Agentische AI: Wie machines laat beslissen, mag leiderschap niet automatiseren – de nieuwe economie van verantwoordelijkheid

Agent-AI in het bedrijfsleven: autonomie, vertrouwen en de uitdaging van verantwoordelijkheid

Van automatisering naar zelfsturend handelen: hoe AI de organisatiestructuur verandert

De introductie van agentische kunstmatige intelligentie (AI) brengt fundamentele uitdagingen en kansen met zich mee voor bedrijven. Deze vorm van AI gaat veel verder dan de loutere automatisering van kantoorwerk; het heeft de potentie om de gehele economische logica van bedrijven te transformeren. Agentische AI ​​is in staat om zelfstandig werkprocessen te plannen, beslissingen te nemen en zich aan te passen aan veranderende omstandigheden. Dit breidt de centrale managementvraag uit, niet alleen naar de automatisering van taken, maar ook naar de verantwoordelijkheid voor de resultaten die door deze geautomatiseerde processen worden gegenereerd. Bedrijven staan ​​voor de uitdaging om hun structuren en verantwoordelijkheden opnieuw vorm te geven om te voldoen aan de eisen van een steeds meer door AI gedreven werkomgeving.

Dit is hiermee gerelateerd:

• Unframe | Agentic AI-automatisering: Hoe bedrijven werken

In deze nieuwe realiteit zijn niet alleen technische vaardigheden vereist, maar ook een diepgaand begrip van de dynamiek tussen mens en machine. Het management moet duidelijke richtlijnen voor besluitvorming en verantwoording vaststellen om de duurzame realisatie van de voordelen van agentische AI ​​te waarborgen. De uitdaging ligt in het vinden van de juiste balans tussen autonomie en controle om zowel efficiëntie als vertrouwen in de genomen beslissingen te garanderen. Bedrijven die deze uitdagingen beheersen, zullen niet alleen de voordelen van agentische AI ​​kunnen benutten, maar ook hun concurrentiepositie in een snel veranderende economische omgeving kunnen veiligstellen.

Agentische AI: revolutie of risico voor bedrijven?

Agentische kunstmatige intelligentie is niet zomaar een kleine stap in de digitalisering van kantoorwerk. Het verandert de fundamentele economische logica van bedrijven, omdat het niet alleen individuele taken kan ondersteunen, maar ook complete workflows kan plannen, uitvoeren, monitoren en aanpassen aan veranderende omstandigheden. Dit verschuift de centrale managementvraag. Het gaat niet langer alleen om welke taken geautomatiseerd kunnen worden, maar om wie verantwoordelijk is voor het resultaat wanneer een digitaal systeem belangrijke delen van het traject ernaartoe bepaalt.

Deze verschuiving is ingrijpender dan de introductie van klassieke procesautomatisering of generatieve assistentiesystemen. Zodra een AI-agent zelfstandig binnen vastgestelde grenzen handelt, tools gebruikt, gegevens uit meerdere systemen verzamelt en andere agenten integreert waar nodig, wordt het een operationele actor. Het heeft geen wettelijke of morele verantwoordelijkheid, maar beïnvloedt wel beslissingen, kosten, risico's en klantervaringen. Precies hier ontstaat de cruciale spanning: bedrijven kunnen technisch gezien de bevoegdheid om te handelen delegeren, maar niet de verantwoordelijkheid voor de gevolgen.

De economische winnaars zullen daarom waarschijnlijk niet de bedrijven zijn die de meeste agents installeren. Organisaties die consequent workflows, beslissingsbevoegdheid en controlemechanismen herzien, hebben meer kans van slagen. Agentische AI ​​is dus minder een extra softwareproduct dan een kans om het eigen bedrijfsmodel opnieuw te evalueren. Het dwingt bedrijven om impliciete regels zichtbaar te maken, verantwoordelijkheden te verduidelijken en de waarde van coördinatie opnieuw te berekenen.

Van digitale assistent tot operationeel speler

De term 'agentische AI' wordt tegenwoordig zo breed gebruikt dat hij aan precisie verliest. Niet elke chatbot die een vraag beantwoordt, en niet elke automatisering die meerdere programmastappen combineert, is al een agent. Voor bedrijfsanalyses is een duidelijk onderscheid noodzakelijk, omdat de voordelen, risico's en impact op de organisatie sterk afhangen van de mate van autonomie die een systeem daadwerkelijk bezit.

Traditionele, door robots ondersteunde procesautomatisering volgt vooraf gedefinieerde regels. Het is met name efficiënt wanneer de invoer gestandaardiseerd is, de processen stabiel zijn en uitzonderingen zeldzaam zijn. Als een geval afwijkt van het geprogrammeerde pad, wordt het proces vaak beëindigd of is menselijke tussenkomst vereist. Een copiloot werkt flexibeler, maar blijft in essentie een ondersteuningssysteem. Het formuleert, onderzoekt, analyseert of suggereert acties, terwijl een mens het proces bestuurt en de volgende stappen initieert.

Een agent daarentegen ontvangt een doel en plant zelfstandig een reeks acties. Ze kunnen tussendoelen stellen, informatie verzamelen, applicaties gebruiken, resultaten controleren en hun plan bijstellen. In een inkoopproces zouden ze bijvoorbeeld vraaggegevens kunnen verzamelen, leveranciersinformatie vergelijken, risico's identificeren, een onderhandelingsvoorstel formuleren en de goedkeuring voorbereiden. Mensen hoeven niet elke stap zelf te initiëren; in plaats daarvan definiëren ze het doel, de grenzen en de escalatiepunten.

Vanuit economisch oogpunt automatiseert dit niet alleen werk, maar ook een deel van de voorheen benodigde coördinatie. Deze coördinatie verliep vaak via rollen, hiërarchieën en vergaderingen. Als een agent dit sneller en tegen lagere marginale kosten kan afhandelen, komen traditionele functiestructuren onder druk te staan. De focus van automatisering verschuift van de taak zelf naar de workflow, en mogelijk, op de lange termijn, van de workflow naar het algehele bedrijfsresultaat.

Autonomie, context en verifieerbaar vertrouwen

Drie kenmerken bepalen of een systeem binnen een bedrijf daadwerkelijk als een handelend agent optreedt: autonomie, de zakelijke context en aantoonbaar vertrouwen. Autonomie beschrijft niet onbeperkte vrijheid, maar eerder het vermogen om onafhankelijke beslissingen te nemen binnen een goedgekeurd handelingsgebied. Een economisch levensvatbare agent hoeft niet alles te mogen doen. Integendeel: hoe preciezer het mandaat is gedefinieerd, hoe gemakkelijker het is om de voordelen en risico's te beheren.

De zakelijke context bepaalt of technische intelligentie zich vertaalt in bruikbare operationele prestaties. Een model kan overtuigende verbale antwoorden geven en toch slechte beslissingen nemen als het geen kennis heeft van klantovereenkomsten, productlogica, verantwoordelijkheden, wettelijke kaders of historische afwijkingen. Bedrijven onderschatten vaak de hoeveelheid kennis die besloten ligt in informele routines, persoonlijke netwerken en impliciete aannames. Deze kennis is vanzelfsprekend voor mensen, maar onzichtbaar voor een medewerker tenzij deze structureel toegankelijk wordt gemaakt.

Vertrouwen moet op zijn beurt niet worden verward met algemeen zelfvertrouwen. Binnen een bedrijf moet vertrouwen aantoonbaar zijn. Dit omvat traceerbare actielogboeken, gedocumenteerde gegevensbronnen, duidelijk gedefinieerde bevoegdheden, meetbare kwaliteitsdrempels en het vermogen om onzekerheid te herkennen. Een medewerker met weinig zelfvertrouwen moet niet alleen zijn of haar verzoeken voorzichtiger formuleren, maar de kwestie indien nodig ook escaleren naar een verantwoordelijke persoon. De kwaliteit van een medewerker wordt daarom niet alleen aangetoond door hoe vaak hij of zij correct handelt, maar ook door hoe betrouwbaar hij of zij herkent wanneer er niet zelfstandig gehandeld moet worden.

Deze drie dimensies zijn nauw met elkaar verweven. Meer autonomie zonder voldoende context vergroot de kans op fouten. Meer context zonder toegangscontrole vergroot de risico's voor gegevensbescherming en beveiliging. Vertrouwen zonder zinvolle meting blijft slechts een bewering. Alleen door hun wisselwerking kan een indrukwekkend prototype worden omgezet in een robuust operationeel systeem.

Twee agentmodellen met zeer verschillende effecten

In bedrijfssoftware kunnen twee fundamentele implementatiepatronen worden onderscheiden. Applicatiegerelateerde agents voeren een beperkte taak uit binnen een bestaande tool. Ze helpen bijvoorbeeld bij het opstellen van een offerte, het classificeren van een serviceaanvraag of het beoordelen van een contractdocument. De gebruiker blijft binnen de applicatie, beheert het proces en bevestigt belangrijke stappen. Dit model is relatief eenvoudig te implementeren omdat het proces, de interface en de verantwoordelijkheidsstructuur grotendeels ongewijzigd blijven.

Daarentegen verwerken procesgerichte agenten een volledige workflow over meerdere systemen. Ze kunnen een klantvraag ontvangen, informatie uit het ERP-systeem controleren, de beschikbaarheid berekenen, vervolgvragen stellen, een oplossing aanbieden, de verwerking documenteren en alleen uitzonderlijke gevallen escaleren. Dit biedt een groter productiviteitspotentieel, maar brengt ook een grotere organisatorische uitdaging met zich mee.

Het verschil is economisch gezien aanzienlijk. Een applicatiegerichte agent bespaart tijd bij een taak. Een procesgerichte agent kan overdrachten, wachttijden, vragen en coördinatiekosten verminderen. Deze indirecte kosten vormen met name een substantieel deel van de proceskosten in complexe bedrijven. Ze verschijnen zelden als een aparte post in de winst- en verliesrekening, maar ze leggen beslag op personeel, verlengen de doorlooptijden en vergroten de achterstand in de afhandeling van dossiers.

Een groter bereik brengt echter ook een toename van potentiële foutketens met zich mee. Een enkele onjuiste classificatiestap kan zich door meerdere systemen verspreiden en uiteindelijk een bestelling, betaling of klantcommunicatie in gang zetten. Daarom is het meten van de kwaliteit van individuele reacties onvoldoende. Bedrijven moeten het gehele proces beoordelen, inclusief overdrachten, afhankelijkheden en gevolgen. De relevante vraag is niet of het model doorgaans correct reageert, maar of het bedrijfsproces onder realistische omstandigheden betrouwbaar een acceptabel resultaat oplevert.

Waarom pilotprojecten in de praktijk mislukken

Het hoge aantal verwachte projectannuleringen is geen bewijs dat agentische AI ​​fundamenteel overschat wordt. Het laat eerder zien dat veel bedrijven de technologie op ongeschikte manieren implementeren. Meer dan 40 procent van de huidige agentische AI-projecten zou tegen eind 2027 stopgezet kunnen worden. Belangrijke redenen hiervoor zijn stijgende kosten, onduidelijke zakelijke waarde en ontoereikende risicobeheersing. Tegelijkertijd bevindt bijna twee derde van de bedrijven zich nog in de experimentele of pilotfase, waarbij agentische systemen weliswaar in individuele functies worden getest, maar zelden bedrijfsbreed worden geïmplementeerd.

Een typisch pilotproject begint met een goed gedefinieerd gebruiksscenario, toegewijde experts en zorgvuldig geselecteerde data. Onder deze omstandigheden kan een agent overtuigende resultaten leveren. In de productieomgeving stuit de agent echter op onvolledige informatie, tegenstrijdige stamgegevens, verschuivende verantwoordelijkheden, technische storingen en onvoorziene problemen. De overgang van het lab naar de organisatie is daarom minder een modelleringsprobleem dan een integratie- en operationele uitdaging.

Bovendien worden veel pilotprojecten geïsoleerd ontwikkeld. Ze krijgen hun eigen dataverbindingen, hun eigen regels en hun eigen kennisbank. Voor de volgende use case moet het bedrijf helemaal opnieuw beginnen met het ontwikkelen van rollen, terminologie, machtigingen en proceskennis. Dit leidt tot hoge terugkerende kosten. Wat bedoeld was als snelle innovatie, verandert in een verzameling moeilijk te onderhouden, geïsoleerde oplossingen.

Een ander zwak punt ligt in de meetbaarheid. Tijdsbesparing voor individuele medewerkers wordt vaak geregistreerd als een zakelijk succes, ook al is het onduidelijk of de vrijgekomen tijd productief wordt besteed. Een medewerker kan tien minuten per transactie besparen zonder dat dit meetbare gevolgen heeft voor de personeelskosten, de doorlooptijd of de omzet. Een solide businesscase moet daarom gebaseerd zijn op een specifieke resultaatmeting: lagere totale kosten, een hoger conversiepercentage, lagere foutkosten, kortere levertijden, minder vastgelegd kapitaal of een hogere klantloyaliteit.

De zakelijke context wordt een strategische troef

Hoe meer processen agenten afhandelen, hoe waardevoller een gedeelde context wordt, een context waartoe verschillende systemen toegang hebben. Dit omvat niet alleen documenten en databases, maar ook conceptuele modellen, procesdefinities, rollen, beleid, goedkeuringsgrenzen en de betekenis van operationele statussen. Een serviceaanvraag wordt bijvoorbeeld niet als opgelost beschouwd simpelweg omdat er een reactie is verzonden. Afhankelijk van het bedrijf kan een oplossing pas bereikt zijn nadat de klant heeft bevestigd dat het probleem is opgelost, een technische beoordeling is afgerond of een creditnota is uitgegeven.

Zodra deze context correct is gemodelleerd, kan deze worden hergebruikt in andere agenten en processen. Dit creëert een schaaleffect. De eerste productieve workflow blijft kostbaar omdat data, regels en verantwoordelijkheden moeten worden vastgesteld. Elke volgende workflow kan echter gebruikmaken van dezelfde semantische en organisatorische basis. De marginale kosten van de volgende implementatie dalen, terwijl de consistentie van beslissingen toeneemt.

Zonder zo'n fundament herhaalt elke afdeling hetzelfde voorbereidende werk. Er ontstaan ​​verschillende definities, identieke klanten worden verschillend gewaardeerd en meerdere medewerkers nemen beslissingen op basis van tegenstrijdige regels. Het bedrijf digitaliseert vervolgens zijn organisatorische silo's in plaats van ze te overbruggen. Technisch gezien oogt het landschap modern, maar economisch gezien blijven de oude inefficiënties bestaan.

De zakelijke context is daarom niet alleen een kwestie van data. Het verbindt data-architectuur, procesmanagement en organisatorische kennis. Bedrijven moeten duidelijk eigenaar zijn van belangrijke dataproducten en -concepten. Ze moeten ook bepalen welke informatie een agent mag inzien, hoe actueel die moet zijn en welke bron voorrang heeft in geval van discrepanties. Het bouwen van deze laag is minder spectaculair dan een agentdemonstratie, maar het is wel een voorwaarde voor duurzame voordelen.

Beslissingsbevoegdheden hebben voorrang op functiebeschrijvingen

Wanneer een medewerker het grootste deel van een proces plant, uitvoert en documenteert, verandert de menselijke rol. Medewerkers behandelen niet langer elke zaak zelf, maar stellen doelen, beoordelen uitzonderingen en verbeteren regels. Deze verschuiving begint vaak geleidelijk. Het organigram blijft ongewijzigd, ook al is de feitelijke verdeling van de besluitvorming al veranderd.

Dit creëert een gevaarlijke tussenfase. De formele verantwoordelijkheid blijft bij een manager of specialistische afdeling, terwijl de operationele beslissing steeds vaker wordt voorbereid of feitelijk genomen door de medewerker. Als een resultaat slechts oppervlakkig wordt bevestigd, ontstaat er een schijncontrole. De persoon is formeel verantwoordelijk, maar heeft noch voldoende tijd, noch voldoende informatie om de beslissing daadwerkelijk te beoordelen.

Bedrijven moeten daarom de beslissingsbevoegdheid expliciet herstructureren. Voor elk agent-ondersteund proces moet duidelijk worden gedefinieerd welke acties het systeem zelfstandig mag uitvoeren, welke beslissingen menselijke goedkeuring vereisen en bij welke signalen het proces wordt gestopt. Een algemene classificatie als laag of hoog risico is onvoldoende. Het wijzigen van een klantadres, het verlenen van een prijsverlaging en het initiëren van een betaling zijn verschillende categorieën acties met verschillende gevolgen.

Het ontwerpen van deze rechten is een managementtaak. Het kan niet volledig worden gedelegeerd aan IT of compliance, omdat het direct van invloed is op de operationele controle. Degene die beslist over goedkeuringslimieten, uitzonderingen en conflicterende doelstellingen, geeft vorm aan het bedrijfsmodel. Agentische AI ​​maakt deze vaak informele machts- en verantwoordelijkheidsstructuren zichtbaar en dwingt het management van een bedrijf om ze preciezer te definiëren.

Nieuwe rollen op het snijvlak van leiderschap en uitvoering

Met de verschuiving in operationele werkzaamheden ontstaan ​​rollen die zich minder richten op het afhandelen van individuele gevallen en meer op het beheren van complete systemen. Een proceseigenaar voor agenten definieert doelen, kwaliteitsnormen en grenzen. Hij of zij beoordeelt escalaties, analyseert foutpatronen en beslist of een agent extra verantwoordelijkheden moet krijgen. Deze rol ligt dichter bij management- en productverantwoordelijkheid dan bij traditioneel administratief werk.

Daarnaast worden technische en regelgevende functies steeds belangrijker. Agents hebben een betrouwbaar platform, veilige interfaces, gecontroleerde toegangsrechten en continue prestatie-evaluatie nodig. Dit leidt tot nieuwe verantwoordelijkheidsgebieden zoals agentbeheer, AI-governance, modelrisicomanagement, procesarchitectuur en kwaliteitsborging. Niet elke organisatie zal hiervoor nieuwe functies creëren. Vaak worden bestaande rollen binnen IT, business units, auditing, gegevensbescherming en risicomanagement uitgebreid en op nieuwe manieren met elkaar verbonden.

Het is cruciaal dat de verantwoordelijkheid niet versnipperd raakt tussen deze functies. De technisch verantwoordelijke kan verantwoordelijk zijn voor stabiliteit, toegang en beveiligingscontroles zonder aansprakelijk te zijn voor het bedrijfsresultaat. Omgekeerd kan de bedrijfsverantwoordelijke het proces controleren zonder elke modelwijziging te kunnen beoordelen. Daarom heeft elke productieve agent minstens één duidelijk gedefinieerde bedrijfsverantwoordelijke en één duidelijk gedefinieerde technisch verantwoordelijke nodig, evenals een aangewezen besluitvormingsorgaan voor conflicten.

Het nieuwe rollandschap biedt kansen voor carrièreontwikkeling, maar verandert ook de vereiste competenties. Werknemers hoeven zich minder bezig te houden met routinetaken en kunnen zich meer richten op het definiëren van doelen, het evalueren van resultaten, het begrijpen van uitzonderingen en het trainen van systemen. Ervaring verliest hierdoor niet aan waarde. Integendeel, impliciete expertise wordt juist bijzonder belangrijk, omdat deze moet worden vertaald naar regels, auditcriteria en escalatieprocedures. Het knelpunt ligt vaak niet in het bedienen van een AI-tool, maar in het vermogen om goed werk in de eerste plaats nauwkeurig te beschrijven.

Wanneer teams worden opgebouwd rond resultaten in plaats van functies

Traditionele organisaties weerspiegelen vaak de stroom van een proces. Eén afdeling ontvangt een verzoek, een tweede beoordeelt het, een derde keurt het goed en een vierde behandelt uitzonderingen. Deze structuur is ontstaan ​​omdat informatie verspreid was, specialisatie voordelen bood en de menselijke verwerkingscapaciteit beperkt was. Een procesgeoriënteerde agent kan verschillende van deze stappen combineren en ze 24 uur per dag uitvoeren.

Dit maakt de functionele arbeidsverdeling niet automatisch ongeldig, maar verandert wel de economische onderbouwing ervan. Als overdrachten geen specialisatievoordeel meer opleveren, maar vooral wachttijd genereren, zou het bedrijf teams meer resultaatgericht moeten organiseren. Een team zou dan verantwoordelijk kunnen zijn voor de complete oplossing van een klantprobleem, de beschikbaarheid van een productgroep of de tijdige afhandeling van een bestelling. Mensen en medewerkers worden zo gecombineerd dat ze het resultaat behalen, en niet dat elke functie zijn eigen deelproces uitvoert.

Deze reorganisatie kan een bijzonder grote impact hebben op het middenmanagement. Een deel van hun eerdere taken bestond uit het verdelen van werk, het verzamelen van statusupdates, het bewaken van prioriteiten en het overdragen van informatie tussen verschillende niveaus. Agentsystemen kunnen dergelijke coördinatietaken overnemen tegen lage marginale kosten. Dit betekent niet dat leiderschap overbodig wordt. De focus verschuift naar het oplossen van conflicterende doelen, motivatie, personeelsontwikkeling, klantrelaties, strategie en het nemen van verantwoordelijkheid in onduidelijke situaties.

Bedrijven moeten daarom voorkomen dat ze voortijdig banen schrappen voordat het nieuwe bedrijfsmodel stabiel functioneert. De transitiefase vereist vaak juist meer, en niet minder, management. Het te vroeg verliezen van ervaren coördinatoren vernietigt precies de proceskennis die nodig is voor een betrouwbare agentarchitectuur. De economisch verstandigere aanpak is om eerst de rollen te herstructureren, kennis te behouden en pas capaciteitsbeslissingen te nemen nadat aantoonbare productiviteitswinsten zijn behaald.

Beheerd AI-platform - Afbeelding: Xpert.Digital

Hier leert u hoe uw bedrijf snel, veilig en zonder hoge drempels AI-oplossingen op maat kan implementeren.

Een beheerd AI-platform is uw allesomvattende, zorgeloze oplossing voor kunstmatige intelligentie. In plaats van te worstelen met complexe technologie, dure infrastructuur en langdurige ontwikkelprocessen, ontvangt u een kant-en-klare oplossing op maat van een gespecialiseerde partner – vaak al binnen enkele dagen.

De belangrijkste voordelen in één oogopslag:

⚡ Snelle implementatie: Van idee tot gebruiksklare applicatie in dagen, niet maanden. Wij leveren praktische oplossingen die direct toegevoegde waarde creëren.

🔒 Maximale gegevensbeveiliging: Uw gevoelige gegevens blijven bij u. Wij garanderen een veilige en conforme verwerking zonder gegevens met derden te delen.

💸 Geen financieel risico: u betaalt alleen voor de resultaten. Hoge investeringen vooraf in hardware, software of personeel zijn volledig uitgesloten.

🎯 Focus op uw kernactiviteiten: concentreer u op waar u het beste in bent. Wij zorgen voor de volledige technische implementatie, werking en het onderhoud van uw AI-oplossing.

📈 Toekomstbestendig en schaalbaar: Uw AI groeit met u mee. Wij garanderen continue optimalisatie en schaalbaarheid en passen de modellen flexibel aan nieuwe eisen aan.

Meer informatie vindt u hier:

• Beheerd AI-platform

De nieuwe kostencurve van kenniswerk

Agentische AI ​​verandert de kostenstructuur van kenniswerk. Het ontwikkelen van een betrouwbaar systeem kan in eerste instantie duur zijn, omdat het toegang tot data, integratie, beveiligingscontroles, testen en proceswijzigingen vereist. Zodra de basis echter gelegd is, kunnen aanvullende taken met relatief lage marginale kosten worden afgehandeld. Hierdoor kan een deel van het administratieve werk de schaalbaarheid van software benaderen.

Dit effect moet niet worden verward met gratis arbeid. Agenten maken doorlopende kosten voor modellen, rekenkracht, opslag, monitoring, interfaces en menselijk toezicht. Complexe plannings- en testprocessen kunnen leiden tot talloze modelaanroepen en het gebruik van tools. Een slecht ontworpen agent kan aanzienlijke kosten genereren door lussen, onnodige query's of overmatige documentverwerking. Daarom moet de kosteneffectiviteit zowel op proces- als op resultaatniveau worden gemeten.

De juiste maatstaf is niet de prijs van een enkele aanvraag, maar de totale kosten van een succesvol afgerond proces. Dit omvat model- en platformkosten, tijd besteed aan menselijke beoordeling, bugfixes, vertragingen, beveiligingsmaatregelen en afschrijving van ontwikkelingskosten. Pas wanneer deze totale kosten lager zijn dan de kosten van eerdere processen of een resultaat van hogere waarde opleveren, ontstaat er daadwerkelijk economisch voordeel.

Processen met een hoog volume, terugkerende patronen, digitaal beschikbare data en kostbare overdrachten zijn bijzonder aantrekkelijk. Minder geschikt zijn zeldzame processen waarbij bijna elk geval nieuw is, de gevolgen van een fout extreem groot zijn of cruciale informatie alleen informeel beschikbaar is. Daarom is de beste automatiseringsgraad niet per se de hoogste. Een economisch optimaal systeem automatiseert precies zoveel als betrouwbaar beheerd kan worden, rekening houdend met het bestaande risico.

Productiviteit is meer dan alleen bespaarde werktijd

Veel bedrijven meten de voordelen van AI aan de hand van theoretisch bespaarde uren. Deze maatstaf is eenvoudig te begrijpen, maar vaak misleidend. Tien procent minder verwerkingstijd vertaalt zich niet automatisch in tien procent lagere personeelskosten. Als werknemers de bespaarde tijd niet kunnen gebruiken voor extra waardecreatie, of als het proces elders beperkt blijft, zal er geen overeenkomstige verbetering in de resultaten optreden.

Een zinvolle kosten-batenanalyse houdt rekening met verschillende niveaus. Op procesniveau zijn factoren zoals doorlooptijd, foutenpercentage, herwerk, oplossingspercentage en kosten per afgeronde case relevant. Op bedrijfsniveau zijn omzet, marge, klantbehoud, kapitaalinvestering en risicokosten belangrijk. Op organisatieniveau moet worden onderzocht of de agent de schaalbaarheid verbetert, de afhankelijkheid van individuen vermindert of nieuwe diensten mogelijk maakt.

Een realistisch uitgangspunt is van cruciaal belang. Processen worden vaak minder goed gedocumenteerd dan ze in werkelijkheid zijn. Officiële verwerkingstijden houden geen rekening met wachttijden, vragen en informele coördinatie. Daarom moet de daadwerkelijke workflow vóór de implementatie worden gemeten. Anders vergelijkt het bedrijf een gecontroleerd AI-proces met een geïdealiseerd, door mensen uitgevoerd doelproces en komt het tot een nutteloze berekening van het rendement op de investering.

Eveneens belangrijk is observatie op de lange termijn. Aanvankelijk kunnen de prestaties overschat worden door de grote aandacht, de kleine steekproefomvang en de intensieve ondersteuning. Later spelen veranderingen in de data, nieuwe producten en seizoensgebonden factoren een rol. Daarom moet een investering niet alleen worden beoordeeld op basis van een succesvolle demonstratie, maar vooral op basis van consistente resultaten gedurende meerdere operationele cycli. Economische waarde ontstaat pas wanneer de verbetering duurzaam, schaalbaar en controleerbaar is.

Bestuur wordt een integraal onderdeel van het bedrijfsmodel

Bij agentgebaseerde AI is governance geen controlelaag die na de technische ontwikkeling kan worden toegevoegd. Het moet in het proces zelf worden ingebouwd. Protocollen en betrouwbaarheidsniveaus zijn noodzakelijk, maar op zichzelf niet voldoende. Cruciaal is de vraag wie het vereiste kwaliteitsniveau voor autonoom handelen bepaalt en wie de gevolgen draagt ​​van een onjuist oordeel.

Slechts ongeveer 30 procent van de organisaties bereikt een geavanceerd stadium van volwassenheid op het gebied van strategie, governance en specifieke beheersmaatregelen voor agentgebaseerde systemen. Tegelijkertijd worden beveiligings- en risicoproblemen beschouwd als een van de grootste obstakels voor bredere schaalvergroting. Deze kloof laat zien dat de technologische beschikbaarheid sneller groeit dan de beheersbaarheid binnen organisaties.

Een robuust governancekader wijst aan elke agent een bedrijfsdoel, risicoklasse en verantwoordelijke personen toe. Het documenteert geautoriseerde gegevens, tools en acties. Het definieert wanneer menselijke beoordeling vereist is en hoe incidenten worden afgehandeld. Bovendien moet het wijzigingen vastleggen, aangezien de impact van een agent aanzienlijk kan veranderen als gevolg van nieuwe modellen, tools, gegevensbronnen of instructies, zelfs als de naam hetzelfde blijft.

Deze architectuur is van extra belang voor Europese bedrijven. Voor AI-toepassingen met een hoog risico worden eisen op het gebied van risicomanagement, datakwaliteit, logging, documentatie, menselijk toezicht, robuustheid en cybersecurity steeds belangrijker. Ongeacht de formele classificatie is het vanuit zakelijk oogpunt verstandig om deze principes ook toe te passen op minder gereguleerde partijen. Traceerbaarheid vermindert niet alleen compliance-risico's, maar vergemakkelijkt ook foutenanalyse, procesverbetering en acceptatie door medewerkers en klanten.

Gecontroleerde autonomie in plaats van maximale vrijheid

In het publieke debat wordt autonomie vaak afgeschilderd als een kwaliteitscriterium: hoe onafhankelijker een agent werkt, hoe progressiever het systeem lijkt. Deze opvatting is gevaarlijk voor bedrijven. Maximale autonomie is geen economisch haalbaar doel. Waar het om gaat, is het juiste niveau van autonomie voor het specifieke proces in kwestie.

Een verstandige aanpak maakt gebruik van verschillende controleniveaus. Op een laag niveau verzamelt en evalueert de agent informatie, maar mag geen acties ondernemen die van buitenaf effect hebben. Op een gemiddeld niveau voert de agent zelfstandig acties met een laag risico uit en legt beslissingen met grotere gevolgen ter goedkeuring voor. Op een hoger niveau beheert de agent een volledig proces, maar wordt continu gemonitord en moet het proces stoppen bij ontvangst van vooraf gedefinieerde signalen.

De grenzen mogen niet alleen op geldbedragen gebaseerd zijn. Reputatieschade, gegevensbescherming, impact op de klant, juridische gevolgen en omkeerbaarheid zijn even belangrijk. Een foutieve interne samenvatting is gemakkelijk te corrigeren. Een onjuiste beëindiging, betaling of openbare aankondiging kan onomkeerbare gevolgen hebben. Hoe moeilijker een actie ongedaan te maken is, hoe hoger de drempel voor autonome uitvoering moet liggen.

Gecontroleerde autonomie vereist ook technische handhaving. Schriftelijke richtlijnen zijn onvoldoende als een agent nog steeds toegang heeft tot ongeautoriseerde tools. Toegang moet worden verleend volgens het principe van minimale bevoegdheden, gevoelige acties moeten in realtime worden gecontroleerd en ongebruikelijke patronen moeten worden gedetecteerd. Afsluitopties, hoeveelheidslimieten en veilige terugvalprocedures maken deel uit van de normale werking. Goed bestuur belemmert de waardecreatie niet, maar creëert juist de ruimte waarin meer autonomie gerechtvaardigd wordt.

De arbeidsmarkt verandert door middel van activiteiten

De impact van AI-agenten op de werkgelegenheid laat zich niet eenvoudig in cijfers uitdrukken. Wereldwijd is ongeveer een op de vier werknemers werkzaam in een functie waarbij sprake is van enige vorm van generatieve AI. Niettemin is voor de meeste banen een verandering in taken waarschijnlijker dan het volledig verdwijnen van de functie. Zelfs sterk gedigitaliseerde banen bevatten taken die contextuele kennis, sociale interactie, fysieke aanwezigheid, oordeelsvermogen of persoonlijke verantwoordelijkheid vereisen.

Tegen 2030 zouden belangrijke economische en technologische trends zo'n 170 miljoen nieuwe banen kunnen creëren en ongeveer 92 miljoen banen kunnen doen verdwijnen. Naar verwachting zullen zowel AI als informatieverwerking leiden tot banengroei en -verlies. Dergelijke projecties zijn geen exacte voorspellingen, maar ze illustreren de omvang van de aanstaande herverdeling. Het netto-effect kan positief zijn, terwijl individuele beroepsgroepen, regio's en bedrijven aanzienlijke aanpassingskosten zullen moeten dragen.

Agentische AI ​​zal naar verwachting een aanzienlijke transformatie teweegbrengen in functies waarvan de waarde voorheen sterk afhing van het delen van informatie, routinematige controles en procescoördinatie. Tegelijkertijd neemt de vraag toe naar medewerkers die systemen kunnen beheren, expertise kunnen formaliseren, uitzonderingen kunnen oplossen en verantwoordelijkheid kunnen nemen. De arbeidsmarkt zal daarom niet simpelweg verdeeld zijn in technologische winnaars en verliezers. De cruciale factor is of bestaande ervaring kan worden overgedragen naar de nieuwe werkomgeving.

Voor bedrijven wordt bijscholing steeds meer een investering. Trainingen die alleen uitleggen hoe een tool te gebruiken, zijn niet langer voldoende. Werknemers moeten inzicht hebben in processen, data-analyse, risicobewustzijn en het vermogen om resultaten van medewerkers kritisch te evalueren. Het ontwikkelen van deze competenties verhoogt niet alleen de acceptatie, maar verlaagt ook de kosten voor controle en de kans op fouten.

De kwaliteit van de data bepaalt de schaalbaarheid

Agenten kunnen ongestructureerde informatie beter verwerken dan eerdere automatiseringssystemen, maar ze lossen de problemen met een zwakke databasis niet op. Gefragmenteerde klantgegevens, tegenstrijdige productdatabases, verouderde documenten en onduidelijke toegangsrechten blijven obstakels. Ongeveer acht op de tien bedrijven noemen databeperkingen als een probleem bij het opschalen van agentgebaseerde AI. Minder dan tien procent heeft agenten zo ver opgeschaald dat ze tastbare waarde opleveren.

Het probleem wordt verergerd doordat agenten niet alleen gegevens lezen, maar deze ook wijzigen en nieuwe informatie genereren. Een foutief resultaat kan naar een volgend systeem worden geschreven en later door een andere agent als een zogenaamd betrouwbare bron worden gebruikt. Dit creëert feedbackloops. Daarom moeten de herkomst, actualiteit en kwaliteitsstatus van de gegevens machinaal leesbaar zijn.

Een robuuste architectuur verbindt gestructureerde data, documenten en operationele gebeurtenissen. Het biedt niet elke agent alle informatie, maar levert de context die voor het specifieke doel is toegestaan. Tegelijkertijd moeten identiteiten en machtigingen consistent blijven over systeemgrenzen heen. De agent mag niet meer zien of doen dan de persoon of functie namens wie hij handelt.

Bedrijven moeten datamodernisering echter niet beschouwen als een eindeloos voorbereidend project. Een volledige opschoning van alle dataopslagplaatsen is noch realistisch, noch economisch haalbaar. Een verstandigere aanpak is een gefaseerde aanpak, gebaseerd op geselecteerde, waardevolle processen. Voor elk proces worden de benodigde dataproducten, kwaliteitsregels en verantwoordelijkheden vastgesteld. Op deze manier groeit de datafundament mee met de bedrijfswaarde.

Beveiligingsrisico's sijpelen door in de procesketen

Een traditioneel taalmodel genereert voornamelijk inhoud. Een agent kan echter ook tools aanroepen, bestanden wijzigen, berichten verzenden of transacties initiëren. Hierdoor wordt onjuiste inhoud omgezet in een potentieel valse gebeurtenis. Daarom moet beveiligingsbeheer niet alleen de invoer en uitvoer controleren, maar ook de gehele keten van acties bewaken.

Bijzondere gevaren ontstaan ​​door gemanipuleerde inhoud, buitensporige bevoegdheden en ongecontroleerde delegatie. Een agent kan bijvoorbeeld een verborgen instructie in een document vinden en deze ten onrechte als een legitieme opdracht beschouwen. Ook kan een agent een tool misbruiken of taken delegeren aan een andere agent wiens rechten onvoldoende beperkt zijn. In complexe systemen met meerdere agenten wordt het vaststellen van verantwoordelijkheid nog lastiger.

De effectieve tegenmaatregel is een technische controlelaag tussen de agent en de tool. Elke gevoelige actie moet vóór uitvoering worden gecontroleerd op doel, autorisatie en risicocategorie. Logboekregistratie moet de volledige keten vastleggen: menselijke opdracht, betrokken agenten, gebruikte gegevens, aangeroepen tools, genomen beslissingen en resultaat. Alleen dan is het mogelijk om na een incident te achterhalen waarom een ​​actie heeft plaatsgevonden.

Beveiliging moet niet alleen als een defensieve maatregel worden gezien. Duidelijke grenzen verbeteren ook de efficiëntie, omdat ze een veilige werking mogelijk maken binnen grotere procesgebieden. Een bedrijf dat acties nauwkeurig kan beperken en monitoren, hoeft niet elk proces handmatig te controleren. Investeringen in controle-infrastructuur creëren zo een mogelijkheid voor verdere automatisering.

Afhankelijkheid van platformen wordt een strategisch risico

Agentsystemen verbinden modellen, dataplatformen, bedrijfssoftware en interfaces. Deze onderlinge verbondenheid vergroot het risico op technologische afhankelijkheid. Als de bedrijfslogica direct is geïntegreerd in de eigen tools van één leverancier, kan het later overstappen naar een andere leverancier kostbaar zijn. Prijzen, functionaliteiten of contractvoorwaarden kunnen veranderen, terwijl het bedrijf zijn processen nauwelijks kan aanpassen.

Volledige leveranciersonafhankelijkheid is echter ook kostbaar en vaak onrealistisch. Standaardplatforms versnellen de implementatie, bieden beveiligingsfuncties en verminderen de integratie-inspanning. De verstandige strategie is daarom niet om elk onderdeel intern te ontwikkelen, maar om uitwisselbare lagen te creëren. Bedrijfsregels, procesdefinities, evaluatiegegevens en logboeken moeten zoveel mogelijk onafhankelijk van het specifieke model worden beheerd.

De opgebouwde contextuele kennis is bijzonder waardevol om te beschermen. Als deze kennis alleen in de instellingen van een agent of in eigen systemen is opgeslagen, verliest het bedrijf een deel van zijn eigen leercurve bij het overstappen naar een ander platform. Context, toegangsrechten en kwaliteitscriteria moeten daarom als bedrijfsmiddelen worden beschouwd. De structuur ervan moet gedocumenteerd, exporteerbaar en controleerbaar zijn.

Ook contracten moeten deze nieuwe betekenis weerspiegelen. Naast gegevensbescherming en beschikbaarheid worden vragen over gegevensgebruik, onderaannemers, modelwijzigingen, aansprakelijkheid, protocoltoegang en opt-outmogelijkheden steeds belangrijker. De aanschaf van een agentsysteem is daarom niet zomaar een softwareaankoop, maar een beslissing over de toekomstige operationele afhankelijkheid van het bedrijf.

Een robuust implementatiemodel

Een succesvolle implementatie begint niet met het vinden van de meest indrukwekkende agent, maar met het selecteren van een economisch relevant proces. Dit proces moet voldoende volume en potentieel voor verbetering hebben, terwijl het tegelijkertijd beheersbare risico's met zich meebrengt. Het gehele proces wordt gedocumenteerd, inclusief wachttijden, uitzonderingen, gegevensbronnen en daadwerkelijke beslissingsmomenten. Pas dan kan worden bepaald welke onderdelen autonoom, met ondersteuning of volledig door mensen moeten worden afgehandeld.

De volgende stap omvat het definiëren van verantwoordelijkheden en key performance indicators (KPI's). Een business owner is verantwoordelijk voor het resultaat, terwijl een technical owner toezicht houdt op de werking en de beveiliging. Samen definiëren ze succesindicatoren, minimale kwaliteitsnormen, kostenplafonds en beëindigingscriteria. Voor elke actiecategorie worden machtigingen, goedkeuringen en escalatieprocedures vastgesteld. Dit organisatorische werk moet voltooid zijn voordat de agent productierechten krijgt.

De technische implementatie moet in eerste instantie in de observatiemodus beginnen. De agent doet suggesties of simuleert acties, terwijl mensen het proces blijven uitvoeren. Dit maakt het mogelijk om verschillen te meten zonder operationeel risico. De autonomie kan vervolgens geleidelijk worden uitgebreid, te beginnen met omkeerbare en risicoarme acties. Elke uitbreiding moet worden onderbouwd met prestatiegegevens uit de praktijk.

Zodra de stabilisatie succesvol is, wordt de volgende geïsoleerde agent niet direct gebouwd. In plaats daarvan onderzoekt het bedrijf welke dataproducten, regels, controles en integraties hergebruikt kunnen worden. Precies hier ontstaat het cumulatieve voordeel. Een pilotproject evolueert naar een platformfunctionaliteit, en meerdere platformfunctionaliteiten kunnen leiden tot een nieuw operationeel model.

De leiding moet het conflict tussen de doelstellingen zichtbaar maken

Agentische AI ​​wordt vaak gerechtvaardigd met argumenten als kostenbesparing, hogere kwaliteit, verbeterde klantervaring, snellere innovatie en lagere risico's. Deze doelen zijn echter niet altijd verenigbaar. Meer menselijk toezicht kan risico's verminderen, maar beperkt tegelijkertijd de snelheid en de besparingen. Grotere autonomie kan de doorlooptijden verkorten, maar stelt hogere eisen aan data, controlemechanismen en verantwoording.

Het management van het bedrijf moet deze tegenstrijdige doelstellingen expliciet oplossen. Ze mogen niet verwachten dat een projectteam ze technisch oplost. Het definiëren van de risicotolerantie is bijzonder belangrijk. Wat acceptabel is in intern onderzoek, kan onacceptabel zijn bij kredietbeslissingen, personeelszaken, gezondheidsgegevens of beveiligingsrelevante faciliteiten.

Leiderschap betekent ook dat de impact op werknemers openlijk wordt besproken. Als het werkelijke doel banenverlies is, schaadt communicatie over alleen ondersteuning het vertrouwen. Omgekeerd moet een bedrijf de daadwerkelijke productiviteitswinsten niet kunstmatig bagatelliseren. Geloofwaardigheid wordt opgebouwd door duidelijke verklaringen over welke taken zullen verdwijnen, welke functies zullen veranderen en welke nieuwe vaardigheden nodig zullen zijn.

De belangrijkste leiderschapsvaardigheid schuilt uiteindelijk in het toewijzen van verantwoordelijkheid. Een medewerker kan een resultaat leveren, maar kan daarvoor niet verantwoordelijk worden gehouden. Zolang bedrijven dit onderscheid erkennen, kan autonomie op een gecontroleerde manier worden uitgebreid. Als de verantwoordelijkheid daarentegen stilletjes wordt afgeschoven op de technologieafdeling, ontstaat er een organisatie waarin niemand volledig begrijpt wie de beslissing heeft genomen.

Het werkelijke concurrentievoordeel schuilt in het leerproces binnen de organisatie

Modellen en agentfuncties verspreiden zich snel. Wat vandaag als een technologisch voordeel wordt beschouwd, kan morgen de standaard zijn voor een softwareplatform. Duurzame differentiatie ontstaat daarom minder door toegang tot een specifiek model dan door het vermogen om dit te vertalen naar waardevolle en betrouwbare processen.

Bedrijven die elk gebruiksscenario afzonderlijk behandelen, doen slechts beperkte ervaring op. Daarentegen leren bedrijven met een gedeeld platform, herbruikbare beheertools en duidelijke verantwoordingsmodellen bij elk proces. Ze identificeren sneller welke vormen van autonomie werken, welke gegevens ontbreken en welke escalaties vaak voorkomen. Deze kennis verlaagt de kosten van elke volgende implementatie.

Organisatorisch leren vereist een systematische feedbacklus van ervaringen. Fouten en menselijke correcties moeten worden geëvalueerd, regels aangepast en nieuwe uitzonderlijke gevallen in de context geïntegreerd. Dit maakt de agent niet automatisch betrouwbaar; de organisatie verbetert hiermee het algehele systeem van mensen, data, regels en technologie. Dit onderscheid is cruciaal omdat het de focus verlegt van de veronderstelde intelligentie van het model naar de prestaties van het operationele model.

Op de lange termijn kan dit een aanzienlijk concurrentievoordeel opleveren. Snellere besluitvorming, lagere coördinatiekosten en consistentere processen verhogen de reactiesnelheid. Tegelijkertijd kan groei worden beheerd zonder dat er voor elke extra transactie proportioneel meer administratief personeel nodig is. De productiviteit neemt daardoor niet alleen toe binnen bestaande processen, maar verbetert ook de schaalbaarheid van het hele bedrijf.

Het gaat niet om de makelaars met de meeste agenten, maar om de meest overzichtelijke organisatie

Agentische AI ​​verandert niet alleen welke taken geautomatiseerd worden. Het verandert ook waarom teams bestaan, hoe beslissingen worden genomen en wie verantwoordelijk is voor de resultaten. Bedrijven die de technologie simpelweg toepassen op bestaande processen, zullen individuele taken versnellen, maar zullen al snel falen door hiaten in de data, onduidelijke verantwoordelijkheden en een gebrek aan vertrouwen. Automatisering blijft oppervlakkig, terwijl de structurele kosten blijven bestaan.

De grotere economische slagkracht ontstaat wanneer processen opnieuw worden ontworpen vanuit het perspectief van hun resultaat. Mensen nemen doelen, uitzonderingen, relaties en verantwoordelijkheid op zich. Agenten nemen voorspelbare coördinatie, informatieverwerking en herhaalbare uitvoering voor hun rekening. Controlesystemen verbinden beide kanten en maken autonomie meetbaar. Dit leidt niet tot een organisatie zonder mensen, maar tot een andere taakverdeling.

De belangrijkste maatstaf zal niet het aantal ingezette agents zijn. Belangrijker zijn de totale kosten per resultaat, de stabiliteit van het proces, de leersnelheid en de duidelijkheid van de verantwoordelijkheden. Een bedrijf met een paar, diep geïntegreerde agents kan aanzienlijk meer waarde creëren dan een concurrent met tientallen geïsoleerde demonstraties.

Uiteindelijk komt het debat neer op een klassieke managementvraag: wie is bevoegd om welke beslissingen te nemen en wie draagt ​​de consequenties? Technologie versterkt deze vraag, maar geeft er geen antwoord op. Iedereen die een agent de volgende taak toewijst – een taak die anders door een nieuwe medewerker zou zijn uitgevoerd – moet tegelijkertijd bepalen wie de agent de opdracht geeft, de prestaties controleert en verantwoordelijk is voor fouten. Pas wanneer de organisatiestructuur hier een duidelijk antwoord op biedt, zal op agenten gebaseerde AI een robuust economisch systeem worden.

Konrad Wolfenstein

Ik sta graag tot uw beschikking als uw persoonlijke adviseur.

U kunt contact met mij opnemen via wolfenstein∂xpert.digital of

U kunt me bellen op +49 7348 4088 965 .

LinkedIn