Agentic AI: de nieuwe standaard voor automatisering van repetitieve taken

In onze blogreeks “Effectief, snel en relevant AI inzetten op je eigen data” zoomen we deze keer in op agentic AI, en hoe deze vernieuwende technologie de manier waarop we werken radicaal verandert.

Wat is Agentic AI?

Agentic AI verwijst naar kunstmatige intelligentie die zelfstandig taken kan uitvoeren en beslissingen neemt om een doel te bereiken. In tegenstelling tot traditionele AI-systemen, die vooral content genereren of vragen beantwoorden, is agentic AI ontworpen om daadwerkelijk acties uit te voeren in een operationele omgeving. Hierbij wordt niet alleen informatie verwerkt, maar worden ook concrete stappen gezet, bijvoorbeeld het aansturen van systemen, het monitoren van processen, en het samenwerken met andere digitale agents om complexe taken te voltooien.

Het onderscheid met klassieke AI zit vooral in de mate van autonomie en doelgerichtheid. Waar traditionele AI vaak reactief is, handelt agentic AI proactief, en kan het zelfstandig een reeks handelingen plannen en uitvoeren om een bepaald resultaat te bereiken.

Kortom: agentic AI staat voor een slimme, proactieve vorm van automatisering waarin digitale agents zelfstandig én in samenwerking met elkaar complexe taken uitvoeren, zodat u zich als professional kunt focussen op wat er écht toe doet.

Waarom zou je agentic AI gebruiken?

Voor veel medewerkers zijn repetitieve, tijdrovende en monotone taken een dagelijkse realiteit. Denk aan het verwerken en ingeven van grote hoeveelheden data, het uitvoeren van batch-operaties, of het beheren van standaard administratieve processen.

Automatisering is al jaren het antwoord op deze uitdaging. Maar wat is er veranderd, en wat doet agentic AI anders?

Als het gaat over Agentic AI en agent frameworks, denk dan bijvoorbeeld aan de stappen in invoice processing:

• het semi-gestructureerd scannen en extraheren van gegevens op facturen via OCR (Optical Character Recognition)
• het valideren van gegevens en goedkeuren van facturen
• het archiveren van facturen via PDF-omzetting
• het doorsturen van gegevens via een interface naar een financieel systeem

• het meest opvallende is dat de AI technologie die nu voorhanden is ook context kan begrijpen, en niet meer louter wat er letterlijk staat. Zo zal huidige AI technologie begrijpen dat "Total Amount Due" en "Grand Total" hetzelfde betekenen, zelfs als ze anders geformuleerd zijn. Al is het meest gekende voorbeeld “prompting”, waarbij via Natural Language Processing (NLP) kunstmatige intelligentie zich bezighoudt met het begrijpen, interpreteren en genereren van menselijke taal.
• cloud technologie zorgt voor een ongekend aantal services en mogelijkheden die continue evolueren, samenwerken en eenvoudig ter beschikking worden gesteld
• MCP (Model Context Protocol): MCP is een open standaard die agents in staat stelt om in real time te communiceren met externe systemen, bijvoorbeeld ERP- of CRM-systemen. MCP werkt als een soort “USB-C poort” voor AI: één standaard om alles aan te sluiten. Kortweg: een minimum aan maatwerk om gegevens uit systemen te halen en door te sturen
• MAF (Microsoft Agent Framework): MAF ondersteunt multi-agent orkestratie. Je kan meerdere agents combineren in één workflow, waarbij ze informatie doorgeven, samenwerken of elkaar opvolgen

Wanneer is agentic AI geschikt?

Agentic AI komt vooral tot zijn recht bij taken die niet eenvoudig volledig in een functie of script te vangen zijn. Denk aan processen met meerdere stappen, afhankelijkheden, uitzonderingen en dynamische beslismomenten, bijvoorbeeld:

• leads kwalificeren aan de hand van e-mails, vrije tekst in formulieren, … en automatisch taken genereren en toewijzen aan een sales verantwoordelijke
• anomalieën in data detecteren en notificaties genereren
• het beheren van incidentafhandeling waarbij verschillende acties vereist zijn afhankelijk van de situatie
• voice omzetten naar een document en gestructureerde gegevens doorsturen naar het CRM-systeem
• ML modellen loslaten op datasets en suggesties/predicties doorsturen naar de operationele systemen (churn prediction, customer segmentation, product recommendation, …)
• compliance monitoring: agents controleren continu op naleving van veranderende regelgeving en ondernemen direct actie bij afwijkingen

Daarentegen zijn taken die eenvoudig, heel gestructureerd en eenduidig zijn - dus samen te vatten in een script dat steeds hetzelfde doet - minder geschikt voor agentic AI. In zulke gevallen voegt agentic AI extra complexiteit, onnauwkeurigheid en vertraging toe. Het is dan efficiënter om AI te gebruiken om eenmalig een functie of script te genereren, dat vervolgens structureel wordt uitgevoerd door een systeem of een workflow. 

Het Microsoft Agent Framework: introductie en kernconcepten

• orkestratie van meerdere agents rondom een gezamenlijk doel
• integratie met bestaande IT-systemen en cloudservices
• monitoring en logging van uitgevoerde taken
• mogelijkheid tot zelflerend gedrag en feedbackloops

De kracht van agents zit in hun onderlinge samenwerking. In plaats van één monolithisch script, werken meerdere gespecialiseerde agents samen om een taak stapsgewijs op te lossen.

Bijvoorbeeld: bij het onboarden van een nieuwe medewerker kan één agent de benodigde accounts aanmaken, terwijl een andere agent de juiste rechten toewijst, en weer een andere agent de hardwarebestelling afhandelt.

Door taken te verdelen en te coördineren, worden processen robuuster en flexibeler. Agents kunnen taken van elkaar overnemen, fouten opvangen, en aanpassingen doorvoeren op basis van actuele omstandigheden. Dit maakt het mogelijk om bedrijfsprocessen te automatiseren die voorheen te complex of te veranderlijk waren voor traditionele automatisering.

Conclusie