Van chatbot tot digitale medewerker: Google streeft naar de controle over het bedrijfsmanagement

Agentlogica en bedrijfsprocessen: wat de nieuwe AI van Google betekent voor het mkb

Het nieuwe tijdperk van AI-agenten: welke rol speelt vertrouwen in de digitale transformatie?

In de snel veranderende wereld van digitale technologieën zet Google met zijn nieuwe AI-systeem, Gemini, een fundamenteel strategische stap. Gemini fungeert niet alleen als taalmodel, maar wil functioneren als een onafhankelijke digitale medewerker die niet alleen informatie verwerkt, maar ook actief beslissingen neemt en complexe taken binnen bedrijven op zich neemt. Deze ontwikkeling markeert een paradigmaverschuiving in het gebruik van kunstmatige intelligentie: de technologie wordt niet langer gezien als een incidenteel productiviteitshulpmiddel, maar als een integraal onderdeel van bedrijfsprocessen dat een veelheid aan activiteiten kan automatiseren en optimaliseren.

Met zijn vermogen om complexe projecten over langere perioden te beheren, informatie uit diverse applicaties te verzamelen en autonome beslissingen te nemen, ontwikkelt Gemini zich tot een cruciale speler in het moderne bedrijfslandschap. Deze transformatie kan niet alleen een revolutie teweegbrengen in de manier waarop bedrijven hun activiteiten beheren, maar ook de economische betekenis van AI naar een nieuw niveau tillen. In deze context is het essentieel om de uitdagingen en kansen te erkennen die gepaard gaan met de implementatie van dergelijke agentgebaseerde systemen. Bedrijven moeten zich voorbereiden op de integratie van deze technologieën, de verantwoordelijkheden die daarbij horen en hoe ze de voordelen kunnen maximaliseren, terwijl ze tegelijkertijd rekening houden met de risico's.

Wie in de toekomst de controle heeft over AI-agenten, zal ook de controle hebben over de kosten, de processen en een steeds groter deel van de waardecreatie

Met de uitbreiding van Gemini zet Google een strategische stap die veel verder gaat dan alleen de volgende generatie AI-assistenten. De focus ligt niet langer op de vraag of een taalmodel overtuigende antwoorden kan formuleren, maar eerder op de vraag of een digitaal systeem zelfstandig doelen kan begrijpen, werkstappen kan plannen, tools kan selecteren, deeltaken kan verdelen en een bruikbaar resultaat kan leveren binnen bestaande bedrijfssystemen. Het doel is om een ​​simpel dialoogvenster te transformeren in een operationele actor. Deze verschuiving verandert de economische betekenis van kunstmatige intelligentie fundamenteel: AI evolueert van een selectief gebruikt productiviteitstool naar een uitvoeringslaag voor bedrijfsprocessen.

Gemini is ontworpen om complexe projecten af ​​te handelen die uren of zelfs dagen duren. Het systeem combineert informatie uit diverse applicaties, schrijft code, coördineert plannen en werkt samen met gespecialiseerde subagenten. Het systeem krijgt een eigen digitale identiteit, is toegankelijk via e-mail, groepscommunicatie of directe opdrachten en laat traceerbare activiteitssporen achter. De cruciale innovatie schuilt daarom niet alleen in een krachtiger model, maar vooral in de integratie van modellen, data, toegangsrechten, applicaties, kostenbeheersing en governance in één centraal platform. Vanuit economisch oogpunt probeert Google de coördinatiekosten van kennisintensief werk te verlagen en tegelijkertijd de technische infrastructuur te beheren waarop dit werk steeds vaker zal plaatsvinden.

De echte doorbraak zit hem in de uitvoering

Eerdere generatieve AI verhoogde voornamelijk de snelheid van individuele taken. Het vatte teksten samen, maakte concepten, vertaalde content of stelde programmacode voor. Mensen bleven echter het centrale aanspreekpunt: zij formuleerden elk verzoek, deelden de resultaten tussen applicaties, controleerden tussenstappen en initieerden vervolgens de volgende stap. De productiviteitswinst was reëel, maar vaak lokaal beperkt. Eén medewerker werkte sneller, terwijl het proces als geheel grotendeels onveranderd bleef.

Agentgebaseerde systemen hanteren een andere aanpak. De gebruiker definieert een doel, in plaats van noodzakelijkerwijs elke afzonderlijke stap. Een agent kan vervolgens een werkplan ontwikkelen, geschikte gegevensbronnen selecteren, subtaken parallel uitvoeren, indien nodig extra agenten inzetten en het resultaat opslaan in de relevante bedrijfsapplicaties. Hierdoor verschuift de focus van het versnellen van menselijke input naar het gedeeltelijk automatiseren van complete workflows. Juist hier ligt het grootste economische potentieel, omdat niet alleen de verwerkingstijd wordt verkort, maar ook de overdracht, wachttijden, query's en coördinatie-inspanningen.

Het verschil is vergelijkbaar met de transformatie van een zoekmachine naar een uitvoerende dienstverlener. Een zoekmachine levert informatie, terwijl de gebruiker het eigenlijke werk doet. Een agent is niet alleen bedoeld om informatie te vinden, maar ook om daaruit acties af te leiden en deze binnen vastgestelde grenzen uit te voeren. Dit verhoogt de bruikbaarheid van het systeem, maar tegelijkertijd ook de verantwoordelijkheid. Elke extra actiemogelijkheid ontsluit het productiviteitspotentieel, maar creëert tegelijkertijd nieuwe risico's op fouten, beveiligingslekken en aansprakelijkheid.

Een miljard gebruikers als strategisch startvoordeel

Met meer dan een miljard maandelijks actieve gebruikers heeft Gemini een bereik dat maar weinig digitale platforms ooit hebben bereikt. Daarbij komt nog de sterke aanwezigheid in de zakelijke markt: bijna 90 procent van de Fortune 100-bedrijven gebruikt Gemini Enterprise. Deze cijfers zijn niet alleen economisch relevant als indicatoren van populariteit. Ze tonen aan dat Google de nieuwe agentlogica niet vanuit een nichepositie introduceert, maar kan voortbouwen op een bestaande gebruikersbasis, een wereldwijde cloudinfrastructuur en gevestigde zakelijke relaties.

Het voordeel van een grote gebruikersbasis ligt in lagere distributiekosten. Bedrijven hoeven hun medewerkers geen volledig onbekende gebruikersinterface aan te leren als Gemini al bekend is uit andere contexten. Tegelijkertijd kan Google agentgebaseerde functionaliteit integreren in bestaande contracten, cloudomgevingen en oplossingen voor de werkplek. Dit verlaagt de drempel van een pilotproject naar een brede implementatie. Voor bedrijfssoftware is de doorslaggevende factor vaak niet het theoretisch beste individuele product, maar eerder de oplossing met de minste organisatorische frictie, de meest direct beschikbare interfaces en de meest betrouwbare schaalbaarheid.

Bereik mag echter niet gelijkgesteld worden aan economisch succes. Een miljard maandelijkse gebruikers zegt weinig over hoe intensief de applicatie wordt gebruikt, welke taken deze uitvoert en of bedrijven meetbare verbeteringen in hun winstgevendheid realiseren. Evenzo betekent gebruik door grote bedrijven niet automatisch dat Gemini al autonoom bedrijfskritische processen voor hen uitvoert. Er zijn aanzienlijke verschillen tussen een beschikbare dienst, een beperkte test en een diepgaande operationele integratie. Google heeft een sterke uitgangspositie, maar het bewijs van duurzame waardecreatie moet worden geleverd in concrete processen.

Het platform zal belangrijker worden dan het individuele model

Lange tijd werd de concurrentie op het gebied van AI voornamelijk gedreven door de prestaties van modellen. Grotere contextvensters, betere testresultaten, multimodale mogelijkheden en lagere foutpercentages bepaalden de publieke perceptie. Voor bedrijven verschuift het beslissingscriterium echter. Een goed presterend model alleen is onvoldoende als het geen veilige toegang heeft tot bedrijfsgegevens, geen rekening houdt met toegangsrechten, geen programma's kan uitvoeren en zijn acties niet kan documenteren. Daarom ligt de economische waarde steeds meer in orchestratie. Dit verwijst naar het vermogen om het juiste model, de juiste data, de benodigde tools en een gecontroleerd uitvoeringspad voor een bepaalde taak samen te brengen. Wie dit niveau beheerst, wordt de schakel tussen menselijke taak en digitale waardecreatie.

De multi-modelbenadering van Google speelt in op deze ontwikkeling. Naast de eigen Gemini-modellen kunnen ook modellen van derden, zoals Claude van Anthropic, worden gebruikt; private en open-source modellen zijn bedoeld als aanvulling op het aanbod. Hierdoor kan Google de zichtbare agent scheiden van het onderliggende model. Deze scheiding is strategisch belangrijk, omdat bedrijven niet voor elke taak het duurste en krachtigste model nodig hebben. Complexe planning kan worden afgehandeld door een topmodel, terwijl eenvoudigere deeltaken kunnen worden verdeeld over meer kosteneffectieve modellen. Het platform optimaliseert zo niet alleen de kwaliteit, maar ook de snelheid en de kosten.

Vanuit het perspectief van de klant vermindert een dergelijke architectuur de afhankelijkheid van één enkel model. Vanuit het perspectief van Google versterkt het echter de band met het platform. Zelfs als een bedrijf verschillende modellen kan gebruiken, kunnen identiteitsbeheer, dataverbindingen, monitoring, kostenbeheersing en agentregisters binnen de infrastructuur van Google blijven. De klassieke lock-in verschuift zo van het model naar de orchestratielaag. Paradoxaal genoeg kan uitwisselbaarheid op modelniveau juist een sterkere afhankelijkheid creëren van het platform dat deze uitwisselbaarheid organiseert.

Interfaces worden het zenuwstelsel van de economie

Connectiviteit met Google Workspace, Microsoft 365, Slack, Jira, Confluence, ServiceNow, Snowflake, BigQuery, Databricks, PostgreSQL en andere systemen is niet zomaar een handige extra. Het bepaalt of een medewerker daadwerkelijk kan werken. Bedrijfskennis bevindt zich zelden op één centrale plek. Het is verspreid over e-mails, documenten, ticketsystemen, databases, projectplatforms, klantbeheersystemen en individuele bestanden. Een medewerker zonder toegang tot deze bronnen blijft een intelligente waarnemer. Pas via interfaces wordt hij of zij een actieve deelnemer aan het proces.

Het Model Context Protocol en andere open connectiviteitsstandaarden zijn erop gericht de toegang tot interne en externe tools te vereenvoudigen. Theoretisch gezien verlaagt dit de integratiekosten, omdat er niet voor elke combinatie van model en applicatie een aparte verbinding hoeft te worden ontwikkeld. De economische voordelen zijn vergelijkbaar met gestandaardiseerde containers in de logistiek: niet de te transporteren goederen worden gestandaardiseerd, maar de interface waarmee zeer uiteenlopende goederen efficiënt kunnen worden verplaatst. Een gemeenschappelijke toolstandaard zou een vergelijkbaar schaalvoordeel kunnen opleveren voor AI-agenten.

Het aanvalsoppervlak groeit echter met het aantal verbindingen. Een agent die alleen gegevens mag lezen, brengt andere risico's met zich mee dan een systeem dat gegevensrecords kan wijzigen, berichten kan verzenden, opdrachten kan uitvoeren of toegangsrechten kan aanpassen. Gekoppelde machtigingen zijn met name cruciaal: verschillende afzonderlijk beperkte tools kunnen, in combinatie, verstrekkende acties mogelijk maken. Technische integratie wordt daarom pas een concurrentievoordeel wanneer deze gepaard gaat met nauwkeurig rechtenbeheer, duidelijke verantwoordelijkheden en continue gedragsmonitoring.

Productiviteit komt niet voort uit simpelweg passief toekijken

De verleiding is groot om een ​​agent in te zetten op bestaande processen en direct aanzienlijke besparingen te verwachten. In de praktijk beperkt deze aanpak de voordelen echter vaak. Veel bedrijfsprocessen zijn in de loop der tijd organisch geëvolueerd en bevatten dubbele controles, onderbrekingen in de media en informele uitzonderingen. Als een bedrijf een gebrekkig proces automatiseert, resulteert dit aanvankelijk vooral in een sneller, maar eveneens gebrekkig proces. De grotere economische impact wordt pas zichtbaar wanneer het proces opnieuw wordt ontworpen en de werklast zinvol wordt verdeeld over mensen, op regels gebaseerde software, generatieve AI en autonome agenten.

Voor gestandaardiseerde, vaak terugkerende taken blijft traditionele automatisering vaak kosteneffectiever en betrouwbaarder. Een agent is met name nuttig wanneer meerdere stappen gecoördineerd moeten worden, ongestructureerde informatie verwerkt moet worden en veranderende situaties beoordeeld moeten worden. Voor eenvoudige gegevensinvoer kan een vaste set regels superieur zijn. Bij de analyse van een complexe klantcase, die informatie uit contracten, e-mails, leveringsgegevens en interne richtlijnen combineert, kan een agent echter zijn waarde bewijzen. De economisch verantwoorde oplossing is niet om overal agents in te zetten, maar om voor elk proces de juiste vorm van automatisering te kiezen.

Meetbare productiviteit omvat meer dan alleen bespaarde werkminuten. Relevante factoren zijn onder andere doorlooptijd, foutenpercentage, kosten voor herwerk, servicekwaliteit, impact op de omzet, kapitaalinvestering en risicokosten. Als een medewerker een taak twee keer zo snel voltooit, maar frequente controles of correcties nodig heeft, kan het netto-effect teleurstellend zijn. Omgekeerd kan zelfs een bescheiden tijdsbesparing economisch waardevol zijn als het systeem knelpunten elimineert, 24/7 beschikbaar is of de verwerkingskwaliteit stabiliseert.

De onzichtbare vergelijking van autonomie

Autonome systemen genereren nieuwe soorten kosten. Naast het gebruik van modellen en de cloudinfrastructuur ontstaan ​​er kosten voor datavoorbereiding, interfaces, testen, beveiligingsaudits, monitoring, training en organisatorische aanpassingen. Bovendien is er de inspanning die nodig is om draaiende agents te monitoren. Medewerkers moeten resultaten beoordelen, ongebruikelijke gebeurtenissen onderzoeken en ingrijpen in geval van fouten. Dit zogenaamde toezichtseffect kan een aanzienlijk deel van de verwachte productiviteitswinst tenietdoen, vooral als bedrijven het systeem nog niet vertrouwen of als de processen slecht gedefinieerd zijn.

De realtime bestedingslimieten en intelligente modelroutering van Google pakken een belangrijk deel van dit probleem aan. Bij een chatbot is een vraag meestal kort en het resourceverbruik relatief beheersbaar. Een autonome agent daarentegen kan talloze modelaanroepen activeren, subagents starten en gedurende langere perioden actief zijn. Een onnauwkeurige doelstelling of een oneindige lus kan daarom leiden tot onverwacht hoge kosten. Budgetlimieten per project, afdeling of agent zijn dus niet alleen een financiële functie, maar ook een operationele veiligheidsmaatregel.

Optimale kostenbeheersing volgt niet het principe om elke taak zo goedkoop mogelijk uit te voeren. Een te zwak model kan fouten produceren, extra iteraties vereisen en uiteindelijk duurder uitvallen dan een model van hogere kwaliteit bij de eerste poging. Omgekeerd is het continu gebruiken van een topmodel voor routinetaken economisch inefficiënt. De cruciale factor is de risicogecorrigeerde prijs van een correct resultaat. Platforms die kwaliteit, latentie, modelprijs en de gevolgen van fouten gezamenlijk in overweging nemen, kunnen een groter concurrentievoordeel behalen dan aanbieders met het nominaal krachtigste model.

Softwarebudgetten worden steeds vaker digitale personeelskosten

Met hun eigen accounts, e-mailadressen en toegewezen rollen benaderen agenten organisatorisch de structuur van een digitaal personeelsbestand. Dit is meer dan alleen marketing; het verandert de manier waarop kosten worden gepland en verantwoordelijkheden worden verdeeld. Voorheen werden softwarelicenties voornamelijk berekend per gebruiker, rekenkracht of transactie. Met autonome agenten ontstaat een hybride model: het systeem is software die variabele rekenkracht verbruikt en tegelijkertijd menselijke arbeid vervangt of aanvult.

Voor effectief bedrijfsmanagement is daarom een ​​nieuw kostenboekhoudingssysteem noodzakelijk. Een agent moet niet alleen worden beoordeeld op basis van technische specificaties, maar ook op zijn bijdrage aan een proces. Directe gebruikskosten, integratie- en controlekosten, bespaarde personeelskosten, extra inkomsten, kwaliteitsveranderingen en risico's moeten worden geregistreerd. Zonder deze toewijzing ontstaat een situatie waarin veel afdelingen ogenschijnlijk goedkope agents gebruiken, terwijl de totale kosten voor modellen, interfaces en monitoring ongemerkt stijgen.

Tegelijkertijd biedt de variabele digitale capaciteit nieuwe zakelijke mogelijkheden. Bedrijven kunnen piekbelastingen opvangen zonder direct vast personeel aan te hoeven nemen. Een agent kan bijvoorbeeld extra capaciteit leveren voor maandafsluitingen, seizoensgebonden klantvragen of kortlopende analyseprojecten. Dit voordeel is vergelijkbaar met de elasticiteit van cloudcomputing. Arbeidskosten verschuiven gedeeltelijk van vast naar variabel. Dit verhoogt de flexibiliteit, maar kan ook de druk vergroten om menselijke arbeid uitsluitend vanuit een kortetermijnkostenperspectief te bekijken.

De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering - Afbeelding: Xpert.Digital

Xpert.Digital is een datagedreven B2B-branchehub onder leiding van Konrad Wolfenstein . Het bedrijf fungeert als een externe, quasi-interne oplossing voor industriële partners en dicht operationele lacunes in marketing, content en sales – zonder dat de klant extra middelen nodig heeft.

Meer informatie vindt u hier:

• De quasi-interne oplossing: Hoe Xpert.Digital operationele hiaten in B2B-marketing en -verkoop dicht – Slimme, contentgedreven bedrijfsvoering

Werk verdwijnt niet, maar wordt opnieuw bewerkt

Het directe gevolg van agentgebaseerde AI zal waarschijnlijk niet zozeer de volledige afschaffing van hele beroepen zijn, maar eerder een herverdeling van hun taken. Routinematig onderzoek, initiële analyses, documentatie, planning, gegevensvoorbereiding en gestandaardiseerde communicatie kunnen steeds vaker worden gedelegeerd. Mensen kunnen zich meer richten op het stellen van doelen, evaluatie, relatieopbouw, onderhandelen, uitzonderlijke gevallen en verantwoording. Deze verschuiving kan de waarde van gespecialiseerd werk verhogen als werknemers worden ontlast van administratieve lasten.

Het kan echter ook leiden tot het verdwijnen van instapfuncties. Veel jonge professionals ontwikkelen hun oordeel door in eerste instantie gegevens te verzamelen, voorstellen op te stellen en routinematige zaken af ​​te handelen. Als externe consultants juist deze taken overnemen, moeten bedrijven nieuwe leerroutes creëren. Anders besparen ze weliswaar kosten op de korte termijn, maar lopen ze de kans mis om op de lange termijn hun eigen expertise op te bouwen. Een bedrijf dat alleen ervaren auditors nodig heeft, moet kunnen uitleggen waar deze ervaren auditors in de toekomst vandaan zullen komen.

Ook de prestatiebeoordeling verandert. Wanneer een medewerker meerdere agenten aanstuurt, hangt het resultaat niet langer alleen af ​​van de eigen verwerkingssnelheid. De kwaliteit van de taken, de keuze van de juiste tools, de controle op kritieke punten en het vermogen om fouten vroegtijdig te signaleren worden belangrijker. Managers moeten daarom voorkomen dat ze de pure output als maatstaf voor productiviteit beschouwen. Duizend automatisch gegenereerde documenten vertegenwoordigen geen vooruitgang als slechts een klein deel ervan nodig is of als het controleren ervan meer tijd kost dan het maken ervan.

Controle moet onderdeel uitmaken van de architectuur

Een centraal taakoverzicht, logboekregistratie en realtime monitoring zijn essentiële onderdelen, omdat autonoom werken zonder inzicht onverantwoord is. Een takenoverzicht kan laten zien welke agenten actief zijn, waar er nog openstaande vragen zijn, welke fouten er zijn opgetreden en welke processen zijn voltooid. Audit trails koppelen acties aan een digitale identiteit. Hierdoor is het mogelijk om achteraf te achterhalen welke agent een actie heeft uitgevoerd en op welke basis.

Traceerbaarheid alleen voorkomt echter geen schade. Een perfect logboek kan verklaren waarom een ​​onjuist gegevensrecord is verwijderd, maar herstelt het niet automatisch. Daarom hebben bedrijven gelaagde toegangsrechten nodig. Processen met een laag risico die omkeerbaar zijn, kunnen grotendeels autonoom verlopen. Financiële verplichtingen, wijzigingen in toegangsrechten, gevoelige personeelsbeslissingen of onomkeerbare gegevensbewerkingen moeten aanvullende goedkeuringen vereisen. De juiste drempel hangt niet alleen af ​​van de waarschijnlijkheid van een fout, maar ook van de potentiële schade en de omkeerbaarheid ervan.

Het principe van minimale bevoegdheden wint daarom aan belang. Een agent zou alleen toegang moeten hebben tot de gegevens en functies die nodig zijn voor de gedefinieerde taak. Tijdsgebonden rechten kunnen het risico verder verlagen. Even belangrijk is een duidelijke verantwoordelijkheid: voor elke agent die in productie wordt gebruikt, moet een verantwoordelijke persoon of functie worden aangewezen. Een digitale identiteit mag niet leiden tot een gebrek aan organisatorische verantwoording.

Vertrouwen is een zakelijke variabele

Het economische voordeel van een agent hangt sterk af van het niveau van vertrouwen dat in hem of haar wordt gesteld. Als het vertrouwen te laag is, controleren medewerkers elke stap kritisch en nemen de efficiëntievoordelen af. Als het vertrouwen te hoog is, worden fouten kritiekloos geaccepteerd en kunnen ze zich over meerdere systemen verspreiden. De uitdaging ligt in het afstemmen van het vertrouwen op de taak, de ervaring en het risico dat ermee gepaard gaat.

Dit vertrouwen is niet gebaseerd op algemene kwaliteitsbeloftes, maar op meetbare prestaties in een specifiek proces. Bedrijven moeten continu de succespercentages, correctiekosten, uitvalpercentages, kosten per voltooid proces en de soorten fouten bijhouden. Even belangrijk zijn tests onder ongebruikelijke omstandigheden. Een agent kan perfect functioneren in normale scenario's, maar jammerlijk falen in zeldzame uitzonderingen die bijzonder grote schade veroorzaken.

Een andere risicofactor is de overtuigende taal van moderne AI. Vloeiende formuleringen kunnen onzekerheid maskeren en een gebrek aan betrouwbaarheid bij gebruikers oproepen. Dit probleem wordt verergerd bij agents, omdat de output niet alleen kan worden gelezen, maar ook direct in acties kan worden omgezet. Goed bestuur moet daarom niet alleen technische fouten opsporen, maar ook rekening houden met de menselijke neiging tot automatisering. Werknemers moeten de vrijheid en de bevoegdheid hebben om het oneens te zijn met het systeem.

Europa dwingt mensen om zowel voordeel als verantwoordelijkheid te combineren

Voor Europese bedrijven valt de uitbreiding van agentgebaseerde systemen samen met een periode van strengere regelgeving. Sinds augustus 2026 zijn belangrijke onderdelen van de Europese AI-wetgeving van kracht, waaronder transparantieverplichtingen en handhavingsbevoegdheden. Afhankelijk van het toepassingsgebied kunnen aanvullende eisen gelden, met name wanneer AI wordt gebruikt in gevoelige sectoren zoals werkgelegenheid, kritieke infrastructuur of andere risicovolle contexten. Voor bedrijven betekent dit dat technische schaalbaarheid en wettelijke classificatie niet los van elkaar kunnen worden gezien.

Een gecentraliseerde platformarchitectuur kan de naleving van regelgeving vergemakkelijken, omdat identiteiten, toegangsrechten, logboeken en machtigingen uniform worden beheerd. Dit brengt echter ook een concentratierisico met zich mee. Wanneer talloze processen op één platform draaien, kan een verkeerde configuratie aanzienlijke gevolgen hebben. Bovendien blijft de gebruiker verantwoordelijk voor het evalueren van zijn specifieke gebruikssituatie. Het naleven van algemene platformstandaarden vervangt niet de analyse van het eigen proces, de bijbehorende gegevens en de gevolgen van geautomatiseerde beslissingen.

Voor Duitse bedrijven spelen medezeggenschap, gegevensbescherming, informatiebeveiliging en sectorspecifieke regelgeving ook een rol. Vooral bij persoonsgegevens of personeelsinformatie moeten het doel, de toegang en de opslag duidelijk worden gedefinieerd. Agentische AI ​​mag daarom niet als een puur IT-project worden gelanceerd. Bedrijfsonderdelen, gegevensbescherming, informatiebeveiliging, de juridische afdeling, personeelsvertegenwoordigers en de directie moeten er al in een vroeg stadium bij betrokken worden. Deze coördinatie vertraagt ​​de beginfase, maar verhoogt de kans dat een oplossing later daadwerkelijk kan worden opgeschaald.

Google valt meerdere markten tegelijk aan

Met Gemini Enterprise concurreert Google niet alleen met OpenAI, Anthropic en Meta op het gebied van de kwaliteit van AI-modellen. Het bedrijf richt zich ook op markten voor kantoorsoftware, cloudplatformen, procesautomatisering, data-integratie, bedrijfszoekfuncties en IT-servicemanagement. Zodra een agent taken coördineert over meerdere applicaties, verschuift de macht van de individuele applicatie naar de hogere besturingslaag. De applicatie blijft belangrijk, maar de agent bepaalt steeds vaker wanneer en hoe deze wordt gebruikt.

Dit zet traditionele softwareleveranciers onder druk. Als gebruikers niet langer rechtstreeks met elke applicatie interageren, verliest de gebruikersinterface een deel van zijn strategische belang. Programmeerinterfaces, datakwaliteit en de mogelijkheid om te integreren in agentgebaseerde workflows worden cruciaal. Leveranciers kunnen hierop reageren met hun eigen agents, partnerschappen aangaan of hun diensten aanbieden via marktplaatsen. Het resultaat zal waarschijnlijk geen markt met slechts één agent zijn, maar eerder een ecosysteem van algemene besturingsagents en gespecialiseerde, expertagents.

OpenAI geniet een sterke merkbekendheid en een brede ontwikkelaarsbasis. Anthropic positioneert zich met krachtige modellen en een sterk beveiligingsprofiel. Meta promoot open modellen en kan daardoor de prijsdruk verhogen. De bijzondere kracht van Google ligt in de combinatie van modellen, cloudcomputing, dataplatformen, werkpleksoftware, Android en wereldwijde infrastructuur. Deze verticale integratie kan cruciaal zijn, met name in de zakelijke markt, mits klanten het als een vereenvoudiging in plaats van een overmatige afhankelijkheid ervaren.

Transparantie bepaalt de onderhandelingspositie van klanten

Het ondersteunen van diverse modellen en open protocollen lijkt in eerste instantie klantvriendelijk. Het stelt bedrijven in staat taken te verdelen op basis van kwaliteits-, kosten- of gegevensbeschermingsvereisten. Een dergelijke architectuur kan innovatie versnellen, omdat nieuwe modellen kunnen worden geïntegreerd zonder de volledige proceslogica opnieuw te hoeven ontwerpen. Het verbetert bovendien de onderhandelingspositie van een bedrijf ten opzichte van individuele modelaanbieders.

De cruciale vraag is echter of deze openheid in de praktijk werkt. Modellen moeten niet alleen selecteerbaar zijn, maar ook vergelijkbare interfaces, verifieerbare prestatiegegevens en overdraagbare agentdefinities bieden. Protocollen voor identiteit, opslag, tools en agentcommunicatie moeten eveneens interoperabel zijn. Als kernfuncties proprietair blijven, kan een theoretisch open systeem in de praktijk moeilijk te verlaten zijn.

Bedrijven zouden daarom vanaf het begin een exitstrategie moeten plannen. Dit omvat exporteerbare protocollen, gedocumenteerde interfaces, aparte dataopslag, uitwisselbare modellen en duidelijke contractuele regels voor modelwijzigingen. De laagste initiële prijs is van weinig economische waarde als de latere overstapkosten erg hoog zijn. Strategische inkoop moet daarom rekening houden met de totale operationele kosten en afhankelijkheden over meerdere jaren.

Middelgrote bedrijven krijgen toegang, maar dat betekent niet automatisch een voordeel

Voor middelgrote bedrijven kan een centraal beheerd agentplatform de toegang tot geavanceerde AI vergemakkelijken. Het ontwikkelen van eigen modellen en complexe infrastructuren is kostbaar. Voorgebouwde connectoren, lage ontwikkelingsdrempels en gestandaardiseerde beveiligingsfuncties verlagen de instapkosten. Dit kan een middelgroot bedrijf in staat stellen processen te automatiseren die voorheen economisch niet aantrekkelijk waren voor traditionele maatwerksoftware vanwege de kleine steekproefomvang.

Het knelpunt zit vaak niet in de prestaties van het model, maar in de data en processen. Inconsistente stamgegevens, slecht gedocumenteerde workflows, een gebrek aan interfaces en informele kennis beperken de effectiviteit van een agent. Grote bedrijven hebben doorgaans gespecialiseerde teams voor data, beveiliging en integratie, maar kampen met complexere structuren. Middelgrote bedrijven kunnen sneller beslissingen nemen, maar moeten hun schaarse gekwalificeerde personeel strategisch inzetten.

Een verstandige aanpak begint met een duidelijk gedefinieerd proces, voldoende volume en meetbare voordelen. Geschikte voorbeelden zijn onderzoeks- en analyseprocessen, verkoopondersteuning, technische documentatie, interne kennisvergaring of het opstellen van gestandaardiseerde servicecases. Processen met onomkeerbare gevolgen, onduidelijke gegevens of aanzienlijke juridische implicaties zijn in eerste instantie minder geschikt. De pilot moet niet alleen de technische haalbaarheid aantonen, maar ook een betrouwbare vergelijking mogelijk maken vóór en na de implementatie.

De zakelijke onderbouwing vereist strengere normen

Een overtuigende businesscase maakt onderscheid tussen bruto- en netto-impact. Aan de bruto-kant staan ​​bespaarde verwerkingstijd, snellere doorlooptijden, verhoogde beschikbaarheid, extra capaciteit en potentiële omzetgroei. Aan de kostenkant staan ​​licenties, rekenkracht, integratie, gegevensvoorbereiding, training, monitoring, probleemoplossing en compliance. Daar komt nog de waarde van het risico bij, oftewel de verwachte kosten van mogelijke fouten of beveiligingsincidenten.

Een procesgerichte aanpak is geschikt voor evaluatie. Eerst wordt de huidige inspanning per proces vastgelegd. Vervolgens worden de daadwerkelijke werklast van de agent, de frequentie van menselijke tussenkomst en de behaalde kwaliteit gemeten. Het is cruciaal om de resultaten per succesvol afgerond proces te vergelijken, in plaats van per modelaanroep. Alleen op deze manier kunnen herhalingen, annuleringen en herwerk aan het licht komen.

Bedrijven moeten ook onderscheid maken tussen capaciteitswinst en gerealiseerde besparingen. Wanneer werknemers tijd besparen, dalen de kosten niet automatisch. Economische waarde ontstaat pas wanneer de vrijgekomen tijd productiever wordt benut, extra werkzaamheden worden uitgevoerd of een daadwerkelijke behoefte aan middelen wordt vermeden. Dit onderscheid verklaart waarom indrukwekkende tijdstudies niet altijd leiden tot tastbare resultaten. Agentische AI ​​kan zeer productief zijn, maar de impact ervan moet worden vertaald naar beslissingen over processen, rollen en capaciteiten.

Introductie als organisatorisch project

Een robuuste implementatie begint met een proceskaart. Bedrijven moeten gebieden identificeren met veel handmatige overdrachten, ongestructureerde informatie, lange wachttijden of terugkerende coördinatieproblemen. Taken worden vervolgens geprioriteerd op basis van complexiteit, beschikbaarheid van gegevens, potentiële schade door fouten en omkeerbaarheid. Deze analyse voorkomt dat technisch aantrekkelijke, maar economisch onbeduidende use cases prioriteit krijgen.

In de tweede stap heeft elke agent een duidelijk mandaat nodig. Dit omvat de doelstelling, toegestane gegevensbronnen, toegestane tools, budget, kwaliteitsnormen, escalatieprocedures en de verantwoordelijke partij. Een agent zonder een duidelijk omschreven verantwoordelijkheidsgebied is als een nieuwe medewerker zonder functiebeschrijving en zonder leidinggevende. Technische flexibiliteit moet niet worden verward met organisatorische willekeur.

In de derde stap wordt de autonomie geleidelijk uitgebreid. Aanvankelijk kan de agent concepten maken, vervolgens aanbevelingen doen en later geselecteerde acties uitvoeren. Verdere bevoegdheden mogen pas worden verleend nadat de prestaties en foutpatronen gedurende een voldoende lange periode zijn geobserveerd. Deze aanpak vertraagt ​​het proces om maximale automatisering te bereiken, maar bouwt robuust vertrouwen op en beperkt de gevolgen van onverwacht gedrag.

Tot slot vereisen de lopende werkzaamheden een vorm van digitaal personeels- en activabeheer. Agenten moeten worden geïnventariseerd, bijgewerkt, getest en, indien nodig, buiten gebruik gesteld. Wijzigingen in modellen of interfaces kunnen hun gedrag beïnvloeden. Daarom zijn versiebeheer, regelmatige tests en gedocumenteerd wijzigingsbeheer essentieel. Wie agenten gebruikt als continu lerende en netwerksystemen, kan ze niet behandelen als software die eenmalig is geïnstalleerd.

Het knelpunt verschuift van kennis naar oordeel

Wanneer medewerkers informatie kunnen verzamelen, samenvatten en omzetten in werkproducten met een vrijwel onbeperkte capaciteit, wordt de loutere verwerving van informatie minder schaars. Waardevoller worden goed gedefinieerde doelen, robuuste criteria en het vermogen om resultaten in hun context te beoordelen. Bedrijven met duidelijke processen en hoogwaardige institutionele kennis zijn beter in staat om medewerkers aan te sturen dan organisaties waarvan de beslissingen grotendeels gebaseerd zijn op onuitgesproken aannames.

Dit verhoogt het belang van managementkwaliteit. Een agent kan conflicterende doelen niet permanent oplossen als de organisatie zelf geen prioriteiten stelt. Hij kan de belangrijkste prestatie-indicatoren optimaliseren, maar kan niet bepalen welke neveneffecten acceptabel zijn. Hoe efficiënter het systeem wordt, hoe crucialer de precisie van het corporate governance-systeem wordt. Slechte doelen worden niet verbeterd door automatisering; ze worden simpelweg sneller en consequenter nagestreefd.

De provocerende stelling luidt daarom: het grootste verschil tussen succesvolle en onsuccesvolle AI-projecten zit hem niet in het model zelf, maar in de kwaliteit van de organisatie die het gebruikt. Google kan infrastructuur, modellen, verbindingen en controletools leveren. De economische waarde wordt echter alleen gegenereerd door het bedrijf dat processen herstructureert, verantwoordelijkheden verduidelijkt en technische mogelijkheden omzet in een betere manier van werken.

Een machtsstrijd over digitaal ondernemingsbestuur

De uitbreiding van Gemini markeert een keerpunt, omdat Google niet alleen individuele taken wil ondersteunen, maar ook de coördinatie van digitaal werk wil overnemen. Als het project slaagt, zal het agentplatform een ​​strategische schakel vormen tussen medewerkers en applicaties. Het platform zal bepalen welk model wordt gehanteerd, welke data wordt ingevoerd, welke systemen worden aangesproken en hoe de kosten worden verdeeld. Deze positie heeft een aanzienlijk economisch gewicht.

Voor bedrijven biedt dit realistische mogelijkheden voor kortere doorlooptijden, flexibele capaciteit en een nieuw niveau van procesautomatisering. Tegelijkertijd nemen de afhankelijkheden, de behoefte aan controle en de gevolgen van technische fouten toe. Daarom zijn een centraal taakoverzicht, individuele agentidentiteiten, audit trails, bestedingslimieten en multi-model routing geen secundaire functies. Ze vormen het besturingssysteem van een digitale workforce, waarvan de voordelen alleen schaalbaar zijn met effectief beheer.

Met zijn bereik, toegang tot bedrijfssoftware en cloudinfrastructuur heeft Google een uitzonderlijke voorsprong. Desondanks is de concurrentie nog volledig open. Bedrijven zullen prestaties, kosten, beveiliging, interoperabiliteit en weerbaarheid tegen regelgeving tegen elkaar afwegen. De winnaar zal niet per se het beste model hebben. Waarschijnlijk zal het platform dat autonoom werken het meest betrouwbaar vertaalt naar processen in de praktijk, zonder de klant de controle over data, kosten en verantwoordelijkheid te ontnemen, de overwinning behalen.

Het cruciale economische perspectief is daarom noch euforisch, noch defensief. Agentische AI ​​is geen virtuele werknemer in de menselijke zin van het woord, maar kan wel een productieve, schaalbare en steeds autonomere operationele capaciteit worden. De waarde ervan ligt niet in maximale autonomie, maar in doelgerichte autonomie. Bedrijven die deze grens duidelijk definiëren, kunnen aanzienlijke voordelen behalen. Bedrijven die autonomie verwarren met blind vertrouwen, automatiseren daarentegen niet alleen werk, maar ook hun eigen gebrekkige beslissingen.

Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital - Afbeelding: Xpert.Digital

In de industriële B2B-sector ontstaan ​​duurzame zakelijke relaties zelden van de ene op de andere dag. Ze ontwikkelen zich stap voor stap – door zichtbaarheid, professionele relevantie, terugkerende contactmomenten en groeiend vertrouwen. Het 4-stappenmodel van Xpert.Digital speelt hier precies op in: het biedt een gestructureerd traject dat begint met een beheersbaar instapmoment en, indien nodig, kan uitgroeien tot een diepere samenwerking in de bedrijfsontwikkeling.

In plaats van te vertrouwen op luide marketingbeloftes, plaatst dit model de relatie centraal. Bedrijven beginnen met duidelijk gedefinieerde, eenvoudig meetbare indicatoren en bepalen vervolgens, op basis van hun eigen ervaring, hoe ver ze de samenwerking willen uitbreiden. Een belangrijke factor voor dit ongestoorde proces van vertrouwensopbouw: het platform vermijdt volledig storende advertenties, waardoor de redactionele focus volledig op de expertise van de bedrijven blijft.

Meer informatie vindt u hier:

• Van inzicht naar vertrouwen: uw schaalbare traject met Xpert.Digital

☑️ Onze zakelijke voertaal is Engels of Duits

☑️ NIEUW: Correspondentie in uw moedertaal!

Konrad Wolfenstein

Mijn team en ik staan ​​graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen door hier het contactformulier in te vullen [email protected]:of door mij te bellen op +49 7348 4088 965. Mijn e-mailadres is

Ik kijk uit naar ons gezamenlijke project.

☑️ Ondersteuning van het MKB op het gebied van strategie, advies, planning en implementatie

☑️ Opstellen of herzien van de digitale strategie en digitalisering

☑️ Uitbreiding en optimalisatie van internationale verkoopprocessen

☑️ Wereldwijde en digitale B2B-handelsplatformen

☑️ Pionier in bedrijfsontwikkeling / marketing / PR / beurzen