Kennislaag Pinecone verslaat agents van OpenAI en Google
Niet het model maar de kennislaag eronder gaf de doorslag. Op de open benchmark τ-Knowledge van Sierra scoorde een agent die bedrijfsdata via Pinecone Nexus binnenhaalt hoger dan agents die rechtstreeks op frontier-modellen van OpenAI, Anthropic en Google draaien. Pinecone maakte Nexus op 6 augustus algemeen beschikbaar, na een publieke preview die begin juli begon.
Klein verschil in score, groot verschil in rekening
De Nexus-opstelling kwam uit op 47,4 procent voltooide taken, tegen 46,4 procent voor de GPT-5.5-referentie. Dat is één procentpunt. De kostenkant loopt verder uiteen: volgens Pinecone kost een taak met Nexus 74 procent minder dan diezelfde GPT-5.5-opstelling en 81 procent minder dan een variant op GPT-5.2. Die cijfers komen uit het persbericht van Pinecone zelf, dus ze wachten nog op herhaling door anderen. Wat de test ook laat zien: geen enkele deelnemer haalt de helft van de taken, wat iets zegt over hoe weerbarstig echte bedrijfskennis is.
De redenering achter het product valt te volgen. Pinecone stelt dat ruim 85 procent van het werk dat een taalmodel in zo’n taak verzet opgaat aan het uitpluizen van ruwe documenten, waarbij elke aanroep weer bij nul begint. “Agents verbranden tokens door zich door ruwe data heen te worstelen, waardoor kosten en vertraging oplopen terwijl de nauwkeurigheid lager blijft dan zou moeten”, zegt topman Ash Ashutosh in dat persbericht.
Compileren in plaats van ophalen
Nexus verschuift het rekenwerk naar voren. Een Context Compiler zet bedrijfsdata vooraf om in kant-en-klare kennisobjecten per taaktype: een verkoopagent krijgt dealcontext met gespreksverslagen en e-mails, een financiële agent contractvoorwaarden en omzetcijfers. Het tweede onderdeel, de Composable Retriever, levert die objecten uit met getypeerde velden en een bronvermelding per veld, inclusief betrouwbaarheidsniveau. Agents bevragen het geheel via KnowQL, een eigen querytaal met zes bouwstenen: intentie, filter, herkomst, uitvoervorm, betrouwbaarheid en budget.
Pinecone claimt tot 90 procent minder tokenverbruik dan klassieke RAG en antwoorden binnen een halve seconde. De software draait in de cloudomgeving van de klant, waarbij de leverancier zelf geen toegang tot de data heeft. IDC-analist Devin Pratt noemt het compileren van bedrijfskennis tot een herbruikbare laag, in plaats van die bij elke aanroep opnieuw af te leiden, een verstandig antwoord op het probleem. Pinecone zegt ruim 10.000 organisaties en meer dan een miljoen ontwikkelaars te bedienen.
Wat betekent dit
Voor Nederlandse bedrijven die met AI-agents experimenteren zit de winst vaker in de eigen data dan in het modelabonnement. Wie contracten, tickets en handleidingen in één rommelige zoekindex propt, betaalt dat terug in tokens en in foute antwoorden. Diezelfde les kwam terug in onderzoek naar agent-skills van Princeton: wat je een agent aanreikt weegt zwaarder dan hoe slim het model is. Leveranciers bewegen dezelfde kant op, zoals Databricks met zijn enterprise-agents liet zien.
Modelprijzen dalen ondertussen gestaag. OpenAI ging ruim 20 procent omlaag met GPT-5.6 Sol en Anthropic maakte de introductieprijs van Claude Sonnet 5 blijvend. Juist daardoor verschuift het gewicht naar de laag eronder, want daar ontstaan straks de meeste kosten en de meeste fouten. Wie nu een agentproject start, doet er goed aan eerst te meten hoeveel tokens er opgaan aan zoeken en hoe vaak het antwoord op de verkeerde bron rust.
