Van automatisering naar cognitie: de evolutie van agentische AI

Al tientallen jaren volgt enterprise‑automatisering een vertrouwde logica: het proces definiëren, de stappen coderen en de software ze consequent laten uitvoeren. Scripts automatiseerden commando's, runbooks legden procedures vast, orkestratie verbond taken over systemen heen, en AIOps bracht machine learning naar de groeiende hoeveelheid operationele data. Elke vooruitgang maakte automatisering capabeler, maar mensen namen nog steeds het grootste deel van de beslissingen. Zij bepaalden het proces; de software voerde het uit.

Agentische AI verandert die relatie. In plaats van te beginnen met een vaste set instructies, kan een agent starten met een doel en uitwerken hoe dit binnen gedefinieerde grenzen te realiseren is. Dat vereist meer dan alleen een antwoord genereren. Het systeem moet het doel interpreteren, relevante context samenstellen, bewijs evalueren, geheugen gebruiken, kiezen tussen tools of automatiseringen, en zich aanpassen wanneer omstandigheden veranderen. Anthropic maakt een vergelijkbaar onderscheid tussen workflows, waarbij modellen en tools vooraf gedefinieerde codepaden volgen, en agents, waarbij het model dynamisch zijn eigen proces en toolgebruik kan sturen.

Van deterministische uitvoering naar adaptieve beslissingen

Niets hiervan maakt traditionele automatisering overbodig. Integendeel, deterministische automatisering blijft de juiste oplossing wanneer het pad van een bekende conditie naar een actie goed begrepen is. Als een service een health check niet doorstaat, herstart deze. Als een verzoek aan specifieke criteria voldoet, routeer het naar de juiste wachtrij. Als een interface een drempel overschrijdt, open dan een ticket en voer een diagnostiek uit. Dit zijn precies de soorten herhaalbare acties die automatisering goed kan afhandelen.

AIOps breidde dat model uit door organisaties te helpen interpreteren wat er gebeurde voordat een automatisering werd geactiveerd: gebeurtenissen correleren, anomalieën identificeren, ruis verminderen en context toevoegen. Agentische AI zet de volgende stap door oordeel toe te voegen tussen het signaal en de actie. De vraag is niet langer alleen: “Welke workflow triggert deze conditie?” Het wordt: “Gezien het doel en het bewijs dat we nu hebben, wat is de beste volgende stap?”

Beschouw een verslechterende service. Een agent moet mogelijk telemetrie, topologie, recente wijzigingen, tickets, configuratiegegevens, historische incidenten en zakelijke impact onderzoeken voordat hij beslist wat te doen. In de ene situatie kan het bewijs wijzen op een bekende remedie, en in een andere moet de agent meer informatie verzamelen of een alleen‑lezen diagnostiek uitvoeren. En wanneer de potentiële impact hoog is of het bewijs onduidelijk, kan de juiste beslissing zijn om een mens in te schakelen. Het vermogen om het pad aan te passen op basis van wat het systeem ontdekt, is de betekenisvolle verschuiving.

Context en geheugen veranderen de kwaliteit van de beslissing

Handelen zonder context is niet erg nuttig. Hetzelfde symptoom kan iets heel anders betekenen, afhankelijk van de topologie, onderhoudsactiviteiten, recente wijzigingen, afhankelijkheden of klantimpact. Ervaren operators begrijpen dit instinctief; ze nemen zelden ingrijpende beslissingen op basis van één geïsoleerd signaal. Ze stellen een beeld samen, scheiden observatie van inferentie, en bepalen hoeveel vertrouwen het bewijs verdient.

Geheugen voegt een extra dimensie toe. Google Cloud beschouwt geheugen als een kerncomponent van agentische architecturen omdat het agents helpt context te behouden en informatie uit eerdere interacties te gebruiken. In operaties is de mogelijkheid breder dan simpelweg een oud ticket ophalen. Nuttig operationeel geheugen kan bewaren wat er gebeurde toen vergelijkbare omstandigheden zich voordeden, welke hypothese correct bleek, welke remedie werd geprobeerd, of deze werkte of werd teruggedraaid, en wat operators daarna leerden. Wanneer die ervaring is gevalideerd, kan het bewijs worden voor de volgende beslissing in plaats van kennis die verdwijnt in een post‑mortem of in het hoofd van een expert.

Er is een interessante parallel in de cognitieve wetenschap. Onderzoek naar cognitieve offloading onderzoekt hoe mensen externe tools en handelingen gebruiken om de mentale belasting van een taak te verminderen, terwijl onderzoek naar toolgebruik heeft aangetoond dat herhaalde interactie met tools kan veranderen hoe mensen hun praktische bereik en handelingsvermogen representeren. De analogie met enterprise‑AI moet niet letterlijk worden genomen, maar het onderliggende idee is bruikbaar: tools doen meer dan tijd besparen. Na verloop van tijd kunnen ze veranderen hoe we een probleem benaderen. Het bekende onderzoek naar Londense taxichauffeurs en navigatie‑expertise biedt een herinnering dat langdurige ervaring de cognitie zelf kan vormen. Voor ondernemingen is de ontwerpvraag daarom niet alleen hoeveel werk een agent kan overnemen, maar of het mens‑agent‑systeem beter wordt in het begrijpen en handelen op complexiteit.

Agents moeten automatisering orkestreren, niet vervangen

Dit is ook de reden waarom ik agentische AI niet zie als een verwerping van automatisering. Vroeger in mijn carrière heb ik jaren besteed aan het bouwen van operationele automatisering, en één les bleef bij me: uitvoering alleen is niet genoeg. Automatisering moet vertrouwen verdienen. Operators moeten erop kunnen vertrouwen dat de juiste actie wordt gebruikt voor de juiste situatie, met de juiste autoriteit en voldoende bewijs om te begrijpen waarom.

Een praktische agentische architectuur bouwt voort op die investering. Bestaande scripts, workflows, API's, orkestratieplatformen en domeinspecifieke tools worden mogelijkheden die de agent kan aanroepen wanneer passend. Als het bewijs een bekende remedie ondersteunt, kan de agent de bewezen automatisering gebruiken in plaats van een nieuwe actie te improviseren. Als het bewijs onvolledig is, kan hij verder onderzoeken. De waarde ontstaat door betrouwbare uitvoering te combineren met meer adaptieve besluitvorming over wanneer en hoe die uitvoering moet plaatsvinden.

Meer autonomie maakt governance belangrijker

Op het moment dat software kan kiezen tussen acties, kan governance niet langer achteraf worden toegevoegd. Een enterprise‑agent moet niet alleen begrijpen wat hij technisch kan doen, maar ook wat hij is toegestaan te doen in een specifieke omgeving, op een bepaald risiconiveau, en onder een bepaalde identiteit of rol. NIST’s AI Risk Management Framework weerspiegelt dit bredere governance‑beeld, waarbij AI‑risicomanagement wordt georganiseerd rond govern, map, measure en manage, met governance die over de andere functies heen opereert.

In de praktijk betekent dit dat een agent in staat moet zijn om het bewijs achter een aanbeveling te tonen, duidelijk te maken welke systemen en data hij heeft gebruikt, onzekerheid bloot te leggen, goedkeuringsvereisten te respecteren en een audit‑trail van wat er gebeurde achter te laten. Omkeerbaarheid is ook belangrijk. Een alleen‑lezen diagnostiek en een productie‑configuratie‑wijziging mogen niet dezelfde autonomie‑drempel hebben.

Menselijke supervisie wordt daardoor preciezer in plaats van simpelweg te verdwijnen. dezelfde agent kan autonoom bewijs verzamelen, een remedie aanbevelen, goedkeuring vereisen vóór een actie met hoger risico, en vervolgens verifiëren of de goedgekeurde actie daadwerkelijk werkte. Het doel is niet om mensen universeel “in” of “uit” de lus te verklaren. Het is om menselijk oordeel te plaatsen op de punten waar het de meeste waarde toevoegt.

Het echte voordeel is wat er gebeurt na de actie

Misschien is het meest ingrijpende verschil zichtbaar nadat een actie is ondernomen. Traditionele automatisering vraagt meestal of de workflow succesvol is uitgevoerd. Een cognitief systeem moet een moeilijkere vraag stellen: heeft de actie het beoogde resultaat opgeleverd, en wat moeten we leren van wat er gebeurde?

Dat verandert de waarde van de feedback‑lus. Een succesvolle remedie kan het bewijs voor een soortgelijke situatie in de toekomst versterken. Een mislukte hypothese moet het systeem minder geneigd maken dezelfde redenering te herhalen. Een operator‑correctie kan de volgende aanbeveling verbeteren, terwijl een rollback kan aantonen dat het vertrouwen hoger was dan wat het beschikbare bewijs rechtvaardigde. Na verloop van tijd is het belangrijkste bezit niet simpelweg een grotere bibliotheek van automatiseringen. Het is de opgebouwde relatie tussen situaties, bewijs, beslissingen, acties en uitkomsten.

Zo bekeken is de evolutie van enterprise‑automatisering minder een kwestie van het vervangen van de ene technologische generatie door de andere dan van het toevoegen van nieuwe mogelijkheden rond wat al werkt. Scripts codeerden acties, runbooks legden procedures vast, orkestratie verbond ze, en AIOps hielp steeds complexere operationele signalen te interpreteren. Agentische AI voegt de mogelijkheid toe om doelstellingen na te streven, te redeneren over context en bewijs, geheugen te benutten, te kiezen tussen beschikbare mogelijkheden, te handelen binnen bestuurde grenzen en te leren van het resultaat.

Het einddoel mag geen onbeperkte autonomie zijn. Het moet verantwoorde autonomie zijn: systemen die kunnen herkennen wanneer ze moeten handelen, wanneer ze moeten onderzoeken, wanneer ze toestemming moeten vragen en wanneer ze moeten stoppen. Dat is de overgang van automatisering naar cognitie — geen machines die menselijke operaties vervangen, maar ondernemingen die een betere manier ontwikkelen om waar te nemen, te beslissen, te handelen en te leren.