Enterprise brain
De kennislaag die AI-agents laat werken
AI-agents zijn slim genoeg. Wat ze missen, is context: welke definities gelden, welke afspraken er met een klant zijn en waarom een besluit ooit zo is genomen. Die kennis zit nu verspreid over systemen, documenten en hoofden. Een enterprise brain brengt data en kennis samen in één laag, met eigenaren en bronvermelding, zodat mensen en agents uit dezelfde bron werken. Geen nieuw platform, maar de volgende stap op je bestaande datafundament.
Elke chat begint bij nul
Iedereen die met een chatbot werkt, kent het: je legt opnieuw uit wie je bent, waar je werkt en wat je bedoelt. Na het gesprek is die uitleg weg. Het model is niet dom, het mist context.
Op bedrijfsniveau heeft dat gevolgen. Volgens onderzoek van MIT NANDA levert 95% van de GenAI-pilots geen meetbaar financieel resultaat op. De oorzaak volgens de onderzoekers: de meeste systemen onthouden geen feedback, passen zich niet aan de context aan en worden niet beter na verloop van tijd. Het model is slim genoeg, het systeem eromheen onthoudt niets. (Bron: MIT NANDA, “The GenAI Divide: State of AI in Business 2025“, juli 2025.)
Van second brain naar LLM-wiki
Een second brain is kennis buiten je hoofd, zo vastgelegd dat je hem kunt hergebruiken. Het begrip werd bekend door Tiago Forte en gaat oorspronkelijk over persoonlijke kennis.
Met taalmodellen gaat dat een stap verder. In een LLM-wiki, een idee dat Andrej Karpathy in april 2026 beschreef, lever jij de bronnen en stuur je, en schrijft en onderhoudt het taalmodel de gelinkte pagina’s. Elke nieuwe vraag start vanuit wat er al ligt, in plaats van bij nul.
Wij gebruiken dit zelf. De training AI-native softwareontwikkeling van de DIKW Academy is ontwikkeld met een LLM-wiki. Lees erover in Eat your own dogfood: hoe we een AI training ontwikkelden met AI.
Op persoonlijke schaal werkt dat goed: één persoon stuurt en controleert wat het model schrijft. Voor een hele organisatie is meer nodig.
Waar zit jouw kennis?
In de meeste organisaties is data in tabellen goed geregeld. Een omzetdefinitie staat in het semantisch model in Power BI. Maar veel kennis zit ergens anders:
| Waar | Hoe goed geregeld | Voorbeelden |
|---|---|---|
| Tabellen | Goed | Omzetdefinitie in het semantisch model |
| Documenten | Half | Contracten, procesbeschrijvingen, besluiten |
| Hoofden | Niet | Uitzonderingen en “zo doen we het hier” |
IDC schat dat 90% van de data in organisaties ongestructureerd is, zoals contracten, e-mail en handboeken. (Bron: IDC, “Untapped Value: What Every Executive Needs to Know About Unstructured Data“, in opdracht van Box, augustus 2023.)
Een AI-agent is als een nieuwe collega die nooit bij de koffieautomaat staat: hij weet niets wat niet is opgeschreven. En een LLM-wiki die zichzelf herschrijft zonder eigenaar en bron, stapelt op bedrijfsniveau fouten op.
Wat is een enterprise brain?
Een enterprise brain, ook wel company brain genoemd, is een gedeelde kennislaag waarin data en bedrijfskennis samenkomen, zodat mensen en AI-agents uit dezelfde bron werken. Het bevat:
- Data: definitie, structuur, locatie, eigenaar en toegang, zoals een datacatalogus dat nu al doet.
- Kennis: businessregels, besluiten, processen, documenten en wiki’s.
Wat het onderscheidt van een gewone wiki of kennisbank, zijn vier dingen die op bedrijfsniveau nodig zijn: eigenaren, definities, relaties en bronreferenties. Een agent kan dan niet alleen een antwoord geven, maar ook laten zien waar het vandaan komt en wie ervoor verantwoordelijk is.
Eerlijk is eerlijk: “brain” is een groot woord. Het is geen magie, maar een gecureerde contextlaag met eigenaren.
Van gelinkte pagina’s naar een kennisgraaf
In een wiki zegt een link dát twee pagina’s samenhangen. In een kennisgraaf zegt een relatie hóe: klant X heeft een raamcontract, het accountteam is eigenaar, en de regel is levering binnen 48 uur. Een agent kan die relaties volgen. Er zijn drie routes, van snel en licht naar meer afspraken en meer hergebruik:
| Route | Wat het is | Sterk in | Voorbeelden |
|---|---|---|---|
| LLM-wiki | Gelinkte pagina’s die het taalmodel schrijft en bijhoudt | Snel starten in één domein, met één eigenaar | Karpathy-gist, Obsidian |
| Graaf uit documenten | Het taalmodel haalt entiteiten en relaties uit teksten | Vragen die kennis uit veel documenten verbinden | Microsoft GraphRAG, Neo4j |
| Semantische graaf | Gedeelde definities, relaties en regels: een ontologie | Eén taal voor mens, rapport en agent | W3C-standaarden RDF en OWL, Microsoft Fabric IQ |
Fabric IQ maakt een ontologie uit een Power BI-semantisch model; dat onderdeel is op het moment van schrijven nog in preview.
Het idee is niet nieuw. In 2001 schetste Tim Berners-Lee het semantisch web, maar het bleef grotendeels onvervuld: niemand had tijd om al die kennis bij te houden. Dat werk kunnen taalmodellen nu overnemen.
Het enterprise brain in het Logisch Data Fundament
In het Logisch Data Fundament van DIKW loopt de datacatalogus als balk over alle datastromen heen: van bronnen en Lake House tot rapportage, exploratie en operationele AI-toepassingen. In veel organisaties is dat het meest verwaarloosde onderdeel van het platform. AI-agents maken het het belangrijkste.
Het enterprise brain is die catalogus, uitgebreid van data naar kennis en van naslag voor mensen naar een actieve bron voor mensen en agents. Naast elke gebruikersgroep, van businessgebruikers tot dataprofessionals en klanten, staat straks een agent die uit dezelfde bron put.
Een enterprise brain zonder datafundament is een hallucinatiemachine met zelfvertrouwen. Daarom bouwen we het op wat er al staat.
Zo begin je: één agent, één domein
Wie op dag één een enterprise brain bouwt, bouwt een catalogus die niemand gebruikt. Begin bij één agent die echt waarde levert, en laat het brain meegroeien. Volgens Gartner stopt ruim 40% van de agentic-AI-projecten vóór eind 2027 (Gartner, persbericht 25 juni 2025). Klein en meetbaar beginnen verkleint dat risico.
- Kies één agent. Eén domein met veel handwerk en kennis in documenten, zoals “welke afspraken gelden voor deze klant?”
- Maak kennis expliciet. Definities, regels en uitzonderingen, zo vastgelegd dat een machine ze kan lezen.
- Koppel aan wat er is. Je datacatalogus en het semantisch model in Power BI zijn het vertrekpunt.
- Meet het verschil. Een vaste set testvragen, beantwoord met en zonder die context. Dat verschil is je business case.
- Laat het groeien. Heeft een tweede agent dezelfde kennis nodig? Dan verhuist die naar de gedeelde laag.
Wat DIKW doet
Wij bouwen al jaren datafundamenten op Azure en Microsoft Fabric. Het enterprise brain is daar de logische volgende stap op. We helpen je:
- het eerste domein en de eerste agent te kiezen;
- definities, businessregels en eigenaarschap expliciet te maken;
- de kennislaag te koppelen aan je datacatalogus, semantisch model en bestaande platform;
- te meten of de agent met context echt beter werkt.
Meer lezen: AI Agents, de whitepaper AI Ready Data en Loop Engineering.
Wil je zelf aan de slag met AI-ondersteund werken? Bekijk de DIKW Academy.
Veelgestelde vragen
Wat is het verschil tussen een second brain en een enterprise brain? Een second brain is persoonlijk: jij legt je kennis vast en controleert wat erin staat. Een enterprise brain is gedeeld door een hele organisatie en haar agents. Daarom heeft het eigenaren, definities en bronvermelding nodig.
Is dit niet gewoon RAG? RAG is de techniek om informatie op te halen. Het enterprise brain is wát je ophaalt: gecureerd, met eigenaar en definities. RAG zonder brain haalt net zo makkelijk drie tegenstrijdige documenten op.
Moet ons datafundament eerst helemaal op orde zijn? Voor het domein van je eerste agent wel, voor de hele organisatie niet. Daarom start je klein.
Wie is eigenaar van het enterprise brain? De domeineigenaren in de business. IT beheert de laag, de business bepaalt wat begrippen betekenen.
Vervangt dit ons Power BI-semantisch model? Nee, het bouwt erop voort. Het semantisch model levert de definities waar het enterprise brain op leunt.