Nieuwe aspect-database belooft halvering zoektijd enterprise AI

"De vector-database is destijds omarmd voor enterprise AI omdat het simpelweg het beste was wat voorhanden lag, niet omdat het ervoor is gebouwd," opent Engels scherp in gesprek met Witold Kepinski van Dutch IT Leaders. Engels weet waar hij over praat; als oprichter van Xillio heeft hij ruim twintig jaar ervaring met complexe enterprise contentmanagement-migraties voor veeleisende wereldwijde klanten zoals NASA, Moody's en grote Nederlandse gemeenten.

Samen met lead engineer en uitvinder Jorn Verhoeven lanceert hij nu Aspected. Hun missie is helder: het elimineren van de fundamentele weeffout in de huidige AI-kennisinfrastructuur door de introductie van een gepatenteerde 'aspect database'.

De weeffout: Waarom 'Similarity' de bedrijfscontext negeert

Voor CTO’s, CIO’s en RAG-developers legt Engels de vinger direct op de zere plek van de huidige tech-stack. Traditionele vector-databases werken op basis van similarity scores: ze berekenen de wiskundige gelijkenis tussen een zoekvraag en tekstfragmenten. Metadata zoals gebruikersrollen, datums, prioriteiten of vertrouwelijkheidslabels worden naderhand pas als een hard binair filter toegepast.

"Maar AI draait fundamenteel niet op textuele gelijkenis. AI draait op intentie en context," legt Engels uit. Hij illustreert dit met een praktijkcase van 250.000 supporttickets.

"Als een developer zoekt naar een supportticket over 'user access' dat de status critical heeft, dan is het woord critical voor een traditionele vector-database slechts één enkel woord in de tekstmatrix. De kritieke prioriteit sneeuwt wiskundig volledig onder. Wat doen developers nu om dit op te lossen? Ze programmeren de pipeline zo dat het woordje critical honderd keer achter elkaar aan het document wordt toegevoegd om de score kunstmatig te pushen. Dat is ducttape. Dat is geen solide architectuur waarmee je enterprise-systemen naar productie brengt."

Het alternatief: Alles wordt een embedding

Aspected lost dit probleem op door metadata niet langer als een extern filter te behandelen, maar van elk metadata-veld een volwaardige, afzonderlijke embedding te maken. Dit creëert een zogenaamde aspect database.

Bij een complexe query ('Geef de kritieke supporttickets over user access die vannacht zijn binnengekomen') splitst de database de intentie op in drie afzonderlijke embeddings: de context van de tekst (user access), het tijdsaspect (at night) en de urgentie (critical).

Deze embeddings krijgen elk een individuele score en worden gewogen op basis van nabijheid (proximity scores). De gecombineerde uitkomst bepaalt exact wat er wordt getoond. Het resultaat? Ruis tussen verschillende intenties verdwijnt volledig, hallucinaties worden geminimaliseerd en het systeem begrijpt de randsituaties van de enterprise-omgeving.

Directe impact op TCO: Halvering van de zoektijd en lagere token-kosten

Voor IT-managers en CIO’s die verantwoordelijk zijn voor de Total Cost of Ownership (TCO) van AI-projecten, is de wiskundige efficiëntie van deze nieuwe benadering direct voelbaar. Omdat de traditionele vector-database tekortschiet, moeten IT-architecten momenteel complexe en kostbare systemen om de database heen bouwen: zware rerankers, hybrid search-lagen en additionele graph-databases.

Aspected handelt de volledige query inclusief context af in één enkele ontsluiting. In een live productieomgeving bij healthcare-specialist Agfa in België is de impact inmiddels meetbaar. Engels legt uit dat ze daar de juiste informatie in de helft van de tijd ophalen ten opzichte van een traditionele vector-database.

Wanneer een AI-agent of chatbot de juiste data niet direct kan vinden blijft het model herhaaldelijk zoeken en redeneren tussen systemen. RAG-developers merken in de praktijk dat de operationele kosten in complexe scenario's daardoor soms oplopen tot wel 60 cent per agent-query. Omdat Aspected het in één query accuraat afvangt, worden die kosten gereduceerd tot millicents per query. Dit voordeel wordt momenteel in een formele simulatie wetenschappelijk gevalideerd in samenwerking met TNO.

Legacy-data 'AI-ready' maken zonder dure opschoontrajecten

Een ander groot struikelblok voor IT-directeuren is de staat van de interne ongestructureerde data. Veel IT-afdelingen worstelen met vervuilde legacy-data of gigantische SharePoint-omgevingen.

"Iedereen weet dat een maandenlang handmatig opschoontraject in de praktijk gedoemd is te mislukken. Niemand durft data echt te deleten, en tegen de tijd dat je halverwege bent, is de rest alweer vervuild," stelt Engels nuchter vast.

Aspected omzeilt dit probleem door een geïntegreerde grounding-pijplijn aan te bieden. Door de data via de aspect-methode fijnmazig te labelen, zorgt de database ervoor dat oude, vervuilde of irrelevante documenten simpelweg buiten de AI-zoekresultaten worden gehouden. De data hoeft in de bron (zoals SharePoint) niet eerst te worden opgeschoond om toch een loepzuiver RAG-resultaat te garanderen.

Tegelijkertijd worden de bestaande Access Control Lists (ACL’s) strikt gerespecteerd. De metadata-embeddings maken het daarnaast mogelijk om een tweede, onafhankelijke security-laag over de bestaande rechtenstructuur heen te leggen als extra dubbelcheck voor compliance-gevoelige sectoren.

Digitale soevereiniteit: Een bewuste Europese koers

In een markt waar open-source databases de norm zijn, maakt Aspected een opvallende, strategische keuze: de software is en blijft proprietary.

"We zetten dit heel bewust niet open source," verklaart Engels. "Zodra we dat doen, geven we onze intellectuele eigendom weg. Dan bouwt een Amerikaanse hyperscaler het morgen in als een feature en vernietigen we de Europese kracht van dit concept. De discussie over digitale soevereiniteit is urgenter dan ooit. Het is voor ons innovatie-ecosysteem noodzakelijk dat we in Europa een eigen, onafhankelijke kennisinfrastructuur opbouwen en niet voor elke groeifase direct naar de VS moeten uitwijken."

Aspected positioneert zich dan ook nadrukkelijk als een copilot enhancer, niet als een LLM-vervanger. De oplossing is 100 procent soeverein: de software draait volledig lokaal binnen het eigen datacenter, de private cloud of de afgeschermde Azure-tenant van de organisatie. Aspected heeft zelf geen enkele inzage in de bedrijfsdata. Dankzij de integratie met het Model Context Protocol (MCP) kunnen developers de database plug-and-play verbinden met Amerikaanse LLM's, maar net zo snel doorpluggen naar Europese soevereine modellen zoals Mistral.

Marktuitrol via het IT-kanaal

Aspected kiest voor een marktbenadering die direct aansluit bij grote system integrators en boutique IT-dienstverleners. De technologie is inmiddels uitgerold naar de eerste strategische partners van Xillio, waaronder Deloitte, KPMG, Capgemini, Protiviti en Novadoc. Daarnaast is de tech-startup officieel uitgenodigd om deel te nemen aan het AI-lab van Techleap.0

Engels sluit af met een duidelijke call-to-action voor de achterban van Dutch IT Leaders: "Met een traditionele vector-database en heel veel programmeer-duct tape kun je een enterprise AI-systeem van een 3 naar een 8 trekken. Met een aspect-database trek je het fundament direct naar een 9,5. Geef je RAG-developers de ruimte om dit te testen en te monitoren. Wiskundig en bedrijfstechnisch is het simpelweg niet logisch om gaten te blijven dichtlopen met tijdelijke software-pleisters."