TechUpdate: Agentic AI

Met tools als ClawBot zijn AI-agents – inclusief kunstjes en risico’s – tastbaar geworden voor consumenten. Daarmee is Agentic AI in een nieuwe fase beland. Hoogste tijd voor een TechUpdate over agentic AI.

TechUpdate is de rubriek op Ziptone over opkomende technologie, relevant voor klantcontact. In kort bestek leggen we uit wat het is, hoe het werkt, waarom het relevant is, wat de valkuilen zijn en vragen we de mening van de lezer: Hot or Not?

Wat is het

Tot voor kort overheerste het marketinglawaai, maar geleidelijk aan komen er voorbeelden van toepassingen beschikbaar. Agentic AI is de volgende stap in de ontwikkeling van generatieve AI. Agentic AI is de naam voor toepassingen gebaseerd op generatieve AI, waarbij een kunstmatige agent autonoom kan optreden. Een AI-agent kan binnen vooraf ingestelde kaders en zonder menselijke tussenkomst beslissingen nemen, zelfstandig (complexe) taken uitvoeren en kan zich aanpassen aan omgevingen, veranderende informatie en gebruikersbehoeften, en waar nodig escaleren naar een medewerker.

Agentic AI is met andere woorden AI die doelgericht kan handelen. Een agentic AI-toepassing kan zelfstandig aan de slag met een opdracht die in natuurlijke taal is geformuleerd, zoals ‘wijzig mijn abonnement en bevestig de nieuwe prijs’. Het systeem bepaalt daarbij zelf welke stappen nodig zijn.

Agentic AI is daarmee de tegenhanger van de deterministische software die volgens vaste processtappen tot een gestandaardiseerde output komt.

Het verschil met een AI-gebaseerde chatbot (waarmee je in natuurlijke taal kunt converseren) is dat de AI-agent ook toegang heeft tot externe systemen en beschikt over een actiegerichte laag. Agentic AI bevat actiemodellen die overweg kunnen met systemen zoals CRM, billing, ordermanagement of identity management.

Wat kan je er mee?

Agentic AI kan processen volledig uitvoeren. In klantcontact biedt dat toepassingsmogelijkheden in selfservice en in opvolging, denk aan het checken van de impact van een wijziging, het inplannen van afspraken, het escaleren van een case, het plaatsen van een bestelling of het verwerken van een retour. In klantcontact is het een veelbelovende automatiseringsoplossing.

Voor consumenten biedt agentic AI – los van hun interacties met een klantenservice – ook nieuwe mogelijkheden. Een voorbeeld: met de agentic oplossing van OpenClaw kan je ervoor zorgen dat je als consument via WhatsApp de vraag krijgt wat je de komende week wil eten, waarna de bot een menu samenstelt, het boodschappenmandje van de supermarkt vult, de bezorgdatum kiest en de bestelling definitief maakt.

Waarom is het relevant

Voor klantcontactomgevingen is agentic AI de vervolgstap in automatisering van klantcontactprocessen. Waar chatbots gericht zijn op de dialoog (vragen, antwoorden), kunnen AI-agents ook taken uitvoeren. Dat is een gamechanger voor klantcontact, want een groot deel van het werk van menselijke klantcontactprofessionals is gericht op het opzoeken van gegevens, het doorlopen van systemen, het controleren van statussen, het maken van afspraken, het regelen van restituties of het aanpassen van tickets. Aan de consumentenkant betekent de beschikbaarheid van agents dat klanten ‘hun’ agents ook aan het werk kunnen zetten.

Customer service is de ideale proeftuin voor enterprise agents. Het kan zorgen voor een kortere afhandeltijd van klantprocessen die tot nu toe door klantcontactprofessionals of backoffice-medewerkers worden gedaan.

Recente ontwikkelingen zoals OpenClaw en ClawBot laten zien dat agentic AI meer is dan ‘AI die praat’; beide platformen laten zien dat ‘AI dingen doet’. OpenClaw is een agentic AI-assistent die lokaal kan draaien en via verschillende tools echte acties kan uitvoeren, zoals e-mail opruimen, berichten versturen, browserhandelingen uitvoeren. Hiermee neemt het concept agentic AI een tastbare vorm aan voor consumenten; het zorgt er ook voor dat de brede belangstelling voor agentic AI flink toeneemt. Met name de ontsporingen trekken de aandacht. Zo publiceerde WIRED over een AI-agent die uiteindelijk phishing-achtig gedrag ging vertonen nadat deze brede toegang tot systemen kreeg.

Hoe werkt het

Een agentic AI-oplossing bestaat grofweg uit vijf bouwblokken.

Doel, beleid en guardrails. Je definieert wat het systeem mag doen (en wat niet), met limieten, escalatieregels en approvals. In klantcontact is dat vaak: human-in-the-loop bij uitzonderingen, hoge bedragen, gevoelige persoonsgegevens of afwijkende policy.
Redeneren en plannen. Het systeem splitst een doel op in stappen, kiest de juiste route, en bewaakt de voortgang. Dit is een belangrijk verschil met een flowchart van deterministische software: er zijn meerdere paden naar hetzelfde doel en tijdens het pad kan er rekening worden gehouden met allerlei soorten context en informatie.
De agent roept tools aan: CRM-API’s, knowledgebases, ordersystemen, identity checks, payment providers, ticketing.
Correcte context en data. Als bijvoorbeeld CRM, ERP en billing niet op hetzelfde moment over de meest actuele informatie beschikken, kan een AI-agent met verkeerde uitkomsten komen.
Logging, audit en monitoring. Een volwassen agentic omgeving zorgt voor vastlegging van stappen inclusief antwoord op de vraag, waarom, met welke data, en met welk resultaat.

Systemen waarin meerdere gespecialiseerde AI-agents samenwerken, zijn meestal georganiseerd volgens een hybride ontwerp. Een triage-agent zorgt voor de intake: denk aan intentherkenning, samenvatten, prioriteren, en opvolgen. Verschillende gespecialiseerde agents met eigen skills pakken losse taken of processen op, met daarbij beperkte toegang tot data. Een orchestrator-agent bepaalt welke specialist wordt ingeschakeld, en wanneer er naar een mens wordt geëscaleerd.

AI-agents leveren pas waarde als ze gekoppeld zijn aan processen en systemen. Om ze goed te laten werken moeten ze kunnen vertrouwen op eenduidige informatie. Een ‘retour’ moet bijvoorbeeld een ondubbelzinnig concept zijn.

Daarnaast moet het werkterrein van AI-agents vanuit veiligheidsoverwegingen goed worden afgebakend, reden waarom AI-agents vaak gespecialiseerd zijn in een taak. Specialisatie maakt het makkelijker om guardrails, uitzonderingen en approvals goed te definiëren. Meerdere agents met elk hun eigen, verschillende specialisaties dan kunnen onderling samenwerken waar dat nodig is. Bovendien zijn smalle taken beter te ontwikkelen, testen en te monitoren, ook op prestaties.

Een globale indeling kan zijn: agents die transacties uitvoeren (wijzigen, annuleren, vergoeden, identificeren) hebben een smalle, beperkte bevoegdheid. Als een AI-agent vooral ondersteunt (zoeken, uitleggen, samenvatten), kan deze breder actief zijn. Wanneer het gaat om financiële transacties of adviezen, identiteit of compliance, is het goed om een gespecialiseerde agent te laten samengaan met human-in-the-loop wanneer uitzonderingen zich voordoen.

Even opletten

1. Verschillende bedrijven hebben de afgelopen jaren volop ingezet op de ontwikkeling en promotie van oplossingen voor agentic AI. Er zijn grote belangen mee gemoeid. CCaaS- en CRM-aanbieders weten dat automatiseren hun (op FTE-gebaseerde) licentiemodel onder druk zet. Bij Salesforce is zichtbaar dat agentic AI onderdeel is van reorganisaties en productstrategie.

Gartner stelt dat meer dan 40% van de agentic AI-projecten naar verwachting wordt stopgezet vóór eind 2027, onder andere door kosten, onduidelijke business value en onvoldoende risicobeheersing.

2. Gartner noemt ook expliciet ‘agent washing’: producten die opnieuw gelabeld worden (assistants, RPA, chatbots) zonder echte agentic capabilities. Echte agentic AI voldoet aan de volgende vier kenmerken:

De AI-agent kan aantoonbaar zelfstandig acties uitvoeren in systemen (CRM, billing, logistics, IAM);
De AI-agent werkt met expliciete guardrails, permissions en audit logs (wie deed wat, wanneer, met welke data, waarom);
De AI-agent kan omgaan met uitzonderingen: escaleren, terugvragen, of stoppen bij onzekerheid;
De AI-agent draait op actuele, gevalideerde data.

Oplossingen die gescript zijn of die alleen kunnen omgaan met de happy flow, zijn geen agentic AI.

3. Waar de AI-gebaseerde chatbot het moest hebben van afgebakende, goed georganiseerde kennis- en informatieomgevingen, moet agentic AI kunnen werken met data. Een AI-chatbot kan al vrij snel met een goede kennisbank aan de slag, maar agentic AI loslaten op bedrijfsprocessen is van een andere orde van grootte.

Naast datakwaliteit kan ook latency een probleem zijn voor het veilig kunnen opereren van AI-agents.

Een AI-agent moet op het juiste moment de juiste bron kunnen raadplegen, ongeacht waar de data staat, en moet ervan op aan kunnen dat die informatie op dat moment het meest actueel is. Agentic AI wordt onbetrouwbaar als er gewerkt moet worden met verouderde kopieën van gegevens, of als systemen niet synchroon lopen met de leidende bron (system of record). Concreet voorbeeld: de AI-agent moet kunnen werken met (en vertrouwen op) alle informatie uit telefonisch contact dat vlak voor de actie speelde.

4. Grote risico’s

Juist vanwege de toegang van agentic AI-toepassingen tot systemen zijn de risico’s groot, iets waarvoor de Autoriteit Persoonsgegevens al heeft gewaarschuwd. Agentic AI kan bijvoorbeeld ook de deur openzetten voor malware. Het aan de slag gaan met agentic AI stelt zeer hoge eisen aan de security van organisaties, ook binnen de kaders van development.