Een stille architecturale verschuiving verandert de manier waarop zakelijke AI-systemen in 2026 worden ontworpen. Het dominante paradigma van de afgelopen drie jaar, met grote taalmodellen bovenaan en ophaalpijplijnen eronder, maakt plaats voor iets dat meer geïntegreerd is. Voorspellende gegevenslagen, die ooit werden behandeld als aanvullende infrastructuur die in AI-systemen werd gevoed, bewegen zich nu daarin.
De implicaties voor bouwers, RevOps-leiders en ondernemingsarchitecten zijn aanzienlijk. Dat geldt ook voor de operationele argumenten voor het doorvoeren van de verandering.
De grenzen van het ophalen
Retrieval-augmentedgeneration (RAG) is sinds 2023 de standaardbenadering voor het baseren van LLM’s op externe gegevens. Het verminderde hallucinaties, breidde de modelcontext uit en gaf bedrijven een manier om AI nuttig te maken met hun eigen informatie.
Ondanks al zijn waarde was terughalen altijd een brug naar iets capabelers.
De fundamentele beperking is dat het ophalen reactief is. Het hangt af van een vraag. Het hangt ervan af of een mens, of een agent, de juiste vraag op het juiste moment stelt. Voor statische kennistaken zoals zoeken, samenvatten en vragen en antwoorden over documenten werkt dat patroon goed. Voor dynamische, uitvoeringsgerichte workflows begint het te haperen.
In go-to-market-systemen is de vraag zelden “wie past bij mijn ICP?” De moeilijkere, waardevollere vraag is wie op dit moment het meest waarschijnlijk iets zal kopen, wat er in hun omgeving is veranderd en waarom dit vandaag de dag van belang is. Deze vragen vallen in een andere categorie. Het zijn voorspellings-, prioriterings- en timingproblemen.
En in 2026 gaan de gegevens onder deze workflows sneller dan het ophalen kan bijhouden. Recent onderzoek van Apollo’s datateam schat het verval van B2B-contactgegevens op ongeveer 2,1% per maand, oplopend tot ongeveer 22,5% per jaar onder conservatieve metingen. Cleanlist’s verificatieonderzoek uit 2026, waarin opnieuw werd geverifieerd Uit 5.000 wekelijkse contacten gedurende een periode van 90 dagen bleek dat het vervalpercentage opliep tot wel 67% per jaar. In snelle industrieën zoals technologie en SaaS bereikt het verval jaarlijks 70%.
Een ophaalsysteem dat gegevens ophaalt die zo snel vergaan, levert per definitie verouderde antwoorden op.
De voorspellende gegevenslaag, gedefinieerd
Wat in de plaats komt is een ander architectonisch patroon. De voorspellende gegevenslaag neemt voortdurend meerdere gegevensbronnen op en combineert deze, past machinaal leren toe om toekomstgerichte signalen te genereren en voert deze signalen rechtstreeks in uitvoeringsworkflows en AI-agents in.
Het onderscheid is belangrijk omdat het verandert wat het systeem in rust doet. Een ophaallaag wacht om te worden gevraagd. Er is voortdurend een voorspellende laag aan het werk, die gegevens opneemt, scoort, prioriteiten stelt en bijwerkt, zodat wanneer een agent of workflow een antwoord nodig heeft, het antwoord er al is.
Drie structurele krachten versnellen deze verschuiving.
De eerste is de limiet van LLM’s zonder sterke context. Modellen zijn uitstekend in het genereren van talen. Hun begrip van relevantie hangt volledig af van wat er onder hen zit. Het in lagen aanbrengen van AI bovenop gefragmenteerde of verouderde systemen heeft de neiging om meer output en zwakkere resultaten te produceren. Het knelpunt is verschoven van generatie naar selectie.
De tweede is de opkomst van AI-agenten. Agenten treden op. Actie vereist prioritering, vertrouwensscores, realtime context en triggergebaseerde uitvoering, mogelijkheden die ergens dieper in de stapel moeten komen. Volgens een CRM Data Operations-rapport uit 2026 van Digital DI Consultants zet 62% van de organisaties nu autonome AI-agents in voor verrijking en validatie, en is 75% van plan om realtime data te adopteren verrijking om de behendigheid te verbeteren. De infrastructuur moet gelijke tred houden.
De derde zijn de kosten als je het fout doet. Slechte datakwaliteit kost Amerikaanse bedrijven jaarlijks naar schatting 3,1 biljoen dollar, zo blijkt uit veel geciteerd onderzoek van IBM en Gartner, waarbij individuele organisaties tussen de 12,9 en 15 miljoen dollar per jaar verliezen door verspilde uitgaven, gemiste kansen en operationele vertraging. Wanneer AI bovenop onbetrouwbare gegevens wordt geplaatst, worden deze verliezen groter.
Van zijspan tot kernlaag
De architectonische consequentie van deze verschuiving is dat gegevensproviders zich van buiten de AI-uitvoeringslaag naar binnen verplaatsen.
Het oude model behandelde elke component als onafhankelijk. De CRM hield gegevens bij. Verrijkingsinstrumenten vulden gaten in. AI-tools genereerden output. Elk systeem werkte op zijn eigen klok, en mensen of middleware voegden de resultaten samen.
De voorspellende gegevenslaag vernietigt die scheiding. Gegevens, voorspellingen en actie worden één continu systeem. Workflows verschuiven van vraaggestuurd naar gebeurtenisgestuurd. AI-outputs worden in relevantie verankerd vanaf het moment dat ze worden gegenereerd. Systemen werken proactief.
In praktische termen stopt het systeem met wachten tot een gebruiker vraagt met wie hij of zij contact moet opnemen. Het weet het al en handelt of brengt de aanbeveling naar voren in de workflow waar actie plaatsvindt.
Voor ondernemingsbouwers verandert dit de manier waarop systemen worden ontworpen. Het nieuwe model is gebaseerd op continue intelligentiestromen, laat voorspellende systemen de prioriteiten bepalen en gebruikt AI voor de uitvoering.
Lusha en de herpositionering van B2B-dataleveranciers
Het duidelijkste marktsignaal van deze verschuiving vindt plaats op leveranciersniveau, waar bedrijven die historisch gezien als dataproviders werden verkocht, zich actief herpositioneren rond voorspellende intelligentie.
Lusha is een nuttige casestudy van hoe dit uitpakt. Gedurende het grootste deel van zijn geschiedenis is het bedrijf gecategoriseerd als een B2B-platform voor verkoopinformatie en contactverrijking. Het was een dataproduct dat voornamelijk werd gebruikt door bouwers, RevOps-teams en uitgaande verkopers om CRM’s te verrijken en geverifieerde contactgegevens te verkrijgen. Die positionering plaatste het in een drukke, steeds meer gecommoditiseerde categorie waar de concurrentie-as dekking, nauwkeurigheid en prijs was.
Lusha is nu een oplossing voor voorspellende datamodellen. Het nieuwe aanbod combineert de eigen, geverifieerde B2B-dataset met machinaal leren dat is getraind op signalen van klanten, waaronder CRM-geschiedenis, conversiepatronen en betrokkenheidsgegevens. De output is verschoven van contactrecords naar een voortdurend bijgewerkte laag van gescoorde aanbevelingen, fit-signalen en timing-intelligentie, ontworpen om rechtstreeks aan te sluiten op op LLM gebaseerde workflows en agentische systemen.
De strategische logica volgt de architectonische verschuiving die hierboven is beschreven. Naarmate voorspellende lagen binnen de AI-stack bewegen, groeit de waarde van een intelligentielaag die door agenten kan worden aangeroepen. Leveranciers die de voorspellende laag betreden, worden een beslissingsinfrastructuur.
Een concreet voorbeeld van hoe dit uitpakt op architectuurniveau is de lancering van Lusha als native connector binnen Claude. De connector stelt de voorspellende laag rechtstreeks aan de agent bloot, zodat een Claude-gesprek of een agent-workflow Lusha kan bellen en gescoorde, geprioriteerde aanbevelingen kan ontvangen als onderdeel van de redeneringslus. De databasis is hetzelfde. De toegangsmodus is verschoven van API-integratie buiten het AI-systeem naar een native connector die erin zit. Dat is de architecturale zet die in de vorige sectie is beschreven, uitgedrukt als een productbeslissing.
Voor Lusha is de herpositionering ook een bescherming tegen de structurele druk waarmee alle B2B-dataproviders in 2026 worden geconfronteerd. Deze druk omvat onder meer het versnelde verval van gegevens, de commoditisering van contactinformatie en de snelle integratie van AI in GTM-workflows die voorheen afhankelijk waren van handmatige prospectie. De competitieve vraag voor de categorie verschuift van wie de meeste contacten heeft naar wie u kan vertellen welke contacten er toe doen, wanneer ze ertoe doen, en waarom. Lusha durft te wedden dat LLM-integratie en voorspellend machinaal leren, toegepast op een geverifieerde databasis, het juiste antwoord op die vraag zijn.
Of de herpositionering slaagt, hangt af van de uitvoering. De voorspellende ABM- en intent-data-ruimte omvat ook spelers als 6sense, Apollo, Demandbase en ZoomInfo, elk met hun eigen machine learning-infrastructuur. Het marktsignaal dat de moeite van het volgen waard is, is hoeveel B2B-dataleveranciers de komende twaalf tot achttien maanden dezelfde architecturale stap maken, en hoe de categorie zich ontwikkelt naarmate voorspellende lagen over de hele linie een basisverwachting worden.
Het grotere patroon
De geschiedenis van de bedrijfsdata-infrastructuur kent een gestage migratie van capaciteiten dichter bij het beslissingspunt. Databases werden datawarehouses. Magazijnen werden analyseplatforms. Analytics werd machine learning. Machine learning wordt nu een ingebedde intelligentie-infrastructuur.
De huidige dienst is de volgende stap in die progressie. Van het opslaan van gegevens, tot het analyseren van gegevens, tot het opvragen van gegevens, tot het continu beslissen met gegevens.
Ophalen blijft een echt doel dienen. Voor veel gebruiksscenario’s, zoals het zoeken naar documenten, samenvattingen en kennisbeheer, blijft het de juiste tool. Voor productie-AI-systemen die in realtime omgevingen met hoge inzet werken, is de voorspellende laag de basis geworden.
De voorspellende gegevenslaag is waar relevantie wordt gecreëerd, waar beslissingen worden gevormd en waar concurrentiekracht steeds groter wordt. Leveranciers die dit onderkennen en dienovereenkomstig herbouwen, positioneren zichzelf als beslissingsinfrastructuur.
Voor ondernemingsarchitecten die AI-investeringen in 2026 evalueren, wordt dat onderscheid de belangrijkste vraag. De systemen die opschalen zullen de systemen zijn die data dichter bij actie brengen.
