Onlangs werd het AI-landschap opnieuw ingrijpend veranderd toen OpenAI Diepgaand onderzoek uitbracht.
Kort daarna volgden vergelijkbare releases van Perplexity, xAI, Manus en anderen. In de kern is Diepgaand onderzoek een zoekagent die op basis van een gebruikersvraag tot wel 30 minuten lang complex onderzoek op internet kan uitvoeren in meerdere stappen, soms met meer dan 100 bronnen. Binnen enkele minuten levert het een uitgebreid onderzoeksrapport op, werk waar een menselijke onderzoeker normaal gesproken meerdere uren voor nodig zou hebben.
Volgens ons is dit een van de belangrijkste AI-releases sinds GPT-3.
In de gesprekken die we sindsdien met onze klanten hebben gevoerd, springt één vraag eruit: "Wanneer kunnen we dit soort diepgaand onderzoek toepassen op onze eigen gegevens?"
Veel van deze klanten hebben jarenlang, of zelfs decennialang, uiterst zorgvuldig enkele van de grootste bedrijfseigen kennisbanken ter wereld opgebouwd. Deze gegevens zijn van onschatbare waarde en vormen de basis van hun concurrentievoordeel in hun sector.
Vanuit deze behoefte zijn we een aanpak gaan ontwikkelen waarmee elk bedrijf mogelijkheden voor diepgaand onderzoek kan creëren die zijn afgestemd op de eigen markt, gegevens en context.
We noemen deze oplossing Enterprise Deep Research.
In Enterprise Deep Research verwerken we veel van de lessen die we bespraken in onze diepgaande analyse van RAG-benaderingen.
Bij diepgaand onderzoek is het stapsgewijs verbeteren van een gebruikersvraag nog belangrijker dan bij klassieke RAG
Contextbeheer blijft cruciaal. Het is essentieel dat de onderzoeksagent goed begrijpt wat hij al heeft onderzocht en welke onderzoeksrichtingen het meest vruchtbaar waren. Door deze status intelligent te beheren, kan de redenering van het model optimaal functioneren
De onderzoeksagent is de motor achter Enterprise Deep Research.
De onderzoeksagent heeft zicht op de vraag van de gebruiker, eerder uitgevoerde zoekopdrachten en de nuttige informatie die daarmee is gevonden. Vervolgens gebruikt de agent redenering om de zorgvuldig samengestelde gegevensstroom om te zetten in acties.
De onderzoeksagent krijgt toegang tot allerlei tools om zijn doel te bereiken. Dit kunnen tools voor zoeken op internet en weboperators zijn, zoals die veel voorkomen in consumentgerichte tools voor diepgaand onderzoek, maar ook tools voor interactie met uw bedrijfseigen gegevensbronnen en eindpunten.
Dit is te vergelijken met een echte gereedschapskist: de onderzoeksagent hoeft alleen het juiste gereedschap voor de taak te kiezen. Soms is zoeken op internet het nuttigste hulpmiddel. Misschien wilt u snel een vandaag gepubliceerd onderzoeksartikel bekijken dat nog niet in de kennisbank van uw bedrijf staat.
Werkt u echter in een sector als de farmaceutische industrie, financiële dienstverlening of juridische dienstverlening, dan is uw workflow sterk afhankelijk van uw interne kennisbanken. Voor deze bronnen kunnen we de onderzoeksagent met end-to-end reinforcement learning zorgvuldig optimaliseren, zodat deze uw bedrijfseigen kennis zo effectief mogelijk kan doorzoeken. En juist daarin blinkt onze Enterprise Deep Research echt uit.
Hier gebeurt het echte werk.
Hoewel internet enorme hoeveelheden informatie biedt, benutten AI-systemen hun volledige potentieel pas wanneer uw bedrijfseigen expertise er rechtstreeks in wordt geïntegreerd. Wij denken dat de effectiefste oplossingen ontstaan wanneer uw unieke kennis en concurrentiekracht in elke processtap worden geïntegreerd.
We werken nauw samen met organisaties aan integratieoplossingen op maat die gegevens uit verschillende bronnen samenbrengen in één ecosysteem, van gestructureerde databases zoals Neo4j, PostgreSQL en Snowflake tot cloudopslag en bestandssystemen zoals S3 en SharePoint. Deze integratie helpt ervoor te zorgen dat elk onderdeel van het systeem wordt verrijkt met uw bedrijfseigen gegevens en interne processen. Zo kan de onderzoeksagent dezelfde stappen volgen als uw interne analisten.
Pogingen om gegevens effectief te benutten, roepen vaak belangrijke vragen op over toegangs- en gebruiksrechten. Gegevenseigenaren maken zich begrijpelijkerwijs zorgen dat gevoelige informatie onbedoeld in antwoorden kan worden onthuld. Wij vinden dat privacy en gegevensbeveiliging vanaf het begin in onze oplossingen moeten worden ingebouwd. Bij het indexeren van uw interne gegevens is het essentieel om het eigenaarschap vast te leggen en toegangsrechten af te dwingen, zodat alleen bevoegde gebruikers toegang hebben tot specifieke informatie. Daarnaast zijn robuuste mechanismen om gegevens uit de index te verwijderen, in overeenstemming met de AVG en andere regelgeving, essentieel voor privacy en naleving van wet- en regelgeving. Dit niveau van controle en veiligheid onderscheidt onze aanpak van openbare tools voor diepgaand onderzoek op het hele internet.
Zoeken op internet blijft een hoeksteen van onderzoeksworkflows binnen bedrijven. Traditionele webscraping is al lange tijd een betrouwbare manier om gestructureerde gegevens uit onlinebronnen te verzamelen. Deze klassieke methoden zijn effectief voor het verzamelen van grote hoeveelheden openbare informatie.
Onlangs zijn weboperatoragents ontstaan om complexe taken voor gegevensverzameling op internet uit te voeren. Voorbeelden zijn Operator van OpenAI, Claude van Anthropic en Proxy van Convergence. Ze zijn ontworpen om door complexe webomgevingen te navigeren, genuanceerde vragen af te handelen en gegevens op te halen die met standaardtechnieken voor webscraping mogelijk buiten bereik blijven.
Soms zijn LLM's niet het beste hulpmiddel om opgehaalde gegevens te analyseren. Daarom kunnen we de onderzoeksagent toegang geven tot specialistischere tools, zoals een programmeeromgeving of zelfs uw bedrijfseigen tools, om deze analyses uit te voeren. Deze gelaagde aanpak, van klassieke webscraping tot geavanceerde operatoragents en specialistische tools, zorgt dat uw bedrijfsonderzoek zowel grondig als flexibel is, hoe complex het gegevenslandschap ook is.
Elk bedrijf heeft een eigen cultuur, sectorspecifieke nuances en vaste werkwijzen die bepalen hoe inzichten het beste kunnen worden gebruikt en toegepast. Kant-en-klare tools leveren vaak standaardantwoorden die mogelijk niet aansluiten bij de unieke context van uw bedrijf.
Met een oplossing voor diepgaand onderzoek op maat hebt u de flexibiliteit om onderzoeksresultaten precies daar en in de gewenste vorm beschikbaar te maken, bijvoorbeeld door ze in bestaande analysetools te integreren of hiervoor een speciale workflow te ontwikkelen.
Door de onderzoeksresultaten af te stemmen op de specifieke taal en processen van uw bedrijf, zorgt u ervoor dat de inzichten niet alleen nauwkeurig zijn, maar ook naadloos aansluiten op uw bestaande besluitvormingskaders.
Wij zien een toekomst voor ons waarin elk bedrijf profiteert van een oplossing voor diepgaand onderzoek op maat die de belangrijkste workflows ondersteunt.
Recente introducties, zoals OpenAI's Responses API met geïntegreerde mogelijkheden voor zoeken op internet en de onlangs onthulde Agent SDK voor het bouwen van agentic AI-systemen, tonen dat marktleiders vastbesloten zijn om AI-tools op dit gebied verder te ontwikkelen. Hoewel openbare tools zoals Diepgaand onderzoek van OpenAI uitstekend geschikt zijn voor algemene vragen, profiteren bedrijven die concurrentievoordeel zoeken van een aanpak op maat die hun bedrijfseigen kennis en unieke sterke punten volledig benut.
Wilt u ontdekken hoe deze visie voor u kan werken? Neem contact met ons op via het kanaal van uw voorkeur.