Entiteitsresolutie is het kernprobleem bij AI-agents

Bij Revo AI bouwen we een omgevings-AI-agent bovenop e-mail. We schreven over waarom e-mail het cold start probleem voor AI-agents oplost. Deze post gaat over het moeilijkste technische probleem dat we tegenkwamen bij het bouwen ervan — en waarom we denken dat het het moeilijkste probleem is in omgevings-AI in het algemeen.

Het probleem waar niemand over praat omdat het niet glamoureus is

Het AI-gesprek gaat over modellen. Redeneerkwaliteit, contextvensters, toolgebruik, inferentiesnelheid. Dat is allemaal belangrijk. Maar niet daar falen productie-agents daadwerkelijk.

Agents falen op entiteitsresolutie.

Dezelfde persoon verschijnt als voornaam in Slack, volledige naam in een contract, e-maildomein in een thread, bedrijfsnaam in een CRM-record, en account-ID in een supportticket. Een agent die in een professionele context werkt, ziet al deze signalen en moet beslissen, zonder te hallucineren, of ze naar dezelfde entiteit verwijzen — en wat de relatie van die entiteit is tot al het andere dat hij weet.

Doe dit fout en de agent faalt niet stilletjes. Hij stelt een antwoord op met taal uit de verkeerde deal. Hij volgt op met het verkeerde contact. Hij verbindt een gevoelig gesprek met iemand die het niet zou moeten zien. Fouten in entiteitsresolutie bij een omgevings-agent zijn geen UX-problemen. Het zijn relatierisico's en potentiële privacyschendingen.

Dit is het probleem waar we bij Revo AI meer tijd aan besteedden dan aan wat dan ook. Het is nog steeds niet opgelost — het wordt beheerd. Dit is wat we leerden.

Waarom entiteitsresolutie structureel moeilijker is voor agents dan voor zoekmachines of CRM

Entiteitsresolutie is geen nieuw probleem. Zoekmachines, CRM's en datawarehouses hebben er al jaren versies van. Maar agents krijgen een moeilijkere versie ervan om drie redenen.

De foutkosten zijn asymmetrisch. Een verkeerde autocomplete in een gewone e-mailclient is vervelend. Een verkeerde entiteitsmatch in een agent die namens jou opstelt en verstuurt is een relatierisico. De fouttolerantie is een orde van grootte lager dan bij passieve tools.

Het signaal bevat meer ruis. E-mail is informeel, inconsistent en menselijk. Mensen verwijzen op tientallen verschillende manieren naar dezelfde entiteit in duizenden berichten. Er is geen schema. Er is geen afgedwongen naamgevingsconventie. De agent moet structuur afleiden uit ongestructureerd signaal op schaal.

De grafiek is dynamisch. Entiteiten veranderen. Mensen wisselen van rol. Bedrijven worden overgenomen en domeinen veranderen. De entiteitsgrafiek kan niet één keer worden gebouwd en gecachet — hij moet continu worden bijgewerkt als nieuwe berichten binnenkomen en conflicten markeren wanneer het nieuwe signaal in strijd is met wat hij dacht te weten.

Wat we daadwerkelijk bouwden bij Revo AI

We onderhouden een levende entiteitsgrafiek die wordt bijgewerkt met elk verwerkt bericht. De grafiek verbindt mensen, bedrijven, deals, threads en tools — en lost dezelfde entiteit op over verschillende naamgevingsconventies en databronnen in real-time.

Wanneer de grafiek tegenstrijdige signalen tegenkomt — twee contacten genaamd James bij hetzelfde bedrijf, een domein dat veranderde na een overname, een naam die plausibel naar twee verschillende mensen zou kunnen verwijzen — markeert hij de ambiguïteit in plaats van te gokken. We behandelen onopgeloste ambiguïteit als een volwaardige staat, niet als een fout om te onderdrukken.

Dat kost ons automatiseringsdekking. Ambiguïteit markeren betekent dat sommige acties niet automatisch worden ondernomen en in plaats daarvan voor menselijke beoordeling worden aangeboden. We hebben die afweging bewust gemaakt. Het alternatief — gokken en fout zijn — produceert het soort fout waardoor gebruikers een agent permanent uitschakelen.

Entiteitsresolutie moet ook gebeuren binnen strikte privacygrenzen. Een agent die een professionele inbox leest, heeft toegang tot gevoelige informatie over klanten, deals, teams en organisatielagen. De entiteitsgrafiek moet niet alleen weten hoe entiteiten verbonden zijn, maar ook wat de agent mag verbinden. Toegangscontrole op domeinniveau is geen optionele infrastructuur — het is een kernonderdeel van de resolutielogica. Entiteitsresolutie zonder privacycontroles is een aansprakelijkheid, geen functie.

Wat omgevings-AI daadwerkelijk doet wanneer het werkt

De meeste omgevings-AI-producten stierven in de kloof tussen "technisch correct" en "betrouwbaar". Het moeilijke deel is niet het bouwen van een agent die kan handelen — het is het bouwen van een agent die weet wanneer hij niet moet handelen.

Zo ziet een dinsdagochtend eruit wanneer entiteitsresolutie werkt:

8:14 uur. "Lisa Chen markeerde de IP-clausule in het Meridian-contract. Conceptantwoord klaar met je standaardtekst uit de Acme-deal."

8:22 uur. "Geen reactie van James Park op Q2-budget (5 dagen). Follow-up opgesteld."

9:01 uur. "Sarah vermeldde dat de migratie klaar is. Drie klanttickets verwijzen naar die bug. Updates opgesteld."

Elk ervan: accepteren, weigeren of feedback geven. Dat is het volledige interactieoppervlak. De agent plande het werk. De gebruiker stuurt de output.

De UX-consequentie: vertrouwen wordt incrementeel verdiend

We ontwierpen de Revo AI-agent om smal te beginnen en zijn weg te verdienen naar bredere actie. Op dag één brengt hij eenvoudige dingen naar boven: een vergeten follow-up, een concept voor een wachtend antwoord, een gemarkeerd conflict. Accepteren of afwijzen. Geen configuratie, geen prompting, geen handleiding.

Dit was niet het oorspronkelijke ontwerp. Het was een reactie op het zien van vroege gebruikers die een agent uitschakelden die technisch correct was maar sneller bewoog dan ze klaar waren om te vertrouwen. Progressieve onthulling is niet alleen een UX-patroon — het is hoe je gebruikers genoeg tijd geeft om te verifiëren dat entiteitsresolutie werkt voordat de agent acties met hogere inzet begint te ondernemen.

Wat dit betekent voor agent-infrastructuur

Entiteitsresolutie is infrastructuur, geen functie. Het is de laag die bepaalt of een AI-agent die werkt met echte professionele context vertrouwd kan worden om te handelen — of dat het een geavanceerde demo is die breekt zodra de data rommelig wordt.

De meeste agent-frameworks behandelen het als een randgeval. Dat is het niet. Het is het kernprobleem. De agents die langdurig gebruik verdienen, zijn degenen die het oplossen met de juiste combinatie van grafiekarchitectuur, ambiguïteitsbehandeling, privacycontroles en vertrouwenstempo — niet degenen met de beste inferentie.

E-mail is de moeilijkste omgeving om entiteitsresolutie in op te lossen, omdat de data het meest rommelig is en de fouttolerantie het laagst is. Daarom generaliseert het oplossen ervan op e-mail ook. De infrastructuur die we bouwden bij Revo AI voor het oplossen van entiteiten in een professionele inbox is dezelfde infrastructuur die elke omgevings-agent nodig heeft om betrouwbaar te werken met ongestructureerde real-world data.

Als dit resoneert, neem contact op: mehdi@revo.ai