Samenwerking moet centraal staan in de multi‑agent‑AI‑benadering van de productie. Zo werkt het.

De meeste, zo niet alle, grootschalige fabrikanten jongleren met een overvloed aan systemen in hun digitale infrastructuur. Vaak draaien deze tegelijkertijd op de werkvloer: een voorspellende onderhouds‑agent houdt vibratiesensoren in de gaten voor veiligheids­patronen, een vision‑gebaseerde kwaliteitscontrole‑agent signaleert productdefecten en een plannings‑agent regelt omsteltijden terwijl een voorraad‑agent de inkoop in de gaten houdt. Elk heeft een duidelijke operationele taak, maar vaker wel dan niet communiceren deze systemen niet met elkaar.

Het is dat gebrek aan samenwerking dat agent‑AI ondermijnt in grootschalige productie. Of een agent al dan niet functioneert is één ding, maar een ander belangrijk probleem voor grote productiebedrijven is dat ze in bijna totale isolatie opereren.

En hoewel het aantal grote organisaties dat AI‑agents in ten minste één functie opschaalt van 27% tot 40% jaar op jaar is gestegen, richten ze zich op specifieke functies zoals IT en software‑engineering in plaats van agents gelijkmatig over de gehele operatie te verdelen als een gecoördineerd systeem. Ondertussen, hoewel de meerderheid van de organisaties van plan is autonome agents in te zetten, gelooft slechts ongeveer een derde dat hun infrastructuur klaar is om hen te ondersteunen. Bovendien heeft onderzoek uit 2025 aangetoond dat 79% van de multi‑agent LLM‑systeemstoringen voortkomt uit problemen rond coördinatie en specificatie.

Fabrikanten voegen autonome besluitvormers toe aan de werkvloer en productielijn sneller dan ze de onderlinge connectiviteit opzetten. Dit verergert tot een coördinatie‑ en samenwerkingsprobleem dat de prestaties van deze modellen ondermijnt. Uiteindelijk komt dit tot uiting in drie afzonderlijke onderdelen van de AI‑stack. Hier is wat fabrikanten moeten doen om collaboratieve, goed verbonden agent‑systemen te waarborgen.

De grootste wrijvingspunten van samenwerking

De eerste en wellicht grootste barrière is data, die voor veel grote organisaties die AI willen opschalen een aanzienlijk knelpunt blijft vormen. De meeste fabrikanten werken met tientallen jaren aan opgebouwde infrastructuur (en daaraan gekoppelde data) in de vorm van MES‑ en ERP‑systemen die geen gemeenschappelijk schema delen met andere datastromen zoals communicatie en personeelszaken. Hierdoor hebben agents moeite om met elkaar te communiceren, al dan niet; geïsoleerde of slecht geformatteerde data vormen een bijna ondoordringbare barrière tussen meerdere agents.

Dit komt op de fabriekvloer tot uiting wanneer een agent die de gezondheid en prestaties van machines op één lijn monitort, geen betrouwbare manier heeft om te weten wat de plannings‑agent twee systemen verder plant voor de komende omstelling, terwijl de twee beslissingen en werkstromen elkaar direct beïnvloeden.

Het volgende wrijvingspunt is protocol. Het is een aspect dat bij AI‑samenwerking niet genoeg aandacht krijgt. Agent‑AI is zeer nieuw, en tot voor kort bestond er geen echte standaardmethode voor agents die op verschillende frameworks, fundamenten of leveranciers zijn gebouwd om met elkaar te communiceren en samen te werken.

Gelukkig begint dat te veranderen. Bijvoorbeeld, het Agent2Agent-protocol (A2A) van Google, dat vorig jaar werd gelanceerd, standaardiseert hoe onafhankelijke agents (mogelijk gebouwd op volledig verschillende platforms) elkaars mogelijkheden ontdekken en taken delegeren. Cruciaal is dat dit expliciet ontworpen is om het Model Context Protocol (MCP) van Anthropic, te complementeren, dat standaardiseert hoe elke agent toegang krijgt tot tools en databronnen. Het gemeenschappelijke doel is hier om isolatie te overwinnen en samenwerking te waarborgen, zelfs in multi‑agent‑omgevingen, op schaal.

Ten slotte worstelen veel fabrikanten nog steeds met de vraag naar menselijk toezicht. Zelfs een perfect gecoördineerd agentnetwerk zal falen als de mensen die het toezicht houden het vertrouwen in de beslissingen missen of onrealistische verwachtingen hebben over de mogelijkheden. Analisten van MIT Sloan hebben waarschuwingen geuit over opgeblazen verwachtingen en afgenomen vertrouwen in agent‑AI, naast een potentiële dreiging van menselijk terugtrekking uit AI‑agents. Op de werkvloer kunnen deze hiaten en wrijvingspunten catastrofaal zijn: de menselijke schakel die het agent‑ecosysteem verbindt, is absoluut cruciaal voor veilige, betrouwbare operaties.

Het overbruggen van de vertrouwenskloof

Het is verleidelijk om de menselijke kant hiervan te zien als een puur cultureel vraagstuk dat kan worden opgelost met meer trainingssessies. Deze inspanningen zullen echter tekortschieten tenzij ze worden gekoppeld aan duurzame architecturale oplossingen. Het ontwerp van toezicht moet rekening houden met wanneer menselijk oordeel moet wijken voor het systeem, en niet standaard de suggestie van de agent moet overrulen omdat de persoon in de lus het er niet mee eens is.

Integreer redeneer‑transparantie, wat betekent dat er altijd inzage is en de mogelijkheid om uit te leggen waarom een agent een beslissing heeft genomen of een suggestie heeft gemarkeerd, verder dan alleen het resultaat observeren. En wanneer operators het oneens zijn, zorg voor een duidelijk en efficiënt escalatiepad dat transparantie en traceerbaarheid van besluitvormingsprocessen waarborgt.

Het heropbouwen van een gevoel van volledigheid

Agenten, net als de teams die ze moeten ondersteunen, hebben meer nodig dan toegang tot een smal, specifiek taakgebied. Ze hebben wat neerkomt op een gevoel van geheel; een werkend model van hoe hun onderdeel van de operatie met alles andere verbonden is. Een planningsagent die de omsteltijd optimaliseert zonder enig zicht op wat de onderhoudsagent ziet over verouderende apparatuur, neemt slechts een min of meer acceptabele beslissing die mogelijk niet de juiste is wanneer deze wordt afgewogen tegen andere workflow‑eisen.

Hier komen de protocollaag en het probleem van het gevoel van geheel samen. Gedeelde context is het praktische middel waarmee de individuele taak van een agent wordt verankerd in de bredere, feitelijke toestand van de fabriek. In de productie bestaat al een gedeeltelijk antwoord hierop in de vorm van standaarden zoals ISA-95, die gemeenschappelijke methoden definiëren voor hoe enterprise‑ en controlesystemen in wezen communiceren binnen een fabriek. Het nieuwe nu is echter het uitbreiden van dit idee van een gedeelde operationele vocabulaire van menselijk leesbare integratie naar informatie die agenten kunnen verwerken.

Zonder dat gedeelde model voegt elke extra geïmplementeerde agent een nieuw geïsoleerd punt van redeneren en besluitvorming toe dat geen deel uitmaakt van een samenhangend geheel. Dat is precies hoe agent‑sprawl verergert in plaats van zichzelf op te lossen naarmate de adoptie toeneemt.

De vinger aan de pols houden bij de juiste metingen voor succes

Een andere valkuil is het simpelweg meten van agent‑AI op dezelfde manier als elke andere software‑uitrol wordt gemonitord: zich richten op efficiëntiecijfers en ervoor zorgen dat deze blijven stijgen. Voor gecoördineerde en collaboratieve multi‑agent‑systemen is dit niet per se voordelig en kan het zelfs averechts werken wanneer het de enige prestatiemetric wordt.

Het eerste dat men moet bevestigen is niet alleen hoeveel geld een agent bespaart, maar of hij veilig en betrouwbaar functioneert zoals ontworpen. Zorg ervoor dat hij binnen zijn beoogde grenzen opereert, voorspelbare storingen heeft en menselijke interventie en escalatie mogelijk maakt. Pas wanneer dat is vastgesteld, mag kwaliteit centraal staan, bijvoorbeeld of de output van de agent daadwerkelijk correct en consistent is en niet slechts onmiddellijk.

Dit is de prioriteitenvolgorde die fabrikanten moeten volgen. Snelheid, doorvoersnelheid en kostenbesparingen hebben de laagste prioriteit. Een productiviteitswinst die is opgebouwd bovenop een onveilige of onbetrouwbare agent vormt een aansprakelijkheid voor teams, technologie, productielijnen, relaties en de bedrijfsreputatie.

Test op kleine schaal voordat men opschaalt. Een enkele agent die één duidelijk gedefinieerde taak uitvoert, kan een heldere voor‑en‑na‑vergelijking opleveren. Wanneer echter het perspectief wordt verbreed om tientallen onderling werkende agenten over een hele fabriek te omvatten voordat ze individueel zijn gevalideerd, wordt het veel moeilijker om te bepalen welk deel van het systeem het resultaat aandrijft. Complexiteit mag alleen aan de meetaanpak worden toegevoegd met hetzelfde tempo als aan de implementatie zelf.

Hier beginnen samenwerking en meting naast elkaar te bestaan. De output van een agent is alleen zo betrouwbaar als de context waartoe hij toegang had tijdens zijn handelen. Dit betekent dat het eerder genoemde gedeelde‑contextprobleem eigenlijk een voorwaarde is voor meting. Fabrikanten die geen eenduidig operationeel overzicht over systemen hebben gerealiseerd, hebben geen betrouwbare manier om te weten of een positief of negatief resultaat de beoordeling van de agent weerspiegelt of een leemte in de toegestane toegang. De relevante metrics zijn leesbaar wanneer de volgorde en gedeelde context vastliggen.

Coördinatie en samenwerking in het hart van capaciteit

Uiteindelijk zijn de structurele voordelen van grote fabrikanten (hun enorme productievolumes, historische datasets, procesconsistenties en talent‑ en technologische middelen) onbetwist. Deze voordelen worden echter alleen versterkt als fabrikanten eerst het samenwerkingsprobleem oplossen.

Kijkend naar de toekomst, naarmate AI‑mogelijkheden zich ontwikkelen tot mogelijk volledige autonomie en zowel systemen als productielijnen groeien, zijn samenwerking en coördinatie een absolute noodzaak. Interoperabiliteit, protocolstandaarden, gedeelde context, gekalibreerde menselijke supervisie en een gevoel van geheel beschouwen als architecturale vereisten vóór opschaling en implementatie is onontbeerlijk. Het is de scheidslijn tussen fabrikanten die agent‑AI succesvol en veilig opschalen en degenen die blijven hangen in pilots.