Wat ondernemingen verkeerd doen over Agentic AI

Agentic AI is een van de meest besproken ondernemingstechnologieën van 2025, maar echte implementaties blijven zeldzaam. Analisten merkten op dat hoewel duizenden tools worden gemarkeerd als “agenten”, de meeste geen echte autonomie hebben. Een Gartner-review van ongeveer 3.000 agentaanbiedingen toonde aan dat slechts 4% echte agentgedrag vertoonden, terwijl de overgrote meerderheid gewoon chatbots of geautomatiseerde scripts waren. Deze “agent-washing” zorgt ervoor dat bedrijven RPA, workflow-automatisering of toegang tot ChatGPT verwarren met echte agentensystemen die doelen nastreven, reageren op nieuwe informatie en werken met ongestructureerde gegevens.

Misleidingen: RPA, ChatGPT-licenties en hype

RPA vs. Agentic AI:

Traditionele RPA-hulpmiddelen volgen statische, vooraf gedefinieerde instructies. Agentic AI plant acties op basis van context en gebruikt beschikbare tools, API’s en gegevensbronnen. Zoals IDC en andere industrieonderzoeken opmerken, voeren RPA-vaste regels uit, terwijl agenten dynamisch aanpassen. Veel workflows die worden verkocht als “intelligente automatisering”, waarbij chatbots worden gecombineerd met scherm schrapen, worden ten onrechte als agentensystemen gepresenteerd.

ChatGPT-licenties vs. AI-implementatie:

Ondernemingen gaan er vaak van uit dat het kopen van licenties voor ChatGPT Enterprise of Copilot betekent dat ze “AI” hebben geïmplementeerd. In werkelijkheid biedt dit alleen een chatinterface voor medewerkers. Menlo Ventures meldt dat minder dan 10% van de bedrijven AI hebben geïmplementeerd buiten algemene chattools, zelfs als experimenten van medewerkers IT-teams ertoe brengen ze te adopteren. Een chatbotinterface is fundamenteel anders dan een doelgerichte agent.

Overbeloftes van leveranciers:

Startups en consultancybedrijven adverteren vaak met “agenten” als oplossingen voor elk bedrijfsproces. Onderzoek toont aan dat 88% van de executives agentic AI-inspanningen financiert, maar minder dan 2% van die projecten bereiken productieschaal. Gartner voorspelt dat meer dan 40% van de huidige agentic AI-initiatieven tegen 2027 worden geannuleerd vanwege onderprestatie of onduidelijke vereisten.

Wat Agentic AI eigenlijk is

Agentic AI omvat bijna autonome besluitvorming. Een echte agent ontvangt een doel, heeft toegang tot informatie en tools en bepaalt de stappen die nodig zijn om zijn doel te bereiken. In tegenstelling tot starre workflows kunnen agenten omzetten wanneer nieuwe variabelen verschijnen.

Moderne kaders illustreren hoe het ecosysteem evolueert. LangChain’s LangGraph biedt een productierijpe runtime voor agenten. DeepLearning.AI’s DSPy biedt primitieven voor plannen, werknemers en tools. Nieuwkomers zoals IBM’s crewAI en Microsoft’s AutoGen benadrukken de groei in multi-agentorkestratie. Deze tools zijn nog in een vroeg stadium en de meeste ondernemingen missen de interne expertise om ze effectief te gebruiken.

Mogelijkheden in gereguleerde industrieën

Gereguleerde sectoren zoals financiën, verzekeringen en gezondheidszorg zijn onverwacht sterke kandidaten voor agentautomatisering. Deze industrieën vertrouwen op gestructureerde beleidsregels, documentatie en audittrails, waardoor ze ideale omgevingen zijn voor agenten met regelgebaseerde gedrag.
Financiën:

AI- en agentautomatiseringshulpmiddelen worden door banken gebruikt om compliance, onboarding en KYC/AML-workflows te stroomlijnen – automatisch documenten verifiëren, risico’s en sancties screenen en gevallen voor menselijke revisie markeren. Volgens SS&C Blue Prism kan dit de onboarding aanzienlijk versnellen: één bank zag een 49% reductie in tijd van accountopening tot handelen. Ondertussen zijn, vanaf 2025, een groeiend deel van de banken wereldwijd agentautomatisering aan het implementeren of evalueren, een onderzoek van Temenos toonde aan dat 36% al aan het implementeren of evalueren is, en 39% aan het evalueren is. Een EY-Parthenon onderzoek uit 2025 meldt dat 61% van de banken die GenAI gebruiken, al aanzienlijke voordelen hebben gezien. Brancheanalyses schatten dat AI-gebaseerde automatisering productiviteitswinsten van 30-50% kan opleveren in compliance-, operatie- en risicobeheerfuncties.

Verzekeringen:

Schadeverwerking, onderwriting en fraudeopsporing lenen zich goed voor agentensystemen. Een claimsagent kan documenten lezen, polisgegevens opvragen, vereisten verifiëren en volgende stappen voorstellen. Onderzoek van BCG toont aan dat vroege adoptanten ongeveer 40% snellere claimsverwerking en dubbele cijfers voor klanttevredenheid bereikten. Met regelgeving zoals de AI-richtlijnen van de NAIC kunnen verzekeraars regels rechtstreeks in de operationele logica van een agent integreren. Een Menlo Ventures-analyse uit 2025 toont aan dat 92% van de Amerikaanse zorgverzekeraars AI gebruiken voor compliancetests, biascontroles en audittaken.

Gezondheidszorg:

Gezondheidsorganisaties gebruiken agenten om klinische documentatie, triage, planning en vroegtijdige analyse te ondersteunen onder toezicht van clinici. Kaiser Permanente implementeerde generatieve AI in 40 ziekenhuizen voor documentatie, volgens Menlo Ventures, waardoor de administratieve last werd verlaagd. Mayo Clinic investeert meer dan $1 miljard in AI-gebaseerde automatiseringsstrategieën. Strikte complianceregelgeving leidt vaak tot veiligere, auditeerbare agentensystemen.

Over deze sectoren heen kunnen duidelijk gedefinieerde regels zoals onderwritingrichtlijnen, kredietbeleid en klinische protocollen worden gecodeerd als agentgedrag.

Technische en governance-uitdagingen

Ondernemingen worden geconfronteerd met verschillende obstakels bij de implementatie van agentensystemen.

Gegevens- en integratiecomplexiteit:

Agenten hebben toegang nodig tot API’s, documenten, databases en real-timeinformatie. Teams moeten grote hoeveelheden ongestructureerde gegevens indexeren, Model Context Protocol-servers configureren en betrouwbare toolinterfaces bouwen. Deze taken gaan vaak de huidige IT-vaardigheden te boven.

Fragmentatie van tooling:

Er is geen standaardagentframework. LangGraph, DSPy, AutoGen en soortgelijke tools hebben elk compromissen wat betreft beveiliging, flexibiliteit en volwassenheid. Veel ondernemingen wenden zich tot consultancybedrijven of “agent-in-a-box”-leveranciers, alleen om broze of onvolledige oplossingen te ontvangen.

Evaluatie en observatie:

Het meten van agentnauwkeurigheid, veiligheid en drift vereist evaluatiepijplijnen, scenario-tests en real-timebewaking. Zonder deze systemen kunnen agenten onjuiste beslissingen nemen zonder detectie.

Beveiliging en opkomende risico’s:

Agentautonomie introduceert nieuwe risico’s. BCG’s analyse benadrukt cascade-fouten, cross-agentimpersonatie-risico’s en kwetsbaarheden in toolaanroepen. Deze aanvalsvectoren zijn vooral zorgwekkend in financiën en gezondheidszorg, waar gegevensblootstelling of beslissingsfouten ernstige gevolgen hebben.

Vaardigheidsgaten:

De meeste ondernemingsingenieurs begrijpen API’s en databases, maar missen ervaring met agentloops, promptengineering of toolketting. Gartner merkt op dat veel executives die agentinitiatieven financieren, niet volledig begrijpen wat een echte agent kwalificeert, waardoor de succesratio laag is.

Opbouw van ondernemingsklare AI-agenten

Experts raden verschillende praktijken aan voor organisaties die agentworkflows opbouwen, vooral in hoge-inzetomgevingen.

Beveiliging door ontwerp-architectuur:

Definieer autonomiegrenzen, machtigingen en audittrails vanaf het begin. Verleen alleen noodzakelijke toegang en integreer logging en veiligheidsmaatregelen in het systeem. BCG benadrukt het ontwerpen van governance in de kernarchitectuur.

Platformen met beleidsregels:

Gebruik platformen die integreren met bestaande systemen en regels afdwingen op runtime. Beleidsengines kunnen toolaanroepen valideren tegen corporate standaarden voordat ze worden uitgevoerd, waardoor herhaalbaar, auditeerbaar gedrag wordt gegarandeerd.

Mens in de lus-bewaking:

Kritische stappen moeten menselijke revisie omvatten, vooral in gereguleerde processen. Dashboards en waarschuwingen stellen teams in staat om agentacties in real-time te bewaken en afwijkingen snel te escaleren.

Robuuste testen en feedback:

Ondernemingen moeten sandboxsimulaties, backtests en scenario-stresstests uitvoeren voordat ze implementeren. Continue evaluatie kan drift, fouten en compliancetekortkomingen detecteren. Het behandelen van agenten als softwarecomponenten met CI/CD-pijplijnen verhoogt de betrouwbaarheid.

Kaders blijven evolueren met functies voor geheugen, autorisatie en auditeerbaarheid. Op lange termijn willen ondernemingen een geïntegreerd platform waarop ze doelen en beleid definiëren en het systeem prompting, gegevenstoegang en complianceworkflows beheert.

Conclusie

Agentic AI heeft een aanzienlijk potentieel om complexe workflows in gereguleerde industrieën te transformeren. Echt succes vereist beveiligingsarchitectuur, beleidsgebaseerde governance, menselijke toezicht en grondige testen. Ondernemingen die agentic AI benaderen als een kernsoftwarecapaciteit in plaats van een marketinglabel, zullen waardevolle resultaten behalen, terwijl diegenen die vertrouwen op hype, stilgelegde proefprojecten en verspilde investeringen riskeren.