Natuurlijk geldt garbage in = garbage out. Maar je bent nooit klaar met het managen van je data. Kortom, ‘datahuishouding op orde’ is geen voorwaarde om aan AI-toepassingen te beginnen. Dat stelt Peter van der Putten, Director AI Lab bij Pega. “De echte waarde zit niet in modellen, maar in wat je ermee doet.”

 

Peter van der Putten is als Director AI Lab binnen CRM-leverancier Pega verantwoordelijk voor AI-strategie, thought leadership en productinnovatie. Daarnaast is hij parttime universitair docent verbonden aan Universiteit Leiden. Vanuit het Leiden Institute of Advanced Computer Science (LIACS) doet hij onderzoek naar de interactie tussen mens en AI. Zijn persoonlijke fascinatie: ‘Artificial X, waarbij X staat voor alles wat ons mens maakt – naast empathie zijn dat vooral ook zaken als emoties, relaties opbouwen of zelfs religie – en hoe AI zich daarin kan mengen. Hij ziet AI-toepassingen als een spiegel van onze menselijke vermogens. Is AI in staat om poëzie te maken – bijvoorbeeld door nieuwe metaforen te bedenken?

GenAI is maar een deel van het verhaal

We beginnen het gesprek bij de zoektocht naar de echte toegevoegde waarde van AI. Terwijl GenAI volop door het publiek wordt omarmd – vooral de meest recente verbeterslagen in het genereren van levensechte video’s leiden tot oh’s en ah’s, blijft het in klantcontact bij de bekende use cases in de categorie agent assist. Vooralsnog lijkt er eerder sprake van evolutie dan van revolutie.

“Wie AI zegt, denkt al snel aan ChatGPT. Maar dat is slechts een deel van het verhaal,” benadrukt Van der Putten. “Ik noem die categorie ‘right brain AI’: creatief, generatief, associatief. Maar net zo belangrijk is left brain AI: het analytische, rationele vermogen van AI om waar te nemen, te voorspellen en beslissingen te nemen. Die vorm van AI draait al volop in veel organisaties, vaak ongemerkt, en het is belangrijk dat we een brede blik op AI houden.”

Relatief dom en passief

Toch: als je kijkt naar de grootste toegevoegde waarde op dit moment, komt je uit bij de GenAI-toepassingen, constateert ook Van der Putten. In customer service gaat het dan om zaken als automatische samenvattingen, dialoogsuggesties, betere routering. Veel organisaties besparen hier al direct op nawerktijd of verhogen de medewerkertevredenheid. Een andere factor die volgens Van der Putten ondertussen speelt is de ‘commoditisering’ van modellen. Het is niet dat iedereen zo maar een nieuw model kan bouwen, maar de modellen gaan wel steeds meer op elkaar lijken. “Deze modellen zijn vrij dom – ze blijven passief, nemen nauwelijks context mee, maken nauwelijks eigen plannen,” stelt Van der Putten. “De echte stap voorwaarts is de AI-agent die context verzamelt, zelf acties onderneemt en leert van wat er gebeurt.” Hij noemt hierbij het voorbeeld van een bank die maandelijks vijf miljard AI-beslissingen neemt, variërend van risicobeoordelingen tot routeringsbesluiten. “Dat is van een andere orde van grootte dan een serie prompts in een chatbot.”

Zelf een plan van aanpak maken en uitvoeren

“Agentic AI start na het ontvangen van een vraag of opdracht met het verzamelen van relevante context uit systemen, klantgeschiedenis of externe bronnen. Vervolgens interpreteert de agent de vraag, herformuleert indien nodig het probleem en stelt een plan van aanpak op. Daarbij selecteert de AI-agent zelf welke tools of API’s beschikbaar en nodig zijn om tot een oplossing te komen – bijvoorbeeld een retourprocedure starten, een betaling uitvoeren of extra klantinformatie opvragen. Als de output van die actie onverwacht is, wordt het plan bijgesteld.”

Een AI-agent kan daarna zelf actie ondernemen. Van der Putten noemt als voorbeeld een scenario bij levensverzekeringen, waarbij de AI bepaalt of een medische beoordeling nodig is op basis van beleidsregels, deze automatisch initieert, en vervolgens de zaak laat uitvoeren door mens of machine. “Daarmee krijg je AI die niet alleen redeneert, maar ook doelgericht opereert binnen duidelijke kaders.”

Bij Pega werken ze al met zo’n AI-agent: Iris, een interne AI-stagiair die ‘op Texel woont’. Pega-medewerkers kunnen Iris vragen stellen over producten, sales, support of strategie. Iris antwoordt op basis van twintig interne tools, van documentatie tot reasoning engines. “We hebben haar met opzet een stagiair genoemd, dat helpt bij verwachtingsmanagement,” zegt Van der Putten. Wat Iris anders maakt dan ChatGPT? “Ze combineert kennisbronnen, stelt vervolgvraagstukken, roept tools aan en plant zelf acties. Dat maakt haar een echte agentic AI.”

Predictable agents

De ontwikkeling van agentic AI staat beslist nog aan het begin. Van der Putten verwacht dat systemen waarbij meerdere agents met elkaar samenwerken – zogenaamde multi-agent systemen – de volgende stap zijn. “Dan moet je niet alleen coördinatie tussen agents faciliteren, maar ook kunnen uitleggen wat ze doen, waarom en op basis van welke informatie.”

Dit raakt aan het belang van uitlegbare AI en het gebruik van betrouwbare en voorspelbare tools (‘predictable agents’) binnen bedrijfsprocessen. Want we creëren al een hoop complexiteit als één agent met data aan de slag gaat en met output komt; laat staan wat er gebeurt als meerdere agents onderling samenwerken. Hoe komt output dan tot stand?

Data op orde als randvoorwaarde? Onzin

Een veelgehoorde uitspraak is dat AI alleen werkt als je datahuishouding op orde is. Onzin, vindt Van der Putten. “Natuurlijk geldt: ‘garbage in is garbage out’. Maar bedrijven zeggen vaak: wacht nog even, we hebben het ‘Golden Data 2026’-programma lopen. Dat soort programma’s loopt altijd uit en je bent bovendien nooit klaar met het managen van data. Als je ‘datahuishouding op orde’ als uitgangspunt neemt, is de kans groot dat je nooit begint aan AI.”

‘Data op orde’ is eerder een mindset-probleem dan een dataset-probleem, concludeert Van der Putten. “De focus moet liggen op business outcomes, zoals een kortere afhandeltijd of hogere klanttevredenheid. Begin klein, met een concreet probleem. Dan zie je vanzelf welke data belangrijk is, waar hiaten zitten, en wat je moet verbeteren.” Begin dus niet vanuit de technologie, maar vanuit vragen als ‘wat zijn je grootste uitdagingen’ of ‘waar wil je als organisatie naar toe?’ “Kijk wat er in je jaarverslag staat. Welke doelen wil je bereiken? Pas daarna bepaal je welke vormen van AI daaraan kunnen bijdragen. Daarmee kantelt het perspectief: niet ‘wat kunnen we met AI?’, maar ‘hoe kan AI bijdragen aan wat we willen bereiken?’.

Van der Putten ziet vaak dat bedrijven bottom-up redeneren: ze hebben veel data en willen daar ‘iets mee doen’. Dat leidt zelden tot impactvolle toepassingen. “Top-down denken betekent dat je vertrekt vanuit concrete doelen of problemen en vervolgens onderzoekt welke technologie en data daarvoor nodig zijn.”

Autonome organisatie

Agentic-AI mag dan de volgende stap zijn, van het AI Lab mag je verwachten dat er ook al zicht is op wat daarna komt. Van der Putten noemt dan de ‘autonomous enterprise’: een organisatie waarin AI niet alleen ondersteunt, maar zelfstandig doelen nastreeft binnen vooraf gestelde kaders. “We zijn gewend aan zelfrijdende auto’s. Waarom geen zelfsturende bedrijven?” Technologisch betekent dat een nauwere verweving van generatieve AI (creatief plannen, interactie) met analytische AI (beslissingen nemen, optimaliseren). Dat vraagt om nog meer regie op betrouwbaarheid, uitlegbaarheid en samenwerking tussen ecosystemen van AI-agents.”

Daarnaast kan je óók kijken naar de mogelijkheden om AI in te zetten om de customer experience te verrijken in plaats van alleen maar efficiënter te maken. Van der Putten noemt hierbij een voorbeeld van een Australische bank die met AI onderzoekt welke klanten recht hebben op overheidsregelingen of subsidies. “Dat is geen klachtenafhandeling, maar echte proactieve service. AI maakt dit soort initiatieven schaalbaar. Customer service is rijp voor transformatie. Maar houd het nuchter, praktisch en mensgericht. Want pas dan levert AI echte waarde op.”

(Ziptone/Erik Bouwer)

Featured, Technologie Pegasystems