Gepresenteerd door DigitalOcean
Van het herstructureren van codebases tot het debuggen van productiecode: AI-agents bewijzen hun waarde al. Maar het opschalen ervan in de productie blijft de uitzondering en niet de regel.
In DigitalOcean’s Currents-onderzoeksrapport uit 2026Uit een onderzoek onder meer dan 1.100 ontwikkelaars, CTO’s en oprichters blijkt dat 67% van de organisaties die agenten gebruiken, productiviteitswinsten rapporteert. Ondertussen zegt 60% van de respondenten dat applicaties en agents de grootste langetermijnwaarde in de AI-stack vertegenwoordigen. Toch zijn slechts 10% kalkaanslagmiddelen in de productie.
De topblokker? Negenenveertig procent noemt de hoge kosten van gevolgtrekking. Het gaat niet alleen om de prijs van een enkele API-aanroep. Het zijn de samengestelde kosten als agenten taken ketenen en autonoom werken. Bijna de helft van de respondenten besteedt nu 76 tot 100% van hun AI-budget alleen aan gevolgtrekkingen. Dit is een probleem dat DigitalOcean probeert op te lossen. Wat nodig is, is een infrastructuur die is ontworpen rond inferentie-economie: voorspelbare prestaties, kostenbeheersing onder belasting en minder bewegende delen. Zo wordt 2026 het jaar waarin agenten afstuderen van pilot 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 bevonden zich nog in de verkenningsmodus of voerden hun eerste projecten uit. Nu is dat 52%. De verschuiving van ‘laten we kijken wat dit kan doen’ naar ‘laten we dit in productie nemen’ is in volle gang.
Er schuilt een agentengolf onder deze cijfers. 46% van deze respondenten zet specifiek AI-agents in, autonome systemen die zelfstandig taken uitvoeren in plaats van bij elke stap op instructies te wachten. Open Klauw (voorheen Moltbot en Clawdbot) is een recent voorbeeld: een open-sourceassistent die verbinding maakt met berichtenapps, op internet surft, shell-opdrachten uitvoert en taken autonoom uitvoert.
Waar gaan die agenten heen? Meestal in code en bewerkingen:
-
54% zegt codegeneratie en refactoring, waarmee het bedrijf duidelijk koploper is
-
49% automatiseert de interne activiteiten
-
45% bouwt klantenondersteuning en chatbots
-
43% is gericht op bedrijfslogica en taakorkestratie
-
41% gebruikt agenten voor het genereren van geschreven inhoud
-
27% streeft naar automatisering van de marketingworkflow
-
21% voert data-analyse uit
Ontwikkelaars hebben hier het voortouw. Y Combinator deelde bijvoorbeeld dat a een kwart van de startups in de winter van 2025 bouwden met codebases die voor 95% door AI zijn gegenereerd. Dan is er nog wat Andrej Karpathy ‘vibe coding’ noemt: in duidelijke taal beschrijven wat je wilt en de AI de code laten schrijven.
De tooling is opgesplitst om bij verschillende workflows te passen. Cursor integreert AI in een VS Code-vork voor inline bewerkingen en snelle iteratie. Claude Code draait in de terminal voor diepgaander werk in hele repository’s. Maar beide zijn veel verder gegaan dan automatisch aanvullen. Deze tools werken nu in agentische lussen, waarbij ze bestanden lezen, tests uitvoeren, fouten identificeren en herhalen totdat de build is voltooid. Je beschrijft een kenmerk. De agent voert het uit. Sommige sessies duren uren – niemand achter het toetsenbord.
Maar agenten zijn niet alleen voor ingenieurs. Ze vinden hun weg naar marketing, klantsucces en operaties. We zien dit intern bij DigitalOcean ook. Experimentele showcases en hackdagen hebben demo’s opgeleverd van AI-workflows om advertentieteksten op grote schaal te testen, e-mails te personaliseren en prioriteit te geven aan 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 dit nog steeds een hype? De gegevens suggereren het eerste. In totaal rapporteert 67% van de organisaties die agenten gebruiken meetbare productiviteitsverbeteringen. En voor sommigen is de winst aanzienlijk: 9% van de respondenten meldde een productiviteitsstijging van 75% of meer.
Op de vraag welke resultaten ze hebben waargenomen bij het gebruik van AI-agenten:
-
53% zei productiviteits- en tijdbesparingen voor werknemers
-
44% meldde de creatie van nieuwe zakelijke mogelijkheden
-
32% merkte op dat er minder behoefte was aan extra personeel
-
27% zag meetbare kostenbesparingen
-
26% meldde een verbeterde klantervaring
Intern onderzoek bij Anthropic onderzoekt wat deze technologieën ontsluiten: toen het bedrijf bestudeerde hoe zijn eigen ingenieurs Claude Code gebruiken, ontdekte het dat meer dan een kwart van het door AI ondersteunde werk bestond uit taken die anders simpelweg niet zouden zijn uitgevoerd. Dat 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 is.
Wat drijft deze productiviteitscijfers nog hoger? Agenten leren samenwerken. Google’s release van de Agentontwikkelingskit aangezien een open-sourceframework een verschuiving markeerde 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.
Dat gezegd hebbende, ziet 14% nog geen voordeel, en 19% zegt dat het te vroeg is om dit te meten. Van wat we zien was 2025 grotendeels een jaar van prototypen en experimenteren, en in 2026 zullen steeds meer teams agenten in productie nemen.
60% zet in op applicaties en agents als de grootste kans in AI
Begrotingen volgen de resultaten. AI blijft voor de overgrote meerderheid van de organisaties een actief investeringsgebied: slechts 4% van de respondenten zegt niet te verwachten de komende twaalf maanden in AI te zullen investeren. En waar organisaties productiviteitswinsten zien, verdubbelen deze – op de applicatielaag, niet op de fundamentele infrastructuur.
Op de vraag waar respondenten de komende twaalf maanden een budgetgroei verwachten, wijst 37% op applicaties en agents, wat ruim het dubbele is van het aandeel voor infrastructuur (14%) of platforms (17%). De langetermijnvisie is zelfs nog sterker: 60% ziet applicaties en agents als de grootste kansen in de AI-stack, vergeleken met slechts 19% voor infrastructuur.
Marktgegevens ondersteunen dit. Volgens één rapportIn 2025 genereerde de applicatielaag 19 miljard dollar – meer dan de helft van alle uitgaven voor generatieve AI. Codeertools waren goed voor 4 miljard dollar, wat neerkomt op 55% van de AI-uitgaven van afdelingen en de grootste categorie van de hele stapel. 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 uitvoeren 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 het model te bouwen, genereert elke prompt aan een agent tokens die kosten met zich meebrengen. Die kosten stijgen bij elke redeneerstap, nieuwe poging en zelfcorrectiecyclus. Op schaal verandert dit gevolgtrekking in operationele kosten die de oorspronkelijke 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 gevolgtrekking op schaal als hun grootste barrière. Dit houdt in welke richting de budgetten gaan: 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 ontwikkelaars zijn.
De complexiteit van het optimaliseren van GPU-configuraties, het beheren van parallellisatiestrategieën en het verfijnen van de modelbedieningsinfrastructuur is niet het soort werk dat de meeste teams zelf zouden moeten doen. Dat is complexiteit op infrastructuurniveau, en cloudproviders moeten deze absorberen.
Bij DigitalOcean staat dit centraal in hoe we over onze producten 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 bij ons omdat ze de inferentiekosten wilden verlagen zonder concessies te doen aan de prestaties of latentie. Door naar ons inferentie-cloudplatform te migreren en nauw samen te werken met ons team en AMD, hebben ze hun productie-inferentiedoorvoer verdubbeld en hebben hun kosten per token met 50% verlaagd.
Dat soort resultaten is wat mogelijk wordt als het platform het zware werk doet. Naarmate agenten overstappen van pilots naar productie, zullen de bedrijven die succesvol opschalen, de bedrijven zijn die niet in hun eentje de gevolgtrekkingen moeten oplossen.
Wade Wegner is Chief Ecosystem and Growth Officer bij DigitalOcean.
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.
