AI-agents kunnen steeds meer zelfstandig plannen, tools gebruiken en acties uitvoeren. Maar juist daardoor wordt een fundamenteel probleem zichtbaarder: taalmodellen zijn probabilistisch en begrijpen bedrijfsregels niet automatisch als harde grenzen. Ontologieën kunnen daar een structurele oplossing bieden. Door begrippen, relaties en regels binnen een organisatie formeel vast te leggen, ontstaat een controlelaag waarmee agentische systemen hun acties kunnen toetsen. Zo verschuift AI van waarschijnlijk correcte antwoorden naar systemen die binnen expliciete bedrijfsregels moeten opereren.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
Autonomie maakt AI krachtiger, maar ook moeilijker te controleren
AI-agents worden vaak voorgesteld als de volgende stap na chatbots. In plaats van alleen tekst te genereren, kunnen ze informatie ophalen, plannen maken, softwaretools gebruiken, resultaten controleren en dezelfde cyclus herhalen totdat een opdracht klaar is. Die grotere autonomie maakt AI krachtiger, maar ook moeilijker te controleren.
Een taalmodel redeneert immers niet zoals traditionele bedrijfssoftware. Het voorspelt op basis van waarschijnlijkheid welke volgende stap passend lijkt. Dat werkt verrassend goed voor taal en veel kenniswerk, maar vormt een probleem zodra een systeem zelf beslissingen neemt of acties uitvoert waarvoor harde regels gelden.
Daar komt een veel oudere technologie opnieuw in beeld: de ontologie.
Een ontologie geeft AI een gedeelde taal
Een ontologie klinkt abstracter dan ze is. In essentie beschrijft ze welke soorten dingen binnen een domein bestaan, welke eigenschappen ze hebben en hoe ze met elkaar verbonden zijn.
Voor een webwinkel kunnen dat bijvoorbeeld klanten, bestellingen, producten, betalingen en terugbetalingen zijn. Vervolgens worden relaties vastgelegd: een bestelling heeft een klant, een terugbetaling hoort bij een bestelling en een manager kan een terugbetaling goedkeuren.
Zo ontstaat een formeel woordenboek voor het domein.
Het verschil met gewone tekst is belangrijk. Een taalmodel kan uit documenten afleiden dat managers doorgaans grote terugbetalingen goedkeuren. Een formele regel kan daarentegen expliciet vastleggen dat een terugbetaling boven een bepaald bedrag niet mag plaatsvinden zonder goedkeuring.
Dat laatste is geen waarschijnlijkheid, maar een constraint.
Van probabilistische AI naar neurosymbolische systemen
De combinatie van taalmodellen met formele regels wordt vaak neurosymbolische AI genoemd.
Het neurale gedeelte levert flexibiliteit: taal begrijpen, patronen herkennen, plannen voorstellen en omgaan met ongestructureerde informatie. Het symbolische gedeelte levert structuur: formeel gedefinieerde concepten, relaties, logica en regels die gecontroleerd kunnen worden.
Recent onderzoek naar enterprise agents experimenteert precies met deze combinatie. Daarbij worden ontologieën gebruikt om context, beschikbare tools en governancevoorwaarden te structureren, terwijl aparte validatielagen controleren of output aan formele voorwaarden voldoet.
Het doel is niet het taalmodel te vervangen door klassieke regels. Beide systemen doen juist waar ze goed in zijn.
Ontologieën bouwen hoeft niet volledig vanaf nul
Traditioneel zijn er twee manieren om een ontologie op te bouwen. Bij een top-downaanpak bepalen domeinexperts vooraf welke entiteiten, eigenschappen en relaties belangrijk zijn. Bij een bottom-upaanpak worden die structuren afgeleid uit bestaande data, documenten, processen en vragen van gebruikers.
Een praktische middenweg is om zoveel mogelijk bestaande vocabularia opnieuw te gebruiken en alleen organisatiespecifieke onderdelen toe te voegen.
Denk bijvoorbeeld aan schema.org en bestaande industriële ontologieën. Daaruit kunnen standaardconcepten en relaties worden overgenomen. Vervolgens worden de eigen bedrijfsregels en beperkingen eraan gekoppeld.
Dat voorkomt dat ieder bedrijf opnieuw een volledig semantisch vocabularium moet ontwerpen.
De echte kans zit in de agent-loop
Ontologieën worden vooral interessant wanneer we kijken naar hoe AI-agents technisch werken. Een agent voert doorgaans een lus uit. Hij ontvangt een opdracht, haalt informatie op, maakt een plan, selecteert een tool, voert een actie uit, beoordeelt het resultaat en bepaalt vervolgens wat de volgende stap moet zijn.
Dat proces kan worden gezien als een keten van overgangen:
input → analyse → planning → tool → resultaat → controle → volgende actie
Juist tussen die stappen kunnen guardrails worden geplaatst.
In plaats van één enorme veiligheidslaag rond de hele agent te bouwen, kan iedere overgang als een afzonderlijk contract worden behandeld.
Wanneer een tool bijvoorbeeld JSON terugstuurt naar een volgende component, kan dat resultaat eerst worden gevalideerd. Kloppen de datatypes? Zijn verplichte velden aanwezig? Heeft de gebruiker de juiste bevoegdheid? Mag deze actie binnen het bedrijfsbeleid überhaupt plaatsvinden?
Iedere overgang wordt een controlepunt
Daarvoor bestaan al standaarden uit de semantische webwereld.
SHACL, de Shapes Constraint Language, kan bijvoorbeeld controleren of RDF-data aan vooraf vastgelegde voorwaarden voldoet. De momenteel ontwikkelde SHACL 1.2-specificaties ondersteunen daarnaast regels en inferentie, waardoor nieuwe gegevens uit bestaande relaties kunnen worden afgeleid.
OWL, de Web Ontology Language, kan complexere semantische relaties vastleggen en formeel redeneren over categorieën en eigenschappen.
SPARQL maakt het mogelijk om gestructureerde RDF-kennis te bevragen, terwijl graphdatabases zoals Neo4j vergelijkbare patronen via Cypher kunnen verwerken.
De concrete technologie is minder belangrijk dan het architectuurprincipe: de agent stelt iets voor, maar een aparte constraintlaag bepaalt of die actie toegestaan en logisch consistent is.
Een voorbeeld: de AI-agent die terugbetalingen uitvoert
Stel dat een klantenservice-agent zelfstandig terugbetalingen mag verwerken. Het taalmodel ontvangt een klacht en concludeert dat de klant recht heeft op 2.500 euro terugbetaling. Zonder formele controle zou het model vervolgens misschien rechtstreeks de betaaltool kunnen aanroepen.
Een ontologische regel kan echter vastleggen:
- een terugbetaling is gekoppeld aan een bestelling
- bedragen boven 1.000 euro vereisen goedkeuring
- alleen managers mogen die goedkeuring geven
- zonder geldige goedkeuring mag de betalingstool niet worden aangeroepen.
Het model kan nog steeds voorstellen om 2.500 euro terug te betalen. De constraintlaag voorkomt alleen dat die beslissing zonder de vereiste goedkeuring wordt uitgevoerd.
Dat onderscheid is fundamenteel. Het model redeneert. De regels begrenzen wat uiteindelijk mag gebeuren.
Graph RAG krijgt daardoor een tweede functie
Ontologieën kunnen ook een probleem aanpakken dat bij klassieke retrieval augmented generation, of RAG, regelmatig voorkomt.
Traditionele RAG-systemen splitsen documenten op in stukken en zoeken via embeddings naar fragmenten die semantisch op een vraag lijken. Dat is efficiënt, maar relaties tussen losse feiten kunnen verloren gaan.
Graph RAG probeert die informatie explicieter te verbinden via entiteiten en relaties. Wanneer daar een ontologie bovenop wordt geplaatst, krijgt de kennisgraaf bovendien een gemeenschappelijk vocabularium. Dezelfde begrippen die worden gebruikt om informatie op te halen, kunnen vervolgens worden gebruikt om acties van agents te controleren.
Zo ontstaat één semantische laag voor retrieval, redenering én governance.
Niet elke agent heeft een volledige ontologie nodig
Dat betekent niet dat iedere AI-toepassing voortaan een omvangrijk knowledge graph-project vereist. Voor een eenvoudige schrijfagent zijn een paar technische controles waarschijnlijk voldoende. Naarmate agents echter toegang krijgen tot databases, financiële systemen, bedrijfsprocessen of andere software waarin fouten echte gevolgen hebben, stijgt de waarde van formele constraints snel.
Voor organisaties ontstaat daarmee een interessante architectuur:
LLM voor flexibiliteit, ontologie voor betekenis, regels voor grenzen en software voor uitvoering. Die combinatie kan belangrijk worden naarmate AI-agents van experimentele assistenten evolueren naar systemen die daadwerkelijk processen uitvoeren.
De uitdaging bij agentische AI is immers niet alleen modellen intelligenter maken. Het wordt minstens zo belangrijk om ervoor te zorgen dat ze precies begrijpen welke dingen binnen een organisatie bestaan, hoe die met elkaar samenhangen en welke regels nooit door waarschijnlijkheid mogen worden vervangen.