MongoDB heeft tijdens MongoDB.local London 2026 een reeks nieuwe moge­lijk­heden aange­kon­digd die bedrijven moeten helpen om AI-agents daad­wer­ke­lijk in productie te nemen. Daarmee richt het data­ba­se­be­drijf zich nadruk­ke­lijk op een probleem dat bij veel enter­prise-orga­ni­sa­ties speelt: AI-modellen zijn vaak niet de grootste bott­le­neck. De uitda­ging zit steeds vaker in de data­laag eronder.

Volgens MongoDB hebben bedrijven tot nu toe vaak meer­dere losse systemen aan elkaar moeten knopen om AI-toepas­singen bruik­baar te maken op enter­prise-niveau. Denk aan data­bases, zoek­tech­no­logie, vector search, embed­dings, geheu­gen­func­ties en modellen die zoek­re­sul­taten opnieuw rang­schikken. MongoDB wil die func­ties samen­brengen in één plat­form, zodat orga­ni­sa­ties minder complexe infra­struc­tuur hoeven te bouwen voordat zij AI-agents veilig en betrouw­baar kunnen inzetten.

Datalaag voor productie-AI

De kern van de aankon­di­ging is dat MongoDB zijn plat­form verder posi­ti­o­neert als data­laag voor productie-AI. Daarbij gaat het niet alleen om het opslaan van data, maar vooral om het snel beschik­baar maken van de juiste context. AI-agents moeten immers kunnen terug­vinden wat rele­vant is, eerdere inter­ac­ties kunnen onthouden en op basis van actuele opera­ti­o­nele gege­vens kunnen handelen. Juist die combi­natie is volgens MongoDB nodig om agents op schaal betrouw­baar te laten func­ti­o­neren.

Een van de belang­rijkste vernieu­wingen is Auto­mated Voyage AI Embed­dings in MongoDB Vector Search, dat nu beschik­baar is als public preview. Met deze functie worden embed­dings auto­ma­tisch aange­maakt zodra data wordt wegge­schreven of bijge­werkt. Embed­dings zetten infor­matie om in nume­rieke repre­sen­ta­ties, waar­door AI-systemen bete­ke­nis­volle verbanden kunnen leggen en rele­van­tere infor­matie kunnen ophalen. In de prak­tijk moet dit het eenvou­diger maken om seman­ti­sche zoek­func­ties te bouwen zonder aparte infra­struc­tuur voor het gene­reren en synchro­ni­seren van embed­dings.

Omgaan met veranderende data

Voor bedrijven is dat vooral inte­res­sant omdat veel AI-projecten vast­lopen op de stap van expe­ri­ment naar productie. Een chatbot of agent kan in een demo over­tui­gend werken, maar in een echte bedrijfs­om­ge­ving moet het systeem voort­du­rend kunnen omgaan met veran­de­rende data. Zodra product­in­for­matie, klant­ge­ge­vens, contract­de­tails of opera­ti­o­nele status­in­for­matie wijzigen, moet een AI-toepas­sing daar direct mee kunnen werken. Volgens MongoDB kan het auto­ma­ti­seren van embed­dings ervoor zorgen dat agents sneller over actuele context beschikken.

Daar­naast maakt MongoDB werk van geheugen voor AI-agents. De LangGraph.js Long-Term Memory Store-inte­gratie is nu alge­meen beschik­baar en biedt JavaScript- en Type­Script-ontwik­ke­laars persis­tent geheugen voor agents over meer­dere gesprekken heen. Dat geheugen wordt onder­steund door MongoDB Atlas als backend, zonder dat ontwik­ke­laars daar een extra data­base voor hoeven te beheren.

Dat is een belang­rijke stap, omdat agentic AI in zake­lijke omge­vingen niet alleen draait om losse prompts en antwoorden. Een agent die onder­steu­ning biedt bij klan­ten­ser­vice, finan­ciële processen, IT-beheer of interne work­flows moet context kunnen vast­houden. Niet alleen binnen één sessie, maar ook over langere tijd. Zonder zo’n geheugen blijft een agent vooral een geavan­ceerde inter­face. Met persis­tent geheugen ontstaat ruimte voor toepas­singen die voort­bouwen op eerdere inter­ac­ties, voor­keuren, besluiten of werk­pro­cessen.

MongoDB 8.3 nu algemeen beschikbaar

MongoDB koppelt de AI-aankon­di­gingen ook aan pres­ta­ties van de onder­lig­gende data­base. MongoDB 8.3 is nu alge­meen beschik­baar en moet volgens het bedrijf betere pres­ta­ties leveren dan MongoDB 8.0: tot 45 procent meer reads, 35 procent meer writes, 15 procent meer ACID-trans­ac­ties en 30 procent meer complexe opera­ties, zonder dat appli­ca­tie­code hoeft te worden aange­past.

Die pres­ta­tie­laag is rele­vant omdat AI-agents in productie niet losstaan van bestaande bedrijfs­ap­pli­ca­ties. Ze moeten infor­matie ophalen, verwerken en terug­schrijven in systemen die vaak al bedrijfs­kri­tisch zijn. Voor enter­prise-orga­ni­sa­ties telt daarom niet alleen de kwali­teit van een taal­model, maar ook de snel­heid, beschik­baar­heid en betrouw­baar­heid van de infra­struc­tuur waarmee dat model wordt gevoed. Zeker bij toepas­singen waarin agents in real­time context nodig hebben, kan de data­ba­se­pres­tatie bepa­lend worden voor de bruik­baar­heid van de hele oplos­sing.

Een ander aandachts­punt is deploy­ment-keuze. MongoDB bena­drukt dat zijn plat­form kan draaien op AWS, Google Cloud, Micro­soft Azure, on-premises en in hybride omge­vingen. Daarmee speelt het bedrijf in op orga­ni­sa­ties die te maken hebben met eisen rond data resi­d­ency, compli­ance of interne archi­tec­tuur­keuzes. Vooral banken, zorg­in­stel­lingen en over­heids­or­ga­ni­sa­ties hebben volgens MongoDB vaak geen volle­dige vrij­heid om data zomaar in elke cloud­regio of omge­ving te plaatsen.

Cross-region connectivity

In dat kader kondigt MongoDB ook aan dat cross-region connec­ti­vity voor AWS Priva­te­Link alge­meen beschik­baar is. Daarmee kan data­ba­se­ver­keer tussen MongoDB Atlas-clus­ters in verschil­lende AWS-regio’s via het private AWS-netwerk blijven lopen, zonder bloot­stel­ling aan het publieke internet. Dat moet orga­ni­sa­ties helpen om inter­na­ti­o­nale of regio-over­stij­gende archi­tec­turen te bouwen zonder conces­sies te doen aan secu­rity- en compli­ance-eisen.

MongoDB probeert zich met deze aankon­di­gingen nadruk­ke­lijk in dat speel­veld te posi­ti­o­neren. Niet als leve­ran­cier van het AI-model zelf, maar als plat­form waarop AI-toepas­singen toegang krijgen tot actuele gege­vens, zoek­func­ti­o­na­li­teit, geheugen en perfor­mance. Daarmee verschuift de discussie van “welk model gebruiken we?” naar een minstens zo belang­rijke vraag: welke data-infra­struc­tuur is nodig om AI veilig, snel en betrouw­baar in productie te laten draaien?

Voor IT-mana­gers en enter­prise-archi­tecten is vooral dat laatste rele­vant. AI-agents kunnen pas struc­tu­reel waarde leveren als ze niet alleen een goed antwoord kunnen formu­leren, maar ook de juiste context kunnen ophalen, eerdere inter­ac­ties kunnen meenemen en kunnen werken met actuele opera­ti­o­nele data. Met de nieuwe func­ties wil MongoDB die onder­laag verder stan­daar­di­seren en vereen­vou­digen. Daarmee wordt enter­prise-AI minder een los expe­ri­ment naast de bestaande IT-omge­ving en meer een onder­deel van de regu­liere appli­ca­tie­ar­chi­tec­tuur.