Wat is er gebeurd
Martin Fowler publiceerde een uitgebreide case study over Bayer's PRINCE-platform, een agentic RAG-systeem voor preklinisch onderzoek. Het systeem begon als zoeklaag boven gestructureerde studiemetadata, groeide door naar vraag en antwoord op ongestructureerde pdf-rapporten, en ontwikkelt nu richting agents die complexere onderzoekstaken kunnen uitvoeren.
Het interessante is niet dat Bayer een chatbot aan een documentenarchief heeft toegevoegd. PRINCE wordt beschreven als een productiesysteem met orchestration in LangGraph, state persistence, model fallbacks, observability, evaluatiedatasets en momenten voor menselijke review. Het combineert RAG, text-to-SQL en domeinspecifieke agent routing rond gereguleerde kennisprocessen.
De architectuur maakt ook een praktisch punt over context engineering. Grotere context windows halen de noodzaak niet weg om te bepalen wat elke agent wel en niet mag zien. Bayer scheidt planningscontext, retrievalcontext, bewijscontext en synthesecontext om ruis te beperken en debugging makkelijker te maken.
Waarom dit ertoe doet
Dit is een nuttig signaal omdat enterprise AI verschuift van antwoorden geven naar operationele workflow support. De route van search naar ask naar do is precies hoe veel documentrijke organisaties AI zullen adopteren: eerst vindbaarheid verbeteren, daarna onderbouwde antwoorden, daarna agents die acties en output voorbereiden onder controle.
De case laat ook zien waarom betrouwbare agents vooral engineering zijn. Retrievalkwaliteit is belangrijk, maar tool boundaries, retries, state management, model fallback, traces, evaluaties en domeineigenaarschap zijn minstens zo belangrijk. Dat zijn runtime-vraagstukken, geen prompttrucs.
Voor gereguleerde omgevingen is het PRINCE-patroon extra relevant. De gezaghebbende informatie zit vaak in goedgekeurde rapporten, contracten, dossiers, SharePoint-mappen of zaakbestanden. Als een agent niet kan citeren, routeren, loggen en herstellen, blijft het een demo in plaats van infrastructuur.
Laava-perspectief
Laava kijkt naar productie-agents in drie lagen: context, reasoning en action. Het Bayer-voorbeeld past daar goed op. Context wordt beheerd via metadata en retrieval uit goedgekeurde documenten. Reasoning loopt via model-agnostische orchestration en planningsstappen. Action komt terug in de beweging naar agents die drafting, onderzoeksflows en taakuitvoering ondersteunen.
Daarom is een managed runtime belangrijk. De klant koopt geen losse box of één model endpoint. De klant heeft een AI-omgeving nodig waarin agents dicht bij bedrijfsdata kunnen draaien, met logging, monitoring, updates, fallbacks en kostencontrole ingebouwd. Soevereiniteit wordt pas waardevol als het echt document- en workflowwerk veiliger en sneller maakt.
Voor Europese organisaties is de diepere les controle. Modelkeuze blijft veranderen, en sommige workloads passen bij cloudmodellen terwijl andere private of lokale uitvoering vragen. Een model-agnostische runtime maakt het mogelijk om providers te wisselen, gevoelige flows te isoleren en audit trails te behouden zonder elke agent opnieuw te bouwen.
Wat je kunt doen
Begin met één documentrijk proces waar de bron van waarheid duidelijk is: rapporten, contracten, tickets, dossiers of SharePoint-bibliotheken. Bouw de eerste versie rond retrievalkwaliteit, bronverwijzingen en menselijke review voordat je autonome acties toevoegt.
Ontwerp daarna vanaf dag één voor productie. Leg tool boundaries, logging, evaluatiesets, fallback-gedrag en domeineigenaarschap vast. Dat is het verschil tussen een indrukwekkende AI-demo en een agent die mensen in hun dagelijkse operatie vertrouwen.