Wat is agentische AI?

AI heeft de stap gezet van ondersteuning naar actie. Agentische AI stapt uit haar passieve rol en neemt actief de leiding. Dit systeem is ontworpen om autonoom te plannen, te handelen en zich aan te passen aan hun omgeving, met als doel zelfstandig beslissingen te nemen en taken uit te voeren binnen het functionele kader. Met dit vermogen tot proactief en doelgericht handelen, kan agentische AI een sleutelrol spelen bij het oplossen van ingewikkelde problemen in allerlei vakgebieden. Dit moet u weten.

Wat is agentische AI?

Agentische AI verwijst naar een AI-systeem dat in staat is om autonome beslissingen te nemen op basis van zowel eerdere prestaties als een actuele inschatting van wat nodig is om een taak te voltooien. Het systeem functioneert bovendien met minimale menselijke tussenkomst. Een agentisch AI-systeem kan zijn voortgang beoordelen en vervolgens passende beslissingen nemen, zoals het toevoegen van nieuwe stappen of het inschakelen van mensen of andere AI-systemen voor hulp.

In tegenstelling tot traditionele AI, de term die vaak wordt gebruikt voor niet-generatieve AI-services, is agentische AI niet beperkt tot een input/output-model dat afhankelijk is van menselijke vragen en toezicht. In plaats daarvan is de technologie zo autonoom dat het systeem complexe stappen naar zijn doel kan zetten, en alleen contact zoekt met mensen wanneer dat nodig is.

Agentische AI kan het best worden vergeleken met een manager, niet met een uitvoerende technicus. Gespecialiseerde AI-agents zijn getraind om taken uit te voeren op basis van externe input, vergelijkbaar met een ervaren technicus die een specifieke opdracht krijgt toegewezen. Agentische AI kan verschillende AI-technieken inzetten, waaronder generatieve AI, terwijl het autonome beslissingen neemt, vergelijkbaar met een manager die bepaalt welke specialisten hij inschakelt om een project te voltooien. Volgens deze analogie kan de manager samenwerken met collega’s, feedback ontvangen van technici op locatie, werkprocessen optimaliseren, extra informatie opvragen en aanvullende middelen inzetten wanneer dat nodig is.

Voornaamste conclusies

• Agentische AI verwijst naar AI-systemen die in staat zijn om autonome beslissingen te nemen over hoe een doel kan worden bereikt, en vervolgens hun beslissingen ook daadwerkelijk uitvoeren.
• Agentische AI-systemen kunnen samenwerken met AI-agents en mensen om doelen te stellen en te bereiken.
• Agentische AI-systemen maken vaak gebruik van tools, waaronder AI-modellen, gespecialiseerde AI-agents en georkestreerde AI-services, om strategische doelen te bereiken.
• Hoewel agentische AI-systemen in staat zijn tot complexere en zelfstandige acties dan traditionele AI, kunnen ze ook aanzienlijk meer resources vereisen.

Agentische AI: uitleg

Agentische AI luidt de derde golf van AI-ontwikkeling in. In de vroege fase van moderne AI werden technologieën geïntroduceerd voor bijvoorbeeld het doen van aanbevelingen en het automatisch aanvullen van tekst. Hierbij werden grote datasets geanalyseerd om statistische verbanden te herkennen en voorspellingen te doen. De tweede fase kwam pas kort geleden op gang, toen slimme algoritmes, krachtige computers en bergen data ervoor zorgden dat AI zelf creatieve inhoud kon genereren, zoals tekst, afbeeldingen en muziek.

De derde fase van AI richt zich op het vermogen om uiteenlopende elementen en vaardigheden samen te brengen onder de noemer van keuzevrijheid. Het is belangrijk om onderscheid te maken tussen AI-agents en agentische AI-systemen. Agenten hebben toegang tot voorspellende, generatieve en andere AI-mogelijkheden. In plaats van te wachten tot een gebruiker bijvoorbeeld om generatieve output vraagt, is een agent geprogrammeerd om naar een specifiek doel toe te werken. Agentische AI analyseert dus de mogelijke routes naar het doel en neemt beslissingen over de beste manier om de taak te voltooien. Agenten kunnen ook eerdere taakuitvoeringen meenemen in hun afwegingen om de resultaten te verbeteren.

Dankzij het vermogen om grote hoeveelheden data te verwerken en te synthetiseren, kan een AI-agent onderzoek doen op een niveau dat voor mensen niet haalbaar is. Door zelfstandig keuzes te maken, zonder expliciete instructies, kunnen agenten nieuwe informatie ontdekken en feedback verwerken. Hierdoor worden ze waardevolle samenwerkingspartners, of het nu gaat om werk, hobby’s of persoonlijke taken.

Agentische AI-systemen gaan een stap verder door afzonderlijke AI-agents en andere geschikte systemen of tools samen te voegen tot een samenhangend geheel. Een AI-agent kan bijvoorbeeld klachten van klanten afhandelen. Een agentisch AI-systeem kan die data vervolgens gebruiken om productontwerpers en marketingverantwoordelijken te helpen hun aanbod aan te passen op basis van patronen in het gedrag van klanten.

De vraag voor bedrijven is dus niet "Wat kan agentische AI voor ons doen?" In plaats daarvan kunnen bedrijven zich beter afvragen: “Waar moeten we beginnen?” Het antwoord is vaak kant-en-klare AI-agentplatforms die eenvoudige integratie, schaalbaarheid en maatwerk bieden.

Hoe werkt agentische AI?

Agentische AI-systemen zijn ontworpen om verschillende AI-elementen te beheren en uit te voeren met het oog op een vastgesteld projectdoel. Hoewel de specifieke details per missie enigszins kunnen verschillen, worden hieronder de algemene stappen weergegeven die agentische AI-systemen doorgaans volgen:

1. Een doel en parameters vaststellen: de doelstelling van het project en de bijbehorende beperkingen worden vastgesteld op basis van input van mensen.
2. Taken en stappen: een geschikt LLM, mogelijk een basismodel dat is geselecteerd uit vooraf gebouwde opties, verwerkt deze informatie om de benodigde taken aan elkaar te koppelen met als doel het behalen van het projectdoel binnen de vastgestelde parameters en beperkingen.
3. Autonome beslissingen: nadat de taken zijn gedefinieerd, bepaalt het agentische AI-systeem de optimale aanpak om de doelstellingen te realiseren en voert het deze zelfstandig uit, of met menselijke interactie indien nodig.
4. Feedback en revisie: de agent verwerkt data uit parallelle taken en past de workflow waar nodig aan. Dit kan variëren van het schrappen van stappen om de workflow te optimaliseren tot het toevoegen van nieuwe stappen voor verdere dataverzameling. Wat agentische AI-systemen zo aantrekkelijk maakt, is hun vermogen om beslissingen te nemen en zich aan te passen op basis van realtime data.
5. Systemische verbetering: terwijl de agent naar zijn doel toewerkt, verwerkt hij vastgelegde resultaten en acties in een systemische feedbacklus, in de AI-sector ook wel de “data flywheel” genoemd. Deze lus verlegt de grenzen van de agent, met als doel de nauwkeurigheid en efficiëntie in de loop der tijd te verbeteren.

Voor een correcte werking van agentische AI-systemen maken IT-teams doorgaans onderliggende automatiseringen, subagents en relevante data toegankelijk voor de agenten. Zodra dat is gebeurd, kunnen ondernemingen een commercieel agentisch AI-systeem integreren dat aansluit bij hun behoeften op het gebied van functionaliteit, aanpasbaarheid, schaalbaarheid en prestaties. Dit systeem kan vervolgens verder worden verfijnd zodat het functioneert volgens de doelstellingen van het project.

Wat is het verschil tussen agentische AI en traditionele AI?

Traditionele AI is de term die in de industrie wordt gebruikt voor AI-systemen die niet generatief zijn, en daardoor niet agentisch. Deze op regels en logica gebaseerde systemen nemen data op, verwerken deze en genereren vervolgens nieuwe data als output. Neem het voorbeeld van fraudedetectie. In dit geval zou het systeem zich richten op de klantdata van een financiële onderneming, nadat het getraind is om afwijkingen en uitschieters te herkennen binnen diverse categorieën, zoals het soort aankoop, de geografische locatie, het bedrag en het tijdstip. Dit is een input/output-situatie: transactiedata gaan het systeem in en de uitkomst is een beoordeling van de fraudestatus. Ondanks de beslissingen binnen de workflow voert het AI-systeem uiteindelijk een vooraf gedefinieerde taak uit waarvoor het specifiek is getraind.

Agentische AI is ontworpen om meer autonoom te functioneren: het richt zich op een doel en bepaalt vervolgens zelf de beste manier om dat doel te bereiken. Een agentisch AI-systeem beschikt over de zelfstandigheid om actief op zoek te gaan naar de informatie die het nodig heeft om zijn doel te bereiken, en kan zelfs verbinding maken met andere beschikbare tools. Laten we teruggaan naar het voorbeeld van fraudedetectie. Agentische AI kan vragen stellen en informatie achterhalen die meer context biedt, en daardoor mogelijk tot betere resultaten leidt. Dus als een eerder fraudedetectiemodel een afwijking in de aankoopprijs en -categorie opmerkt die tot een waarschuwing leidt, kan een agentisch AI-systeem met andere systemen communiceren om aanvullende informatie over de situatie van de klant te verzamelen.

In dit geval zou het opvragen van weersinformatie kunnen aantonen dat de regio van de klant getroffen is door een enorme, plotselinge storm, met grootschalige meldingen van noodsituaties. Bovendien vonden de onverwachte aankopen voornamelijk plaats bij bouwmarkten en supermarkten, wat zou kunnen wijzen op het inslaan van noodvoorraden. Ondanks dit afwijkende gedrag kan de agent deze kennis toepassen en contextuele aantekeningen meesturen bij het rapporteren van de waarschuwing, zodat een mens de uiteindelijke beslissing kan nemen. Dankzij het besluitvormingsvermogen van agentische AI beschikt de supervisor over veel meer informatie om een definitief oordeel te kunnen vellen zonder zelf al het voorbereidende werk te hoeven doen.

Wat is het verschil tussen agentische AI en generatieve AI?

Agentische AI en generatieve AI zijn allebei sterke technologieën, met elk hun eigen unieke toepassingen. Agentische AI richt zich op besluitvorming en het ondernemen van acties, terwijl generatieve AI zich focust op het genereren van content. Hoewel GenAI de afgelopen jaren krachtiger en capabeler is geworden en de output zelf nauwkeuriger en van hogere kwaliteit is, blijft het in essentie een workflow van inkomende en uitgaande data.

Met andere woorden, GenAI heeft nog steeds een prompt nodig om te functioneren.

Neem het voorbeeld van een groot taalmodel voor het onderzoeken van een technisch rapport. De onderzoeker zal een verscheidenheid aan prompts bieden en krijgt gedetailleerde output als resultaat. De onderzoeker kan ook vervolgvragen stellen op basis van de output of de context van de vraag wijzigen om een andere benadering of invalshoek te krijgen. De onderzoeker kan deze informatie vervolgens combineren en bepalen wat het meest geschikt is voor het rapport.

Met agentische AI zou een groot deel van dit proces theoretisch efficiënter kunnen verlopen. In plaats van een reeks vragen te stellen en na te gaan waar in de informatie de hiaten zitten, geeft de onderzoeker het agentische AI-systeem een doel: hoe specifieker en gedetailleerder, hoe beter. Zodra het doel is vastgesteld, kan het agentische AI-systeem communiceren met een LLM om gegenereerde output te verkrijgen. Wanneer het beoogde doel duidelijk is, kan het agentische AI-systeem de verstrekte informatie gebruiken en blijven verfijnen totdat de output naar wens is. Daarnaast kan het agentische AI-systeem communiceren met externe bronnen en andere AI-modellen, waardoor er nieuwe inzichten kunnen worden verwerkt voordat het eindresultaat aan de gebruiker wordt getoond.

Een realistische vergelijking: GenAI is alsof je een gereedschapskist hebt om zelf een lekkende kraan te repareren. Een AI-agent is eerder te vergelijken met het inschakelen van een loodgieter om het lek te verhelpen en te onderzoeken of er onderliggende problemen zijn die het lek hebben veroorzaakt. Een agentisch AI-systeem lijkt daarnaast meer op een aannemer die de loodgieter aanstuurt en tegelijkertijd een elektricien en een schimmelinspecteur inschakelt om de schade rond het lek in kaart te brengen.

Praktijkscenario's voor agentische AI

Agentische AI kan helpen om dingen sneller en slimmer aan te pakken en problemen op te lossen in een groot aantal verschillende praktijkscenario's, of het nu gaat om bedrijven, overheden en persoonlijke of andere toepassingen. De onderstaande voorbeelden laten zien op welke manieren agentische AI kan worden geïntegreerd in het dagelijks leven.

• Zorgprofielen: patiëntdata kunnen afkomstig zijn uit verschillende bronnen, waaronder draagbare apparaten, bloeduitslagen en vitale functies gemeten tijdens een lichamelijk onderzoek. Wanneer deze data gezamenlijk worden geanalyseerd, kunnen ze een patroon vertonen dat wijst op een zich ontwikkelende aandoening. Het trekken van die conclusie vergt diepgaande kennis binnen de organisatie én de capaciteit om de beschikbare data te gebruiken en te beoordelen. Agentic AI kan snel alle binnenkomende data van een specifieke patiënt verwerken om vroegtijdige signalen van mogelijke problemen te herkennen. Daarnaast heeft de agent de autonomie om indien nodig aanvullende data op te halen en een rapport op te stellen voor de behandelend arts.
• Verzekeringsclaims: het afhandelen van verzekeringsclaims omvat complexe processen waarbij vaak informatie van meerdere partijen wordt verwerkt. Agentische AI-systemen kunnen dit proces versnellen door kritieke en relevante data uit ingediende formulieren en details te identificeren voor kruisverwijzingen en het verifiëren van informatie. Tegelijkertijd kan het systeem het workflowproces beheren en betrokkenen een seintje geven als er nog openstaande actiepunten zijn.
• Supply Chain Management: veel elementen van een typische supply chain, van prognose tot voorraadbeheer, kunnen profiteren van agentische AI. Een specifiek voorbeeld is transport en routebeheer. In dit geval zijn de standaard logistieke data afkomstig uit het trackingsysteem voor verzendingen. Een AI-agent kan echter met andere systemen communiceren om routes te optimaliseren. Weersomstandigheden, verkeer en zelfs factoren zoals politieke stabiliteit en nationale feestdagen kunnen allemaal worden meegenomen om de bezorgroutes te laten optimaliseren door de agent.
• Verkeersmanagement: overheden kunnen agentische AI integreren in verkeerscontrolesystemen om verschillende inkomende data samen te voegen. Realtime verkeersdata van camera’s en sensoren, weersinformatie, bouwactiviteiten en voorspellende analyses op basis van historische patronen kunnen allemaal worden verwerkt en geanalyseerd door een toezichthoudende AI-agent, die vervolgens de timing van verkeerslichten aanpast om opstoppingen te voorkomen en de rijervaring te verbeteren.

De voordelen van agentische AI

Agentische AI is een verbetering ten opzichte van traditionele automatisering en procesoptimalisatie en kan leiden tot tal van voordelen, vooral wanneer het is gebaseerd op een solide basis van workload- en databeheer en toepassingsspecifieke agentsystemen.

Hier volgen enkele van de meest voorkomende voordelen waarvan ondernemingen profiteren wanneer agentische AI effectief wordt toegepast.

• Altijd actief: agentische AI doet meer dan wachten op nieuwe input na een taak. Het blijft actief en werkt zelfstandig naar een doel toe. Dankzij zijn autonome besluitvorming ondersteunt agentische AI continu werkende processen, of het nu gaat om data verwerken, informatie verzamelen, klantvragen beantwoorden of andere functies.
• Kostenbesparing: agentische AI-systemen zijn snel, nauwkeurig en continu actief, wat kan leiden tot efficiëntere kostenstructuren. De bron van kostenbesparing verschilt per sector, maar bedrijven profiteren vaak van snellere en grootschaligere analyses. Hierdoor kunnen ze beter onderbouwde beslissingen nemen en processen verbeteren of sneller mijlpalen behalen.
• Hogere productiviteit: wanneer een agentisch AI-systeem is gericht op een doel, zoals het classificeren van financiële transacties, het maken van grootboekboekingen of het ondersteunen van klanten, kan het zelfstandig beslissingen nemen over het verzamelen van aanvullende informatie, het uitvoeren van gerelateerde analyses of andere gerelateerde taken. Agentische AI-systemen kunnen snel informatie verzamelen en tegelijkertijd een reeks parallelle processen uitvoeren, allemaal met minimale menselijke tussenkomst.
• Nieuwe perspectieven: agentische AI werkt zelfstandig aan een doel en bepaalt zelf hoe dit doel het beste kan worden bereikt. Agentische AI kan gemakkelijk afwijken van het hoofdpad en extra data verzamelen, wat vaak leidt tot nieuwe en onverwachte inzichten.

De uitdagingen van agentische AI

Nu AI steeds menselijker gaat communiceren, ontstaan er nieuwe uitdagingen: enerzijds technische, zoals het verwerken van data, en anderzijds het creëren van vertrouwen, grip en aansluiting bij wat een bedrijf belangrijk vindt. Hoe zelfstandiger agentische AI wordt in het stellen van doelen, het plannen van acties en het communiceren met mensen, hoe belangrijker het voor organisaties wordt om manieren te vinden om toezicht te houden en in te grijpen, zonder de ruimte voor vernieuwing en slimme oplossingen te verstikken.

Hier volgen vier specifieke aandachtspunten.

• Nauwkeurigheid: agentische systemen zijn meestal nauwkeuriger dan mensen. Maar zoals altijd kan slechte data leiden tot ongewenste resultaten, waaronder onnauwkeurige output of ongewenste acties. Net als bij een nieuwe werknemer willen bedrijven nieuw geïmplementeerde agentische systemen mogelijk blijven controleren totdat de resultaten consistent juist zijn. En net als bij een nieuwe werknemer moet vertrouwen worden verdiend. Houd dat in gedachten en laat agentische AI-systemen eerst simpele, veilige taken doen die eenvoudig kunnen worden aangepast.
• Data- en workloadbeheer: uiteindelijk is elk AI-systeem een verlengstuk van de data van de onderneming en het beheer van de benodigde rekenkracht, netwerkbelasting en resources die voor een taak worden ingezet. Daarom doen IT-teams er goed aan om eerst te beoordelen of hun lokale en cloudinfrastructuur, databases en andere resources efficiënt en geoptimaliseerd zijn voordat ze beginnen met het integreren van agentische systemen.
• Dataprivacy: agentische AI werkt zelfstandig en kan dus toegang vragen tot externe systemen en data. Hoe sneller en meer agenten verwerken, hoe groter de kans dat ze gevoelige informatie tegenkomen. Door aandacht te besteden aan privacy en naleving van regelgeving en door informatie over uitgevoerde acties en geraadpleegde data toegankelijk te maken, verkleint u de kans dat het gebruik van agentische AI gevoelige informatie in gevaar brengt.
• Transparantie: agenten vormen de basis van agentische AI en moeten worden ontwikkeld met de mogelijkheid om beslissingen en conclusies toe te lichten. Daarnaast is het belangrijk om essentiële elementen, zoals de logica en evaluatiemethoden van de agent, toegankelijk te maken zodat deze indien nodig kunnen worden gevalideerd of gecorrigeerd.

Aan de slag met agentische AI

8 stappen voor het implementeren van agentische AI

Agentische AI-projecten zijn doorgaans uniek voor elke organisatie, met parameters die worden bepaald door beschikbare resources, teamdoelstellingen en andere variabelen. De volgende algemene stappen geven echter een overzicht van hoe de meeste teams beginnen met agentische AI-projecten.

1. Definieer doelstellingen

Agentische AI-systemen werken zelfstandig en hebben het vermogen om doelen te stellen. Ze plannen en voeren taken met meerdere stappen uit om met minimale menselijke tussenkomst een resultaat te bereiken. Dit verschilt van niet-agentische en taakgerichte AI-systemen, die als doel kunnen hebben om een specifiek en accuraat resultaat te leveren, bijvoorbeeld een afbeelding gegenereerd op basis van een zoekopdracht, of een suggestie voor een film. Zolang het gewenste doel niet duidelijk is, kunnen teams zich niet richten op het bouwen van een systeem op basis van de beschikbare resources. Doelstellingen kunnen ook richting geven aan welk vooraf gebouwd systeem als uitgangspunt moet worden genomen.

2. Ontwerp met het oog op robuustheid en betrouwbaarheid

Stel passende prestatiebenchmarks en meetwaarden vast voor de gehele levenscyclus van het systeem, van training en implementatie tot actieve agentische AI. Beveiliging, naleving en kwaliteitsbeoordelingen zijn cruciale factoren en moeten zoveel mogelijk perspectieven integreren. Ook als een project goed presteert of zelfs beter presteert dan verwacht, is het belangrijk dat teams blijven monitoren en verbeteren, zeker als de vraag blijft groeien. Breng risico’s in kaart en zorg voor een back-upplan.

3. Integreer veiligheidslagen

Omdat agentische AI een zekere mate van autonomie krijgt om beslissingen te nemen, moet u overwegen om veiligheidslagen in te bouwen in uw project. Dit kunnen technische waarborgen zijn die misbruik helpen voorkomen, lagen voor beveiliging en dataprivacy die data beschermen wanneer de AI met andere systemen communiceert, en stappen voor menselijke controle binnen projectworkflows.

4. Beperk de reikwijdte en autonomie

Agentische AI-projecten vereisen duidelijke parameters om te voorkomen dat AI-beslissingen de grenzen van reikwijdte of autonomie overschrijden. Voorbeelden van parameters zijn beslissingsdrempels die menselijke tussenkomst activeren, beperkingen op bepaalde handelingen en beslissingen, restricties voor toegang tot specifieke soorten materialen en het integreren van feedbacklussen om ervoor te zorgen dat de resultaten van de agent steeds verder verbeteren.

5. Focus op inzichtelijkheid en transparantie

Omdat agentische AI autonoom handelt, moeten conclusies en acties uitlegbaar zijn zodat teams bij het analyseren van beslissingen duidelijk inzicht hebben in het hoe en waarom. Deze inzichtelijkheid draagt bij aan het verbeteren van modellen en het oplossen van problemen als de beoogde resultaten niet volledig worden bereikt.

6. Zorg voor duidelijke controlemechanismen en geef prioriteit aan privacy, beveiliging en naleving

Uw organisatie heeft waarschijnlijk regels vastgesteld voor privacy, beveiliging en naleving. Overweeg of deze richtlijnen van toepassing zijn op nieuwe systemen, zoals agentische AI. Elke keer dat een agentisch systeem een beslissing neemt, verbinding maakt met andere systemen, input verwerkt of output genereert, vormt dat een potentieel risico. Het instellen van controlemechanismen is daarom een belangrijke overweging.

7. Zorg voor continue bewaking, evaluatie en verbetering

Net als bij elke nieuwe technologie moeten ook agentische AI-systemen worden bewaakt. Belangrijke aandachtspunten zijn de prestaties, de beschikbaarheid van het systeem, de verwerkingssnelheid voor taken en de nauwkeurigheid van de output of acties. Denk ook aan gedragsbewaking. Door acties en beslissingen te loggen, kunt u ongebruikelijke of onverwachte gedragspatronen of afwijkingen identificeren die kunnen wijzen op datadrift of modeldegradatie. De diepgang en frequentie van de bewaking hangen af van het kritisch belang van de agentische AI en van de impact die een eventuele storing kan hebben op de organisatie.

8. Stimuleer samenwerking en betrek expertise uit verschillende disciplines

Door uiteenlopende en diverse invalshoeken te betrekken, kunnen teams op basis van resultaten en leertrajecten waardevolle inzichten opdoen die anders wellicht onopgemerkt zouden blijven. Door het model vanuit verschillende perspectieven te analyseren, kunnen teams een beter uitgebalanceerd en geoptimaliseerd agentisch AI-systeem ontwikkelen dat helpt om blinde vlekken en potentiële risico’s te verminderen.

Alle bovenstaande informatie over bewaking, analyse en transparantie leiden tot duidelijke overdrachtsmomenten waarbij de rolverdeling tussen de AI-agents in het agentische systeem en de menselijke teams wordt beschreven.

De toekomst van agentische AI

Ontwerpers werken aan agentische AI-systemen die nog krachtiger en betrouwbaarder zijn en die effectief en veilig kunnen functioneren in complexe en dynamische omgevingen. De sector ontwikkelt zich in hoog tempo en doorlopend onderzoek naar modulaire ontwerpen, de voordelen van de cloud, geavanceerde leermechanismen en andere gebieden zal naar verwachting blijven bijdragen aan de ontwikkeling van meer betrouwbare autonome systemen.

Onderstaande gebieden verdienen bijzondere aandacht.

• Nauwkeurigheid: naarmate agentische AI-systemen verder worden verfijnd, zullen teams moeten kijken naar nieuwe manieren om de nauwkeurigheid te verbeteren door middel van leerprocessen. Ze moeten lessen trekken uit wat goed en fout gaat en deze feedback integreren om het beleid en de besluitvorming te verbeteren. Houd ontwikkelingen in de gaten zoals reinforcement learning en verbeterde methoden voor filtering en validatie.
• Integratie: op dit moment zijn bedrijven net begonnen met het integreren van agentische AI in hun bedrijfssystemen en bedrijfsapplicaties. De komende jaren zal agentische AI zich verder ontwikkelen en worden deze systemen beter aanpasbaar en configureerbaar, met toegankelijkere instappunten voor meer functies.
• Energie-efficiëntie: stroomverbruik is een van de grootste uitdagingen van AI. Voor de inherent complexere processen en autonome onderzoekstechnieken van agentische AI zullen naar verwachting meer resources worden gebruikt dan voor eerdere toepassingen van AI. Het vinden van manieren om de energievoetafdruk van modellen te verkleinen, kan cruciaal zijn voor het langetermijnsucces van agentische AI.
• Autonomie: op dit moment functioneren agentische AI-systemen doorgaans onder menselijk toezicht. Dit is echter geen vereiste. Dit komt doordat de technologie nog niet het niveau van vertrouwen heeft bereikt dat volledige autonomie toelaat. Het doel van agentische AI-technologie is het vinden van een juiste balans tussen autonomie, functionaliteit en controle.

Aan de slag met OCI Generative AI Agents

Ondernemingen kunnen agentische AI snel en eenvoudig integreren met Oracle Cloud Infrastructure (OCI) Generative AI Agents. Dankzij de verwerkingskracht en schaalbaarheid van OCI combineert het agentische AI-platform van Oracle functies voor het genereren van LLM's en retrieval-augmented generation met de data van een onderneming. Hierdoor worden geheel zelfstandig krachtige inzichten gegenereerd en aangestuurd via natuurlijke taalinterfaces. Automatiseringstools voor agentische AI-systemen, zoals Oracle Integration, kunnen organisaties helpen bij het vereenvoudigen van serviceorkestratie, tevens voor robotprocesautomatisering (RPA), met geïntegreerde observatie en effectief menselijk toezicht.

Veelgestelde vragen over agentische AI

Wat is het verschil tussen RPA en agentische AI?

RPA staat voor robotprocesautomatisering en richt zich op specifieke taken in plaats van besluitvorming. RPA is bijvoorbeeld uitermate geschikt voor het automatiseren van repetitieve taken, zoals het bijwerken van dataformaten of het overzetten van data van de ene applicatie naar de andere. Agentische AI-systemen werken samen om doelen te stellen, aan te passen en te realiseren. Een AI-agent stelt bijvoorbeeld vast dat een dataset in een ander formaat moet worden benaderd en zet RPA in om een kopie van de dataset te maken voordat het formaat wordt aangepast.

Wat is de meest gebruikte generatieve AI?

ChatGPT is nog steeds de bekendste tool voor generatieve AI. Andere populaire GenAI-tools die in verschillende media werken, zijn onder andere Midjourney voor het maken van afbeeldingen en Sora voor het genereren van video's.

Wat is een agentisch AI-framework?

Agentische frameworks zijn in feite de software en systemen die worden gebruikt om agentische AI te ontwikkelen. Agentische frameworks zijn vaak gebouwd op bestaande componenten en vormen zo de basis voor verdere verfijning van doelen en functies binnen projecten. Agentische frameworks bevatten doorgaans basismodules voor taalinterpretatie, toolintegratie, resourcebeheer, sentimentanalyse, vectorzoekopdrachten en voorverwerking van data.