AI heeft de wereld stormenderhand veroverd en bedrijven haasten zich om zinvolle manieren te vinden om hun kracht te benutten. Nu er bijna dagelijks nieuwe tools en mogelijkheden opduiken, is het zowel een uitdaging als een noodzaak om gelijke tred te houden met het innovatietempo.
‍

Eerder dit jaar hield IBM een Agentic AI Roundtable in Bracknell, waar concepten, demo's en use-cases werden gepresenteerd die laten zien hoe Agentic AI klaar staat om de manier waarop we intelligente applicaties bouwen opnieuw vorm te geven.

De sessie bracht deelnemers van Bell Integration en Naviam samen voor een diepgaande workshop over Agentic AI, een benadering van de volgende generatie voor het bouwen van intelligente systemen.

Traditionele LLM-workflows versus Agentic AI

De veelgebruikte LLM-toepassingen van tegenwoordig zijn ontworpen met een lineaire flow: gebruikers voeren query's in en het systeem doorloopt een vaste reeks stappen voordat een uitvoer wordt geretourneerd. Deze workflows zijn voorspelbaar en beheersbaar, maar ze vereisen vaak menselijk toezicht als er iets misgaat of als er aanvullende informatie nodig is.
‍

Agentic AI-systemen zijn daarentegen dynamisch en adaptief. In plaats van een vast gecodeerd pad te volgen, evalueren ze de huidige context, bepalen ze welke aanvullende informatie (indien aanwezig) nodig is, kiezen ze welke tools ze willen gebruiken en herzien ze hun plan indien nodig. Ze volgen niet alleen de instructies; ze redeneren over wat ze vervolgens moeten doen.

Van RAG naar Agentic RAG

Een goed voorbeeld van deze evolutie zijn de systemen van Retrieval-Augmented Generation (RAG). Een RAG-systeem combineert een ophaalcomponent met een taalmodel, waardoor het model in realtime toegang heeft tot externe kennisbronnen in plaats van uitsluitend te vertrouwen op de interne trainingsgegevens. Traditionele RAG bestond uit het doorzoeken van een vectorarchief, het ophalen van de top-k-resultaten en het doorgeven van die informatie aan de LLM voor het genereren van antwoorden.
‍

In een Agentic RAG-systeem begint het proces op dezelfde manier, maar heeft dan een kleine wending. De agent evalueert of de opgehaalde documenten voldoende zijn. Als dit niet het geval is, kan het een zoekopdracht op internet starten of een andere database doorzoeken. Het kan zelfs een andere agent bellen om te helpen. Het belangrijkste verschil: de agent neemt de beslissingen autonoom, waardoor de workflow in realtime wordt geoptimaliseerd.

‍

Lendyrx: Agentic AI van IBM in actie

Lendyrx is een financiële applicatie gebouwd door IBM met een agentische aanpak. Met dit systeem kunnen gebruikers in gesprek communiceren met hun bankgegevens. Onder de motorkap werken meerdere agenten samen om aan verzoeken te voldoen:

• Planneragent bepaalt de algemene taakstructuur

• Data-agent haalt relevante bankgegevens op.

• Visualisatieagent presenteert de gegevens op de juiste manier
  ‍

Dit systeem is gebouwd op LangGraph, een agentisch raamwerk waarbij elke stap (planner -> executor -> tools) de historische context behoudt en gebruikt. Elke agent heeft een kleine, op aanwijzingen gebaseerde descriptor die de Planner Agent helpt te beslissen welke de agent moet gebruiken op basis van gebruikersinvoer.

Waarom meerdere agenten gebruiken?

Waarom niet gewoon een enkele LLM gebruiken? Omdat het opsplitsen van taken over meerdere agenten zorgt voor betere specialisatie, foutdetectie en autonomie. In een IBM-demo was er bijvoorbeeld een codegeneratoragent en een aparte code-uitvoerder die ervoor zorgde dat de code werkt. Zonder deze configuratie zou een mens elk resultaat moeten valideren.
‍

Dat gezegd hebbende, er zijn beperkingen aan verbonden. Als er te veel agents worden gebruikt, kunnen de prestaties afnemen, niet alleen wat betreft systeemsnelheid, maar ook wat betreft betrouwbaarheid en uitvoerkwaliteit. Elke agent werkt doorgaans volgens zijn eigen cyclus van planning, uitvoering en reflectie, en wanneer meerdere agenten samen worden georkestreerd, kunnen ze zorgen voor coördinatieoverhead, onenigheid over middelen of zelfs tegenstrijdige beslissingen als ze niet zorgvuldig worden beheerd. Dit kan workflows vertragen, overbodige stappen introduceren of ervoor zorgen dat agenten „op elkaars tenen trappen” wanneer ze toegang krijgen tot gedeelde tools of gegevens. Het is belangrijk om workflows zorgvuldig te ontwerpen om ervoor te zorgen dat elke agent een duidelijke rol en reikwijdte heeft. Complexiteit afwegen tegen functionaliteit is essentieel voor het bouwen van agentsystemen die zowel krachtig als performant zijn.

Agentic AI voor bedrijven: automatiseringspotentieel

Een van de meest overtuigende beloftes van Agentic AI is automatisering. IBM schat dat AI tot 70% van de zakelijke taken kan automatiseren. De workshop bracht twee sterke use-cases aan het licht:
‍

1. Beleidsreactie op lange termijn - Een klant uit de publieke sector moest reageren op complexe brieven waarin om opheldering over het beleid werd gevraagd. Deze reacties kunnen tot twee uur duren en vereisen input van beleidsdeskundigen. Met behulp van een agentworkflow op watsonx.ai heeft IBM het proces geautomatiseerd. Nu genereert het systeem binnen enkele minuten reacties, gebaseerd op officiële beleidsdocumenten. Mensen kunnen naar behoefte monitoren en bijsturen.
   ‍

2. Triage van verzekeringsclaims - Een verzekeringsmaatschappij heeft een agentsysteem geïmplementeerd dat een „gedachte-actielus” nabootst:
   
   • Denkt na over de benodigde stappen
   • Haalt relevante claimgegevens op
   • Onderneemt een actie
   • Evalueert het resultaat opnieuw
     ‍

Het resultaat is een snellere, consistentere afhandeling van claims met minder menselijke overheadkosten.

Uitdagingen: nauwkeurigheid, validatie en schaalvergroting

Agentsystemen bieden flexibiliteit, maar daar hoort ook complexiteit bij. Het waarborgen van de nauwkeurigheid van de resultaten blijft van cruciaal belang. Sprekers uit de workshop adviseerden om grenzen te stellen voor wat LLM's wel en niet kunnen. Het gebruik van beproefde modellen en het nauwkeurig afstemmen van aanwijzingen is essentieel voor consistentie.
‍

Validatie blijft een van de moeilijkste uitdagingen. Een casus van Bell Integration illustreerde dit duidelijk: een lineaire RAG-opstelling presteerde goed in demo's, maar mislukte in de productie omdat er geen robuuste, realistische nauwkeurigheidscontroles waren. xA stelde een oplossing voor van IBM: introduceer een validatieknooppunt — een extra stap in de workflow die door agenten gegenereerde antwoorden vergelijkt met een betrouwbare basiswaarheid voordat ze worden geaccepteerd. Het is een eenvoudige maar krachtige manier om het valse vertrouwen in LLM-resultaten te verminderen.
‍

Er is ook veelbelovend onderzoek gedaan naar het gebruik van reinforcement learning (RL) om agenten te helpen veerkrachtiger en zelfcorrigerend te worden. In deze context stelt RL agenten in staat feedback te krijgen over hun acties, waarbij ze goede resultaten belonen en slechte resultaten bestraffen, zodat ze hun strategieën in de loop van de tijd kunnen verfijnen. Het opent de deur voor agenten die kunnen leren van hun ervaring in plaats van uitsluitend te vertrouwen op statische instructies, waardoor ze zich beter kunnen aanpassen in dynamische bedrijfsomgevingen.

Wat komt er daarna

Agentic AI betekent een verschuiving in onze manier van denken over AI-toepassingen: van statische, op regels gebaseerde pijplijnen naar intelligente, adaptieve systemen die kunnen plannen, handelen en leren. De workshop was een openbaring: niet alleen om de technische capaciteiten te demonstreren, maar ook om de strategische, ontwerp- en ethische overwegingen te benadrukken die gepaard gaan met de invoering van deze systemen.
‍

De boodschap was duidelijk: succes met agentic AI gaat niet alleen over het bouwen van geavanceerdere tools, maar ook over het ontwerpen van systemen die robuust en betrouwbaar zijn en afgestemd op de behoeften van de echte wereld. Nu organisaties overstappen van experimenteren naar implementatie, zal de uitdaging liggen in het doordacht opschalen, waarbij autonomie wordt afgewogen tegen toezicht en innovatie met stabiliteit.
‍

Agentsystemen evolueren nog steeds, net als de kaders die we nodig hebben om ze te bouwen, te valideren en te beheren. De toekomst omvat niet alleen technische ontwikkeling, maar ook doorlopend onderzoek, samenwerking en iteratie.