Decennia lang was het datalandschap relatief statisch. Relationele databases (hallo, Oracle!) waren de standaard en werden gedomineerd, waarbij informatie in bekende kolommen en rijen werd georganiseerd.
Die stabiliteit erodeerde toen opeenvolgende golven NoSQL-documentarchieven, grafische databases en meest recentelijk vectorgebaseerde systemen introduceerden. In het tijdperk van agentische AI is de data-infrastructuur opnieuw in beweging – en evolueert sneller dan ooit tevoren.
Nu 2026 aanbreekt, is één les onvermijdelijk geworden: data zijn belangrijker dan ooit.
RAG is dood. Lang leve RAG
Misschien wel de meest consequente trend uit 2025 waarover tot 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 veel op een eenvoudige zoekopdracht lijkt. Bij het ophalen wordt het resultaat van een specifieke zoekopdracht op een specifiek tijdstip gevonden. Het is ook vaak beperkt tot één enkele gegevensbron, althans zo werden RAG-pijpleidingen in het verleden gebouwd (het verleden was vóór juni 2025).
Deze beperkingen hebben geleid tot een groeiende reeks conga-verkopers die allemaal beweren dat RAG op sterven ligt, op weg is naar buiten, of al dood.
Wat echter naar voren komt, zijn alternatieve benaderingen (zoals contextueel geheugen), evenals genuanceerde en verbeterde benaderingen van RAG. Snowflake heeft dit bijvoorbeeld onlangs aangekondigd agentische documentanalyse technologie, die de traditionele RAG-datapijplijn uitbreidt om analyse uit duizenden bronnen mogelijk te maken, zonder eerst over gestructureerde gegevens te hoeven beschikken. Er zijn ook tal van andere RAG-achtige benaderingen die in opkomst zijn, waaronder GrafiekRAG die in 2026 waarschijnlijk alleen maar zullen groeien in gebruik en mogelijkheden.
Dus nu is RAG niet (geheel) dood, althans nog niet. Organisaties zullen in 2026 nog steeds gebruiksscenario’s tegenkomen waarbij het ophalen van gegevens nodig is en een verbeterde versie van RAG zal waarschijnlijk nog steeds aan de eisen voldoen. Bedrijven moeten in 2026 gebruiksscenario’s individueel evalueren. Traditionele RAG werkt voor het ophalen van statische kennis, terwijl verbeterde benaderingen zoals GraphRAG geschikt zijn voor complexe query’s met meerdere bronnen.
Contextueel geheugen is van cruciaal belang voor agentische AI
Hoewel RAG in 2026 niet helemaal zal verdwijnen, is een benadering die het waarschijnlijk zal overtreffen in termen van gebruik voor agentische AI contextueel geheugen, ook bekend als agentisch of lang-contextgeheugen. Met deze technologie kunnen LLM’s relevante informatie gedurende langere perioden opslaan en openen.
In de loop van 2025 zijn er meerdere van dergelijke systemen ontstaan, waaronder Hindsight, A-MEM-framework, Algemeen agentisch geheugen (GAM), LangMem, en Memobasis. RAG blijft nuttig voor statische gegevens, maar agentisch geheugen is van cruciaal belang voor adaptieve assistenten en agentische AI-workflows 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; het zal de inzet worden voor veel operationele AI-implementaties.
De gebruiksscenario’s van speciaal gebouwde vectordatabases zullen veranderen
Aan het begin van het moderne generatieve AI-tijdperk waren speciaal gebouwde vectordatabases (zoals onder andere Pinecone en Milvus) een rage.
Om ervoor te zorgen dat een LLM (meestal maar niet uitsluitend via RAG) toegang krijgt tot nieuwe informatie, heeft hij toegang tot gegevens nodig. De beste manier om dat te doen is door de gegevens in vectoren te coderen, dat wil zeggen een numerieke weergave van wat de gegevens vertegenwoordigen.
Wat in 2025 pijnlijk duidelijk werd, was dat vectoren niet langer een specifiek databasetype waren, maar eerder een specifiek gegevenstype dat kon worden geïntegreerd in een bestaande multimodeldatabase. Dus in plaats van dat een organisatie een speciaal gebouwd systeem moet gebruiken, zou ze gewoon een bestaande database kunnen gebruiken die vectoren ondersteunt. Oracle ondersteunt bijvoorbeeld vectoren en dat geldt ook voor elke database die door Google wordt aangeboden.
O, en het wordt beter. Amazon S3, nu al lang de feitelijke leider op het gebied van cloudgebaseerde objectopslag stelt gebruikers in staat vectoren op te slaanwaardoor de behoefte aan een speciale, unieke vectordatabase verder wordt ontkend. Dat betekent niet dat objectopslag vectorzoekmachines vervangt (prestaties, indexering en filtering zijn nog steeds van belang), maar het beperkt wel de reeks gebruiksscenario’s waarin gespecialiseerde systemen vereist zijn.
Nee, dat betekent niet dat speciaal gebouwde 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 enigszins zullen worden beperkt voor organisaties die de hoogste prestatieniveaus of een specifieke optimalisatie nodig hebben die een algemene oplossing niet ondersteunt.
PostgreSQL ascendant
Nu 2026 begint, is wat oud is weer nieuw. De open-source PostgreSQL-database zal in 2026 veertig jaar oud zijn, maar zal relevanter zijn dan ooit tevoren.
In de loop van 2025 zal de suprematie van PostgreSQL als dé database voor het bouwen van elk type GenAI-oplossing werd duidelijk. Snowflake heeft 250 miljoen dollar uitgegeven om Crunchy Data, een leverancier van PostgreSQL-databases, over te nemen; Databricks $ 1 miljard uitgegeven op 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 bedrijven in gebreke blijven bij PostgreSQL. De redenen zijn talrijk, waaronder de open-sourcebasis, flexibiliteit en prestaties. Voor vibe-codering (een kerngebruiksscenario voor met name 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 reeds opgeloste problemen op te lossen
Het is waarschijnlijk dat er meer innovatie zal komen om problemen op te lossen waarvan veel organisaties waarschijnlijk al aannemen dat ze al bestaan: opgeloste problemen.
In 2025 zagen we talloze innovaties, zoals het idee dat een AI gegevens uit een ongestructureerde gegevensbron zoals een pdf kan parseren. Dat is een mogelijkheid die al enkele jaren bestaat, maar bleek moeilijker op grote schaal te operationaliseren dan velen dachten. Databricks heeft nu een geavanceerde parser en andere leveranciers, waaronder Mistral, zijn met hun eigen verbeteringen op de markt gekomen.
Hetzelfde geldt voor de vertaling van natuurlijke taal naar SQL. Hoewel sommigen misschien dachten dat dit een opgelost probleem was, is het dat wel bleef innovatie zien in 2025 en zullen er in 2026 nog meer zien.
Het is van cruciaal belang dat ondernemingen in 2026 waakzaam blijven. Ga er niet vanuit dat fundamentele mogelijkheden zoals parseren of natuurlijke taal naar SQL volledig zijn opgelost. Blijf nieuwe benaderingen evalueren die mogelijk aanzienlijk beter presteren dan bestaande tools.
Acquisities, investeringen en consolidatie zullen doorgaan
2025 was een belangrijk jaar waarin veel geld naar dataleveranciers ging.
Meta investeerde $ 14,3 miljard in data-labelingleverancier Scale AI; IBM zei dat het van plan is een overname te doen datastreamingleverancier Confluent voor $11 miljard; en Salesforce Informatica opgehaald voor 8 miljard dollar.
Organisaties mogen verwachten dat het tempo van acquisities van elke omvang in 2026 zal aanhouden, nu grote leveranciers zich het fundamentele belang van data voor het succes van agentische AI realiseren.
De impact van overnames en consolidatie op ondernemingen in 2026 is moeilijk te voorspellen. Het kan leiden tot een ‘vendor lock-in’ en mogelijk ook tot uitgebreide platformmogelijkheden.
In 2026 zal de vraag niet meer zijn of bedrijven AI gebruiken, maar of hun datasystemen in staat zijn dit te ondersteunen. Naarmate agentische AI volwassener wordt, zal een duurzame data-infrastructuur – en niet slimme prompts of kortstondige architecturen – bepalen welke implementaties opschalen en welke stilletjes vastlopen.
