AI-agents in je bedrijf? Zo kun je daar slim mee omgaan

Als we het vandaag de dag over agentic-AI hebben, dan denk je al snel aan AI-chatbots zoals ChatGPT, Gemini en Claude die met moeite dingen op een computer kunnen uitvoeren en bij elke stap nog geholpen moeten worden.

Tegelijk roepen de opperhoofden van de AI-wereld dat we op korte termijn allemaal een persoonlijke AI-assistent hebben die ons kan helpen met alledaagse taken, zoals het plannen van meetings en het boeken van vluchten of het kopen van wc-papier.

Dit diffuse toekomstbeeld van AI-agents kan het lastig maken om als bedrijf een nuttige implementatie voor deze nieuwe, opkomende vorm van kunstmatige intelligentie te vinden. Dat kan complicerend werken, gelet op de druk die er bestaat om met de laatste AI-trends mee te gaan, uit angst dat je anders wordt overvleugeld door concurrenten.

Goed, of dat laatste 100 procent waar is, weten we nog niet. Toch kan het geen kwaad om als bedrijf enigszins bezig te zijn met de mogelijkheden die agentic-AI kan bieden. Maar dan is het wellicht wel een goed idee om omgekeerd te denken: ga niet uit van wat je de ChatGPT’s van de wereld ziet doen, maar ga intern eens kijken waar je verbeterpunten kunt vinden, ongeacht of je denkt dat AI daar al dan niet aan kan bijdragen.

“Wat we veel zien, is dat bedrijven over het algemeen veel te groots denken als het om de implementatie van AI binnen de bedrijfsprocessen gaat”, zegt algemeen directeur en managing partner Jonathan Wright van IBM Consulting tegen Business Insider Nederland. “Als je zo denkt, dan zie je vanzelfsprekend ook de grootste risico’s opdoemen en wordt de drempel naar een mogelijke implementatie van AI steeds hoger. En dat is zonde.”

IBM

Kleiner denken over toepassingen van AI biedt voordelen

Wright is voorstander van kleiner denken. Hij geeft als voorbeeld klanten die het zicht kwijt zijn op de tail spend (de inkoop bij kleinere partijen die minder regelmatig voorkomt) doordat grotere leveranciers alle aandacht opeisen. “Dat zorgt ervoor dat er een kans gemist wordt, omdat er bijvoorbeeld niet met enige regelmaat om kortingen of actuele prijzen gevraagd wordt. Wat als een agentic-AI deze opdracht op zich kan nemen? Dat is low risk, high value, want als de agent het niet doet, doet niemand het en loop je per definitie het potentiële voordeel mis”, legt hij uit.

Het gegeven voorbeeld heeft meerdere voordelen. Zo is het kleinschalig, waardoor het niet veel geld en tijd kost om te implementeren, maar wel aanzienlijk wat kan opleveren. Daarbij komt ook nog eens dat het op te lossen probleem relatief simpel is, waardoor het gestructureerd in te richten valt met beperkte toegang tot data. De AI heeft immers alleen toegang nodig tot de benodigde klantdata en de prijsgegevens. Het AI-model kan deze zelf updaten waar nodig.

Wat Wright met zijn voorbeeld probeert aan te geven, is dat als je identificeert wat het laaghangende fruit is voor verbeterde efficiëntie, het goed mogelijk is dat er een AI-applicatie voor te ontwikkelen valt die het probleem kan oplossen. Daarbij hoeft het niet per se te gaan om een vorm van een kunstmatige intelligentie die autonoom acties onderneemt, maar bijvoorbeeld ook een simpelere AI-applicatie die ongebruikte data kan analyseren en kansen kan identificeren.

Deze kleinschalige aanpak betekent ook dat je niet per se met een gigantisch large language model hoeft te beginnen. Je kunt starten met een klein open-source model dat je traint met door jou geselecteerde en relevante data. De voordelen hiervan zijn tweeledig: de foutmarge blijft minimaal, omdat je de data onder controle hebt. En omdat de kosten daarnaast ook laag blijven, vertaalt deze combinatie zich in een relatief eenvoudig in te schatten rendement.

Toch stelt Wright dat het niet de bedoeling is om bij kleinere implementaties te blijven. “Je moet je indenken wat er kan gebeuren als je meerdere van dit soort kleinere agents aan elkaar koppelt onder een groter model. Dan kunnen ze samenwerken en dus meer taken op zich nemen, omdat ze over verschillende systemen kunnen communiceren”, zegt hij.

Agentic AI is nog niet klaar voor gebruik

Het probleem is dat we nog niet helemaal op het punt zijn dat we agentic AI kunnen inzetten. Wright vertelt dat IBM op dit moment een select aantal kleinschalige proeven bij klanten draait. Hij geeft tegelijk ook aan dat het waarschijnlijk niet al te lang meer duurt voordat dit soort technologie echt ingezet kan worden. Het draait volgens hem allemaal om vertrouwen. Als we vertrouwen dat een AI-assistent het werk nagenoeg feilloos kan doen, dan kunnen we een toepassing inzetten.

“Je moet vertrouwen opbouwen op het niveau van de werknemer, maar ook binnen de directie en het bestuur. Als ze de waarde zien die dit soort systemen leveren, dan zul je de adoptie zien”, stelt Wright. “Ik haal altijd de vorm van een hockeystick aan. Op een gegeven moment belanden we in de curve omhoog en dan zal het snel gaan.”

IBM is er ook van overtuigd dat een deel van dat vertrouwen voortkomt uit de open-source modellen die het bedrijf gebruikt voor het oplossen van de problemen die de klant heeft. Omdat het open-source is, kan iedereen de werking ervan inzien.

Daarnaast brengen deze modellen ook een mate van zekerheid over toekomstige innovaties met zich mee, legt ingenieur Sophie Kuijt van IBM uit. Met andere woorden: open-source modellen die IBM gebruikt, worden constant doorontwikkeld door de open-source community erachter. Dat laatste probeert IBM actief te ondersteunen.

Wanneer we dan echte agentic-AI op de markt gaan zien? Wright verwacht dat het dit jaar nog mondjesmaat zal gaan gebeuren, met name voor kleinschalige oplossingen. ”Ik zie het nut in kleinschalige agentic modellen en ik hoop dat we daar dit jaar echt iets van zullen zien”, aldus Wright. “Maar ik zie het brede agentic-model nog niet zo snel verschijnen.”

LEES OOK: AI die net zo slim is als mensen, komt toch niet over een paar weken – verwachtingen moeten zelfs flink bijgesteld, aldus Sam Altman