We spraken met RELEX-experts Max Forsius, Product Director, en Rich Kurhajetz, Senior Strategist, RELEX Solutions, om het concept ‘agentic AI’ (agent-gebaseerde AI) te onderzoeken en te kijken hoe het in de praktijk werkt en hoe bedrijven het succesvol kunnen implementeren.
Wat is agentic AI?
Max: AI-agents zijn kleine autonome entiteiten die met bovenmenselijke efficiëntie handelen, zich aanpassen en samenwerken. Binnen een systeem kunnen ze individueel werken of handelen als een netwerk van besluitvormers. Nadat je ze een doel hebt gegeven, stellen ze alles in het werk om dat doel te bereiken en complexe problemen op te lossen, bijvoorbeeld door middel van voortdurende diagnoses, optimalisaties en het uitvoeren van taken. Ze kunnen worden geactiveerd door datasystemen, al kan dat in de toekomst ook door andere agents gebeuren.
AI-agents zijn kleine autonome entiteiten die met bovenmenselijke efficiëntie handelen, zich aanpassen en samenwerken.
Ik wil wel op een belangrijke nuance wijzen, namelijk dat de agent als taak heeft om een doel te bereiken. Voor de agent gebruik ik bewust het werkwoord ‘handelen’, aangezien hij beslist welke taak het meest aangewezen is om dat doel te bereiken en vervolgens een hulpmiddel inschakelt om die taak uit te voeren. Daarvoor heeft het verschillende hulpmiddelen of tools tot zijn beschikking, zoals – algoritmes, codes en wiskundige berekeningen. – Het zijn die tools die de actie uitvoeren. Vervolgens analyseert de agent het resultaat en bepaalt hij of dat overeenkomt met het doel, om daarna opnieuw een beroep te doen op de tools. Dit alles gebeurt in een constante lus, totdat het doel bereikt wordt.
Dat betekent dat een agent een robuust platform met betrouwbare gegevens en bewezen machine learning- en optimalisatievaardigheden nodig heeft. Zonder zo’n platform is hij vrij nutteloos. Agents zijn maar zo doeltreffend als de tools waarover ze beschikken.
Waarin verschillen AI-agents van chatbots?
Max: Het grootste verschil tussen agents en generatieve AI-chatbots is dat agents actie ondernemen, waar chatbots informatie geven.
Bij RELEX hebben we bijvoorbeeld Rebot, onze vriendelijke generatieve AI-assistent die zich gedraagt als een copiloot. In zijn huidige versie heeft hij toegang tot de RELEX-database met sectorgebonden en oplossingsspecifieke kennis, maar heeft hij geen toegang tot gegevens in de RELEX-omgeving van een klant. Je kunt Rebot dus vragen om een specifieke sectorgebonden term of oplossing uit te leggen of welke manieren er zijn om de nauwkeurigheid van een forecast te meten. Hij zal je die antwoorden geven, maar zal niet naar jouw gegevens kijken. Hij fungeert als een 24/7 consultant die bedrijven helpt om het onboardingsproces te versnellen, de dagelijkse werking te vereenvoudigen en een oplossing beter uit te leggen, zodat gebruikers met meer vertrouwen beslissingen kunnen nemen.
Het grootste verschil tussen agents en generatieve AI-chatbots is dat agents actie ondernemen en chatbots informatie geven.
Agents zijn de natuurlijke evolutie van conversationele chatbots. Maar in tegenstelling tot generatieve AI-assistenten zijn ze actief in jouw omgeving en kunnen ze dus actie ondernemen op basis van jouw gegevens, en dat in alle – transparantie, veiligheid en in samenwerking met mensen.
Rich: Vanuit het oogpunt van de gebruiker kunnen interacties met agents en generatieve AI-assistenten erg op elkaar lijken. Bij beide is er meestal een invoerveld waar je je vragen en aanwijzingen kunt typen. Het grootste verschil zit hem echter onder de motorkap. Met een generatieve AI-chatbot, LLM of GPT stel je een vraag en krijg je een antwoord, — maar is er geen actie. Agentic AI daarentegen kan waarnemen, beslissen en handelen op basis van de parameters en regels die je opgeeft.
Hoe werkt agentic AI in de praktijk en welke use cases bestaan er?
Max: Simpel gezegd kan een agent alles doen wat een gebruiker in het RELEX-systeem kan doen. En omdat de agent niet geconfronteerd wordt met de menselijke beperkingen qua tijd, kan hij veel meer taken aan. Maar een agent voert meestal maar één actie uit. Deze beperking is inherent verbonden met de vangrails die ervoor zorgen dat hij niets verandert wat niet veranderd mag worden.
Als concreet voorbeeld geef ik de business rules engine (BRE) achter de kernlogica van RELEX. Met BRE kunnen gebruikers regels en workflows instellen die automatisch worden geactiveerd, afhankelijk van invoer, gegevens en drempels. Binnen een agentic systeem zou je een agent kunnen inschakelen om zo'n workflow uit te voeren.
Een agent voert meestal maar één actie uit. Deze beperking is inherent verbonden met de vangrails.
Je kunt bijvoorbeeld een prompt als deze gebruiken: "Help me bij het maken van een dashboard met de omzet die ik verloren heb voor deze soorten artikelen op deze locaties. Vat de acties samen die ik moet ondernemen om die verloren omzet te voorkomen." In plaats van deze dashboards zelf te bouwen in de gebruikersinterface, kun je ze vooraf configureren en ze opvragen wanneer je ze nodig hebt.
Rich: Automatisering is in het algemeen een belangrijke toepassing. Denk aan planningssystemen in de retail en toeleveringsketens. Hier komen geweldig veel wiskunde, data en complexe besluitvorming bij kijken, terwijl je met agents enorm veel zaken kunt automatiseren. Dit wil niet zeggen dat je volledige end-to-end platform wordt geautomatiseerd. De mens blijft een belangrijke rol spelen. Wat we wel bedoelen is dat je agents heel specifieke taken en trainingsinstructies kunt geven voor zeer specifieke manieren om planningsbeslissingen te ondersteunen.
Terwijl je met agents enorm veel zaken kunt automatiseren.
Voor een mens is het op dit moment bijvoorbeeld onmogelijk om grote hoeveelheden planningsuitzonderingen te herzien. Hierdoor bestaat het risico dat belangrijke zaken over het hoofd worden gezien. De kracht van AI ligt in het vermogen om al die gegevens te verwerken, hoogwaardige analyses uit te voeren en prioriteiten te stellen, kleinere problemen zelf op te lossen en grotere problemen ter beoordeling door te geven aan menselijke medewerkers.
Deze brede en diepgaande gegevensverwerking leidt tot allerlei geavanceerde analyses waar gebruikers vroeger niet altijd voor waren opgeleid. Dankzij specifieke agents krijgt een beginnende of gemiddelde gebruiker toegang tot een aantal zeer geavanceerde analyses, gewoon door iets eenvoudigs als prompt engineering.
Hoe zal agentic AI de toekomst van werk en gebruikersrollen beïnvloeden?
Rich: Wat mensen zich volgens mij afvragen, is: "Raak ik mijn baan kwijt of zal de inhoud van mijn werk veranderen? Zal deze functie verdwijnen of zullen we meer als datawetenschappers werken?"
Op zich blijft het werk bestaan. Je doet werk op een hoger niveau en schrapt de alledaagse taken, maar je hebt nog steeds de analistenrollen nodig om uitzonderingen te beoordelen en eenvoudigere taken te corrigeren.
Wel zullen agents de manier veranderen waarop gebruikers met hun planningssystemen omgaan en waarde toevoegen. Wie haalt het meeste uit AI? Nou, diegene die de beste vragen stelt. Dit vereist getrainde gebruikers.
Max: De term ‘mens-computer-interactie’ is niet uit de lucht gegrepen. Agents nemen dan wel veel taken op, jij blijft degene die ze controleert. Als supergebruiker bepaal jij de regels, doelen en targets die aansluiten bij de strategie en prioriteiten van je bedrijf.
Wie haalt het meeste uit AI? Nou, diegene die de beste vragen stelt.
Het grootste verschil is dat er nu duizenden junior analisten beschikbaar zijn. Je kunt ze specifieke acties laten ondernemen door parameters te wijzigen op basis van je doelstellingen. Terwijl agents repetitieve taken afhandelen, kun jij je richten op taken met grotere toegevoegde waarde en zo je bedrijf helpen groeien.
Ook de samenstelling van teams zal veranderen. Teams die AI-tools en copilots gebruiken, presteren namelijk nu al beter dan teams die dat niet doen. Dit betekent dat bedrijven kunnen schalen en meer kunnen bereiken met hetzelfde aantal mensen als nu.
Welke voorzorgsmaatregelen zijn nodig bij het implementeren van agentic AI?
Rich: Als je zomaar AI in je huidige systeem stopt zonder een goed plan, loop je het risico dat je nog veel meer slecht werk juist op grotere schaal gaat doen. Doordat je nu snel enorm veel veranderingen kunt aanbrengen, kun je in korte tijd aanzienlijke schade aanrichten.
Welke vangrails moet je dan hebben? Denk na over mensen, processen en technologie. Een beginnend analist zou je nooit grote wijzigingen laten aanbrengen in je maand- of jaarplan. Diezelfde functiegebonden permissies zouden ook van toepassing moeten zijn op agents.
Max: Inderdaad, denk goed na over de permissies die je je agents geeft. Je kunt deze permissies onderverdelen in drie basiscategorieën.
Bepaal eerst tot welke tools die agenten toegang krijgen. Zoals ik al zei kunnen agents alleen de tools gebruiken die ze tot hun beschikking hebben. Geef ze enkel toegang tot de tools die ze nodig hebben om het voor hen gestelde doel te bereiken.
Denk na over mensen, processen en technologie. Diezelfde functiegebonden permissies zouden ook van toepassing moeten zijn op agents.
Bepaal daarnaast regels voor de agents zelf. Hoe autonoom mogen ze handelen? Laten we het voorbeeld nemen van daarnet, waarbij we een agent vroegen om te helpen met verloren omzet. Om te beginnen vragen we een analyse om te bepalen op welke locaties en voor welke producten de omzet het sterkst is gedaald. Vervolgens kun je vragen om suggesties te doen. Wat moet ik doen aan dit probleem van omzetverlies in de winkels in deze regio? De agent doet suggesties en vraagt je of hij actie moet ondernemen. Hij vraagt je toestemming totdat zijn suggesties betrouwbaar blijken of totdat je regels of andere agents hebt ingesteld die automatisch de juiste maatregelen kunnen nemen.
Stel ten derde duidelijke regels op. Dit is een kwestie van goed bestuur. Definieer binnen welk gebied elke agent opereert, welke workflows hij afhandelt en hoe hij zich moet gedragen wanneer je hem een prompt geeft. En zorg op de achtergrond voor stevige vangrails. Je wilt niet in de situatie belanden van die schaakagent die in zijn wedstrijd tegen het grootste AI-schaaksysteem begon vals te spelen, gewoon omdat hij de instructie had gekregen om te winnen en – niet dat hij daarbij de regels moest volgen.
Waar moeten bedrijven beginnen bij de implementatie van agentic AI?
Max: Het eerste advies dat ik zou geven is om gewoon aan de slag te gaan. RELEX biedt je sowieso toegang tot Rebot en allerlei AI-mogelijkheden. Voor agentic AI kun je beginnen te spelen met verschillende systemen. Dat is de makkelijkste manier om te leren. Maar wees voorzichtig met je gegevens. Neem contact op met je juridische afdeling om er zeker van te zijn dat je over de juiste tools en permissies beschikt, zodat je de informatiebeveiliging of gegevensprivacy niet in gevaar brengt. Upload geen bedrijfsgegevens naar externe systemen, maar probeer de beschikbare tools uit.
Ga er gewoon mee aan de slag. Dat is de makkelijkste manier om te leren. Maar wees voorzichtig met je gegevens.
Bepaal ten tweede wat je als bedrijf wilt bereiken en identificeer vervolgens welke resultaten geschikt zijn voor AI. Probeer niet alles met agentic AI te willen doen. Zo creëer je alleen maar agents zonder waarde. Hoewel je nu veel meer kunt doen, moet je nog steeds prioriteiten stellen. Kijk naar het tijdsgebruik van je team en bedenk waar je geld verliest, waar je de grootste winst kunt behalen en waar je nu geen tijd voor hebt.
Met agents kun je je richten op belangrijke zaken waar je voorheen geen tijd voor had.
Veel mensen denken meteen dat ze minder tijd in rapportages moeten steken. En ja, rapportagetaken kunnen vervelend zijn. Maar het is tegelijkertijd een taak met weinig toegevoegde waarde. Met agents kun je je richten op belangrijke zaken waar je voorheen geen tijd voor had, kun je op basis van de uitgebreide lijst uitdagingen bepalen waar je deze agents kunt toepassen om je te helpen gegevens te visualiseren en actie te ondernemen.
Ten derde, als dat nog niet is gebeurd, implementeer dan een platform met alle info die agents nodig hebben om hun taken uit te voeren. Denk bijvoorbeeld aan de mogelijkheden voor – machine learning, optimalisatie en gegevensbeheer die bedrijven al gebruiken om de planning van hun toeleveringsketen en retail te versnellen en te verbeteren.
Vraag je je af welke tools AI-agents kunnen gebruiken? Bekijk de AI-gids van RELEX
Geschreven door
Reacties 0