Waar begin je met agentic AI in je bedrijf?

Agentic AI begint niet met een model, prompt of tool. Het begint met een implementatievraag: welk stuk werk komt vaak genoeg terug, heeft genoeg context en is scherp genoeg begrensd om er een systeem omheen te bouwen?

Een eerste AI-implementatie mislukt meestal niet omdat het model te zwak is. Het mislukt omdat de taak te vaag is, data niet bereikbaar is, niemand eigenaar is of menselijke controle pas achteraf wordt bedacht. Begin daarom niet met "we willen iets met AI". Begin met een workflow waar je een echte build/no-build beslissing over kunt nemen.

De juiste startvraag

De beste startvraag is niet: welke AI-tool moeten we gebruiken?

De betere vraag is:

"Welke terugkerende workflow kan een AI-agent voorbereiden, ondersteunen of deels uitvoeren, zonder dat controle, eigenaarschap en risico onduidelijk worden?"

Die vraag dwingt je om naar werk te kijken in plaats van naar technologie. Dat is belangrijk, want een AI-agent is geen los tekstvak naast je operatie. Een agent gebruikt context, haalt informatie op, stelt acties voor en werkt binnen grenzen. Zonder workflow blijft het een demo.

Een goed eerste proces heeft meestal vier kenmerken:

• Het komt dagelijks of wekelijks terug.
• De benodigde context is bereikbaar in systemen, documenten of mensen.
• De output is te beoordelen.
• Er is een eigenaar voor uitzonderingen en feedback.

Als een van die punten ontbreekt, is AI implementatie vaak nog te vroeg. Dan moet je eerst het proces, de data of de verantwoordelijkheid scherper maken.

Een praktisch stappenplan voor de eerste AI-implementatie

Gebruik voor een eerste agentic AI-project geen groot transformatietraject. Gebruik een kort implementatiestappenplan dat eindigt in een concreet besluit.

1. Kies een proces, geen afdeling

"Klantenservice", "finance" of "operations" is te breed. Kies een taak binnen die afdeling.

Voorbeelden:

• Nieuwe tickets samenvatten, prioriteren en naar de juiste vervolgstap sturen.
• Orderuitzonderingen groeperen en de waarschijnlijke oorzaak tonen.
• Contract- of factuurgegevens controleren tegen interne regels.
• Wekelijkse managementinformatie voorbereiden uit meerdere bronnen.
• Documenten vergelijken met beleid, afspraken of kwaliteitscriteria.

De eerste versie hoeft niet alles te doen. Hij moet een herkenbaar stuk werk raken.

2. Bepaal wat goed werk betekent

Een agent kan alleen nuttig worden als duidelijk is wat een goede output is. "Maak ons slimmer" is geen output. "Vat dit ticket samen, bepaal urgentie en stel de volgende actie voor" is dat wel.

Leg per proces vast:

• welke input binnenkomt;
• welke output nodig is;
• welke fouten acceptabel zijn;
• welke fouten onacceptabel zijn;
• wie feedback geeft;
• wanneer het systeem moet stoppen.

Dit is het verschil tussen een AI-idee en een AI-implementatie.

3. Breng de minimale context in kaart

Een AI-agent heeft niet alle bedrijfsdata nodig. Hij heeft de minimale betrouwbare context nodig voor een taak.

Dat kan bestaan uit CRM-data, ERP-records, ticketinformatie, documenten, policyregels, productinformatie, historische beslissingen of exports. De vraag is niet hoeveel data er is. De vraag is welke context nodig is om een voorstel te doen dat een medewerker serieus kan beoordelen.

Als die context alleen in hoofden zit, moet je eerst expliciet maken welke regels en voorbeelden de agent mag gebruiken.

4. Ontwerp controle voordat je bouwt

Menselijke controle hoort niet achteraf op een AI-agent geplakt te worden. Per actie moet duidelijk zijn wat de agent mag:

• alleen lezen;
• samenvatten of classificeren;
• voorstellen;
• klaarzetten;
• uitvoeren;
• escaleren.

Bij acties met klantimpact, geld, rechten of moeilijk herstelbare gevolgen blijft goedkeuring vooraf meestal nodig. Bij laag-risico werk kan monitoring of audit achteraf genoeg zijn.

5. Maak de eerste build kleiner dan je ambitie

De eerste agent moet smal genoeg zijn om te testen en groot genoeg zijn om echte waarde te bewijzen.

Een goede scope klinkt zo:

"De agent leest nieuwe tickets, vat ze samen, bepaalt prioriteit, toont relevante klant- en ordercontext en stelt een vervolgstap voor. Hij verstuurt niets zonder goedkeuring."

Een slechte scope klinkt zo:

"Bouw een AI-agent die onze support automatiseert."

Het eerste is bouwbaar. Het tweede is een wens.

6. Meet correcties, niet alleen output

Een agentic systeem wordt pas beter als correcties zichtbaar zijn. Meet daarom niet alleen hoeveel taken zijn verwerkt, maar ook:

• waar mensen voorstellen aanpassen;
• welke data ontbreekt;
• welke uitzonderingen terugkomen;
• wanneer de agent te voorzichtig is;
• wanneer hij te veel vrijheid krijgt;
• welke acties later misschien autonoom kunnen.

Die feedback bepaalt de volgende build.

7. Beslis: bouwen, kleiner maken of niet bouwen

Een goede eerste analyse moet eindigen in een besluit:

• bouwen;
• kleiner starten;
• eerst data ontsluiten;
• eerst proces/eigenaarschap oplossen;
• bewust niet bouwen.

Dat laatste is geen nederlaag. Het voorkomt dat je budget steekt in een agent die niemand vertrouwt.

Waarom dit anders is dan een AI-strategie

Een AI-strategie kan nuttig zijn, maar te veel bedrijven gebruiken strategie als uitstel. Ze praten over kansen, tools en governance zonder te bepalen welk systeem als eerste werk gaat raken.

McKinsey benadrukt bij agentic AI dat schaal vraagt om workflows, data, governance en operating model. Voor Silvant betekent dat niet: begin groot. Het betekent: kies een smal proces waarin die onderdelen zichtbaar worden.

NIST plaatst AI-risicomanagement door de hele levenscyclus van AI-systemen. Ook dat is praktisch: denk bij de eerste build al na over logging, rollen, grenzen, feedback en beheer.

Wat een Quickscan moet opleveren

Een goede AI Quickscan is geen inspiratiesessie met losse ideeen. Hij moet per kandidaatproces antwoord geven op:

• Is dit proces geschikt voor een AI-agent?
• Welke context is nodig?
• Welke systemen moeten gekoppeld worden?
• Waar blijft menselijke controle?
• Wat is de kleinste bruikbare eerste build?
• Wat bouwen we bewust nog niet?

Daarom is de beste eerste stap geen modelkeuze. De beste eerste stap is een scherp besluit over proces, data, controle en scope.

Agentic AI wordt pas interessant wanneer de eerste toepassing klein genoeg is om te starten en concreet genoeg is om in productie iets te veranderen.