Enterprise-datateams die agent-AI naar productie brengen, stuiten op een consistent faalpunt op dataniveau. Agenten die in een vectoropslag, een relationele database, een grafiekopslag en een lakehouse zijn gebouwd, hebben synchronisatiepijplijnen nodig om de context actueel te houden. Onder productiebelasting raakt die context achterhaald.
Oracle, wiens database-infrastructuur volgens de eigen telling van het bedrijf de transactiesystemen van 97% van de Fortune Global 100-bedrijven beheert, maakt nu een directe architectonische bewering dat de database de juiste plek is om dat probleem op te lossen.
Oracle heeft deze week een set aangekondigd agentische AI-mogelijkheden voor de Oracle AI-databasegebouwd rond een direct architectonisch tegenargument voor dat patroon.
De kern van de release is Unified Memory Core, een enkele ACID-transactie-engine (Atomicity, Consistentie, Isolatie en Duurzaamheid) die vector-, JSON-, grafiek-, relationele, ruimtelijke en kolomgegevens verwerkt zonder een synchronisatielaag. Daarnaast heeft Oracle Vectoren on Ice aangekondigd voor native vectorindexering op Apache Iceberg-tabellen, een zelfstandige Autonomous AI Vector Database-service en een Autonomous AI Database MCP-server voor directe agenttoegang zonder aangepaste integratiecode.
Het nieuws is niet alleen dat Oracle nieuwe functies toevoegt, het is ook dat ’s werelds grootste databaseleverancier zich realiseert dat er dingen zijn veranderd in de wereld van AI die verder gaan dan wat de gelijknamige database te bieden heeft.
“Hoe graag ik je ook zou willen vertellen dat iedereen tegenwoordig al zijn gegevens in een Oracle-database opslaat – jij en ik leven in de echte wereld”, zegt Maria Colgan, Vice President, Product Management for Mission-Critical Data and AI Engines, bij Oracle VentureBeat. “We weten dat dat niet waar is.”
Vier opties, een architecturale inspanning tegen de gefragmenteerde agentenstack
De release van Oracle omvat vier onderling samenhangende functies. Samen vormen ze het architectonische argument dat een geconvergeerde database-engine een betere basis is voor AI van productieagenten dan een stapel gespecialiseerde tools.
Uniforme geheugenkern. Agents die tegelijkertijd over meerdere gegevensformaten redeneren (vector, JSON, grafiek, relationeel, ruimtelijk) hebben synchronisatiepijplijnen nodig wanneer deze formaten in afzonderlijke systemen leven. Unified Memory Core plaatst ze allemaal in één enkele ACID-transactie-engine. Onder de motorkap bevindt zich een API-laag boven de Oracle-database-engine, wat betekent dat ACID-consistentie van toepassing is op alle gegevenstypen zonder een afzonderlijk consistentiemechanisme. “Door het geheugen op dezelfde plek te houden als de gegevens, kunnen we controleren waartoe het toegang heeft, op dezelfde manier waarop we de gegevens in de database zouden controleren”, legt Colgan uit.
Vectoren op ijs. Voor teams die data lakehouse-architecturen draaien op het open-source Apache Iceberg-tabelformaat, creëert Oracle nu een vectorindex in de database die rechtstreeks naar de Iceberg-tabel verwijst. De index wordt automatisch bijgewerkt als de onderliggende gegevens veranderen en werkt met Iceberg-tabellen die worden beheerd door Databricks en Snowflake. Teams kunnen het zoeken naar ijsbergvectoren combineren met relationele, JSON-, ruimtelijke of grafiekgegevens die in Oracle zijn opgeslagen in één enkele zoekopdracht.
Autonome AI-vectordatabase. Een volledig beheerde, gratis te starten vectordatabaseservice gebouwd op de Oracle 26ai-engine. De service is ontworpen als toegangspunt voor ontwikkelaars met een upgradepad met één klik naar een volledig autonome AI-database naarmate de werklast toeneemt.
Autonome AI-database MCP-server. Hiermee kunnen externe agenten en MCP-clients verbinding maken met de Autonomous AI Database zonder aangepaste integratiecode. De toegangscontroles op rij- en kolomniveau van Oracle worden automatisch toegepast wanneer een agent verbinding maakt, ongeacht wat de agent vraagt. “Ook al voer je dezelfde standaard API-aanroep uit als bij andere platforms, de rechten die de gebruiker nog steeds krijgt wanneer LLM deze vragen stelt”, zei Colgan.
Op zichzelf staande vectordatabases zijn een startpunt, geen bestemming
De Autonomous AI Vector Database van Oracle betreedt een markt die wordt gedomineerd door speciaal gebouwde vectordiensten, waaronder Pinecone, Qdrant en Weaviate. Het onderscheid dat Oracle maakt gaat over wat er gebeurt als vector alleen niet genoeg is.
“Als je klaar bent met vectoren, heb je niet echt een optie”, vertelde Steve Zivanic, Global Vice President, Database and Autonomous Services, Product Marketing bij Oracle, aan VentureBeat. “Hiermee kun je grafieken, ruimtelijke, tijdreeksen krijgen, wat je maar nodig hebt. Het is geen doodlopende weg.”
Holger Mueller, hoofdanalist bij Constellation Research, zei dat het architecturale argument juist geloofwaardig is omdat andere leveranciers dit niet kunnen doen zonder eerst gegevens te verplaatsen. Andere databaseleveranciers vereisen dat transactiegegevens naar een datameer worden verplaatst voordat agenten erover kunnen redeneren. Volgens hem geeft Oracle’s geconvergeerde erfgoed het een structureel voordeel dat moeilijk te repliceren is zonder een grondige wederopbouw.
Niet iedereen beschouwt de functieset als gedifferentieerd. Steven Dickens, algemeen directeur en hoofdanalist bij HyperFRAME Research, zegt VentureBeat dat vectorzoeken, RAG-integratie en Apache Iceberg-ondersteuning nu standaardvereisten zijn voor bedrijfsdatabases – Postgres, Snowflake en Databricks bieden allemaal vergelijkbare mogelijkheden.
“De stap van Oracle om de database zelf als een AI-database te bestempelen, is in de eerste plaats een rebranding van zijn geconvergeerde databasestrategie om te passen bij de huidige hype-cyclus”, aldus Dickens. Volgens hem ligt de echte differentiatie die Oracle beweert niet op functioneel niveau, maar op architectonisch niveau – en Unified Memory Core is waar het argument standhoudt of uiteenvalt.
Waar implementaties van enterprise-agenten feitelijk mislukken
De vier features die Oracle deze week heeft uitgebracht zijn een reactie op een specifieke en goed gedocumenteerde productiefout. Implementaties van Enterprise-agents breken niet op de modellaag. Ze falen op de datalaag, waar agenten die in gefragmenteerde systemen zijn gebouwd, te maken krijgen met synchronisatielatentie, verouderde context en inconsistente toegangscontrole op het moment dat de werklast wordt opgeschaald.
Matt Kimball, vice-president en hoofdanalist bij Moor Insights and Strategy, zei VentureBeat de datalaag is waar de productiebeperkingen voor het eerst naar voren komen.
“Het gevecht drijft ze in productie”, zei Kimball. “De kloof is vrijwel onmiddellijk zichtbaar op de datalaag: toegang, beheer, latentie en consistentie. Dit worden allemaal beperkingen.”
Dickens portretteert de kernmismatch als een staatloos versus staatsprobleem. De meeste agentframeworks voor ondernemingen slaan het geheugen op als een platte lijst van eerdere interacties, wat betekent dat agenten in feite staatloos zijn, terwijl de databases die ze doorzoeken stateful zijn. De vertraging tussen de twee is waar beslissingen fout gaan. “Datateams zijn uitgeput door fragmentatiemoeheid”, zegt Dickens. “Het is een DevOps-nachtmerrie om een afzonderlijke vectoropslag, grafische database en relationeel systeem te beheren om slechts één agent te laten draaien.”
Die fragmentatie is precies wat Oracle’s Unified Memory Core wil elimineren. De kwestie van het controleplan volgt direct. “In een traditioneel applicatiemodel bevindt de controle zich in de app-laag”, zegt Kimball. “Met agentsystemen valt de toegangscontrole vrij snel weg, omdat agenten op dynamische wijze acties genereren en consistente beleidshandhaving nodig hebben. Door al die controle in de database te duwen, kan het allemaal op een meer consistente manier worden toegepast.”
Wat dit betekent voor bedrijfsdatateams
De vraag waar de controle zich bevindt in de AI-stack van een enterprise-agent is onbeslist. De meeste organisaties bouwen nog steeds op gefragmenteerde systemen, en de architecturale beslissingen die nu worden genomen – welke engine het geheugen van agenten verankert, waar toegangscontroles worden afgedwongen, hoe lakehouse-gegevens in de context van agenten worden getrokken – zullen moeilijk op schaal ongedaan te maken zijn.
De gedistribueerde data-uitdaging is nog steeds de echte test. “Gegevens worden steeds meer gedistribueerd over SaaS-platforms, silo’s en gebeurtenisgestuurde systemen, elk met zijn eigen controlevlak en bestuursmodel”, aldus Kimball. “De mogelijkheid breidt dit model nu uit naar de bredere, meer gedistribueerde data-eigenschappen die tegenwoordig de meeste bedrijfsomgevingen definiëren.”
