Vóór de introductie van generatieve AI genereerde analytische AI wereldwijd al een waarde van 11 tot 18 miljard dollar, voornamelijk door voorspelling en optimalisatie. Het gebruik was beperkt tot experts. Gen AI heeft dit veranderd door toegang voor iedereen mogelijk te maken: 78% van de organisaties meldt nu dat ze generatieve AI gebruiken in ten minste één functie, wat neerkomt op een geschat extra potentieel van 2,6-4,4 miljard dollar.
Toch heeft dit enthousiasme zich niet vertaald in resultaten. Meer dan 80% van de bedrijven geeft aan dat AI-initiatieven geen significante bijdrage leveren aan het genereren van winst en slechts 1% beschouwt hun strategie als "volwassen". Dit fenomeen staat bekend als de "GenAI-paradox": enorm veel energie, investeringen en potentieel, maar slechts een minimale impact.
Veel bedrijven hebben "horizontale" AI-gebruiksgevallen geïmplementeerd, zoals copiloten en chatbots. Bijna 70% van de Fortune 500-bedrijven gebruikt bijvoorbeeld Microsoft 365 Copilot. Maar hoewel deze toegankelijke tools de individuele productiviteit verhogen, is hun impact te klein om het resultaat te beïnvloeden.
Daarentegen hebben "verticale" gebruiksgevallen die zijn ingebed in specifieke bedrijfsprocessen een groter economisch potentieel. Uit onderzoek van McKinsey blijkt dat ongeveer 90 procent van deze inspanningen in de pilotfase blijft hangen. Zelfs wanneer ze worden ingezet, ondersteunen ze individuele processen meestal reactief, in plaats van autonoom te werken.
De introductie van verticale AI stuit op verschillende obstakels: het zijn vaak geïsoleerde bottom-up initiatieven die tot fragmentatie leiden. Een gebrek aan gestandaardiseerde oplossingen vereist vaak ontwikkeling op maat. LLM's van de eerste generatie worden beperkt door hun inherente passiviteit, onbetrouwbaarheid en onvermogen om complexe problemen op meerdere niveaus aan te pakken. De kwaliteit en toegankelijkheid van gegevens zijn vaak inconsistent. Verticale AI kan ook op culturele weerstand stuiten van teams die bang zijn voor disruptie.
Maar ondanks de beperkte impact op het bedrijfsresultaat, heeft de eerste golf van generatieve AI grootschalige pilots mogelijk gemaakt die het vertrouwen in AI hebben versneld en organisaties hebben geholpen essentiële capaciteiten op te bouwen op het gebied van prompt engineering, modelevaluatie en governance. Dit legt de basis voor een meer geïntegreerde en transformatieve tweede fase: het ontluikende tijdperk van AI-agenten.
LLM's hebben een revolutie teweeggebracht in de manier waarop bedrijven met gegevens omgaan: ze maken het mogelijk om informatie te bundelen, content te maken en te communiceren in een natuurlijke taal – maar op een heel reactieve manier, los van andere bedrijfssystemen.
AI-agenten breiden generatieve AI uit van reactieve contentgeneratie tot autonome uitvoering. Ze combineren LLM's met opslag-, plannings- en orkestratiefuncties om doelen te begrijpen, ze op te splitsen in subtaken en bewerkingen uit te voeren met minimale menselijke tussenkomst. Dit vergroot het potentieel van horizontale oplossingen: agent-gebaseerde copiloten worden proactieve teamgenoten die dashboards kunnen monitoren, workflows kunnen triggeren, openstaande acties kunnen volgen en realtime inzichten kunnen leveren.
De echte doorbraak komt in de verticale ruimte, waar Agentic AI complexe bedrijfsprocessen kan automatiseren waarbij meerdere stappen, actoren en systemen betrokken zijn - processen die de mogelijkheden van de eerste generatie AI-tools te boven gaan.
Agenten transformeren processen op vijf manieren: door vertragingen als gevolg van parallelle uitvoering te elimineren, realtime aanpasbaarheid en personalisatie op grote schaal mogelijk te maken, flexibele capaciteit te bieden en de operationele veerkracht te vergroten door continue bewaking.
Op het gebied van supply chain management zou een AI-agent bijvoorbeeld continu de vraag kunnen voorspellen, risico's kunnen identificeren en automatisch voorraden kunnen herverdelen tussen magazijnen, terwijl hij onderhandelt met externe systemen om de serviceniveaus te verbeteren en tegelijkertijd de kosten te verlagen.
Agenten kunnen groei bevorderen door bestaande inkomstenbronnen uit te breiden. Dit gebeurt bijvoorbeeld door up- of cross-sellingkansen in een online winkel te identificeren op basis van de analyse van gebruikersgedrag, de inhoud van het winkelmandje en andere contextuele informatie. Daarnaast kunnen nieuwe inkomstenbronnen worden aangeboord, bijvoorbeeld via geautomatiseerde aanbiedingen zoals onderhoudsabonnementen voor industriële klanten of gebundelde SaaS-tools die interactieve expertise bieden voor klanten die juridisch, fiscaal of inkoopadvies op maat nodig hebben.
Kort gezegd: Agentic AI automatiseert niet alleen, maar herdefinieert ook de manier waarop organisaties werken, zich aanpassen en waarde creëren.
Wanneer agenten eenvoudigweg worden ingebed in bestaande processen, worden ze snellere assistenten die doorgaans een productiviteitswinst van 5-10% opleveren. Voor een echte doorbraak is een hervorming van de processen vanaf de basis nodig.
Dit omvat het veranderen van processtappen, het opnieuw toewijzen van verantwoordelijkheden tussen mensen en agenten en de vormgeving het proces om te profiteren van de sterke punten van AI, zoals parallelle uitvoering, realtime aanpassing, uitgebreide personalisatie en flexibel capaciteitsbeheer.
Stel je een hypothetisch callcenter voor: in eerste instantie zullen menselijke ondersteuningsmedewerkers AI-tools om artikelen uit kennisdatabanken op te halen, ticketgeschiedenissen samen te vatten en reacties op te stellen. Als AI-agenten worden geïntroduceerd met behoud van bestaande workflows, kan de benodigde tijd met 20-40% worden teruggebracht en de achterstand met 30-50%.
Een volledig herontwerp van processen, met AI-agenten die proactief problemen herkennen, geautomatiseerde oplossingen initiëren en rechtstreeks met klanten communiceren, zou tot 80% van de incidenten autonoom kunnen oplossen, wat resulteert in een 60-90% kortere oplostijd. Menselijke agenten, die worden ingeschakeld wanneer AI-agenten onzekerheden of uitzonderingen op typische patronen detecteren, fungeren nu als escalatiemanagers en bewakers van de servicekwaliteit in dit scenario.
Natuurlijk hoeft niet elk bedrijfsproces helemaal opnieuw te worden uitgevonden. Eenvoudige taakautomatisering is voldoende voor gestandaardiseerde, repetitieve werkprocessen met beperkte variabiliteit, zoals salarisadministratie of de goedkeuring van reiskosten. Complexe, cross-functionele processen die gevoelig zijn voor uitzonderingen of nauw verbonden zijn met de bedrijfsprestaties, rechtvaardigen vaak een volledig herontwerp.
Agentic AI automatiseert niet alleen, maar herdefinieert ook de manier waarop organisaties werken, zich aanpassen en toegevoegde waarde creëren.
Alexander Sukharevsky, Managing Partner, QuantumBlack, AI by McKinsey, Londen
Het schalen van agenten brengt drie uitdagingen met zich mee: het beheren van nieuwe systeemrisico's, het integreren van aangepaste en gestandaardiseerde systemen en het behouden van flexibiliteit om vendor lock-in te voorkomen te midden van snel veranderende technologieën. Deze uitdagingen kunnen niet simpelweg worden overwonnen door nieuwe componenten, zoals opslagsystemen of orkestratie-engines, toe te voegen aan bestaande generatieve AI-stacks.
Wat we nodig hebben is een fundamentele verschuiving van een statische, LLM-gecentreerde infrastructuur naar een dynamische, modulaire en bestuurde omgeving die speciaal is ontworpen voor agentgebaseerde intelligentie - het Agentic AI-Mesh.
Het Agentic AI-Mesh biedt een uniform kader waarmee meerdere agenten (gestandaardiseerd en aangepast) autonoom kunnen redeneren, samenwerken en handelen in verschillende systemen, tools en taalmodellen - veilig, schaalbaar en ontworpen om mee te evolueren met de technologie. Het is gebaseerd op vijf onderling verbonden ontwerpprincipes.
Organisaties moeten hun LLM-strategieën ook aanpassen aan de specifieke behoeften van agenten: implementaties die real-time reacties vereisen, hebben LLM's met een lage latentie nodig; agenten die op gereguleerde of kennisintensieve gebieden werken (bijv. juridisch, financieel, gezondheidszorg) hebben LLM's nodig die kunnen worden geoptimaliseerd en uitgerust met externe tools.
Op de middellange tot lange termijn moeten organisaties afstappen van API's en agentgeoriënteerde IT-architecturen ontwikkelen waarin gebruikersinterfaces, logische functies en gelaagde gegevenstoegang vanaf het begin zijn ontworpen voor machines en niet voor mensen. In plaats van schermen en formulieren zijn dergelijke systemen georganiseerd rond machineleesbare interfaces, autonome workflows en agentgestuurde besluitvormingsstromen.
Deze verandering is al gaande. Microsoft integreert agenten in de kernfuncties van Dynamics 365 en Microsoft 365 via Copilot Studio. Salesforce breidt Agentforce uit tot een multi-agent orkestratielaag. SAP herontwerpt zijn Business Technology Platform (BTP) om agentintegratie via Joule te ondersteunen. De toekomst van bedrijfssoftware is niet alleen AI-ondersteund, maar ook agentgebaseerd.
Naarmate agenten zich ontwikkelen en opschalen, ontstaan er zowel technische als organisatorische complexiteiten, die uitdagingen met zich meebrengen op het gebied van coördinatie, beoordelingsvermogen en vertrouwen. Deze uitdagingen manifesteren zich op drie manieren.
Om recht te doen aan de mogelijkheden die Agentic AI biedt, moeten organisaties hun benadering van AI-transformatie fundamenteel veranderen – in vier dimensies:
De opkomst van AI-agenten vormt een strategisch keerpunt dat de manier waarop organisaties werken, concurreren en waarde creëren zal herdefiniëren. Dit is een cruciaal punt dat niet kan worden gedelegeerd - het moet worden geïnitieerd en beheerd door de CEO. Hiervoor zijn drie beslissende maatregelen nodig:
Net als elke andere baanbrekende technologie bieden AI-agenten achterblijvers de kans om hun concurrentiepositie te verbeteren. Als ze verkeerd worden geïmplementeerd of helemaal niet worden gebruikt, dreigen ze de achteruitgang van de huidige marktleiders te versnellen.
Agentic AI is nog in ontwikkeling, maar is al volwassen genoeg om echte verandering teweeg te brengen in verschillende industrieën. Om hun potentieel te realiseren, moeten CEO's AI-transformatie benaderen als een reeks gerichte, end-to-end hervormingsprojecten. Dit betekent het identificeren van bedrijfsgebieden met het grootste potentieel en vervolgens alles uit de kast halen: van de reorganisatie van werkprocessen en de herverdeling van taken tussen mens en machine tot de introductie van nieuwe bedrijfsmodellen.
Sommige leiders zijn al goed op weg - ze zetten niet alleen vloten van agenten in, maar herstructureren hun organisaties om hun volledige disruptieve potentieel te realiseren. Zo heeft Moderna bijvoorbeeld de leiding van de HR- en IT-afdelingen samengevoegd en het IT-leiderschap geconsolideerd, wat aangeeft dat AI nu impact heeft op het ontwerp van het personeelsbestand. Dit is een structurele stap naar een nieuw type bedrijf.
Agentic AI is geen incrementele stap, maar de basis van het bedrijfsmodel van de volgende generatie. CEO's die nu handelen zullen niet alleen een prestatievoordeel behalen. Ze zullen de manier waarop hun organisaties denken, beslissen en implementeren herdefiniëren. De verkenningsfase loopt ten einde – nu begint de tijd van transformatie.
Dit is een fragment uit het QuantumBlack-rapport “Seizing the agentic AI advantage”