Tech Explained: agentic AI

Je hebt AI wellicht al gebruikt om een mail op te stellen, een document samen te vatten of een vraag te beantwoorden. Handig. Maar het is een beetje als een erg goed ingelichte collega die alleen aan zijn bureau kan blijven zitten en vragen beantwoordt. Hij kan niets voor je doen.

Daar komt agentic AI in beeld.

In plaats van enkel te antwoorden, kan agentic AI plannen, beslissen en handelen. Zelfstandig, over meerdere stappen en met echte tools. Ze wacht niet tot je iets vraagt. Ze werkt naar een doel toe.

De verandering zit niet in een slimmer model. Onderaan zit hetzelfde soort model. Wat verandert, is dat het een doel krijgt in plaats van een vraag, toegang tot echte tools in plaats van een tekstvak, en de toelating om door te gaan tot het werk af is.

Het is die verschuiving die veel bedrijfsleiders rechtop doet zitten.

Wat is het verschil?

Voor we bekijken hoe agents werken, helpt het om ze naast de twee soorten automatisering te zetten die je al in huis hebt. Gewone software volgt regels die je vooraf schreef. Conversationele AI begrijpt taal maar kan nergens aankomen. Een agent zit in een derde categorie: hij begrijpt de vraag én handelt ernaar.

Dezelfde taak, facturen verwerken, maakt de drie niveaus makkelijk herkenbaar.

Gewone software is betrouwbaar maar broos. Ze doet exact wat haar gezegd is en niets meer, dus zodra een factuur in een onverwacht formaat binnenkomt, moet er iemand tussenkomen. Conversationele AI gaat goed om met die dubbelzinnigheid, want ze begrijpt taal, maar ze stopt bij het antwoord. Elke actie moet nog altijd door jou of je team uitgevoerd worden.

Lees de laatste twee rijen samen en je hebt de hele verschuiving. Bij conversationele AI ben je bij elke stap betrokken, omdat de tool één antwoord geeft en dan stopt. Bij een agent bepaal je het doel en kijk je het resultaat na, en alles daartussen gebeurt zonder jou.

De bouwstenen van een agent

Het lijkt misschien magie, maar een AI-agent is eigenlijk gewoon een combinatie van vier dingen die samenwerken.

Geen van de vier is op zich opmerkelijk. Een model zonder tools kan alleen beschrijven wat er zou moeten gebeuren. Tools zonder doel hebben niets om op te mikken. Een doel zonder geheugen betekent dat de agent niet weet wat hij al probeerde, dus herhaalt hij zichzelf. Het is de combinatie die van een taalmodel iets maakt dat werk afwerkt in plaats van erover te praten.

Hoe een agent echt denkt

Dit gebeurt er onder de motorkap wanneer je een agent een taak geeft. Het mechanisme is eenvoudiger dan het klinkt, en als je het kent wordt het gedrag een pak beter voorspelbaar.

Het begint met denken: wat is mijn doel, en wat is de beste volgende stap ernaartoe? Dan handelt de agent, met een tool, een beslissing of een actie in de echte wereld. Dan observeert hij: wat kwam eruit, en werkte het?

Die observatie voedt meteen de volgende denkronde, waardoor de agent beslist op basis van wat hij net geleerd heeft in plaats van op een vooraf vastgelegd plan. De cyclus herhaalt tot het doel bereikt is. Dit is ook het punt waar een agent verschilt van gewone software, die dezelfde volgorde afdraait ongeacht wat er onderweg gebeurt.

Die lus, soms de ReAct-lus genoemd (Reason plus Act), geeft agents de mogelijkheid om complexe taken over meerdere stappen aan te pakken, iets wat geen enkele losse AI-prompt aankan.

Een voorbeeld uit de praktijk

Laten we het concreet maken.

Merk op wat die ene zin in gang zette. De agent zoekt op het web naar relevante sectorevents en filtert wat hij vindt op datum, locatie en relevantie. Hij opent je bedrijfsagenda om conflicten te checken, en pas als hij een propere shortlist heeft, stelt hij de samenvattende mail op. Dan stopt hij en legt hij het ontwerp aan jou voor, in plaats van het te versturen.

Drie verschillende systemen, vijf stappen, en een bewuste overdracht terug naar jou op het einde. Wat een junior collega 45 minuten zou kosten, doet de agent in enkele seconden. En jouw aandeel was één zin schrijven en het resultaat nakijken.

Een nacht uit het leven van een agent

Dat voorbeeld is één taak. Interessanter wordt het wanneer hetzelfde principe op een proces draait, elke nacht, zonder dat iemand een laptop opent. Hieronder een illustratie van één nacht op de factuurstroom uit de vergelijking bovenaan dit artikel. De cijfers zijn indicatief, geen gemeten resultaten.

Kijk waar de mens in die nacht zit. Niet bij elke stap, en ook niet nergens. De agent nam het volume voor zijn rekening en maakte de routineafwegingen, en gaf precies die punten door waar een oordeel nodig was, met de context al verzameld.

Die overdracht is een ontwerpkeuze, geen gelukkig toeval. Een agent is in zo'n proces enkel nuttig als hij weet wanneer hij moet stoppen, en als de mensen die de uitzonderingen oppikken genoeg context krijgen om in minuten te handelen in plaats van te reconstrueren wat er gebeurd is.

Het spectrum van autonomie

Niet alle agents zijn gelijk. Hoeveel zelfstandigheid je een agent geeft, is een ontwerpkeuze. En een belangrijke, want ze bepaalt hoeveel snelheid je wint en hoeveel risico je neemt.

Lage autonomie, veel menselijk toezicht. De agent stelt op en doet suggesties. Een mens keurt elke actie goed voor ze uitgevoerd wordt. Niets bereikt de buitenwereld zonder dat iemand tekent. Minder risico, tragere output.

Gemiddelde autonomie, mens op de sleutelmomenten. De agent werkt een proces af en pauzeert voor goedkeuring op de belangrijke beslismomenten, niet bij elke stap. Voor de meeste bedrijven is dat de gulden middenweg: je houdt de snelheid en behoudt een plek om in te grijpen. De nacht hierboven draait op dit niveau.

Hoge autonomie, minimale menselijke tussenkomst. De agent voert van begin tot eind uit, met weinig onderbreking. Snelste output, hoogste risico. Enkel geschikt voor goed geteste processen met beperkte inzet, waar een fout goedkoop te zien en goedkoop terug te draaien is.

Waar bedrijven het vandaag inzetten

Niets hiervan is theorie. Agents draaien vandaag al in gewone bedrijven, meestal op werk dat over verschillende systemen loopt en dat niemand graag met de hand doet. Zes domeinen waar ze vandaag gebruikt worden:

• Communicatie. Mails opstellen, sorteren en beantwoorden volgens prioriteiten die jij bepaalt.
• Onderzoek. Concurrentie-informatie, marktdata of klantfeedback verzamelen, analyseren en samenvatten.
• Planning. Agenda's beheren, meetings inboeken en afstemmen over teams heen.
• Development. Code schrijven, testen en debuggen, steeds vaker ingezet door engineeringteams om sneller op te leveren.
• Rapportering. Data ophalen uit verschillende bronnen, rapporten bouwen en de cijfers naar boven halen die ertoe doen.
• Klantendienst. Routinevragen afhandelen, complexe zaken escaleren en de context bewaken doorheen gesprekken.

Wat deze gemeen hebben: het werk is repetitief maar niet elke keer identiek, en het zit tússen systemen in plaats van binnen één systeem. Dat is precies de ruimte waar een agent iets te bieden heeft wat gewone software niet kan.

Wat het (nog) niet is

Het is nuttig om duidelijk te zijn over de huidige grenzen, want de kloof tussen wat een agent kan tonen en wat je hem dag na dag kan toevertrouwen is nog altijd reëel.

De verdeling is consistent. Agents zijn het sterkst waar het werk vooraf omschreven is, vaak terugkeert en consistentie beloont. Mensen blijven nodig waar het werk vraagt om nuance in de afweging, om een relatie te lezen, of om te beslissen wat er moet gebeuren in een situatie die niemand eerder tegenkwam.

Agentic AI is een krachtige versterker van menselijk werk. De bedrijven die er het meeste uit halen, vervangen hun teams niet, ze maken hen vrij voor de dingen die echt een mens vragen.

Jouw vragen, beantwoord

Vijf dingen die in bijna elk gesprek hierover terugkomen.

Het ene ding om te onthouden

Het is een fundamenteel ander soort technologie, en ze verdient het om zo behandeld te worden. Een systeem dat enkel tekst produceert, kan fout zijn en kost je een moment leestijd. Een systeem dat handelt, kan fout zijn en kost je iets dat al gebeurd is.

Is je bedrijf er klaar voor?

Het instappunt hoeft niet spectaculair te zijn. Eén goed afgebakend proces met heldere input, heldere output en beperkte gevolgen als er iets misloopt, volstaat om te beginnen leren.

Kies een proces dat vaak genoeg gebeurt om ertoe te doen, dat meer dan één systeem raakt, en dat vandaag tijd kost van iemand wiens tijd elders meer waard is. Spreek dan af hoe een goed resultaat eruitziet voor er iets gebouwd wordt, want tegen die beschrijving ga je nakijken.

Het doel is de kennis, de processen en het vertrouwen opbouwen om van daaruit verder te gaan.

Klaar om van een eerste idee naar een agent te gaan die echt draait in je bedrijf? Daarvoor dient onze Grow-fase.