‘Agentic AI-projecten staan nog in de startblokken’
Agentic AI brengt een revolutie teweeg in de bedrijfswereld
Agentic AI is een nieuwkomer in de wereld van AI. Het is een vorm van AI die zelfstandig kan handelen om taken uit te voeren. Het is daarmee veel krachtiger dan eenvoudige LargeLanguageModel-apps (LLM’s zoals Chat GPT), omdat het meerdere virtuele assistenten – zogeheten AI-agents – combineert in een systeem dat autonoom werkt. Juist die autonomie maakt het verschil met generatieve AI. Agentic AI kan data interpreteren, zelfstandig beslissingen nemen en taken uitvoeren.
Agentic AI kan zonder enige hulp bijvoorbeeld vragen beantwoorden, in realtime winkelvoorraden optimaliseren en schommelingen in de vraag aanpassen. Maar om het volledige potentieel te benutten en apps te ontwikkelen die kunnen denken en redeneren om deze ongelooflijk complexe problemen op te lossen, moeten gegevens uit meerdere bronnen in realtime en op wereldwijde schaal geïntegreerd worden. Edward Funnekotter is Chief AI Officer bij Solace, een belangrijke speler in platforms voor realtime event-gedreven bedrijven. Hij legt uit waarom intelligente, adaptieve agentic AI-systemen een event-gedreven aanpak vereisen met gebruik van een netwerk van AI-agents.
De waarde voor bedrijven
AI ontwikkelt zich razendsnel, van apps op instapniveau die rechtstreeks gebruikmaken van Large Language Models (LLM’s) en Retrieval-Augmented Generation (RAG) naar de veelgeprezen agentic AI. Dat is een AI-systeem dat niet zomaar vooraf geprogrammeerde instructies volgt, maar in realtime nadenkt, beslissingen neemt en zich aan nieuwe situaties aanpast. Of zoals Gartner het verwoordt in zijn strategische technologietrends voor 2025: AI-agents plannen en reageren autonoom om door gebruikers gedefinieerde doelen te bereiken. Agentic AI kan bijvoorbeeld een virtueel personeelsbestand inzetten, dat werk van mensen kan overnemen en aanvullen. Gartner voorspelt dat in 2028 minstens 15% van de dagelijkse beslissingen op het werk autonoom door agentic AI zal worden genomen.”
Een evolutie
Agentic AI gaat veel verder dan het beantwoorden van vragen over onderwerpen waarin een LLM is getraind. Het is een softwarepatroon dat meerdere LLM’s en services gebruikt, de zogeheten agents, om complexere taken en redeneringen autonoom uit te voeren. De evolutie van agentic frameworks is opmerkelijk. In het begin konden deze systemen alleen op regels gebaseerde taken uitvoeren, maar nu zijn het geraffineerde, multimodale agents. Deze agents verwerken en integreren informatie uit diverse bronnen, waaronder tekst, afbeeldingen en audio. Dankzij deze multimodaliteit kunnen AI-agents redeneren op een niveau dat (vrijwel) gelijkwaardig is aan het menselijke begrip. Het is te vergelijken met een medewerker die flexibel is, zich gemakkelijk aanpast en over specifieke expertise beschikt. A-agents zijn slimme, digitale assistenten die zelfstandig kunnen werken, die informatie verzamelen en verwerken, antwoorden geven op basis van realtime bedrijfsinformatie en zelfs processen zelfstandig automatiseren. Traditionele chatbots zitten vast aan scripts, AI-agents leren, ze passen zich aan aan nieuwe omstandigheden.
Het startschot
Agentic AI-projecten staan weliswaar in de startblokken, maar het startschot is nog niet gegeven. “Het grootste obstakel is om AI-projecten uit de testfase en in dagelijks gebruikte bedrijfsapps te krijgen. Harvard Business Review schat dat maar liefst 80% van alle AI-projecten mislukt. Volgens een onderzoek van IBM onder meer dan 8.500 IT-professionals wereldwijd zijn beperkte AI-vaardigheden en -expertise, de complexiteit van gegevens en ethische overwegingen de belangrijkste redenen waarom bedrijven afzien van AI. Uit andere studies blijkt dat veel projecten niet opgeschaald kunnen worden, deels omdat bedrijven van oude architectuur afhankelijk zijn, maar ook vanwege de kosten en het vele werk dat het opschalen van een complex project met zich meebrengt. Zelfs als projecten op gang komen, blijven obstakels zoals de kwaliteit van gegevens, governance, beveiliging en integratie in de tech-workflow bestaan.
Event-driven architectuur
Event-driven architectuur en het event-netwerk zouden AI aanzienlijk krachtiger maken. “Dat is nog niet zo en bij alle uitdagingen staat de afwezigheid van realtime, contextuele informatiestromen centraal. Traditionele batchverwerking en statische gegevensmodellen bieden organisaties geen dynamische bedrijfsomgeving voor belangrijke zakelijke beslissingen, bijvoorbeeld over financiële handel, die vaak in een fractie van een seconde moeten worden genomen. Een event-mesh (een onderling verbonden netwerk van event-brokers) gesteund door event-driven architectuur (EDA), is de ontbrekende schakel die enterprise AI kan transformeren in een realtime, contextbewuste krachtpatser. Daardoor kan informatie dynamisch rouleren tussen allerlei apps en apparaten verspreid over verschillende omgevingen en over de hele wereld. Dit is waar de event-mesh met de implementatie van AI kan helpen. Het biedt de ontkoppeling die nodig is voor snelle ontwikkeling en verandering, het levert de event-driven architectuur om snelheidsverschillen te beheren, ondersteunt verschillende apps met berichtgevingspatronen en levert de efficiëntie die nodig is om horizontaal en verticaal te schalen. Wanneer we het architectuurpatroon dat de event-mesh activeert, toepassen op agentic AI-use cases, creëren we in feite een flexibel, realtime netwerk voor gegevensdistributie waarmee verschillende AI-modellen direct toegang hebben tot relevante gegevensstromen en hierop kunnen reageren.”
De agent-mesh maakt AI nog krachtiger
Een event-mesh zorgt voor realtime gegevensstromen en dynamische routering binnen de hele organisatie. “Een agent-mesh gaat een stap verder en introduceert intelligente agents die autonoom kunnen redeneren over en reageren op deze informatiestromen. Een agent-mesh is een framework waarmee een bedrijf een netwerk van AI-agents kan bouwen, onder toezicht van en gecontroleerd door een dynamische orkestratielaag. Zo kunnen complexe taken meerdere agents gebruiken en hun resultaten in een gegevensbeheersysteem samenbrengen. Via agent-mesh gateways kan dit systeem voor allerlei verschillende use cases worden gebruikt, elk met zijn eigen invoerinterface en machtigingen. Organisaties kunnen werkelijk autonome agentic AI -systemen ontwikkelen die verzoeken kunnen afhandelen om de beste resultaten te leveren op basis van ongestructureerde invoer, zoals chats.”
Van klein naar groot
Het grootste voordeel is dat een agent-mesh de bestaande app-stack en het agentic AI-framework van de organisatie niet verstoort. Dankzij de ‘plug-and-play’-aanpak kunnen organisaties klein beginnen met een of twee use cases. Later kunnen ze agents aan de agent-mesh toevoegen om de capaciteit te verhogen en nieuwe agent-mesh gateways introduceren om het systeem nog meer use cases en interfaces te geven. Zo kunnen ze het systeem uitbreiden naarmate het bedrijf groeit. Vervolgens kan er met orkestratie en ingebouwde toegangscontrole van alle agents en acties in het systeem één framework worden gebruikt voor talrijke use cases – of dat nu een nieuwe bestelling, een nieuwe supportticket of zelfs een vraag van een chatbot is. En elk daarvan biedt verschillende interfaces en toegangscontroles, die worden beheerd door geavanceerde beveiliging. AI-technologieën ontwikkelen zich snel. Dankzij de ontkoppelde aard van een agent-mesh ondersteund door een event-driven framework kunnen organisaties AI-modellen makkelijk updaten en vervangen of nieuwe AI-modellen en gegevensbronnen toevoegen, zonder bestaande systemen te verstoren. Dit is vooral belangrijk om gelijke tred te houden met de AI-ontwikkelingen.
De toekomst van AI-agents
Agentic AI belooft een fundamentele verandering in het gebruik van AI. Het gaat verder dan eenvoudige LLM-apps en het creëert autonome systemen met een ongekend vermogen om te redeneren en zich aan te passen. Om voorraadniveaus in een magazijn dynamisch te beheren of toeleveringsketens wanneer nodig onmiddellijk aan te passen, moet agentic AI realtime, contextuele informatiestromen kunnen gebruiken. En dat is waar de agent-mesh de waarde van AI-agents in dergelijke dynamische bedrijfsomgevingen kan maximaliseren.
