Hoe u klaar wordt voor agentische AI: mensen, gegevens en ervaring
Vaardigheidskloof: Organisaties worstelen niet met technische capaciteiten, maar met het hebben van de juiste mensen die beslissingen nemen.
Betrokkenheid bij het ontwerp: Het is cruciaal om de juiste mensen uit de operationele praktijk als kernteamleden te betrekken voor een effectief agentontwerp.
Zich opstapelende problemen: Kleine contextfouten door AI-agents stapelen zich in de loop van de tijd op en beïnvloeden de klanttevredenheid en het vertrouwen.
Voordeel van kleinere organisaties: Kleinere organisaties kunnen agentische AI gemakkelijker implementeren, met minder complexiteit dan grotere ondernemingen.
Infrastructuurbehoeften: Een succesvolle implementatie van AI vereist meer dan technologie; er zijn ook organisatorische capaciteiten en datakwaliteit voor nodig.
Wanneer organisaties agentische AI nastreven, beginnen ze met technologie. Ze praten over agents, orkestratielagen en architecturen met meerdere modellen.
Wat ze vaak niet vermelden: de mensen en wat er gebeurt wanneer dingen misgaan op manieren die niemand had voorspeld?
Het probleem is niet technisch, maar veel leiders beseffen dit pas wanneer ze diep in de implementatie zitten en zien dat klanttevredenheidsscores dalen en kwaliteitsmetingen verslechteren.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Het tekort aan vaardigheden op het gebied van agentische AI
Vraag de meeste leidinggevenden naar hun gereedheid voor agentische AI, en ze zullen hun AI-engineers en datawetenschappers beschrijven. Ze zullen hun cloudinfrastructuur en proces voor modelselectie toelichten.
Wat minder vaak wordt onderzocht, is of ze de mensen die daadwerkelijk begrijpen hoe agents de organisatie zullen beïnvloeden, voldoende zeggenschap hebben gegeven.
Dit is het echte tekort aan vaardigheden. Niet technische bekwaamheid, maar organisatorische invloed.
De vraag is niet: "hebben we AI-engineers?" De vraag is: "hebben we de juiste mensen die beslissingen nemen?"
In de meeste organisaties is het antwoord nee.
Slechts 14% van de organisaties heeft agentische oplossingen klaar voor implementatie, ondanks dat 30% opties onderzoekt en 38% pilots uitvoert.
AI-agents ontwerpen in een vacuüm
Wat gebeurt er wanneer technische teams agents ontwerpen zonder input van de mensen die het daadwerkelijke werk doen? Ze vereenvoudigen de werkelijkheid te veel.
Een proces dat er op een stroomdiagram overzichtelijk uitziet, bevat onzichtbare lagen van oordeelsvermogen. De klantenservicemedewerker die weet wanneer van een beleid moet worden afgeweken. De operationeel manager die begrijpt welke uitzonderingen belangrijk zijn. De analist die tussen de regels door leest in onvolledige gegevens.
Deze beslissingen zijn gebaseerd op gevoel en ervaring. In een beslisboom zien ze eruit als eenvoudige logica van "als dit, dan dat".
Maar mensen in die functies begrijpen iets wat agents niet eenvoudig kunnen nabootsen: context.
Ze weten dat een regel in de meeste gevallen opgaat, maar dat er momenten zijn waarop je een uitzondering moet maken. Momenten waarop je iets anders doet.
Francisco Marin, medeoprichter van Cognitive Talent Solutions, beschrijft de uitdaging waarmee zijn team te maken kreeg bij het bouwen van HR-agents:
We zagen dat er bepaalde agentische mogelijkheden waren ingezet voor kernprocessen binnen HR, zoals salarisadministratie of naleving van regelgeving. Maar we misten die generatie gebruiksscenario’s die gevolgen hebben voor personeelsanalyse, en vooral de scenario’s die waren afgestemd op het netwerkraamwerk.
Zijn team bouwde niet alleen technische oplossingen. Ze bouwden systemen die weerspiegelden hoe werk daadwerkelijk wordt uitgevoerd, niet hoe het op een organigram lijkt.
Wanneer je agents bouwt zonder eerst impliciete kennis zichtbaar te maken, krijg je geen onmiddellijke fouten. Je krijgt problemen met een vertraagde werking.
Ophopende kwaliteitsproblemen
De agent neemt een beslissing die technisch correct maar contextueel verkeerd is. Een enkele keer is dat niet rampzalig.
Maar na verloop van tijd stapelen deze kleine kwaliteitsdalingen zich op.
Je beseft het pas wanneer de klanttevredenheidsonderzoeken binnenkomen. Wanneer je een patroon in de gegevens opmerkt. Wanneer de schade zich al door je systemen heeft verspreid.
Tegen die tijd repareer je niet alleen een agent. Je bouwt het vertrouwen opnieuw op.
95% van de generatieve AI-pilots levert geen meetbare ROI op. De oorzaak ligt niet bij gebrekkige modellen. Slechte integratie en niet op elkaar afgestemde prioriteiten maken een einde aan deze initiatieven.
Vertaling: organisaties betrekken niet de juiste mensen bij het ontwerp.
Wie er daadwerkelijk aan tafel moet zitten
De persoon in de functie die je automatiseert, moet erbij zijn.
Niet als adviseur. Niet als bijzaak. Maar als kernonderdeel van het ontwerpteam.
Ze moeten je helpen de agent aan te sturen. Hun praktijkervaring delen. De kennis over "behalve wanneer" zichtbaar maken die niet in documentatie voorkomt.
Dan George, die eerder als CHRO werkte voordat hij Cognitive Talent Solutions mede oprichtte, legt uit wat er op het spel staat.
Ik heb dit proces in het verleden handmatig uitgevoerd. Toen ik voormalig CHRO was en verantwoordelijk was voor people analytics bij verschillende organisaties, moest ik lijsten samenstellen en naar leer- en ontwikkelingsteams of andere teams voor talentbetrokkenheid sturen.
Zijn ervaring met het bouwen van agenten leerde hem dat automatisering zonder praktijkervaring systemen oplevert die functioneel lijken, maar in de praktijk tekortschieten.
"Als er een geautomatiseerde, geautoriseerde plek is waar een beheerder gewoon kan klikken, klikken, klikken, maakt dat het proces zoveel eenvoudiger en komen we af van het steeds selecteren van de typische mentoren en mentees waar we automatisch naar teruggrijpen."
Om dat te bereiken moesten de mensen worden betrokken die de nuances van het koppelen van mentoren en mentees begrepen, en niet alleen de technische vereisten voor gegevensverwerking.
Lisa Jones, CEO van EyeMail, leerde een vergelijkbare les bij de implementatie van AI in haar organisatie. "We vroegen elke afdeling: Waar ervaren jullie wrijving of herhaling? Waar kan AI jullie helpen om creativiteit of duidelijkheid te vergroten? Waar zouden jullie graag meer tijd aan besteden als AI de rest zou afhandelen?"
Deze aanpak bracht ideeën voort, van marketing tot bedrijfsvoering, en gaf elk team zeggenschap over de manier waarop AI in hun dagelijkse werk werd ingezet.
De beste manier om praktijkervaring vast te leggen is door mensen rechtstreeks te betrekken. En die betrokkenheid moet gepaard gaan met twee zaken die de meeste organisaties gescheiden houden: bijscholing en eerlijke compensatie.
Je kunt agentontwerp niet los zien van personeelsontwikkeling
De meeste bedrijven behandelen dit als afzonderlijke initiatieven. Agentontwerp vindt plaats binnen IT. Bijscholing vindt plaats binnen HR. Compensatie komt aan bod tijdens jaarlijkse beoordelingen.
Deze versnippering ondermijnt de acceptatie.
Je moet ze bundelen om de prestaties hoog te houden. Agentontwerp is een nieuwe vaardigheid. Begrijpen hoe agenten je productiviteit en invloed versterken is belangrijker dan begrijpen hoe je ze programmeert.
Als je deze elementen niet bundelt, krijg je een van twee uitkomsten.
- AI-sabotage - Cynische deelname die het initiatief ondermijnt. Mensen die weten dat het systeem zal mislukken en er stilletjes voor zorgen dat dit ook gebeurt.
- Reputatieschade - Het nieuws verspreidt zich dat je organisatie kennis onttrekt zonder in mensen te investeren. Je werkgeversmerk krijgt een klap die je niet eenvoudig kunt herstellen.
Jones beschrijft hoe EyeMail deze valkuil vermeed.
We hebben geen formele trainingshandleidingen uitgerold. In plaats daarvan creëerden we AI-nieuwsgierigheidscirkels: wekelijkse sessies waarin teamleden ontdekkingen deelden, prompts testten en de emotionele impact verkenden. Dit waren niet zomaar technische tutorials, maar labs voor het vertellen van verhalen.
Doordat AI repetitieve taken uitvoerde, richtte het team van Jones zich sterker op het vertellen van verhalen, innovatie en empathie voor klanten.
"Nieuwsgierigheid werd een kernwaarde," zei ze. "Teamleden voelden zich meer betrokken, meer gewaardeerd en meer geïnspireerd om te experimenteren."
Je moet alles met elkaar verbinden, zodat mensen het zien als een investering in hen en niet als een vervanging van hen.
Waarom kleinere organisaties in het voordeel zijn
Grote organisaties hebben al veel geautomatiseerd met RPA en voorspellende AI. Ze hebben complexe systemen opgebouwd met meerdere goedkeuringslagen, compliancevereisten en juridische beperkingen.
Het toevoegen van een agentgerichte architectuur aan deze complexiteit creëert exponentieel meer mogelijke faalpunten.
Kleine teams hebben voordelen bij de implementatie van AI. Ze hebben minder processen om te doorlopen, minder besluitvormers die op één lijn moeten worden gebracht en minder zorgen rond compliance.
De beste agentgerichte architectuur is niet onnodig complex. Hoe slanker je deze houdt, hoe minder er kapot kan gaan.
Agenten werken het best wanneer ze binnen duidelijke grenzen en met minimale afhankelijkheden kunnen opereren. Wanneer ze beslissingen kunnen nemen zonder zich door Byzantijnse goedkeuringsprocessen te hoeven worstelen. Wanneer ze toegang hebben tot gegevens zonder vijftien verschillende systemen met elkaar te moeten afstemmen.
Kleinere organisaties hebben dit standaard. Ondernemingsorganisaties moeten dit bewust opbouwen.
Bijna de helft van de organisaties noemt de doorzoekbaarheid van gegevens (48%) en de herbruikbaarheid van gegevens (47%) als uitdagingen voor hun AI-automatiseringsstrategie. Je gegevens zijn niet zo ingericht dat ze kunnen worden gebruikt door agenten die bedrijfscontext nodig hebben.
De kloof tussen CEO en CISO
CEO's zijn optimistisch. 67,1% gelooft dat AI-tools hen zullen helpen betere beslissingen over cybersecurity te nemen. 60,2% denkt dat hun bedrijf beter voorbereid is dan branchegenoten om op AI-bedreigingen te reageren.
CISO's zijn voorzichtig. Slechts 58,6% deelt dat vertrouwen. Slechts 19,5% gelooft dat AI de cyberverdediging zal versterken, tegenover 29,7% van de CEO's.
Deze kloof vertelt je alles over de organisatorische paraatheid.
De mensen die verantwoordelijk zijn voor beveiliging, compliance en operationeel risico zien problemen die de directie niet ziet. Ze begrijpen dat agenten nieuwe aanvalsvectoren introduceren. Dat systemen met meerdere agenten nachtmerries op het gebied van foutopsporing veroorzaken en dat er nog geen governancemodellen bestaan voor autonome besluitvorming op schaal.
Slechts 14% van de CISO's voelt zich volledig voorbereid om AI in cybersecurityactiviteiten te integreren. Meer dan 50% noemt een gebrek aan steun van CIO's en CEO's als hun grootste uitdaging.
Of je organisatie overeenstemming heeft bereikt over wat implementatie daadwerkelijk vereist, wordt hier als eerste zichtbaar.
Wat de kloof werkelijk betekent
Wanneer je CEO optimistisch is en je CISO bezorgd, heb je een strategieprobleem rond AI-eigenaarschap.
De bedrijfskant ziet kansen. De operationele kant ziet risico's. En niemand heeft de brug tussen beide gebouwd.
Dit komt tot uiting in beslissingen over implementatie, de toewijzing van middelen en de manier waarop je snelheid tegenover veiligheid prioriteert.
Marin en George hebben deze brug ingebouwd in hun proces voor agentontwerp. Toen ik naar toestemming en transparantie in hun HR-agenten vroeg, legde George uit:
"We moeten ervoor zorgen dat alles wat we met agentische AI doen, het juiste niveau van toestemming en ethisch gebruik van deze geautomatiseerde processen heeft.
Marin voegde eraan toe: "We hadden voortdurend gesprekken met het team over enkele nuances van elke afzonderlijke toepassing. In het geval van onze agent voor talentbehoud bespraken we bijvoorbeeld de vraag: is het zinvol om deze inzichten op geaggregeerd niveau te verstrekken? Of is het zinvol om dit op individueel niveau te doen en de directe leidinggevende op de hoogte te stellen?"
Voor de meeste organisaties zal het bouwen van deze brug een taak van het leiderschap zijn, maar niet de CEO en CISO zullen die leiden. In plaats daarvan zal het partnerschap tussen de CHRO (mensen en processen) en CIO (datakwaliteit en best practices) de gulden middenweg creëren waarmee kansen op een risicomijdende manier kunnen worden gerealiseerd.
Organisaties die deze kloof vroeg dichten, bewegen sneller. Ze bouwen governancekaders voordat ze die nodig hebben. Ze investeren in observeerbaarheid en monitoring en creëren duidelijke escalatiepaden voor wanneer agenten beslissingen nemen buiten hun grenzen.
De infrastructuur voor agentische AI
Agenten hebben meer nodig dan API's en datapijplijnen. Ze hebben infrastructuur nodig waar de meeste organisaties niet over beschikken.
Identiteits- en machtigingsbeheer dat werkt voor meerdere agenten. Toolcatalogi waarmee agenten mogelijkheden kunnen ontdekken zonder integraties hard te coderen. Beleidsafdwinging die consequent wordt toegepast, ongeacht welke agent een beslissing neemt.
En observeerbaarheid waarmee je problemen kunt diagnosticeren wanneer meerdere agenten op onverwachte manieren met elkaar communiceren.
Dit is ook geen tijdelijk probleem: 65% van de leiders noemt de complexiteit van agentische systemen gedurende twee opeenvolgende kwartalen als hun grootste obstakel.
Het is belangrijk om te onthouden dat infrastructuur niet alleen technologie is, maar ook organisatorische capaciteit.
Jones leerde dit toen ze agentische workflows bouwde bij EyeMail. Haar team gebruikt Miro AI om klantreizen te visualiseren en emotionele contactmomenten en frictiezones te identificeren. Door HubSpot AI te gebruiken krijgen ze gedragsinzichten en segmentatie, waarmee ze inwerkstromen en opvolgcampagnes kunnen personaliseren.
"We hebben de voltooiingspercentages van onboarding met 40% verbeterd. Flexibele, modulaire reisontwerpen mogelijk gemaakt voor klanten in de farmaceutische, technologie- en automobielsector. Storytellingkaders geleverd die aansluiten bij waar klanten zich bevinden—emotioneel en operationeel," zei ze.
Vereisten voor datakwaliteit
Je klant verschijnt als "Acme Corp" in het CRM, als "Acme Corporation" in e-mailsystemen, als "ACME Inc." in contracten en als "Acme" in gesprekstranscripten.
Zonder entiteitsresolutie versplinteren agenten hun inzicht over meerdere onvolledige profielen.
73% van de dataleiders van ondernemingen noemt "datakwaliteit en volledigheid" de belangrijkste belemmering voor AI-succes. Dit staat boven modelnauwkeurigheid, computerkosten en personeelstekorten.
Je kunt slechte data niet omzeilen met agenten. Je moet die eerst herstellen.
Hoe je agentische AI succesvol implementeert
Organisaties die agentische systemen succesvol implementeren, doen drie dingen anders.
- Betrek de mensen die het werk uitvoeren bij het ontwerp van agenten. Niet als adviseurs, maar als kernteamleden. Ze belonen dit werk eerlijk en gebruiken het als kans om vaardigheden te ontwikkelen.
- Bouw besturing op voordat je opschaalt. Duidelijk beleid voor wat agenten wel en niet mogen doen. Escalatieroutes voor uitzonderlijke gevallen. Observeerbaarheid die problemen opvangt voordat ze zich opstapelen.
- Houd systemen slank. Ze weerstaan de verleiding om complexe orkestraties met meerdere agenten te bouwen voordat ze de waarde van één agent hebben bewezen. Ze voegen alleen complexiteit toe wanneer eenvoudigere benaderingen tekortschieten.
“AI overbrugt de afstand tussen visie en uitvoering”, zegt Jones. “Wat ooit weken aan onderzoek, input van adviseurs en afstemming tussen verschillende functies vereiste, kan nu beginnen met een goed opgestelde prompt.”
Maar de sleutel is hoe je daar komt. Haar team rolde niet simpelweg formele trainingshandleidingen uit. Ze creëerden AI-nieuwsgierigheidscirkels: wekelijkse sessies waarin teamleden ontdekkingen deelden, prompts testten en de emotionele impact verkenden.
“Voor mij is de organisatie van de toekomst een netwerk dat wordt aangedreven door AI-agenten, waarin AI-agenten worden ingezet om deze micro-interventies op schaal uit te voeren”, zegt Marin. “Er is een rol weggelegd voor grote multinationals als broedplaatsen voor deze nieuwe manier van werken, wat wij een netwerkgerichte toekomst van werk noemen.”
Dit levert geen goede persberichten op. Maar het onderscheidt de 14% met geïmplementeerde oplossingen van de 38% die vastzitten in pilotprojecten.
De vraag die je nu moet beantwoorden
Agentische architectuur komt er niet aan. Ze is er al.
40% van de bedrijfsapplicaties zal tegen het einde van 2026 taakgerichte AI-agenten integreren, tegenover minder dan 5% in 2025.
Naarmate het gebruik van agenten toeneemt, komt de vraag die elk bedrijf moet beantwoorden neer op de vraag of het kan voldoen aan wat de agentuitdaging vereist. Niet alleen technische mogelijkheden, maar ook organisatorische gereedheid. Dit betekent:
- De juiste mensen aan tafel.
- De infrastructuur om autonome beslissingen te ondersteunen.
- De besturing om fouten op te vangen voordat ze zich opstapelen.
- De datakwaliteit om contextbewuste keuzes te maken.
- De bereidheid om net zo veel in mensen te investeren als in technologie.
De meeste organisaties zullen dit verkeerd aanpakken. Ze zullen agentische AI behandelen als een technische upgrade in plaats van als een herontwerp van de organisatie.
Ze zullen deel uitmaken van de 40% van de agentische AI-projecten waarvan Gartner voorspelt dat ze tegen het einde van 2027 worden geannuleerd vanwege stijgende kosten, onduidelijke bedrijfswaarde of ontoereikende risicobeheersingsmaatregelen.
Organisaties die het goed aanpakken, zullen erkennen dat agentische architectuur meer vereist dan ingenieurs. Ze vereist de doorleefde ervaring van de mensen wier werk je probeert te versterken.
En ze zullen systemen bouwen die die realiteit respecteren.