Agentic AI: de technologie is er, een heldere ambitie (vaak) nog niet

De meeste organisaties starten AI-trajecten vanuit bestaande processen: hoe doen we dit sneller, goedkoper, met minder mensen? Begrijpelijk, maar onder de streep komt dit neer op het simpelweg optimaliseren van wat er al is. Agentic AI (waarbij agents autonoom taken uitvoeren, beslissingen nemen en schalen op een manier die mensen nooit zouden kunnen) heeft een ander vertrekpunt nodig. Niet: hoe automatiseren we wat we nu doen? Maar: wat voor organisatie willen we zijn, en wat hebben we daarvoor nodig?

De North Star als kompas

Een North Star is het antwoord op de vraag wat voor organisatie je wilt zijn; niet over een kwartaal, maar over vijf jaar. Voor sommige organisaties betekent dat een fundamenteel ander businessmodel. Denk aan een groothandel die zichzelf wil transformeren van pure orderverwerker naar proactieve supply chain-partner, of een onderhoudsorganisatie die wil evolueren van storingsoplosser naar voorspellende servicepartner.

Vanuit zo’n langetermijnambitie krijgen agents een concrete rol. Denk bijvoorbeeld aan agents die zelfstandig bestelpatronen bij leveranciers monitoren en aanpassen op basis van seizoensinvloeden. Agents die afwijkingen in leveringen signaleren en daar zelfstandig op acteren. Of agents die onderhoudsdata analyseren en ingrijpen vóórdat er iets stukgaat.

Het grote voordeel hierbij is dat agents, anders dan menselijke collega’s, moeiteloos schalen. Eén, tien of honderd agents: in technische zin maakt het nauwelijks verschil. Bovendien is agentic AI geen sciencefiction: de bouwstenen zijn al lang en breed beschikbaar. Agents communiceren via gestandaardiseerde protocollen met bestaande ERP-, CRM- en andere systemen, en worden opgenomen in dezelfde identity- en toegangsstructuur als menselijke medewerkers; inclusief de bijbehorende rollen, rechten en verantwoordelijkheden.

Neem een productiebedrijf met een hoog factuurvolume. Een agent matcht inkomende facturen automatisch met inkooporders en ontvangsten en markeert afwijkingen (zoals prijsverschillen of een ontbrekende ontvangstbevestiging) zodat een medewerker gericht actie kan ondernemen. Medewerkers houden zo meer tijd over voor werk dat écht menselijk inzicht vereist, zoals het voeren van prijsgesprekken met leveranciers en het oplossen van geschillen.

Gericht beginnen

De grootste valkuil is dat je je hele langetermijnambitie in één keer probeert te realiseren. Dat leidt tot eindeloos wachten op het perfecte moment, terwijl je concurrenten wél investeren. Kies daarom één proces, één domein, één North Star-stap. Bewijs daar de waarde, en bouw van daaruit verder.

Een tweede valkuil: denken dat je eerst álle data op orde moet hebben voordat je kunt beginnen. Datakwaliteit is belangrijk, maar een generiek data-opschoningstraject als vertrekpunt leidt vooral tot vertraging. Begin daarom met de vraag wat je wilt bereiken. Vanuit een helder doel weet je welke data je nodig hebt, waarna je die gericht kunt opschonen, verrijken en ontsluiten. Dat is een stuk behapbaarder dan wanneer je wacht tot de hele datahuishouding op orde is, en het zorgt ervoor dat je eerder een werkende agent in productie hebt.

Beperkende factor

De beperkende factor bij agentic AI is zelden de technologie; die is er. Wat het verschil maakt, is de bereidheid om niet te vragen hoe je kunt optimaliseren, maar wat je wilt worden. Blijf je binnen de lijntjes kleuren, of herteken je het speelveld?