ClickHouse: actuele data als basis voor de intelligente onderneming

Tijdens Gartner IT Symposium/Xpo 2026 staat Ignite Intelligence centraal: de vraag hoe kunstmatige intelligentie en menselijke kennis samen sneller waarde creëren. Voor CIO’s betekent dit dat intelligentie onderdeel wordt van processen, applicaties en besluitvorming.

Die ontwikkeling stelt andere eisen aan de onderliggende technologie. Een traditionele rapportageomgeving, waarin data periodiek wordt verzameld en verwerkt, volstaat niet wanneer AI-agents zelfstandig informatie opvragen, verschillende databronnen combineren en direct op uitkomsten moeten reageren.

Volgens Arno van Driel, VP EMEA bij ClickHouse, wordt juist daar zichtbaar waar bestaande data-architecturen tekortschieten. Veel clouddatawarehouses en legacyplatformen zijn ontworpen voor batchverwerking, dashboards en relatief voorspelbare analytische workloads. AI-agents gedragen zich anders.

“Wat lijkt op één gebruikersvraag, is in feite een burst van gelijktijdige query’s”, zegt Van Driel. “Legacy-systemen reageren hierop met een onacceptabele latency of onbeheersbare kostenstijgingen. ClickHouse is vanaf het begin ontworpen voor extreme gelijktijdigheid en responstijden in milliseconden op petabyte-schaal.”

Van dashboard naar actieve deelnemer

In een traditionele analyticsomgeving stelt een medewerker een vraag en bekijkt deze vervolgens het antwoord in een rapport of dashboard. Een AI-agent kan naar aanleiding van één opdracht tientallen vervolgvragen genereren, aanvullende gegevens ophalen, eerdere gebeurtenissen analyseren en andere applicaties aanroepen.

Daarmee verandert data-analyse van een grotendeels mensgestuurd proces in een continue wisselwerking tussen mensen, modellen, agents en bedrijfsapplicaties. De database wordt niet alleen meer gebruikt om achteraf inzicht te geven, maar levert informatie aan systemen die tijdens een proces zelfstandig beslissingen voorbereiden of acties uitvoeren.

Deze verschuiving maakt actuele data belangrijker. Een agent die werkt met verouderde productinformatie, klantgegevens of operationele data kan een inhoudelijk correct antwoord formuleren dat in de actuele context toch verkeerd is. Tegelijkertijd moeten organisaties kunnen reconstrueren hoe een antwoord of beslissing tot stand kwam.

Het ontsteken van intelligentie binnen de onderneming draait daarom niet alleen om de kwaliteit van het taalmodel. De complete keten moet inzichtelijk en beheersbaar zijn.

Bol.com monitort gedrag van AI-toepassingen

Die uitdaging speelt onder meer bij Bol.com. Het e-commerceplatform investeert in AI-gestuurde functionaliteit, waaronder gepersonaliseerde aanbevelingen, intelligente zoekfuncties en geautomatiseerde klantenservice.

Daarbij ontstond een praktische vraag: hoe kan Bol.com ervoor zorgen dat AI-agents over actuele data beschikken en tegelijkertijd op schaal volgen hoe LLM-gestuurde applicaties zich gedragen?

Voor engineers gaat het daarbij om meer dan technische beschikbaarheid. Zij willen kunnen vaststellen welke prompts bruikbare resultaten opleveren, waar de kwaliteit van antwoorden terugloopt, hoe snel applicaties reageren en hoe de kosten zich tot de geleverde output verhouden.

Bol.com gebruikt hiervoor de combinatie van Langfuse en ClickHouse. Langfuse vormt de open-source observability-laag voor de LLM-toepassingen. ClickHouse fungeert als analytische backend waarin AI-traces, evaluaties en gebruiksgegevens realtime worden opgeslagen en doorzocht.

Iedere interactie met een model kan zo worden gevolgd. Dat geldt niet alleen voor de oorspronkelijke prompt en het uiteindelijke antwoord, maar ook voor tussenliggende stappen, gebruikte tools, responstijden, evaluaties en verbruikskosten. Engineers kunnen patronen herkennen, kwaliteitsverlies onderzoeken en wijzigingen in prompts of modellen met elkaar vergelijken.

De toepassing laat zien dat observability bij AI een andere functie krijgt dan bij traditionele software. Het gaat niet alleen om de vraag of een applicatie beschikbaar is, maar ook of de uitkomsten voldoende betrouwbaar, relevant en kosteneffectief blijven.

Menselijk toezicht blijft onderdeel van de architectuur

Dat sluit aan bij de gedachte achter Ignite Intelligence. AI kan informatie verzamelen en processen versnellen, maar organisaties moeten zelf kunnen beoordelen hoe de technologie presteert en waar menselijke tussenkomst nodig is.

LLM’s zijn niet-deterministisch: dezelfde opdracht kan onder verschillende omstandigheden een ander antwoord opleveren. Daardoor is een periodieke technische controle niet voldoende. Organisaties moeten gedurende de volledige levenscyclus kunnen zien wat agents doen, welke gegevens zij gebruiken en welke resultaten zij produceren.

Observability vormt daarmee een verbinding tussen geautomatiseerde intelligentie en menselijke controle. Ontwikkelaars kunnen de technische prestaties volgen, terwijl productverantwoordelijken en business owners inzicht krijgen in kwaliteit, gebruik en kosten. Op basis daarvan kunnen zij bepalen of een agent daadwerkelijk bijdraagt aan het bedrijfsproces.

Sinds de overname van Langfuse door ClickHouse in januari 2026 brengt het bedrijf deze functies samen binnen wat het de Agentic Data Stack noemt. Langfuse richt zich daarbij op het volgen, evalueren en verbeteren van AI-applicaties, terwijl ClickHouse de grote hoeveelheden onderliggende eventdata verwerkt.

Transacties en analytics dichter bij elkaar

Een tweede aandachtspunt is de verbinding tussen transactionele systemen en analytische workloads. Veel bedrijfsapplicaties gebruiken PostgreSQL voor het verwerken van transacties. Voor intensieve analytics en het gelijktijdig doorzoeken van grote hoeveelheden data zijn echter andere eigenschappen nodig.

ClickHouse werkt daarom aan een geïntegreerde combinatie van PostgreSQL en ClickHouse. PostgreSQL blijft verantwoordelijk voor de transacties, terwijl analytische workloads naar ClickHouse worden verplaatst.

“Door Postgres in te zetten voor transacties en ClickHouse voor analytics, met een nauwe integratie op engine-niveau, ontstaat een uniforme ontwikkelervaring”, zegt Van Driel. “Dit stelt teams in staat om AI-functionaliteit, zoals realtime anomaliedetectie en AI-gegenereerde inzichten, sneller en zonder de complexiteit van zware datapijplijnen te implementeren.”

Het doel is een kortere feedbacklus tussen wat er in een applicatie gebeurt en wat een AI-systeem daaruit kan afleiden. Een agent hoeft dan niet te wachten totdat gegevens via verschillende batchprocessen naar een afzonderlijke analyseomgeving zijn gekopieerd.

Security en soevereiniteit

Naarmate AI-agents meer toegang krijgen tot bedrijfsdata, nemen ook de risico’s toe. Organisaties moeten bepalen welke informatie door een model mag worden gebruikt, waar die data wordt verwerkt en welke partij toegang heeft tot prompts, antwoorden en onderliggende context.

Volgens Van Driel begint dit bij dataclassificatie. “Het vereist dat je dieper in de data-infrastructuur kijkt om te bepalen welke data in een specifieke, beveiligde omgeving wordt opgeslagen.”

ClickHouse is beschikbaar als open-sourcesoftware, als clouddienst en in omgevingen die organisaties zelf beheren. Daardoor kunnen ondernemingen per toepassing keuzes maken over hosting, netwerktoegang en datascheiding. Ook implementaties in afgeschermde of air-gapped omgevingen behoren tot de mogelijkheden.

Data- en modelsoevereiniteit worden daarmee onderdeel van de architectuurkeuze. Niet iedere dataset hoeft in dezelfde omgeving te worden opgeslagen en niet iedere agent hoeft toegang te krijgen tot dezelfde informatie. De technische infrastructuur moet deze scheiding afdwingen en tegelijkertijd voldoende gegevens bewaren om het gedrag van agents achteraf te kunnen controleren.

Van AI-project naar operationeel systeem

Voor CIO’s ligt de belangrijkste verandering uiteindelijk niet in één database of AI-model, maar in de overgang van experiment naar operationele toepassing. Zodra agents onderdeel worden van klantinteractie, besluitvorming of bedrijfsprocessen, gelden dezelfde eisen als voor andere bedrijfskritische systemen: beschikbaarheid, voorspelbare kosten, beveiliging, governance en aantoonbare prestaties.

Van Driel adviseert organisaties daarom om vanuit een concreet proces te beginnen. “Start met een AI-project en identificeer waar processen kunnen worden vereenvoudigd.”

Tegelijkertijd moeten ondernemingen verder kijken dan de eerste pilot. Een toepassing die bij een beperkt aantal gebruikers goed functioneert, kan bij brede uitrol een veelvoud aan databasequery’s, traces en evaluaties genereren. Keuzes die tijdens de experimenteerfase logisch lijken, kunnen dan een belemmering vormen voor schaalbaarheid en kostenbeheersing.

De ontwikkeling van een intelligente onderneming vraagt daarmee om meer dan het toevoegen van een taalmodel aan een bestaande applicatie. Agents moeten toegang hebben tot actuele gegevens, hun gedrag moet meetbaar zijn en mensen moeten kunnen ingrijpen wanneer kwaliteit, veiligheid of kosten daarom vragen. De ervaring van Bol.com maakt die samenhang concreet. Pas wanneer actuele data, realtime analytics en observability gezamenlijk zijn ingericht, kunnen organisaties AI-agents gecontroleerd onderdeel maken van hun dagelijkse bedrijfsvoering.