Waarom AI-agenten veel meer verkeer genereren dan mensen

Cisco omschrijft AI-agenten als 'netwerkkrachtpatsers'. Terwijl mensen doorgaans afzonderlijke acties uitvoeren – een webpagina laden of een bericht versturen – werken agenten continu op de snelheid van software.

In de praktijk betekent dit dat één agent-workflow kan:

• Herhaaldelijk inferentieverzoeken naar AI-modellen sturen
• Data uit meerdere API's en clouddiensten halen
• Tokens en tussentijdse resultaten uitwisselen tussen diensten
• Gekoppelde workflows starten die extra modellen of tools aanroepen

Door deze constante activiteit schat Cisco dat AI-agenten ongeveer 450% meer netwerkverkeer genereren dan menselijke gebruikers in vergelijkbare workflows.

Een ander belangrijk verschil is de richting van het verkeer. Traditioneel internetgebruik is vooral download‑gericht (denk aan streamen van video of laden van webpagina's). AI-workflows kenmerken zich door continue bidirectionele uitwisseling, waarbij aanzienlijk upstream-verkeer ontstaat doordat prompts, data en tussenresultaten naar modellen worden gestuurd voordat de antwoorden terugkomen.

De echte driver: AI-inferentie, niet training

In de publieke discussie over AI-infrastructuur ligt de focus vaak op het trainen van grote modellen. Cisco's onderzoek laat een andere realiteit voor netwerken zien: inferentie domineert het operationele verkeer.

Inferentie verwijst naar het real‑time gebruik van getrainde modellen: vragen beantwoorden, content genereren, data analyseren of agenttaken uitvoeren. Cisco's onderzoek is gebaseerd op gemeten inferentieverkeer op providernetwerken en toont aan dat deze live workloads de belangrijkste drijfveer zijn van WAN-vraag.

Het rapport voorspelt dat inferentieverkeer alleen al kan leiden tot 63% extra netwerkgroei in vergelijking met prognoses zonder agentic AI-workloads.

Een grote verschuiving in wereldwijd verkeer tegen 2035

Als de adoptie van agentic AI de door Cisco voorspelde weg volgt, wordt de netwerkvoetafdruk aanzienlijk in het komende decennium.

Belangrijke voorspellingen:

• AI-inferentie kan tegen 2035 ongeveer 25% van al het netwerkverkeer uitmaken.
• De grootste versnelling wordt verwacht tussen 2029 en 2032, wanneer de adoptie van AI-agenten door bedrijven naar verwachting zal pieken.

Deze groei weerspiegelt een structurele verschuiving: in plaats van incidentele pieken in verkeer wanneer een gebruiker een model raadpleegt, creëren AI-agenten continue workloads die netwerken 24/7 bezig houden.

Waarom bedrijfsnetwerkverkeer 9 keer kan groeien

Cisco heeft ook gemodelleerd hoe AI-adoptie het verkeersvolume van bedrijven kan beïnvloeden.

Zonder agentic AI zou de netwerkvraag van bedrijven tussen 2026 en 2035 waarschijnlijk ongeveer 2,5 keer groeien, gedreven door clouddiensten, SaaS-toepassingen en digitale transformatie.

Met wijdverbreide agentic AI zou het verkeer in dezelfde periode echter kunnen groeien tot ongeveer negen keer het huidige niveau, aangewakkerd door autonome workflows die herhaaldelijk toegang krijgen tot data, modellen en diensten.

Deze systemen vermenigvuldigen de activiteit op het netwerk omdat elke menselijke taak veel geautomatiseerde interacties tussen diensten en AI-modellen kan veroorzaken.

Hoe AI-verkeer het netwerkgedrag verandert

Cisco's onderzoek benadrukt dat AI niet alleen het verkeersvolume vergroot – het verandert de kenmerken van het verkeer.

Vergeleken met conventioneel web- of SaaS-verkeer zijn AI-workloads doorgaans:

• Dynamischer: AI-agenten starten plotselinge pieken van verzoeken en gedistribueerde workflows.
• Gevoeliger voor latentie: inferentievertragingen hebben direct invloed op de gebruikerservaring en agentprestaties.
• Bidirectioneler: upstream-verkeer neemt toe doordat prompts, telemetrie en tussenliggende data naar modellen worden verplaatst.
• Complexer: workflows omvatten vaak meerdere clouds, API's en inferentie-eindpunten.

Deze veranderingen maken traditionele netwerkplanning – gebaseerd op voorspelbare gebruikersactiviteit – veel minder betrouwbaar.

Waarom netwerken nieuwe architectuur nodig hebben voor AI

Omdat AI-inferentiepaden direct de kwaliteit van toepassingen beïnvloeden, stelt Cisco dat netwerken ze moeten behandelen als kritieke infrastructuur, niet als gewone verkeersstromen.

Deze verschuiving impliceert verschillende architectuurprioriteiten:

1. AI-bewust verkeersbeheer

Inferentiestromen kunnen prioritaire paden, latentiegaranties en dynamische routeringsbeslissingen vereisen om de prestaties te handhaven.

2. Gedistribueerde rekenkracht en edge-plaatsing

Door inferentie-infrastructuur dichter bij gebruikers of data te plaatsen, kan latentie worden verminderd en WAN-congestie worden voorkomen.

3. Real-time observeerbaarheid

AI-workloads produceren snelle, complexe verkeerspatronen, waardoor end-to-end zichtbaarheid essentieel is om congestie of verminderde prestaties te detecteren voordat workflows falen.

4. Sterkere veerkracht

Cisco-onderzoek benadrukt dat netwerkuitval bedrijven al zwaar kost en vaak wordt veroorzaakt door congestie, cyberaanvallen of configuratiefouten. AI-workloads vergroten de druk op netwerken die continu beschikbaar moeten blijven.

De conclusie

Cisco's WAN-onderzoek wijst op een diepere transformatie dan simpele bandbreedtegroei. Agentic AI introduceert altijd-actieve, inferentie-gestuurde workloads die zich anders gedragen dan traditioneel internetverkeer.

Als de adoptietrends de huidige projecties volgen, zullen netwerken in het komende decennium het volgende moeten ondersteunen:

• AI-agenten als hoogfrequente netwerkgebruikers
• Grote volumes real-time inferentieverkeer
• Meer symmetrische en latentiegevoelige stromen

Dat betekent dat toekomstig netwerkontwerp steeds meer zal draaien om AI-bewuste architecturen – met hogere capaciteit, gedistribueerde rekenkracht, geavanceerde telemetrie en gespecialiseerde servicekwaliteit voor inferentieverkeer.

Deze projecties blijven echter voorspellingen die grotendeels zijn gebaseerd op Cisco's metingen en modellering. De exacte schaal van de verschuiving hangt af van hoe snel agentic AI wordt ingebed in alledaagse bedrijfs- en consumentenworkflows.

Waarom AI-agenten veel meer verkeer genereren dan mensen

Cisco omschrijft AI-agenten als 'netwerkkrachtpatsers'. Terwijl mensen doorgaans afzonderlijke acties uitvoeren – een webpagina laden of een bericht versturen – werken agenten continu op de snelheid van software.

In de praktijk betekent dit dat één agent-workflow kan:

• Herhaaldelijk inferentieverzoeken naar AI-modellen sturen
• Data uit meerdere API's en clouddiensten halen
• Tokens en tussentijdse resultaten uitwisselen tussen diensten
• Gekoppelde workflows starten die extra modellen of tools aanroepen

Door deze constante activiteit schat Cisco dat AI-agenten ongeveer 450% meer netwerkverkeer genereren dan menselijke gebruikers in vergelijkbare workflows.

Een ander belangrijk verschil is de richting van het verkeer. Traditioneel internetgebruik is vooral download‑gericht (denk aan streamen van video of laden van webpagina's). AI-workflows kenmerken zich door continue bidirectionele uitwisseling, waarbij aanzienlijk upstream-verkeer ontstaat doordat prompts, data en tussenresultaten naar modellen worden gestuurd voordat de antwoorden terugkomen.

De echte driver: AI-inferentie, niet training

In de publieke discussie over AI-infrastructuur ligt de focus vaak op het trainen van grote modellen. Cisco's onderzoek laat een andere realiteit voor netwerken zien: inferentie domineert het operationele verkeer.

Inferentie verwijst naar het real‑time gebruik van getrainde modellen: vragen beantwoorden, content genereren, data analyseren of agenttaken uitvoeren. Cisco's onderzoek is gebaseerd op gemeten inferentieverkeer op providernetwerken en toont aan dat deze live workloads de belangrijkste drijfveer zijn van WAN-vraag.

Het rapport voorspelt dat inferentieverkeer alleen al kan leiden tot 63% extra netwerkgroei in vergelijking met prognoses zonder agentic AI-workloads.

Een grote verschuiving in wereldwijd verkeer tegen 2035

Als de adoptie van agentic AI de door Cisco voorspelde weg volgt, wordt de netwerkvoetafdruk aanzienlijk in het komende decennium.

Belangrijke voorspellingen:

• AI-inferentie kan tegen 2035 ongeveer 25% van al het netwerkverkeer uitmaken.
• De grootste versnelling wordt verwacht tussen 2029 en 2032, wanneer de adoptie van AI-agenten door bedrijven naar verwachting zal pieken.

Deze groei weerspiegelt een structurele verschuiving: in plaats van incidentele pieken in verkeer wanneer een gebruiker een model raadpleegt, creëren AI-agenten continue workloads die netwerken 24/7 bezig houden.

Waarom bedrijfsnetwerkverkeer 9 keer kan groeien

Cisco heeft ook gemodelleerd hoe AI-adoptie het verkeersvolume van bedrijven kan beïnvloeden.

Zonder agentic AI zou de netwerkvraag van bedrijven tussen 2026 en 2035 waarschijnlijk ongeveer 2,5 keer groeien, gedreven door clouddiensten, SaaS-toepassingen en digitale transformatie.

Met wijdverbreide agentic AI zou het verkeer in dezelfde periode echter kunnen groeien tot ongeveer negen keer het huidige niveau, aangewakkerd door autonome workflows die herhaaldelijk toegang krijgen tot data, modellen en diensten.

Deze systemen vermenigvuldigen de activiteit op het netwerk omdat elke menselijke taak veel geautomatiseerde interacties tussen diensten en AI-modellen kan veroorzaken.

Hoe AI-verkeer het netwerkgedrag verandert

Cisco's onderzoek benadrukt dat AI niet alleen het verkeersvolume vergroot – het verandert de kenmerken van het verkeer.

Vergeleken met conventioneel web- of SaaS-verkeer zijn AI-workloads doorgaans:

• Dynamischer: AI-agenten starten plotselinge pieken van verzoeken en gedistribueerde workflows.
• Gevoeliger voor latentie: inferentievertragingen hebben direct invloed op de gebruikerservaring en agentprestaties.
• Bidirectioneler: upstream-verkeer neemt toe doordat prompts, telemetrie en tussenliggende data naar modellen worden verplaatst.
• Complexer: workflows omvatten vaak meerdere clouds, API's en inferentie-eindpunten.

Deze veranderingen maken traditionele netwerkplanning – gebaseerd op voorspelbare gebruikersactiviteit – veel minder betrouwbaar.

Waarom netwerken nieuwe architectuur nodig hebben voor AI

Omdat AI-inferentiepaden direct de kwaliteit van toepassingen beïnvloeden, stelt Cisco dat netwerken ze moeten behandelen als kritieke infrastructuur, niet als gewone verkeersstromen.

Deze verschuiving impliceert verschillende architectuurprioriteiten:

1. AI-bewust verkeersbeheer

Inferentiestromen kunnen prioritaire paden, latentiegaranties en dynamische routeringsbeslissingen vereisen om de prestaties te handhaven.

2. Gedistribueerde rekenkracht en edge-plaatsing

Door inferentie-infrastructuur dichter bij gebruikers of data te plaatsen, kan latentie worden verminderd en WAN-congestie worden voorkomen.

3. Real-time observeerbaarheid

AI-workloads produceren snelle, complexe verkeerspatronen, waardoor end-to-end zichtbaarheid essentieel is om congestie of verminderde prestaties te detecteren voordat workflows falen.

4. Sterkere veerkracht

Cisco-onderzoek benadrukt dat netwerkuitval bedrijven al zwaar kost en vaak wordt veroorzaakt door congestie, cyberaanvallen of configuratiefouten. AI-workloads vergroten de druk op netwerken die continu beschikbaar moeten blijven.

De conclusie

Cisco's WAN-onderzoek wijst op een diepere transformatie dan simpele bandbreedtegroei. Agentic AI introduceert altijd-actieve, inferentie-gestuurde workloads die zich anders gedragen dan traditioneel internetverkeer.

Als de adoptietrends de huidige projecties volgen, zullen netwerken in het komende decennium het volgende moeten ondersteunen:

• AI-agenten als hoogfrequente netwerkgebruikers
• Grote volumes real-time inferentieverkeer
• Meer symmetrische en latentiegevoelige stromen

Dat betekent dat toekomstig netwerkontwerp steeds meer zal draaien om AI-bewuste architecturen – met hogere capaciteit, gedistribueerde rekenkracht, geavanceerde telemetrie en gespecialiseerde servicekwaliteit voor inferentieverkeer.

Deze projecties blijven echter voorspellingen die grotendeels zijn gebaseerd op Cisco's metingen en modellering. De exacte schaal van de verschuiving hangt af van hoe snel agentic AI wordt ingebed in alledaagse bedrijfs- en consumentenworkflows.