Wat is agentic AI?
Artificial intelligence (AI) speelt een steeds belangrijkere rol in de bedrijfsvoering. Organisaties die AI succesvol implementeren, weten dat AI voortdurend evolueert. Er is één ontwikkeling in het bijzonder die de manier verandert waarop bedrijven AI gebruiken om waarde te creëren: agentic AI.
Meer informatie over agentic AI.
Agentic AI is de volgende stap in de evolutie van artificial intelligence: een verschuiving van systemen die voornamelijk analyseren, voorspellen of genereren naar systemen die actie kunnen ondernemen. Terwijl eerdere versies van AI helpen bij het nemen van beslissingen of het creëren van content, kunnen AI-agents beslissingen initiëren, actiegerichte stappen plannen en deze autonoom uitvoeren.
Gartner® voorspelt dat in 2028 een derde van de softwareoplossingen voor bedrijven agentic AI zal bevatten, waardoor tot 15% van de dagelijkse beslissingen autonoom zal zijn. AI-agents zijn al in verschillende sectoren actief: ze helpen ziekenhuizen bij het beheren van complexe opnames, ondersteunen individuele studietrajecten op universiteiten, optimaliseren inventarisatiebeheer voor retailers en nog veel meer.
Bij Workday bouwen we agentic AI om processen te transformeren en betere ervaringen te leveren voor onze interne en externe stakeholders.
Agentic AI: wat het is.
Agentic AI combineert meerdere AI-modellen op een georkestreerde, geïntegreerde manier zodat een programma autonoom kan handelen binnen een bredere omgeving. Het maakt gebruik van redeneren, learning en iteratieve planning om dynamische en meervoudige uitdagingen binnen een organisatie aan te pakken.
Wat AI-agents onderscheidt, is hun vermogen om direct actie te ondernemen met weinig tot geen menselijke tussenkomst. Ze kunnen systemen bewaken, realtime omstandigheden interpreteren en taken initiëren voor gekoppelde applicaties. Zo heeft een agentisch systeem in een logistiek platform het vermogen om volledig zelfstandig verzendvertragingen te detecteren, leveringen om te leiden, klanten op de hoogte te brengen en automatisch de voorraad bij te werken.
De reis naar agentic AI is gevormd door tientallen jaren van innovatie en doorbraken in artificial intelligence. Vanaf de eerste fundamenten tot aan de moderne, transformatieve mogelijkheden heeft AI zich in de loop der tijd voortdurend ontwikkeld – en blijft het evolueren – om adaptiever, autonomer en impactvoller te worden.
De evolutie van AI door de decennia heen.
Vroege fundamenten.
In de jaren vijftig was AI gebaseerd op regels: beperkt tot strikte 'als-dan-instructies' en het uitvoeren van basisautomatisering zonder het vermogen om zich aan te passen of te leren. In de jaren zestig en zeventig vond een grote doorbraak plaats dankzij neurale netwerken die waren geïnspireerd op het menselijk brein, zodat AI learning voor het eerst kon nabootsen. Hoewel deze ontwikkeling dan nog in de kinderschoenen staat, is de basis gelegd voor meer dynamische en flexibele AI-systemen.
De opkomst van expertsystemen.
In de jaren tachtig kwamen expertsystemen op, die AI dichter bij menselijke besluitvorming brachten. Deze systemen gebruikten grote regelsets om het redeneren van experts na te bootsen. Maar door hun afhankelijkheid van statische logica waren ze inflexibel en niet in staat om nieuwe of veranderende informatie te verwerken.
Machine learning komt op.
In de jaren negentig vond een omslagpunt plaats met machine learning (ML), waardoor AI niet langer op regels was gebaseerd, maar op leren op basis van data. In dit decennium werd ook voor het eerst onderzoek gedaan naar AI-agents en 'reinforcement learning', waardoor AI beslissingen kon nemen door middel van trial-and-error in plaats van uitsluitend te vertrouwen op vooraf gedefinieerde instructies.
Big data en cloudcomputing.
In de jaren 2000 versnelde de vooruitgang van AI door een explosie van rekenkracht en de opkomst van cloudcomputing. AI-systemen waren nu in staat om enorme hoeveelheden data in realtime te verwerken en te benaderen, waardoor ze efficiënter werden en steeds complexere taken aankonden.
De doorbraak van gen-AI.
Generatieve AI (gen-AI) introduceerde de mogelijkheid om originele content te maken (tekst, afbeeldingen, code, audio en meer) op basis van prompts in natuurlijke taal. Het opende de deur voor interactieve, conversational AI die helpt bij het schrijven, automatiseren van klantenondersteuning, genereren van ontwerp-assets en meer.
Fundamenteel gen-AI-onderzoek, zoals transformermodellen en generatieve adversarial networks (GAN's), begon in de jaren 2010. Maar pas met de lancering van modellen zoals GPT-3, DALL·E en ChatGPT in het begin van de jaren 2020 werd generatieve AI breed toegankelijk en praktisch inzetbaar voor dagelijks gebruik.
Deze systemen brachten een nieuw niveau van taalvaardigheid en contextueel begrip, maar ze waren nog steeds afhankelijk van menselijke aanwijzingen. Gen-AI had het vermogen om suggesties te doen en te synthetiseren, maar was niet gebouwd om actie te ondernemen of onafhankelijke beslissingen te nemen.
Agentic AI.
Voortbouwend op de basis van machine learning en generatieve modellen, is agentic AI de nieuwste evolutie in AI. Dit zijn systemen die niet alleen begrijpen en genereren, maar in de praktijk ook echt initiatief nemen en acties uitvoeren.
Deze verschuiving markeert een fundamentele transformatie van AI als een hulpmiddel dat reageert op mensen, naar AI als een medewerker die zelf actie kan ondernemen. Met deze transitie betreden we een nieuw tijdperk van AI-gestuurde systemen die workflows optimaliseren, op grote schaal beslissingen nemen en dynamisch reageren op veranderingen.
Van de eerste op regels gebaseerde systemen tot de huidige autonome agents, de mogelijkheden van AI zijn gestaag gegroeid en die evolutie is nog lang niet afgelopen. Agentic AI is nog maar de nieuwste stap en bedrijven moeten alert blijven om te zorgen dat hun AI-strategieën relevant en effectief blijven.
Agentic AI markeert een fundamentele transformatie van AI als een hulpmiddel dat reageert op mensen, naar AI als een medewerker die zelf actie kan ondernemen.
De positie van agents in het bredere AI-landschap.
Nu agentic AI steeds meer terrein wint, is het belangrijk om te weten waar het past binnen het bredere AI-landschap. Agentic AI is geen op zichzelf staande categorie, maar bouwt voort op de mogelijkheden van andere systemen. Daarbij wordt gebruikgemaakt van zowel op regels gebaseerde logica als probabilistische modellen om met meer autonomie te kunnen werken. Door te kijken naar hoe verschillende soorten AI informatie verwerken en resultaten aansturen, wordt inzichtelijker hoe agentic AI de mogelijkheden vergroot.
Deterministische AI.
Volgt vooraf bepaalde logica of regels. De uitkomsten zijn voorspelbaar en herhaalbaar op basis van dezelfde invoer.
Beperkingen.
Kan niet omgaan met onzekerheid of zich aanpassen aan nieuwe scenario's.
Voorbeeld.
Een beslisboom die leningen goedkeurt of weigert op basis van vaste drempels.
Probabilistische AI.
Gebruikt statistische modellen en datapatronen om voorspellingen of uitkomsten te genereren.
Beperkingen.
Vereist grote datasets van hoge kwaliteit. De uitkomsten kunnen variëren en zijn vaak niet uitlegbaar.
Voorbeeld.
Een generatief model zoals GPT-4 dat tekst schrijft op basis van een prompt.
Agentic AI.
Bouwt voort op probabilistische modellen (bijvoorbeeld LLM's en RL) en orkestreert acties in systemen, waarbij vaak deterministische componenten voor de uitvoering worden geïntegreerd.
Beperkingen.
Nog steeds in ontwikkeling op gebieden zoals naadloze multisysteemcoördinatie en langetermijnplanning.
Voorbeeld.
Een supplychain-agent die het weer in de gaten houdt, verstoringen voorspelt, leveringen omleidt en de voorraad autonoom bijwerkt.
Kortom, agentic AI is geen op zichzelf staande categorie, maar een evolutie die voortbouwt op de sterke punten van andere AI-systemen. Deterministische benaderingen bieden structuur en betrouwbaarheid, terwijl probabilistische modellen flexibiliteit en inzichten bieden. Agentic AI brengt ze samen met de extra mogelijkheid om actie te ondernemen, waardoor organisaties schaalbaarder, adaptiever en responsiever worden.
Agentic AI-systemen onderscheiden zich door hun vermogen om met een hoge mate van autonomie te redeneren, te plannen en te handelen.
Belangrijkste kenmerken van agentic AI.
Agentic AI-systemen onderscheiden zich door hun vermogen om met een hoge mate van autonomie te redeneren, te plannen en te handelen. In tegenstelling tot eerdere AI-systemen die een strikte logica of vooraf gedefinieerde workflows vereisen, interpreteert agentic AI intenties, evalueert het opties en voert het beslissingen zelfstandig uit, vaak in complexe, onvoorspelbare omgevingen.
Agentic AI is door deze mogelijkheden uitermate geschikt voor zakelijke uitdagingen die zowel flexibiliteit als initiatief vereisen. Zo komen deze eigenschappen in de praktijk tot uiting:
Autonoom redeneren.
Een agent kan een zakelijke doelstelling nemen, bijvoorbeeld het verminderen van verzendvertragingen, en zelfstandig bepalen hoe dit kan worden bereikt door beperkingen te analyseren, afwegingen te evalueren en corrigerende acties te initiëren.
Aanpassingsvermogen in realtime.
In plaats van een statisch script te volgen, stemt een agent gedrag af op basis van wat er op dat moment gebeurt. Bijvoorbeeld door de logistiek te herzien wanneer omstandigheden veranderen of door personeel anders in te zetten als er een onverwachte vraag is.
Taakuitvoering in meerdere stappen.
Agents activeren niet alleen afzonderlijke acties, maar beheren ook workflows. Een enkele agent kan een probleem identificeren, input verzamelen van andere systemen of agents, een oplossing bepalen en deze opvolgen.
Collaboratieve orkestratie.
Agentische systemen zijn ontworpen om samen te werken. Eén agent kan een probleem detecteren, terwijl andere de communicatie, voorraadupdates of beleidscontroles afhandelen. Hierbij draagt elke agent bij aan een gezamenlijk resultaat zonder directe menselijke coördinatie.
AI-agents bestaan in een spectrum van complexiteit: van eenvoudige regelvolgers tot volledig autonome systemen die redeneren, leren en samenwerken.
Soorten AI-agents.
AI-agents bestaan in een spectrum van complexiteit: van eenvoudige regelvolgers tot volledig autonome systemen die redeneren, leren en samenwerken. Naarmate je verder komt in dit continuüm, krijgen agents meer beslissingsbevoegdheid, aanpassingsvermogen en onafhankelijkheid.
Het begrijpen van de verschillen tussen deze typen is essentieel voor het kiezen van de juiste aanpak voor je zakelijke behoeften. De volgende categorieën laten zien hoe de capaciteiten van agents evolueren en hoe geavanceerdere agents de basis leggen voor echte agentische systemen.
Reactieve agents.
Reactieve agents zijn de eenvoudigste vorm van AI. Ze zijn ontwikkeld op basis van op regels gebaseerde systemen en reageren op veranderingen in de omgeving met behulp van vooraf gedefinieerde instructies. Ze hebben echter niet het vermogen om te leren of zich aan te passen. Een virtuele assistent die bijvoorbeeld vooraf geprogrammeerde reacties op specifieke opdrachten ophaalt, zoals het uitschakelen van slimme verlichting wanneer dat wordt gevraagd, werkt als een reactieve agent die op invoer reageert zonder verder te redeneren of te leren.
Modelgebaseerde agents.
Modelgebaseerde agents verwerken hun omgeving via een intern model, waardoor ze instaat zijn om te redeneren over hun acties en weloverwogen beslissingen te nemen. Voorbeeld: een AI-gestuurd irrigatiesysteem dat de bodemvochtigheid, weersvoorspellingen en gewasbehoeften in de gaten houdt om bewateringsschema's te optimaliseren.
Doelgerichte agents.
Doelgerichte agents werken aan het bereiken van specifieke doelstellingen door verschillende strategieën te evalueren en hun acties aan te passen om een gewenst resultaat te bereiken. Een navigatie-app die de snelste route naar een bestemming plant op basis van realtime verkeersomstandigheden is bijvoorbeeld een doelgerichte agent.
Utility-gebaseerde agents.
Utility-gebaseerde agents richten zich op het maximaliseren van resultaten binnen een specifiek domein door meerdere factoren af te wegen om het best mogelijke resultaat te bepalen. Denk bijvoorbeeld aan een systeem voor wagenparkbeheer dat niet alleen leveringsroutes plant, maar ook rekening houdt met brandstofefficiëntie, levertijden en onderhoudsschema's voor voertuigen om de bedrijfsvoering te optimaliseren.
Learning agents.
Learning agents passen zich aan en verbeteren zich in de loop van de tijd door nieuwe data en ervaringen te verwerken. Deze agents zijn ontworpen om hun acties en besluitvormingsprocessen dynamisch aan te passen. Een geautomatiseerde financiële portefeuillebeheerder die beleggingsstrategieën verfijnt op basis van veranderende markttrends is een voorbeeld van een learning agent in actie.
Samenwerkende agents.
Samenwerkende systemen, ook wel multi-agentsystemen genoemd, werken samen om onderling verbonden problemen op te lossen die te complex zijn voor één agent. Een logistiek netwerk dat bezorgingsdrones, magazijnrobots en autonome vrachtwagens coördineert om de hele supplychain te optimaliseren, is een samenwerkende agent.
Zakelijke kansen voor agentic AI.
Dankzij de dynamische mogelijkheden van agentic AI is het een krachtig instrument om in realtime in te spelen op echte zakelijke behoeften. Deze vorm van AI blijkt op veel manieren en op uiteenlopende gebieden waardevol te zijn: optimalisatie van bedrijfsvoering, verbetering van de employee experience en customer experience en het ontdekken van nieuwe mogelijkheden voor groei. Laten we eens kijken naar enkele van de belangrijkste toepassingen van agentic AI die al in verschillende sectoren plaatsvinden.
Voorbeelden uit de praktijk: AI-usecases per sector.
Hoger onderwijs
In het hoger onderwijs ondersteunt agentic AI studenten en docenten door op een autonome manier persoonlijke academische planning te beheren. Een agent kan bijvoorbeeld detecteren wanneer een student het risico loopt achterop te raken en de beschikbaarheid van cursussen, de programmavereisten en de lange termijndoelen van de student evalueren, om vervolgens een aangepast schema voor te stellen. Het kan de student en de docent op de hoogte stellen, ondersteunende diensten aanbevelen en het studietraject aanpassen, allemaal zonder handmatige coördinatie of tussenkomst.
Gezondheidszorg.
In de gezondheidszorg fungeert agentic AI als een realtime medewerker in klinische omgevingen. Een agent kan bijvoorbeeld een toename in het aantal opnames op de spoedeisende hulp signaleren, de behoeften van patiënten inschatten, de beschikbaarheid van resources checken (zoals IC-bedden of personeel) en een herverdeling van resources initiëren of extra personeel oproepen. De agent kan ook samenwerken met andere agents die toezicht houden op het ontslag van patiënten of die de voorraad beheren om de continuïteit van de zorg te helpen waarborgen.
Retail.
In retail faciliteert agentic AI een dynamisch end-to-end beheer van zowel operations als customer experience. Een agent kan een piek in de vraag naar een product signaleren, een tekort aan voorraad voorspellen en bestaande zendingen omleiden of nieuwe inkooporders genereren. Tegelijkertijd kan de agent promotiestrategieën aanpassen, content van websites bijwerken en zo nodig supportteams op de hoogte stellen.
Productie.
Agentic AI verbetert de productie door in realtime te reageren op verstoringen of inefficiënties. Een agent kan bijvoorbeeld een verminderde werking van machines detecteren, diagnostiek starten via een andere agent en onderhoud plannen tijdens een downtimeperiode. Een agent kan productieschema's aanpassen of materialen bijbestellen om vertragingen te voorkomen en te zorgen dat processen efficiënt en proactief blijven verlopen.
Finance.
In finance ondersteunt agentic AI autonome, adaptieve planning en risicomanagement. Een financeagent kan de eerste signalen van marktvolatiliteit herkennen, de portfoliostrategie aanpassen of risicogebieden signaleren. Een agent kan ook acties afstemmen met complianceagents om te zorgen dat alle activiteiten voldoen aan de wettelijke vereisten. Dit minimaliseert risico's zonder dat dit ten koste gaat van de snelheid of de responsiviteit.
Communicatie.
In de communicatiesector helpt agentic AI om betrokkenheid in realtime te beheren. Een agent kan negatieve sentimenten op sociale media detecteren, gerichte responscampagnes starten en de advertentiekosten of berichtenstrategie hierop aanpassen. De agent kan samenwerken met agents die de klantenservice, CRM of e-mailmarketingtools beheren om een consistente en tijdige reactie te garanderen.
Oplossingen voor ondernemingen: voorbeelden bij Workday.
Bij Workday onderzoeken we AI-agents om kosten te stroomlijnen, successieplanning te optimaliseren en recruitment te transformeren.
Onze onkostenagent specificeert automatisch bonnen en maakt onkostendeclaraties. Zo kan een werknemer die uitcheckt bij een hotel met een telefoon een foto maken van de rekening. Onze agent haalt dan automatisch relevante informatie uit de rekening, maakt een nieuwe onkostendeclaratie en voegt die toe aan de juiste onkostenpost.
Bij successieplanning helpt onze AI-agent ons om een sterke pijplijn van opvolgers te onderhouden in alle carrièrefasen. Hiervoor worden factoren geanalyseerd zoals de huidige zakelijke behoeften, vereiste teamvaardigheden en verwachte verloopcijfers. De agent stelt ook potentiële opvolgers in het hele land voor. De agent kan proactief werknemers met veel potentieel identificeren en zelfs gepersonaliseerde groeiplannen genereren om hen te helpen bij de voorbereiding op toekomstige rollen.
Onze recruitingagent gebruikt de mogelijkheden van HiredScore* om passieve kandidaten te vinden die in het verleden mogelijk interesse hebben getoond. Door inzicht te krijgen in de huidige behoeften van het bedrijf en de profielen van kandidaten te analyseren, kan de agent het contact automatiseren, topkandidaten aanbevelen en zelfs interviews inplannen.
*HiredScore is een bedrijf van Workday.
Bij Workday transformeert agentic AI gebieden zoals het bijhouden van uitgaven, successieplanning en slimme recruiting.
Strategieën voor het implementeren van agentic AI.
De toepassingen en voorbeelden in het vorige deel zijn slechts enkele van de talloze manieren waarop bedrijven agentic AI gebruiken om waarde te creëren en doelen te bereiken. Om agentic AI succesvol in te zetten, moet je de specifieke manieren identificeren waarop je bedrijf de technologie moet gebruiken, je doelen definiëren, een sterk uitvoeringsplan opstellen en je voortgang in de loop van de tijd bewaken.
Laten we een stapsgewijs framework doornemen voor het effectief implementeren van agentic AI in je bedrijf.
1. Ontdek en definieer het probleem.
Begin met het duidelijk formuleren van de zakelijke uitdaging die je wilt aanpakken. Ga verder dan alleen het opnoemen van kenmerken of taken: richt je op het onderliggende probleem. Probeer bijvoorbeeld niet alleen de goedkeuring van onkosten te automatiseren, maar zorg ook voor compliance en verminder tegelijkertijd de verwerkingstijd en het aantal fouten.
2. Begrijp de behoeften en zorgen van gebruikers.
Verzamel voortdurend feedback van gebruikers om knelpunten en verbetermogelijkheden te identificeren. Test prototypes met eindgebruikers en observeer hun interacties met de technologie. Let op momenten van blijdschap en uitdagingen en pas prototypes daarop aan. Blijf dit doen in elke fase van de implementatie zodat je AI aansluit op de werkelijke workflows en momenten van gemak of blijdschap creëert.
3. Ontwikkel een datastrategie.
Effectieve agentic AI-systemen zijn afhankelijk van kwaliteitsdata. Ontwikkel een strategie voor het verzamelen, opschonen en labelen van data en zorg tegelijkertijd voor compliance met privacy- en beveiligingsnormen. Een doordachte voorbereiding voorkomt knelpunten in de toekomst tijdens training en implementatie.
4. Kies de juiste tools en modellen.
Selecteer dan de tools en technologieën die aansluiten bij de behoeften die je in stap 1 hebt geïdentificeerd. Denk eens aan de verschillende typen agentic AI die we eerder hebben besproken. Houd er rekening mee dat agentic AI niet altijd de juiste oplossing is. Zo werken op regels gebaseerde systemen mogelijk beter voor initiatieven die strikt op automatisering zijn gericht.
5. Geef prioriteit aan privacy en beveiliging.
Het is van het grootste belang om inzicht te hebben in dataprivacy in de context van nieuwe AI-systemen. Bescherm gevoelige data door robuuste privacy- en beveiligingsmechanismen in je systemen in te bouwen en zorg voor compliance met relevante regelgeving zoals AVG of CCPA. Audit regelmatig de toegang tot data, versleutel gevoelige informatie en implementeer automatische waarschuwingen voor ongebruikelijke activiteiten. Integreer privacy-by-designprincipes in het hele ontwikkelingsproces om zowel individuele als zakelijke informatie in elke fase te beschermen.
6. Herken, beoordeel en beperk risico's.
Agentic AI introduceert naast nieuwe mogelijkheden ook nieuwe soorten risico's. Evalueer regelmatig de prestaties van modellen, de kwaliteit van data en onbedoelde gevolgen, niet alleen tijdens implementatie maar tijdens de hele AI-levenscyclus. Het is net zo belangrijk om duidelijke strategieën voor risicobeperking te ontwikkelen, zoals escalatieprotocollen, triggers voor menselijk toezicht of feedbacklussen. Zo beperk je de schade en zorg je voor afstemming op de doelen en waarden van je organisatie.
7. Stel agents in staat om in verschillende systemen te werken.
De kracht van agentic AI is het vermogen om data te benutten die zich in verschillende delen van het bedrijf bevinden. Elke agent gebruikt de bronnen waartoe hij toegang heeft (of dat nu interne platforms, tools van derden of realtime inputs zijn) om te redeneren, beslissingen te nemen en actie te ondernemen.
Wanneer agents coördineren, dragen ze hun individuele context bij aan een gezamenlijke inspanning. De ene agent beoordeelt data over employee engagement, terwijl een andere agent markttrends inbrengt. Door samen te werken kunnen ze een personeelsplan opstellen dat zowel de interne behoeften als de externe realiteit weerspiegelt, zonder dat er achter de schermen strak gekoppelde systemen nodig zijn.
8. Test en bewaak.
Rigoureus testen is essentieel in elke fase van de ontwikkeling. Zorg ervoor dat je AI-systeem de gewenste resultaten oplevert en pas waar nodig aan. Controleer na de implementatie voortdurend de prestaties en feedback van gebruikers om te bepalen welke gebieden voor optimalisatie in aanmerking komen. Met regelmatige updates en bijsturing blijft de AI afgestemd op veranderende behoeften en uitdagingen.
Agentic AI is een stap in de richting van gedistribueerde, adaptieve systemen die samenwerken met mensen om vooruitgang te bevorderen.
Vooruitkijken.
Agentic AI wordt een kerncapaciteit voor organisaties die te maken hebben met complexiteit en verandering. Maar de echte belofte ligt in wat daarna komt: een toekomst waarin agents niet alleen samenwerken binnen systemen, maar ook tussen teams, bedrijven en sectoren.
Door een veilige, doelgerichte coördinatie mogelijk te maken, kan agentic AI organisaties helpen kennis te delen, sneller te reageren op verstoringen en problemen op te lossen die te complex zijn om door één systeem alleen te worden beheerd.
Naarmate deze systemen volwassener worden, zullen agents in staat zijn om in bredere contexten te redeneren. Ze kunnen ook voorheen gescheiden datasets met elkaar verbinden en beter geïnformeerde acties ondernemen om geheel nieuwe mogelijkheden voor bedrijfsintelligentie te creëren.
Agentic AI is een stap in de richting van gedistribueerde, adaptieve systemen die samenwerken met mensen om vooruitgang te bevorderen. Bedrijven die deze verschuiving omarmen, zullen beter uitgerust zijn om te innoveren, met vertrouwen op te schalen en aan kop te gaan in een snel veranderende, onderling verbonden wereld.
Ontdek hoe Workday je helpt te transformeren met AI.