Tijdens een Verbondswebinar in september deelde Joop Snijder, CTO Agency & Head of Research Center AI bij Info Support, zijn visie over AI-Agents. Een term die vaak als buzzword wordt gebruikt en waar alles wat met AI te maken heeft onder lijkt te vallen. Maar wat ís een AI-agent nu echt, en belangrijker: hoe bouw je er één die ook daadwerkelijk waarde toevoegt aan je bedrijfsproces? In dit artikel neemt Joop je mee in de aanpak van Info Support en licht hij de beslisboom toe die zij hiervoor ontwikkelden.
Dat het onderwerp leeft, bleek wel uit het grote aantal deelnemers en vervolgens de grote hoeveelheid vragen die Snijder en zijn collega Wilco de Vries kregen tijdens het webinar. En dat is niet vreemd, want een AI-Agent kan zorgen voor een flinke efficiëntieslag, bijvoorbeeld bij de claimafhandeling en het verbeteren van de klanttevredenheid. Veel vragen gingen over de aanpak, verantwoording, transparantie richting de klant en hoe ervoor te zorgen dat je voldoet aan de geldende privacyregels.
“Al deze vragen gaan we beantwoorden in de AIToday Live-podcast die op 13 oktober gepubliceerd wordt,” vertelt Snijder enthousiast. Snijder is host van deze podcast, waarin hij AI-trends, toepassingen en inzichten bespreekt. Met als doel om praktische inzichten en ervaringen rondom AI te delen, “zodat luisteraars beter begrijpen wat AI wél en níet kan,” zo benadrukt hij. “Wij willen - voorbij de hype - laten zien hoe AI in organisaties écht werkt zodat de luisteraars zelf met AI aan de slag te gaan in hun organisatie, waaronder Agentic AI.
Agentic AI ofwel AI-agenten die bedrijfsprocessen van je overnemen, doelen stellen en actie ondernemen om die doelen te behalen, is een nieuwe ontwikkeling waar mensen ook een beetje huiverig voor zijn, want je geeft een proces uit handen aan AI. Is die angst terecht? “Angst is een slechte raadgever, maar het verbaast mij niet dat mensen er zo naar kijken. En zeker vanuit risicobeheersing snap ik die zorgen wel,” beaamt Snijder. “Want hoe ga je die risico’s beheersen?” Zijn advies? “Begin klein en geef zo min mogelijk autonomie. Leer vervolgens wat de agent doet, wat het wel en niet kan en beoordeel de uitkomsten,” geeft Snijder aan. “En als dat goed gaat, dan geef je de agent steeds een beetje meer autonomie in de taken die de agent uitvoert, tot het punt dat je het risico niet meer acceptabel vindt.” Waarmee Snijder bedoelt dat je stap voor stap moet kijken welk risico de agent aankan en waar je vindt dat de autonomie van de agent stopt. “Mensen moeten leren werken met een agent en er vertrouwen in krijgen. Dat helpt ook bij de adoptie ervan. Ik vergelijk het altijd met een junior in de organisatie. Die laat je ook niet meteen al het seniorwerk doen.”
Nog even terug naar de risico’s, waar mensen zich dus zorgen over maken. Die zijn er zeker en niet alleen voor verzekeraars. Want je wilt voorkomen dat de AI-agent onwenselijke besluiten neemt, bijvoorbeeld door schadeclaims te ruimhartig toe te kennen, of taken gaat uitvoeren die niet tot het takenpakket behoren, of bijvoorbeeld data vrijgeeft aan een klant die helemaal niet voor een klant bedoeld is. Snijder benadrukt dat je dat kunt voorkomen door klein te beginnen, en door goed te kijken waar je de mens toevoegt in het proces. “De zogeheten ‘human in the loop’ bij kritieke overdrachtsmomenten tussen mens en bedrijf en klant: waar mag de agent wel en waar niet autonoom handelen? Bovendien schrijft de AI-Act dat ook voor. Dat mensen altijd recht hebben op uitleg. Je moet kunnen uitleggen hoe een beslissing tot stand is gekomen,” legt Snijder uit.
Nu is het hele bedrijfsproces van een verzekeraar gebouwd op klantdata om risico’s te kunnen inschatten. Daarom is het volgens Snijder van belang te bepalen waar je de agent gaat bouwen. “En dat is meteen stap 1 van de beslisboom,” vertelt hij. “Bij het ontwikkelen van een AI-agent heb je drie opties: no-code, low-code en maatwerk (custom code). Ze verschillen in gebruiksgemak, flexibiliteit en benodigde technische kennis. Maar voordat je überhaupt bij een deze opties uitkomt, moet je jezelf de vraag stellen of je de agent in wilt zetten voor een bedrijfskritisch proces, ofwel kernactiviteiten die te maken hebben met klantvertrouwen en naleving van wet- en regelgeving. “Want dan sla je de no-code over,” aldus Snijder. “Een no-code-oplossing is vooral interessant als je bijvoorbeeld klanten online sneller wil helpen door een agent (in dit geval een chatbot) in te zetten voor het beantwoorden van eenvoudige vragen. Je kan het snel laten ontwikkelen, tegen lage kosten en je hebt geen programmeerkennis voor nodig. Daar staat tegenover dat no-code alleen vaste patronen begrijpt en geen complexe klantcases kan afhandelen.”
Snijder vervolgt: “Heb je specifieke eisen en flexibiliteit nodig? En het betreft geen bedrijfskritisch proces? Dan biedt low-code uitkomst omdat het flexibel en snel is. Je hebt er wel meer kennis voor nodig omdat je gaat coderen. En omdat je het systeem kunt aanpassen, heeft het onderhoud nodig.” Low-code is dus uitgebreider dan no-code, en kan een verzekeraar inzetten om bijvoorbeeld klanten te informeren over de afhandeling van hun claim is en welke documenten er nodig zijn. Via standaardbouwblokken koppel je de agent aan interne databases waarna je met behulp van stukjes code de agent dynamische antwoorden kan laten geven.
Gaat het om complexere bedrijfskritische processen, dan wil je een agent in eigen beheer ontwikkelen, ofwel optie 3: maatwerk. Denk bij een maatwerkoptie aan een agent die je wil inzetten als volwaardige digitale assistent. En die dus in staat is verzekeringsadvies te geven, rekening houdend met actuele wetgeving, interne regels en het klantprofiel. Het is volgens Snijder meteen de meest kostbare optie. “Het is een strategische keuze, waarbij je goed moet nadenken waar te beginnen,” zo waarschuwt Snijder. “Als je de verkeerde keuze maakt, dan is dat altijd een dure keuze. Als je bij no-code begint terwijl je maatwerk nodig hebt, dan moet je veel extra investeren om daar naartoe te groeien. Als je bij maatwerk begint terwijl no-code voldoende was, heb je in eerste instantie een te grote investering gedaan.” Snijder wijst erop dat je je als beslisser moet verdiepen in waar je data wilt inzetten, voor welk proces en welke kosten dat met zich meebrengt. “Dus begin vooral niet met de techniek, maar begin met nadenken over de strategische keuze en kijk dan wat je nodig hebt om de agent te implementeren.”
Vanuit de strategische keuze kan je dus inzetten op het ontwikkelen van enkelvoudige AI-agents: gericht op één taak, zelfstandig opererend binnen een bepaald domein of proces. En Agentic AI: meerdere gespecialiseerde agents die samen werken aan het behalen van complexere doelen. “Agentic AI zet je dus niet in voor standaard workflow zoals een claimafhandeling. Deze agents communiceren, coördineren en vullen elkaar aan in expertise.” Snijder legt het uit aan de hand van een voorbeeld: “Je geeft Agentic AI als doel de klikratio’s van je advertenties op je site te vergroten. Dan gaan de agenten onder leiding van een hoofdagent aan de slag om dat doel te bereiken. Eén agent is daarbij gespecialiseerd in het ontwikkelen van advertenties terwijl de andere agent gespecialiseerd is in data- analyse op basis van het klikgedrag. De hoofdagent kan op basis van de analyse besluiten om de advertentie door de advertentie-agent aan te laten passen, en krijgt daar ook budget voor.” De hoofdagent is dus verantwoordelijk voor het plan en schakelt als een regisseur tussen de aangesloten agents. Snijder waarschuwt opnieuw: begin met het ontwikkelen van één agent die iets heel goed kan, voordat je daar een andere agent aan koppelt. Als je een agent hebt die iets heel goed kan, dan ben je al goed bezig, want het goed afbakenen van de taken van een agent is echt moeilijk,” benadrukt Snijder. “Het maken van een AI-agent is een hele goede oefening in het maken van keuzes.”
Snijder waarschuwt dat de complexiteit bij agentic AI veel hoger is. Want meerdere agents kunnen falen, de communicatie kan misgaan, en het wordt lastiger verantwoordelijkheid toe te wijzen. Om dat risico te bepreken, herhaalt hij opnieuw zijn advies om klein te beginnen en er gaandeweg voor te zorgen dat je het maximale uit de agent(en) haalt “De kracht van AI-agents zit hem in de ondersteuning van medewerkers. Zo is een agent bij uitstek geschikt voor taken met veel herhaling. Ofwel werk met weinig toegevoegde waarde en wat we eigenlijk geen leuk werk vinden,” zegt Snijder met een knipoog. “Ook kun je agenten inzetten voor meer complex werk wat veel voorkomt. Maar waar je geen workflow voor hebt omdat het geen standaard werk is.” Ter illustratie noemt Snijder pakketbezorging: “Een bezorgdienst bouwt momenteel een agent om verloren pakketten te traceren. Dat is een complex proces, maar niet standaard omdat pakketten op allerlei manieren kunnen wegraken.”
Aan het eind van het interview werpen we nog een blik op de toekomst: gaat een AI-agent straks zelf verzekeringen afsluiten? “Ik ben bang van wel,” zegt Snijder met een glimlach. Mensen gaan agents straks overal voor gebruiken. Nu is de website voor veel bedrijven nog de belangrijkste communicatiedrager, gericht op (potentiële) klanten die snel informatie kunnen vinden en een verzekering kunnen afsluiten. Een agent leest de gegevens op jouw site heel anders. Dus moet je een AI-ingang creëren zodat een agent straks voor jouw (potentiële) klant de site gaat doornemen. En die agent leest alleen tekst, geen beeld en dus geen emotie. En baseert zich op de klantdata die de klant met hem gedeeld heeft. Het taalmodel van de agent moet straks heel goed snappen wat een verzekering is en wat de polisvoorwaarden inhouden. De eerste verzekeraar die zo’n agent en ingang op hun site kan ontwikkelen, behaalt een groot concurrentievoordeel.”
Snijder komt met nog een ander voorbeeld: je eigen agent die namens jou schadeclaims indient waardoor de drempel veel lager wordt om te claimen of een verzekering afsluit. “Kortom, een agent maakt alles veel laagdrempeliger. Dat biedt veel kansen, maar ook uitdagingen om ervoor te zorgen dat Agentic AI de gewenste resultaten oplevert.”
Volgens Snijder is een AI-agent een intelligent softwaresysteem dat autonoom taken kan uitvoeren namens een organisatie, waarbij drie cruciale kenmerken gelden: waarnemen, handelen (autonomie) en leren van feedback.
De agent kan zijn omgeving waarnemen: dit kan bijvoorbeeld het inlezen van documenten zijn, het raadplegen van databases, sensor-informatie, of het monitoren van systeem statussen.
De agent krijgt een doel (of doelstelling) en beslist zelf welke acties hij onderneemt om dat doel te behalen, zonder dat bij elke stap (microscopisch) menselijke tussenkomst nodig is.
De agent past zijn aanpak aan op basis van feedback en ervaringen. Als een bepaalde strategie niet werkt, kan hij zijn aanpak veranderen om betere resultaten te behalen.