Waar begin je met agentic AI in je bedrijf?

Agentic AI begint niet met de vraag welk model je gebruikt. Het begint met de vraag welk stuk werk in je bedrijf vaak genoeg terugkomt om er een systeem omheen te bouwen. Een agent die geen duidelijk proces, eigenaar of grens heeft, wordt meestal een demo. Een agent die klein begint en echt werk raakt, kan uitgroeien tot een patroon voor de rest van de operatie.

Begin bij werk dat blijft terugkomen

De beste eerste toepassing is zelden de meest spectaculaire. Het is werk dat elke dag of elke week terugkomt, genoeg context nodig heeft en nu door mensen wordt voorbereid, gecontroleerd of doorgestuurd.

Denk aan supporttriage, orderuitzonderingen, finance checks, rapportagevoorbereiding, planning, voorraadvragen, documentcontrole of het samenvatten van operationele signalen. Dat zijn geen futuristische use cases. Dat is precies waarom ze interessant zijn. Ze zitten dicht op de operatie.

IBM beschrijft agentic operations als een manier om bedrijfsprocessen opnieuw te organiseren rond agentic workflows, niet als een losse chatbot naast het werk. Dat onderscheid is belangrijk. Een agent moet in de werkstroom passen. Niet erbuiten hangen.

Een bruikbaar startproces heeft meestal vier kenmerken:

• Het komt vaak terug.
• De input is redelijk herkenbaar.
• De output kan beoordeeld worden.
• Er is iemand die eigenaar is van uitzonderingen.

Als één van die vier ontbreekt, is het meestal te vroeg. Dan moet je eerst het proces, de data of het eigenaarschap scherp krijgen.

Kies een workflow met context en grenzen

Een agent heeft meer nodig dan een prompt. Hij heeft context nodig: klantgegevens, orders, tickets, documenten, interne regels, historische beslissingen of systeemstatussen. Zonder die context kan hij hooguit algemeen advies geven.

Maar meer context is niet altijd beter. Het eerste project moet juist smal genoeg blijven. Kies één workflow. Bepaal welke informatie de agent echt nodig heeft. Bepaal ook welke acties hij niet mag nemen.

Een goede eerste scope klinkt bijvoorbeeld zo:

• De agent leest nieuwe supporttickets en stelt prioriteit, samenvatting en vervolgstap voor.
• De agent controleert orderuitzonderingen en zet verdachte cases klaar voor review.
• De agent bereidt een wekelijks operationeel overzicht voor op basis van ERP, ticketing en finance exports.
• De agent vergelijkt inkomende documenten met interne regels en markeert afwijkingen.

In al deze voorbeelden doet de agent werk. Maar hij hoeft niet meteen volledig autonoom te handelen. Dat is vaak de fout. Bedrijven willen te snel naar "de agent regelt het". De eerste versie moet vooral laten zien of taak, context en controle kloppen.

Maak de eerste agent bewust smal

Een eerste agent moet klein genoeg zijn om te bouwen, testen en corrigeren. Dat betekent niet dat hij onbelangrijk is. Hij moet één echt probleem raken.

McKinsey wijst bij agentic AI op de noodzaak van goede fundamenten: data, workflows, operating model en governance. Voor middelgrote bedrijven betekent dat meestal: begin niet met een groot platformtraject. Begin met één proces waar je kunt leren hoe agentic werk in jouw organisatie moet functioneren.

De eerste agent hoeft niet alle stappen uit te voeren. Hij kan ook:

• classificeren;
• samenvatten;
• voorstellen doen;
• afwijkingen signaleren;
• een beslissing voorbereiden;
• een taak klaarzetten voor goedkeuring.

Dat is geen half werk. Het is vaak de verstandigste eerste versie. Je ziet dan waar context ontbreekt, waar mensen willen corrigeren en welke uitzonderingen terugkomen.

Ontwerp controle vanaf het begin

Agentic AI zonder controle wordt snel onbruikbaar. Niet omdat het model per definitie slecht is, maar omdat bedrijfsprocessen uitzonderingen hebben. Klantimpact, geld, rechten, compliance en reputatie vragen om duidelijke grenzen.

NIST positioneert AI-risicomanagement als iets dat in ontwerp, ontwikkeling, gebruik en evaluatie moet zitten. Dat geldt extra voor agents, omdat ze niet alleen tekst genereren maar ook werk kunnen voorbereiden of uitvoeren.

Leg daarom vanaf het begin vast:

• welke acties de agent zelfstandig mag voorbereiden;
• welke acties goedkeuring nodig hebben;
• welke data de agent mag lezen;
• waar logs worden opgeslagen;
• wie feedback geeft op fouten;
• wanneer de agent moet stoppen.

Een agent zonder logging is moeilijk te verbeteren. Een agent zonder eigenaar wordt niemand zijn probleem. Een agent zonder stopregels wordt onveilig zodra de uitzonderingen beginnen.

Wat de volgende stap moet opleveren

De eerste stap richting agentic AI moet geen visiedocument zijn. Hij moet een besluit opleveren.

Voor elk kandidaatproces wil je weten:

• Is dit proces geschikt voor een 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?

Daarna kun je pas kiezen: bouwen, kleiner starten, eerst data verbeteren of niets doen.

Dat is ook de rol van een goede Quickscan. Niet inspireren. Besluiten. 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.