AI-agents trekken momenteel volop de aandacht. Ze beloven een fors deel van repetitieve werkzaamheden foutloos autonoom af te handelen, wat voor menig bedrijf als muziek in de oren klinkt. Maar waar ligt precies het nut en hoe realistisch is het? Waar moet je nou echt op letten bij deze artificial intelligence-innovatiegolf? We bespreken het in een rondetafelgesprek met experts van Cloudera, Pega, Salesforce en ServiceNow.
Het is een en al AI wat de laatste tijd de klok slaat. In de eerste plaats kwam dit door de enorme progressie die generatieve AI de afgelopen jaren boekte. Eind vorig jaar kwam daar nog eens agentic AI bovenop: autonome systemen die niet enkel reactief werken, maar zelfstandig taken uitvoeren, informatie verwerkt en beslissingen nemen op basis van data.
In alles wat we tot nu toe hebben gezien van agentic AI, balanceert het continu tussen tastbare innovatie en veelbelovende toekomst. Een vage toekomstbelofte is het allesbehalve, en de progressie gaat dusdanig snel dat we haast niet kunnen voorspellen hoe ver deze autonome systemen over een jaar gaan.
Wat we nu wel weten is dat AI-agents een grote meerwaarde bieden in toepassingen waar klantdata veilig en efficiënt kan worden ingezet. Ze hebbent de potentie om bedrijfsprocessen drastisch te versnellen, mits de randvoorwaarden kloppen. Tijdens het rondetafelgesprek komen een aantal ingrediënten voor een succesvol project naar voren: een robuust data-fundament, duidelijke governance en een begrip van wat je met AI wilt bereiken.
Op zoek naar de definitie
Aan tafel merkt Director of the AI Lab Peter van der Putten van Pega op dat we de discussie over agentic AI eigenlijk pas in de breedte kunnen voeren als we de onduidelijkheid over het onderwerp wegnemen. In zijn optiek gaat het momenteel nog te vaak mis. “We moeten voorbij de Babylonische spraakverwarring rondom agents. Sommigen hebben het over conversational assistants of chatbots, die al sinds jaar en dag bestaan en vaak werken op basis van simpele regels of workflows. Anderen doelen op echte agentic AI met multi-agent systems die de omgeving kunnen waarnemen, tools kunnen gebruiken, plannen kunnen maken en deze kunnen uitvoeren”, aldus Van der Putten.
Nick Botter komt vanuit zijn rol als Head of Solution Consulting bij ServiceNow bij veel bedrijven over de vloer om op zoek te gaan naar usecases voor AI. De uitleg van Van der Putten zorgt er dan ook voor dat hij inhaakt op het definiëren van agentic AI. “Voor mij is een autonome AI-agent een agent die zelfstandig werkt zonder dat een mens iets hoeft te doen, die de context begrijpt en vervolgens zelf actie kan ondernemen”, legt Botter uit. “Het verschil met conventionele systemen is dat het niet alleen om conversatie en antwoorden gaat, maar dat de agent daadwerkelijk het werk zelf uitvoert.”
Deze heldere situatieschets van de nieuwste AI roept eigenlijk automatisch een extra vraag op. De AI-agent is hier, maar in hoeverre kan je momenteel een agent binnen je bedrijf inzetten? Wat is realistisch? Als je daarvoor naar bedrijven kijkt, zie je dat er volop mee geëxperimenteerd wordt. Een eerste usecase definiëren kan waardevol zijn. Vraag jezelf daarbij wel af of het in dat specifieke domein ook realistisch is om agentic AI in te zetten. Zoals Senior Director Solution Engineering Jan Verbrugghe van Salesforce nu vaak ziet, hebben projecten betrekking op customer service. Daar kan een agent van nut zijn doordat men daar gestructureerd en volgens regels werkt. “Met zulke voorwaarden kan een agent perfect omgaan”, schetst Verbrugghe. Tegelijkertijd is er de realiteit dat als je denkt aan het met behulp van AI-agents automatiseren van een groot financieel proces waar zeer gevoelige informatie bij betrokken is, dat dat dan misschien beter een zaak voor in de toekomst kan zijn.
De organisaties waar Van der Putten, Botter en Verbrugghe voor werken, maken inmiddels volop tools beschikbaar om agentic AI op hun platformen mogelijk te maken. Tegelijkertijd kijken ze ook hoe ze het intern kunnen inzetten. Van der Putten deelt bijvoorbeeld dat Pega intern een eind is met Iris. Dit agentic AI-systeem functioneert als het ware als een soort collega door e-mails van werknemers te verwerken. Het gebruikt vervolgens orkestreercapaciteit, wat wil zeggen dat het werk kan delegeren. Een mail kan voor afhandeling doorgezet worden naar een gespecialiseerde agent die precies weet welke stappen op dat domein nodig zijn. Dat sluit dan weer aan bij de definitie die Van der Putten in eerste instantie deelde.
Agents vallen of staan bij data
Een dergelijke toepassing zorgt ervoor dat er inmiddels voorbeelden zijn van wat we met agentic AI kunnen. Voordat je een dergelijk systeem operationeel hebt, is het echter zaak om naar de basis te kijken. Of de ingrediënten, zoals we ze eerder noemden. Vanuit die achtergrond is ook Regional Vice President Benelux Rein de Jong van Cloudera aan tafel aangeschoven. Cloudera werd met zijn dataplatform gelijktijdig groot met de opkomst van de eerste cloudleveranciers. In al die jaren zag het de belangrijke data en AI-trends passeren. Dat heeft Cloudera het platform gemaakt dat als schakel tussen data en AI fungeert. Gebruikers maken met het platform data klaar voor gebruik. Ze kunnen vervolgens zelf bepalen wat ze ermee doen. AI is dan een mogelijke optie, dus ook agentic AI.
Bij het dataplatform gaat het dus hoofdzakelijk om de voorbereiding en presentatie van data voor de AI-agents. Wat een AI-agent kan en doet is niet per se relevant in de Cloudera-context, al is dat ook wel weer iets om mee te nemen in het op orde brengen van je data. Volgens De Jong is het belangrijk dat data op de juiste manier wordt verwerkt voordat deze voor AI-toepassingen wordt gebruikt. “Wij zorgen dat de juiste data met het juiste autorisatieniveau voor verschillende dataproducten beschikbaar is. We borgen dat de linie van de hele datapod consistent is – dat data op moment A ook is wat er op moment B moet zijn.”
Het idee hierbij is rekenkracht naar de data brengen, in plaats van andersom. Dit ongeacht waar de data zich bevindt. Alleen dan krijg je de gewenste prestaties uit data, ziet De Jong. “We brengen in dit geval de agents naar de data, niet de data naar de agent. Data verplaatsen zorgt voor ingestion-problemen en beweging van data, wat over het algemeen kwetsbaar is. Dat wil je bij AI-agents niet hebben”, aldus De Jong.
Een juiste voedingsbron
De situatieschets van De Jong is over het algemeen een punt waar de andere rondetafeldeelnemers ook instemmend mee in kunnen knikken. AI-agents die nu succesvol zijn, hebben eigenlijk allemaal gemeen dat er aanvankelijk veel tijd en werk ging in het opschonen en perfectioneren van data. Dat is de sleutel tot effectieve AI-agents. “Het belang van data is nog nooit zo groot geweest”, constateert Verbrugghe. “Wij hebben een dataplatform ontwikkeld dat data ontsluit en bruikbaar maakt voor AI-toepassingen en automatisering in het algemeen.” Gecombineerd met de domeinkennis vanuit de softwarehoek van Salesforce, kan dat een meerwaarde zijn bij het opzetten van een systeem.
Interessant hierin is dat bedrijven steeds vaker kiezen voor een hybride aanpak. Ze zetten zowel cloudoplossingen als on-premise systemen in voor hun AI-applicatie. Of ze gebruiken meerdere dataplatformen naast elkaar, om voor ieder type workload de meest geschikte tool beschikbaar te hebben. Alles om data zo goed mogelijk in te richten. De Jong ziet dit voorbij komen bij een klant die zowel Cloudera als een concurrerend platform afneemt. “Het klinkt tegenstrijdig, maar door beide platforms te gebruiken, besparen ze kosten.”
Wil je de AI-agent ook daadwerkelijk aan de geldende standaarden laten voldoen, dan moet je ook real-time dataverwerking opnemen bij het programmeren. Alleen dan kan agentic AI daadwerkelijk in een zakelijke omgeving menselijk werk overnemen of aanvullen. Maar het is zo dat het binnenhalen van data steeds belangrijker wordt, aangezien het overal vandaan komt. Soms gestructureerd, soms ongestructureerd, eventueel met een real-time processing karakter. Allemaal zaken waar een agent omheen gebouwd kan en vaak moet worden.
Houd de mens in het achterhoofd
Met de technische inrichting geef je een agentic AI-project direct een duw in de juiste richting. Toch heeft een project pas kans op slagen als je aan de mens denkt. Rondom deze menselijke rol speelt ook een maatschappelijk discussiepunt. Hoe ziet straks de balans tussen automatisering en menselijke inzet eruit? “Het is belangrijk om zowel AI als automatisering te verdedigen, anders blijft AI slechts een leuke insight in het lab”, aldus Van der Putten. “Als je echt actionable intelligence wilt maken, moet je het kunnen combineren met automatisering.”
De manier waarop agents werk veranderen, vereist uiteindelijk een andere houding van mensen. Althans, dat merkt Botter op. Agents zijn veel anders dan wat ze gewend zijn van voorgaande technologische innovatie. Een onderscheid tussen een digitale mindset en een AI-mindset is in de optiek van Botter nodig. “Bij digitalisering hebben we vaak bestaande processen simpelweg gedigitaliseerd. Met een AI-mindset kijken we echter naar het gewenste resultaat en laten we de AI zelf bedenken hoe daar te komen.”
Uit de eerste trials en toepassingen kan men inmiddels ook de nodige conclusies trekken. Verbrugghe ziet uit gebruik onder bedrijven een duidelijke aanwijzing: behandel een agent als een mens. “Wat onze klanten nu het meest efficiënt met AI kunnen doen, is dat ze het behandelen zoals een mens. Je geeft instructies en richtlijnen, geen strikte regels. Je specificeert de data, de KPI’s en de gewenste uitkomst, en dan los je het probleem op. Een AI-agent kan op een heel andere manier tot een oplossing komen dan voorheen mogelijk was met gestructureerde processen.”
Hoe kom je tot acceptabel gebruik?
In het verlengde van het omarmen van een agentic AI-systeem, dien je na te denken over governance. Het gaat hierbij om het beschikbaar stellen van de juiste data en tools, alsmede om het creëren van ruimte waarin AI zelfstandig acties mag uitvoeren. Alleen dan kan de technologie echt bijdragen aan een efficiëntere workflow of een betere interactie met klanten. Zonder die randvoorwaarden blijft de inzet van AI beperkt tot observatie of analyse, terwijl juist de actiegerichte toepassing het verschil kan maken in de praktijk.
Aan tafel ontstaat vervolgens een discussie over de eisen voor AI-systemen. Organisaties stellen vaak strengere eisen aan AI dan aan menselijke medewerkers. Waar AI-agents die met klanten communiceren aan strikte regels en beperkingen moeten voldoen – bijvoorbeeld dat ze niets mogen leren van klantgesprekken – is er bij menselijke medewerkers veel minder controle. Die scheve verhouding roept vragen op over de consistentie van het beleid, zeker wanneer menselijke interacties in de praktijk ook risico’s met zich meebrengen op het gebied van privacy of foutieve informatieoverdracht.
Toch biedt juist die controleerbaarheid van AI kansen. Waar menselijke handelingen moeilijk volledig te monitoren zijn, kunnen AI-agents wél precies worden gevolgd en bijgestuurd. Hierdoor kunnen compliance-afdelingen efficiënter opereren. In plaats van alles handmatig te controleren, kunnen zij zich richten op afwijkingen of uitzonderlijke situaties. De inzet van AI betekent in dat opzicht meer grip op processen en een verlichting van de werkdruk bij toezicht en naleving van regels.
Toekomstperspectief
Om de voordelen van AI-agents te benutten, is schaal een doorslaggevende factor. Pas wanneer de technologie breed wordt ingezet binnen een organisatie, worden de structurele efficiëntiewinsten zichtbaar. Het effect blijft namelijk beperkt als agents slechts in kleine, geïsoleerde toepassingen worden gebruikt. Door grootschalige toepassing ontstaan er hefbomen die processen versnellen en optimaliseren op een manier die anders niet haalbaar is. Die schaalgrootte vormt dan ook de sleutel tot het realiseren van tastbare impact en duurzame waarde binnen bedrijfsvoering.
De verwachting is dat AI-agents een steeds prominentere rol zullen spelen in het dagelijks functioneren van organisaties. Ze zijn bij uitstek geschikt om repetitieve en routinematige taken over te nemen.
Effectief gebruik vraagt uiteindelijk het geven van duidelijke instructies en richtlijnen, in plaats van rigide regels. AI-agents functioneren het best wanneer ze net als mensen enige autonomie krijgen binnen afgebakende kaders. Organisaties die dat principe hanteren, ervaren dat agents sneller leren, beter presteren en zich makkelijker aanpassen aan veranderende omstandigheden.
Dit was het eerste artikel naar aanleiding van onze agentic AI-rondetafel. In het volgende artikel gaan de experts in op waarom wachten op AI-agents geen optie is.