MOUNTAIN
VIEW, Calif.—
26 februari, 2026—
Confluent, Inc. (Nasdaq: CFLT), de pionier in
datastreaming, heeft nieuwe mogelijkheden in
Confluent Intelligence aangekondigd waarmee AI-agents
worden verbonden en meer accurate, intelligente data-analyse mogelijk
wordt. Confluent’s Streaming Agents maakt gebruik van het Agent2Agent
(A2A)-protocol voor het inzetten en coördineren van externe AI-agents met
behulp van realtime datastromen, waardoor het eenvoudiger wordt om
AI-systemen binnen een organisatie te verbinden. Multivariate Anomaly
Detection analyseert meerdere meetwaarden om automatisch ongebruikelijke
patronen in datastromen te herkennen, waardoor teams problemen
effectiever kunnen voorkomen – voordat ze storingen of gevolgen voor
andere systemen veroorzaken. Samen creëren deze mogelijkheden
intelligente, contextbewuste AI-systemen die zich aanpassen aan
veranderende data, agents en bedrijfsomstandigheden.
“Als je concurrerend wil blijven, moet jouw AI proactief
zijn,” zegt Sean Falconer, Head of AI bij Confluent. “Je hebt een systeem
nodig van AI-agents die samenwerken en continu leren en inzichten in
realtime delen. Confluent Intelligence verbindt de AI-investeringen en
-systemen, ongeacht waar ze gebouwd zijn. Op deze manier kan AI
geautomatiseerd reageren op live data, actie kan ondernemen, systemen
coördineren en teamleden inschakelen als dat nodig is.”
Ecosysteem
van samenwerkende agents
Bedrijven gebruiken steeds vaker AI-agents om beslissingen
te automatiseren en complexe taken uit te voeren. Volgens IDC
FutureScape:
Worldwide Future of Work 2026 Predictions zal “in
2026 40% van alle banen bij bedrijven uit de Forbes Global 2000
(G2000)werken met AI-agents, waardoor de traditionele functies op
junior-, midden- en seniorniveau opnieuw worden vormgegeven.” En zelfs
dat is nog een behoudende inschatting. Maar terwijl agents in steeds meer
tools en systemen voorkomen, opereren de meeste geïsoleerd. Als agents
niet met elkaar kunnen communiceren of context kunnen delen binnen een
organisatie, raken inzichten opgesloten in silo’s en zijn besluiten
gefragmenteerd.
Confluent’s Streaming Agents vormt hierin een oplossing
door AI-agents te verbinden met realtime data via Anthropic’s Model
Context Protocol (MCP) en met andere agents via het A2A-protocol. Samen
kunnen ze continu informatie analyseren van agent frameworks zoals
LangChain en dataplatformen zoals BigQuery, Snowflake en Databricks voor
het genereren van inzichten. Vervolgens kunnen ze workflows van
enterprise AI-platformen zoals ServiceNow en Salesforce activeren om
direct actie te ondernemen, waardoor de kloof tussen inzicht en
uitvoering wordt gedicht. Door deze systemen te verbinden transformeert
Confluent analyse op streamniveau in "inzicht naar actie". Zo
worden realtime inzichten gegenereerd die nodig zijn om snel in te kunnen
spelen op veranderende bedrijfsbehoeften.
Met A2A-ondersteuning in Streaming Agents kunnen teams:
- Slimmere, herbruikbare
AI-agents bouwen:
Voorzie bestaande agents en systemen van nieuwe context vanuit
Confluent, zodat ze asynchroon op gebeurtenissen kunnen reageren en
verdere acties kunnen ondernemen.
- Communicatie tussen
agents en controleerbaarheid mogelijk maken: Leg elke agent-actie
vast in een niet-aanpasbaar logboek voor controleerbaarheid en
herleidbaarheid. Gebruik Apache Kafka® om de communicatie tussen
agents te orkestreren en agent output te hergebruiken in andere
agents en systemen.
- Orkestratie en governance
centraal beheren:
Streaming Agents fungeert als orkestrator en Confluent zorgt voor
governance, beveiliging en end-to-end observability voor alle
interacties tussen de agents.
Teams in alle sectoren kunnen gebruik maken van
A2A-ondersteuning in Streaming Agents voor meer omzet, lagere risico’s en
kostenbesparing. Streaming Agents kunnen aanbiedingen in de retail
personaliseren, het kredietrisico bij financiële dienstverlening verlagen,
zorgadviezen in de gezondheidszorg automatiseren, onderhoud in de
productiesector voorspellen en storingen in telecommunicatie proactief
verhelpen.
A2A-ondersteuning in Streaming Agents is per direct
beschikbaar in Open Preview.
Reageer
op actuele signalen en verwijder blinde vlekken
Bedrijven genereren meer data dan ooit, maar worstelen met
het onderscheid tussen wat belangrijk is en wat niet. Anomaliedetectie
brengt bedreigingen en kansen aan het licht die geen mens zelf zou kunnen
signaleren. Traditionele anomaliedetectie analyseert vaak gegevens
geïsoleerd en is veelal beperkt tot batch-based analyses van historische
data. Deze systemen, die gebaseerd zijn op eenvoudige statistische
basislijnen, zijn zeer gevoelig voor ruis, pieken en onjuiste data.
Zonder context kunnen ze valse positieven genereren en brengen ze
problemen doorgaans pas aan het licht nadat deze het systeem al hebben
beïnvloed.
Confluent’s Multivariate Anomaly Detection, een nieuwe
functionaliteit van de ingebouwde Machine Learning (ML) Functions,
analyseert gerelateerde statistieken gezamenlijk om valse positieven te
verminderen en echte problemen sneller op te sporen. Het stelt teams in
staat om afwijkingen in meerdere statistieken te detecteren en
tegelijkertijd uitschieters in de data te negeren, wat zorgt voor meer
nauwkeurigheid bij het monitoren van complexe data. Teams kunnen
Multivariate Anomaly Detection direct gebruiken, omdat ze het model niet
hoeven te bouwen of bij te werken; het model leert namelijk mee met de
veranderingen in de data.
Daarnaast kunnen teams:
- Inzicht krijgen in de
operationele gezondheid van een systeem: Traditionele tools voor
anomaliedetectie zijn gebaseerd op gemiddelden, die verstoord kunnen
raken door één willekeurige piek in de data. Confluent’s
Multivariate Anomaly Detection maakt gebruik van ML die reageert op
en leert van de realtime data van teams om eenmalige storingen te
negeren en systemen beter te begrijpen.
- Complexe problemen en
patronen herkennen:
Confluent’s Multivariate Anomaly Detection analyseert meerdere
meetwaarden tegelijk als één geheel, zoals CPU, geheugen en latency,
in plaats van één voor één, om patronen te vinden. Teams kunnen nu
complexe problemen opsporen die anders over het hoofd zouden worden
gezien als ze alleen naar individuele meetwaarden zouden kijken.
- Automatisch handelen: Door continu te meten
hoe ver nieuwe datapunten afwijken van het “ware normaal”, worden
data die te ver afwijken direct als anomalie gemarkeerd.
Aanvullende
informatie
Bekijk de
Confluent Intelligence-blog voor meer informatie over
Confluent Intelligence. Deze
launch-blog bevat alle nieuwe functionaliteiten van
Confluent Cloud, waaronder een nieuwe migratietool, Kafka Copy Paste
(KCP) en Queues for Kafka.
Over
Confluent
Confluent is het datastreamingplatform dat een
fundamenteel nieuwe categorie data-infrastructuur pioniert die data in
beweging zet. De cloud-native oplossing van Confluent is het
basisplatform voor data in beweging — ontworpen als het intelligente
bindweefsel dat realtime data continu door een organisatie laat stromen.
Met Confluent kunnen organisaties voldoen aan de nieuwe
bedrijfsimperatief: rijke, digitale front-end klantervaringen leveren en
overstappen naar geavanceerde, realtime, softwaregestuurde back-endoperaties.
Ga voor meer informatie naar
www.confluent.io.
As our
roadmap may change in the future, the features referred to here may
change, may not be delivered on time, or may not be delivered at all.
This information is not a commitment to deliver any functionality, and
customers should make their purchasing decisions based on features that
are currently available.
Confluent®
and associated marks are trademarks or registered trademarks of
Confluent, Inc.
Apache
Kafka® and Kafka® are registered trademarks of the Apache Software
Foundation in the United States and/or other countries. No endorsement by
the Apache Software Foundation is implied by the use of these marks. All
other trademarks are the property of their respective owners.