Google en de VN maken werelddata klaar voor AI-agents

UN System Data Commons maakt officiële VN-statistiek doorzoekbaar voor AI-agents, meldt Google op 17 september, zodat systemen cijfers uit meerdere VN-organisaties in context kunnen ophalen.

Voor een Nederlandse organisatie die AI inzet voor markt-, beleids- of duurzaamheidsinformatie verandert daarmee de eerste stap. Een agent hoeft minder losse tabellen en spreadsheets af te zoeken, omdat datasets dezelfde structuur, tijdlijnen en geografische grenzen delen en hun oorsprong zichtbaar blijft. De waarde zit in data die een systeem kan vinden, combineren en controleren.

Van silo’s naar één gegevenslaag

VN-organisaties publiceren al jaren statistiek over gezondheid, onderwijs, armoede en andere wereldwijde thema’s. Die informatie stond vaak verspreid over organisaties en formaten, waardoor analisten eerst handmatig definities, tijdvakken en geografische grenzen moesten gelijkzetten. UN System Data Commons brengt die elementen samen in één kennisgraaf.

Het live portaal voor de VN-statistiek ondersteunt zoeken in gewone taal en toont de resultaten in tabellen en interactieve visualisaties. De datasets worden volgens Google gecontroleerd door statistici en technische experts uit het VN-systeem. Dat maakt de herkomst van een antwoord zichtbaar, in plaats van alleen een eindgetal te tonen.

Agents krijgen een bronvaste ingang

De technische stap zit in de koppeling met het Model Context Protocol, of MCP. Een agent kan daarmee zelf cijfers ophalen uit de VN-omgeving, indicatoren uit verschillende domeinen naast elkaar leggen en het resultaat omzetten in een grafiek, infographic of concepttekst. Google demonstreerde dat met een vraag over het effect van het Amerikaanse aidsprogramma PEPFAR in Afrika, waarbij een systeem gegevens over hiv-infecties, aidssterfte en levensverwachting combineerde.

Google had in 2025 al een Data Commons MCP-server voor AI-agents die openbare data met bronverwijzing kunnen ophalen. De VN-case laat nu zien hoe zo’n koppeling in een grote statistische omgeving werkt. Voor een datateam is dat verschil belangrijk: het gaat niet alleen om een chatbot boven op een databank, maar om een gegevenslaag met definities en herkomst waarop software zelfstandig kan zoeken.

Een officiële bron maakt het antwoord nog niet automatisch juist. De nog niet peer-reviewed UNICEF-werkpaper met een test van zes taalmodellen op meer dan 133.000 vragen over mondiale ontwikkelingsindicatoren vond een gemiddelde nauwkeurigheidsscore van 21,2 procent; ongeveer drie op de vijf antwoorden leverden geen bruikbaar getal op, schrijft TechCrunch.

De uitrol begint gecontroleerd

Bij de start hadden 26 VN-entiteiten zich aan het initiatief verbonden en waren datasets van bijna 20 entiteiten beschikbaar. Het VN-systeem mikt erop om 80 procent van zijn statistische datasets in 2027 op het platform te hebben, terwijl de omgeving onder VN-governance blijft draaien, meldt TechCrunch.

Dat maakt de stap relevant voor Nederlandse datateams, ook buiten onderzoek en beleid. Een agent die interne verkoopdata, openbare marktdata of duurzaamheidsgegevens combineert, heeft dezelfde basis nodig: eenduidige begrippen, een tijdsperiode, een geografische scope en een herleidbare bron. Zonder die laag kan een model wel een antwoord formuleren, maar blijft onduidelijk welke cijfers het precies heeft gecombineerd.

De architectuurvraag wordt concreet. Een bedrijf dat rapportages door een agent laat maken, moet vastleggen welke bron leidend is, hoe vaak cijfers worden bijgewerkt en welke definities gelden. Dezelfde data kan anders onder twee namen of meetperioden binnenkomen. Een kennisgraaf of API lost die governance niet vanzelf op, maar maakt de afspraken wel machineleesbaar. Daardoor zijn afwijkende uitkomsten terug te volgen naar de bron, in plaats van pas na publicatie op te vallen.

Diezelfde verschuiving is zichtbaar in bedrijfssoftware, waar Google SAP-data uit ECC en S/4HANA als dataproducten in BigQuery voor AI-agents zet. UN System Data Commons trekt dat patroon naar wereldschaal. De praktische concurrentievraag wordt daardoor minder welk model je kiest en meer of je gegevenslaag betekenis, context en herkomst kan meegeven aan de agent.