De eerste AI-golf ligt inmiddels al weer achter ons. Agentic AI is de volgende stap. Waar generatieve AI (GenAI) meestal reageert op een prompt (samenvatten, schrijven, analyseren), kan agentic AI zelf een doel nastreven en daarbij meerdere stappen plannen en uitvoeren, binnen afgesproken grenzen. IBM omschrijft agentic AI als systemen die een specifiek doel kunnen bereiken met beperkte supervisie, via AI agents die taken uitvoeren en workflows orkestreren. Die autonomie maakt veel grotere impact mogelijk. Tegelijkertijd vergroot het de behoefte aan heldere workflows, beslisregels en eigenaarschap.
Wat is agentic AI?
GenAI en agentic AI worden vaak op één hoop gegooid, maar dat is niet helemaal terecht. GenAI is namelijk vooral reactief: je geeft een prompt en krijgt output, zoals tekst, analyses of samenvattingen. Agentic AI gaat daarentegen een stap verder: het werkt doelgericht binnen een workflow en kan meerdere stappen plannen en uitvoeren. Bijvoorbeeld data ophalen, controles draaien, concepten klaarzetten en escaleren binnen afgesproken beslisregels. Agentic AI bouwt in de praktijk echter wel bijna altijd op GenAI als motor.
Van periodieke, losse projecten naar schaalbare, herhaalbare systemen
Veel werk in organisaties is periodiek: jaarplan, productlancering, recruitmentcampagne, maandafsluiting. Elke cyclus levert deliverables op, vaak met piekdrukte en veel overdrachten. Agentic AI is meer gericht op wat we “always on” noemen. Dus vaste workflows die continu signaleren, testen, bijsturen en concept-output klaarzetten.
Om Agentic AI succesvol te laten zijn, dien je de taken waar je het voor in wilt zetten te benaderen als een continu proces, een workflow. Je dient dus vooraf in kaart te brengen hoe het hele proces verloopt, wie daar bij betrokken is en wie waar verantwoordelijk voor is. Een agent moet namelijk niet alleen weten wat je wil, maar ook waarom je iets wil, met welke input, en wat de volgende stap is. Dat begint dus met context (welke systemen, definities en bronnen zijn leidend), een helder doel (welke KPI of uitkomst wil je optimaliseren?), en binnen welke grenzen mag de agent zich bewegen? Dus wat mag de agent zelfstandig doen en wanneer moet er worden geëscaleerd? Zonder die afspraken gaat een agent wel aan de slag, maar is het niet consistent. En loop je onnodig risico.
Daarom draait agentic AI om procesontwerp en duidelijke afkadering. Je legt kwaliteitsnormen vast (wat is goed genoeg, welke checks zijn verplicht), je bouwt testmomenten in (wat leren we, hoe verbeteren we de workflow, welke signalen leiden tot aanpassing), en je definieert expliciet waar menselijk oordeel nodig blijft en wie eindverantwoordelijk is.
Agentic AI bij Microsoft
Een voorbeeld van Microsoft laat zien hoe je agentic AI succesvol inzet door het werk rondom de agent te ontwerpen, in plaats van alleen betere prompts te schrijven. Op Microsoft.com bouwde het bedrijf met Copilot Studio een web agent (“Ask Microsoft”) die bezoekers helpt met product-, pricing- en supportvragen en hen begeleidt richting concrete acties zoals trials en sign-ups.
Toen de eerste versie tegen performancegrenzen aanliep, herontwierp Microsoft de oplossing naar een multi-agent workflow: een hoofdagent orkestreert gespecialiseerde sub-agents die elk zijn “geground” op een specifiek domein (bijvoorbeeld Azure of Microsoft 365), waardoor antwoorden relevanter worden en de zoekruimte kleiner is.
Tegelijk zijn duidelijke grenzen en menselijke checks ingebouwd, zoals escalatie naar live chat wanneer nodig, en zelfs een aparte e-mail agent die opvolgt als een bezoeker een trial-flow verlaat. Die systeemaanpak leverde meetbare verbeteringen op, waaronder tot 61% lagere latency en tot 70% minder menselijke escalaties, en in tests op de Azure-site 16% meer trial-initiations.
Waarom gaat het nog vaak mis?
In veel organisaties stijgt AI-activiteit snel: training, tools, experimenten. Toch stagneert de echte verandering. De reden is vaak best simpel: AI raakt meerdere domeinen tegelijk. IT wil veilige integratie. Data bewaakt kwaliteit. Legal en compliance toetsen risico. Inkoop kijkt naar leveranciers. Teams willen snelheid. Hierdoor bezet iedereen een stukje, maar is niemand echt eindverantwoordelijk.
De oplossing kan zitten in een bedrijfsbrede aanpak waarbij een persoon of afdeling eindverantwoordelijk wordt. Deze rol houdt tempo, prioriteert use cases en maakt voortgang meetbaar. Niet door alles centraal te dicteren, maar door standaarden en regels neer te zetten, terwijl teams of afdelingen dit lokaal toepassen.
Waar agentic AI per afdeling echt waarde kan toevoegen
Marketing
Stel je draait elke week meerdere campagnes en je wilt sneller weten wat wel en niet werkt. Een AI-agent kan de resultaten uit je kanalen verzamelen, afwijkingen signaleren, simpele verklaringen geven waarom een bepaalde advertentie wel of niet werkt en alvast een conceptadvies klaarzetten voor de volgende week. Jij bepaalt vervolgens of je budgetten of teksten echt aanpast. Zo houd je tempo, zonder dat je elke keer opnieuw alles handmatig hoeft door te spitten.
HR
Denk aan werving voor een lastig te vullen functie. Een AI-agent kan sollicitaties ordenen op basis van vooraf afgesproken eisen, ontbrekende informatie uitvragen bij kandidaten en een overzicht maken voor het eerste gesprek. Ook kan hij/zij de planning voorstellen voor gesprekken en automatisch de juiste documenten klaarzetten. De selectie blijft bij mensen, maar het heen-en-weer werk en het sorteren van stapels reacties wordt veel lichter.
Klantenservice
Neem een dag met veel binnenkomende vragen. Een AI-agent kan berichten lezen, ze indelen op onderwerp en urgentie, en per vraag een conceptantwoord maken op basis van de eigen kennisbank. Bij lastige of gevoelige gevallen zet hij er meteen een vlag bij en stuurt hij het door naar een senior medewerker. Zo reageren teams sneller en consistenter, terwijl je grip houdt op uitzonderingen.
Sales
Bij offertes en retentie gaat veel tijd zitten in zoeken naar de juiste informatie. Een AI-agent kan klantgegevens en eerdere afspraken ophalen, een conceptvoorstel maken dat past bij de standaardvoorwaarden, en aangeven waar het afwijkt of waar een manager moet meekijken. Daardoor kan een accountmanager sneller schakelen, terwijl de belangrijkste beslissingen en uitzonderingen netjes worden bewaakt.
IT en security
Bij IT-support komen veel terugkerende meldingen binnen. Een AI-agent kan meldingen automatisch koppelen aan bekende problemen, standaardoplossingen voorstellen en checken of een oplossing echt werkt. Als iets afwijkt, of als er aanwijzingen zijn voor misbruik, zet hij/zij het direct door naar security. Zo wordt de routine sneller afgehandeld, en blijft de aandacht van specialisten beschikbaar voor echte incidenten.
Finance
Bij de maandafsluiting wil je snel zicht op afwijkingen. Een AI-agent kan de cijfers vergelijken met vorige maand en met budget, opvallende verschillen markeren en alvast een concept-toelichting opstellen voor de rapportage. Tegelijk moet je hier extra scherp zijn omdat finance altijd vraagt om controle en herleidbaarheid. Daarom hoort zo’n agent vooral voorwerk te doen en moet goedkeuring en interpretatie altijd door mensen plaatsvinden.
Met Agentic AI van losse projecten naar “always-on” workflows
Agentic AI maakt het mogelijk om werk te verplaatsen van losse, periodieke projecten naar herhaalbare workflows die altijd “aan staan”. Het grootste knelpunt zit niet in tooling, maar in procesontwerp en eigenaarschap. Richt je daarom op een klein portfolio met hoge waarde, ontwerp workflows met duidelijke kwaliteitsnormen en wijs een iemand binnen je organisatie aan die voortgang week op week bewaakt. Dan zul je zien dat AI echt kan transformeren.
Met AI ook je fiscale processen transformeren?
