Een AI-model is slechts zo goed als de data die het daadwerkelijk bereikt, en die data begint vrijwel nooit schoon, gecentraliseerd of vers. Doorgaans ligt deze verspreid over een CRM, meerdere SaaS-tools, een paar databases en waarschijnlijk een spreadsheet die nog steeds per e-mail rondgaat door het bedrijf.

Al die data omvormen tot iets dat een AI-systeem kan gebruiken, is een discipline op zich, en deze categorie heeft net een echte consolidatiegolf doorgemaakt: twee van de grootste onafhankelijke namen werden binnen enkele maanden opgeslokt door grotere bedrijven. Dat reikt verder dan inkoop — wanneer de tool die je data verzamelt en de tool die het vorm geeft onder hetzelfde dak terechtkomen, wordt de vraag welke laag een leverancier beheerst een strategische kwestie voor elke koper. Dit zijn tien platforms die vandaag de dag daadwerkelijk data binnen bedrijven verplaatsen, al dan niet zelfstandig.

Fivetran

Fivetran bouwde zijn reputatie op door de pijn van dataverplaatsing volledig weg te nemen. Het biedt geautomatiseerde pipelines die uit meer dan zevenhonderd bronnen putten, waarbij schemawijzigingen automatisch worden afgehandeld in plaats van een pipeline te breken telkens wanneer een brontoepassing een veld aanpast.

Het platform wordt volledig beheerd, wat precies de aantrekkingskracht is voor teams zonder toegewijde data engineers om aangepaste scripts te bewaken. Dat gemak komt wel met echte kosten: gebruiksgestuurde prijsstelling gekoppeld aan maandelijks actieve rijen kan snel oplopen naarmate het datavolume groeit, en een prijswijziging in 2026 factureert nu ook op connec tieniveau.

Het grotere verhaal is met wie Fivetran in oktober 2025 fuseerde: een volledig aandelen deal met dbt Labs die de twee bedrijven combineerde tot ongeveer $ 600 miljoen aan jaarlijks terugkerende omzet, waarmee de inname-laag en de transformatielaag effectief worden gebundeld in één leveranciersrelatie. Het blijft afwachten of het gefuseerde bedrijf de twee producten even open houdt voor concurrerende stacks, aangezien een groot deel van hun historische klantenbestand tools van verschillende leveranciers mengt en combineert.

dbt Labs (dbt)

dbt vervult een specifieke, smalle rol in deze stack en wordt bijna gedefinieerd door wat het bewust niet doet: het kan data helemaal niet verplaatsen. Het is een transformatietool, geen ETL-tool, wat betekent dat het altijd een aparte innamelaag nodig heeft zoals Fivetran of Airbyte om ruwe data in een warehouse te laden voordat dbt's op SQL en Jinja gebaseerde modelleerwerk ermee aan de slag kan.

Wat het doet, doet het goed: versiebeheerde, geteste en gedocumenteerde transformatielogica die metrieken consistent houdt in elke downstream BI-tool. Dat is van enorm belang zodra een AI-toepassing hetzelfde warehouse gaat bevragen en de onderliggende cijfers overal hetzelfde moeten betekenen.

Na de fusie met Fivetran hebben klanten in feite één leveranciersrelatie in plaats van twee contracten — een echte vereenvoudiging voor teams die ze toch al samen gebruikten.

Airbyte

Airbyte ging de tegenovergestelde inzet aan van Fivetran. In plaats van een volledig beheerde black box bouwde het een open-source ELT-platform met een enorm, door de community gedreven connectorcatalogus, waarmee teams gratis zelf kunnen hosten en alleen betalen voor hun eigen infrastructuur in plaats van een leveranciersvergoeding per rij.

Die openheid is oprecht aantrekkelijk voor engineeringgedreven organisaties die volledige controle over hun pipelines willen zonder vast te zitten aan de roadmap van één leverancier — een overweging die scherper is geworden nu concurrenten consolideren. Airbyte heeft onlangs een door AI ondersteunde connectorbouwer toegevoegd om sneller bronnen te dekken die nog niet in de bestaande catalogus staan.

De afweging is precies wat je van open-source-infrastructuur zou verwachten: de kwaliteit van connectoren varieert, zeker bij door de community onderhouden integraties, en het goed draaien ervan vraagt echte DevOps-inspanning die een volledig beheerd platform anders zou absorberen.

Informatica (IDMC)

Informatica is al ongeveer twee decennia de enterprise-standaard voor werkelijk complexe data-omgevingen, en de Intelligent Data Management Cloud dekt nog steeds het volledige spectrum dat de meeste concurrenten niet eens proberen: integratie, datakwaliteit, governance en master data management in één platform, met de CLAIRE AI-engine die metadata-discovery eroverheen verzorgt.

Het grotere nieuws is structureel eerder dan technisch: Salesforce nam Informatica over in een deal van $ 8 miljard die eind 2025 werd afgerond, waardoor het een volledig dochterbedrijf werd in plaats van een onafhankelijk beursgenoteerd bedrijf.

Het kernproduct is nog niet veranderd, maar de vraag die elke koper zich nu moet stellen, is of Salesforce functies die niet-Salesforce-klanten dienen prioriteit blijft geven, of de roadmap geleidelijk zal kantelen richting Salesforces eigen Data Cloud- en Agentforce-ambities. Hoe die roadmap zich ontwikkelt, is ook een vroeg signaal voor hoe de bredere datastack consolideert rond de grootste AI-platformleveranciers.

MuleSoft

MuleSoft bezet de API-gedreven kant van deze categorie in plaats van de kant van warehouse-inname. Het is de integratieruggengraat van Salesforce en bedient een zeer grote basis van Salesforce-klanten die tientallen systemen moeten verbinden via herbruikbare, gegouverneerde API's in plaats van eenmalige point-to-point-verbindingen.

De transformatietaal DataWeave verzorgt de eigenlijke datamanipulatie, en onlangs is expliciet ondersteuning toegevoegd voor het Model Context Protocol, waarmee MuleSoft zich positioneert als infrastructuur waar agentic AI-workflows rechtstreeks op kunnen terugvallen in plaats van louter een op mensen gericht integratiemiddel.

Voor organisaties die al diep in het Salesforce-ecosysteem zitten, is die positionering een natuurlijke match — en met Informatica nu ook onder Salesforce, bezit het bedrijf in feite twee aangrenzende lagen van de data-integratiemarkt. Voor bedrijven daarbuiten zijn MuleSofts enterprise-prijzen en implementatietijdlijn een veel zwaardere lift om te rechtvaardigen.

Databricks

Databricks bouwde zijn hele architectuur op een andere premisse dan de traditionele ETL-leveranciers. Het is een lakehouse dat data-engineering, analytics en machine learning in één platform verenigt, in plaats van "maak de data klaar" en "bouw de AI er bovenop" te behandelen als twee aparte systemen die hun eigen integratielaag ertussen nodig hebben.

Dat wordt steeds belangrijker voor AI-toepassingen, omdat een pipeline voor modeltraining of inferentie vaak dezelfde gegouverneerde data nodig heeft voor zowel analytics als de AI-workload zelf, en die gesynchroniseerd houden over twee niet-verbonden platforms is een terugkerende kopzorg.

Het is een zwaardere inzet om aan te nemen dan een ELT-punttool, maar voor organisaties die al serieuze ML-workloads draaien, verwijdert het delen van hetzelfde onderliggende platform door de datalaag en de AI-laag een hele categorie synchronisatieproblemen.

Snowflake

Snowflakes kernaanbod is altijd een werkelijk elastisch, afzonderlijk schaalbaar datawarehouse geweest, en de Cortex AI-laag bouwt direct bovenop diezelfde gegouverneerde data, in plaats van een aparte exportstap te vereisen voordat een AI-toepassing die kan bevragen.

Dat is om precies dezelfde reden belangrijk als de geünificeerde architectuur van Databricks: elke extra sprong die data maakt tussen "warehouse" en "AI-systeem" is een plek waar veroudering, rechtenmismatches of gewone datadrift kunnen binnensluipen.

Snowflake en Databricks concurreren steeds directer op precies dit aanbod, en voor de meeste kopers komt de keuze neer op bestaande cloudafspraken en teamvaardigheden eerder dan op een beslissend functieverschil tussen de twee.

Confluent

Confluent, gebouwd rond Apache Kafka, speelt in een geheel ander tempo dan de batchgerichte tools hierboven: realtime streaming voor situaties waarin een AI-systeem echt niet kan wachten op een nachtelijke batchtaak, zoals fraudedetectie of live aanbevelingsengines die binnen enkele seconden op een gebeurtenis moeten reageren, niet uren.

Die realtime-ruggengraat is specifiek relevanter geworden door AI-agenten, die steeds vaker moeten handelen op de meest verse staat van een systeem in plaats van de momentopname van gisteren te analyseren.

Het is een zwaardere operationele inzet dan een beheerde ELT-tool en werkelijk overkill voor een bedrijf dat alleen nachtelijke rapportage nodig heeft, maar om een AI-systeem data te voeren die seconden oud is in plaats van een dag, is er eigenlijk geen vervanging.

Matillion

Matillion heeft zijn niche opgebouwd rond teams die binnen een van de grote cloudwarehouses leven — Snowflake, BigQuery of Redshift — en biedt een visuelere, drag-and-drop ETL- en ELT-ervaring in plaats van ruwe pipelinecode te schrijven, terwijl het zware transformatiewerk nog steeds naar de eigen rekenkracht van het warehouse wordt geduwd in plaats van naar een tussenliggende engine.

Dat warehouse-native ontwerp is de kern van het onderscheid ten opzichte van meer bronagnostische tools zoals Fivetran of Airbyte. Matillions kracht komt naar voren wanneer een organisatie zich al op een van die drie warehouses heeft gestandaardiseerd en een toegankelijkere interface wil voor de transformatielogica die er bovenop ligt.

Estuary

Estuary zet in op een werkelijk andere architecturale gok dan de meeste namen op deze lijst. In plaats van batch-ELT en realtime streaming te behandelen als twee aparte categorieën die twee aparte tools vereisen, bouwde Estuary één platform dat change-data-capture en batchreplicatie vanuit hetzelfde systeem afhandelt, met sub-seconde versheid als doel zonder de operationele last van een volledige Kafka-implementatie daarvoor te draaien.

Voor een bedrijf dat zowel nachtelijke warehouse-loads als vrijwel directe updates voor een AI-gerichte toepassing nodig heeft — zonder twee volledig gescheiden pipelinesystemen te onderhouden — is die vereniging een wezenlijk ander waardevoorstel dan ofwel een batchtool of een streamingtool kiezen en leven met het gat dat de andere zou hebben gedekt.

Samengevat is de rode draad door deze lijst dat keuzes in data-infrastructuur steeds meer de AI-strategie volgen: of een bedrijf nu consolideert op de stack van één leverancier of best-of-breed lagen samenstelt, de interfaces tussen inname, transformatie, opslag en AI zijn nu waar de meeste consolidatieactiviteit — en het meeste kopersrisico — zich bevindt.

Het bericht 10 Enterprise Data Platforms Supporting AI And Analytics verscheen eerst op Metaverse Post.