en op grotere schaal aan het licht.
De spiegeltest
Hiervoor bestaat een snelle diagnostische test. Geef uw AI een perfect, hoogstaand klantsignaal en kijk wat er terugkomt. Als de output generiek of irrelevant is, heeft het model werk nodig. Maar als het model iets scherps en nuttigs oplevert op basis van schone gegevens, en vervolgens uiteenvalt op basis van echte productiegegevens, zijn de gegevens het probleem.
In de praktijk is het vrijwel altijd het tweede scenario. AI functioneert als een vergrootglas, zodat sterke datasystemen dramatisch krachtiger worden, en de zwakkere dramatisch zichtbaarder. Organisaties die te maken hebben met gefragmenteerde, slecht geïntegreerde klantgegevens kunnen zich niet langer verschuilen achter vertragingen in de rapportage en handmatige interpretatie. De AI maakt het probleem duidelijk zichtbaar.
Context is de nieuwe identiteitslaag
Dit is echt waar de volgende evolutie interessant wordt. Zelfs nadat je het datakwaliteitsprobleem hebt opgelost, vindt er nog steeds een tweede verschuiving plaats in de manier waarop klantprofielen worden opgebouwd en gebruikt.
Jarenlang hebben bedrijfsdatasystemen inhoud opgeslagen: transacties in CRM’s, demografische gegevens in datawarehouses, campagnereacties op marketingplatforms. In deze documenten werd beschreven wat er al was gebeurd. Ze waren nuttig voor rapportage, maar waren niet gebouwd voor AI.
AI heeft context nodig. Context is geen statisch record. Het is een actueel beeld van de klant, inclusief recent gedrag, cross-channel signalen en opkomende intenties. De rode draad die de ene interactie met de volgende verbindt. Identiteit vertelt je wie iemand is. Context vertelt u wat ze doen en wat ze waarschijnlijk hierna gaan doen.
Neem een eenvoudig voorbeeld: vraag een AI om een strandvakantiebestemming aan te bevelen, en deze kan Hawaï of Florida voorstellen. Vertel het dat je drie kinderen hebt, en er komen gezinsvriendelijke opties naar voren. Geef het toegang tot uw recente zoekpatronen, uw betaalbaarheidssignalen en waar u het afgelopen jaar naar hebt gezocht, en de aanbeveling verandert volledig omdat het model niet langer werkt vanuit demografische categorieën, maar vanuit een live beeld van wie u bent en wat u op dit moment doet.
De meeste bedrijfssystemen zijn gebouwd om de status op te slaan, niet om de context te behouden. Ze leggen gebeurtenissen vast, maar zorgen niet voor continuïteit daartussen.
Dat is de kloof die AI blootlegt.
Maar voor praktijkmensen is de uitdaging niet conceptueel; het is architectonisch. Context leeft niet in één enkel systeem. Het is gefragmenteerd over evenementenstromen, productanalysetools, CRM’s, datawarehouses en realtime pipelines. Om dat te integreren in iets dat een AI-systeem daadwerkelijk kan gebruiken, moeten we overstappen van batch-georiënteerde datamodellen naar streaming- of bijna-realtime-architecturen, waar signalen continu worden opgenomen, opgelost en beschikbaar worden gemaakt op het moment van deductie.
Dit is waar veel AI-initiatieven vastlopen. Het model is klaar, maar de contextlaag is nog niet geoperationaliseerd. Systemen zijn niet ontworpen om binnen milliseconden de juiste signalen op te halen, of om identiteit in realtime over verschillende kanalen heen vast te stellen. Zonder dat blijft de ‘context’ eerder theoretisch dan uitvoerbaar.
Architecturen zoals Model Context Protocol (MCP) versnellen deze verschuiving door AI-systemen een manier te geven om geheugen over een gebruiker tussen applicaties door te geven, waarbij in wezen een ononderbroken contextlijn rond een individu wordt gelegd over verschillende interacties heen. Het resultaat is een profiel dat in de loop van de tijd rijker en voorspellender wordt, een profiel dat een lijn van continuïteit creëert tussen wat iemand heeft gedaan, wat hij nu doet en wat hij waarschijnlijk nog gaat doen.
Wanneer die identiteitslaag sterk is, levert hetzelfde model betere resultaten op. Als het zwak is, kan geen enkel model dit compenseren.
Het samengestelde voordeel
Organisaties die vóór de AI-golf eigen datasystemen en een duurzame identiteitsinfrastructuur bouwden, profiteren nu van een versterkend effect. Betere data leiden slimmere modellen op. Slimmere modellen trekken meer instemmende gebruikers aan. Gebruikers met meer toestemming genereren rijkere gedragssignalen.
Concurrenten zonder die basis kunnen dit niet repliceren, ongeacht welk model ze gebruiken. De kloof is structureel en niet algoritmisch, en omdat identiteitssystemen in de loop van de tijd stapsgewijs verbeteren, hebben de organisaties die eerder zijn begonnen met investeren voordelen die werkelijk moeilijk te dichten zijn.
Wat dit in de praktijk betekent
De praktische implicatie is een verschuiving in waar AI-investeringen naartoe gaan. De organisaties die consistente resultaten behalen met AI, behandelen het als een verwerkingslaag voor een levend datasysteem, en niet als een op zichzelf staande mogelijkheid die aan de bestaande infrastructuur kan worden gekoppeld.
Voor bouwers en exploitanten vertaalt dit zich in een andere reeks prioriteiten dan de afgelopen twee jaar van AI-experimenten:
Ten eerste een instrument voor real-time signalen. Batchpijplijnen en nachtelijke vernieuwingen zijn niet voldoende als van AI-systemen wordt verwacht dat ze reageren op de intentie van de gebruiker wanneer deze zich voordoet. Teams hebben gebeurtenisgestuurde architecturen nodig die gedragssignalen vrijwel in realtime vastleggen en naar boven halen.
Ten tweede: zorg ervoor dat de context op het moment van de inferentie kan worden opgehaald. Het is niet voldoende om gegevens in een magazijn op te slaan. Systemen moeten zo worden ontworpen dat relevante context binnen milliseconden kan worden opgelost en in aanwijzingen kan worden geïnjecteerd of door agenten kan worden opgehaald.
Ten derde: investeer in identiteitsresolutie als infrastructuur. Het verbinden van gefragmenteerde signalen tussen apparaten en kanalen, zodat het systeem echte individuen begrijpt in plaats van anonieme interacties, is fundamenteel en niet optioneel.
Ten vierde: behandel governance en toestemming als onderdeel van het systeemontwerp. Gegevens uit de eerste hand die op vertrouwen zijn gebouwd, zijn niet alleen veiliger; het is duurzamer en uiteindelijk waardevoller dan gegevens van derden waartoe concurrenten toegang hebben.
Deze investeringen zijn minder zichtbaar dan de lancering van een nieuw model en zijn ook veel moeilijker te kopiëren.
Het echte ras
Modellen zijn nu uitwisselbaar. Het verschil zal komen door wie de context op schaal kan operationaliseren en het model als een verwerkingslaag kan behandelen, en niet door het voordeel.
Dat voordeel komt voort uit jarenlange investeringen in identiteitsinfrastructuur, first-party data en systemen die de klantcontext actueel houden.
De organisaties die winnen zullen niet degenen zijn met betere aanwijzingen. Zij zullen degenen zijn wiens systemen de klant begrijpen voordat de prompt ooit is geschreven.
Neej Gore is Chief Data Officer bij Zeta Global.
Gesponsorde artikelen zijn inhoud die is geproduceerd door een bedrijf dat voor de post betaalt of een zakelijke relatie heeft met VentureBeat, en deze is altijd duidelijk gemarkeerd. Voor meer informatie kunt u contact opnemen met sales@venturebeat.com.
