Agentic AI

Wat is agentic AI?

Agentic AI is geen productcategorie, maar een eigenschap van hoe een systeem in elkaar zit. Een systeem is agentic in de mate dat een taalmodel, en niet jouw code, beslist wat er als volgende gebeurt: welke tool aangeroepen wordt, of het tussenresultaat goed genoeg is, en wanneer de opdracht af is.

Dat laatste stuk doet het meeste werk in de definitie. Een agentic systeem draait een loop en gaat door tot het zelf oordeelt dat het doel bereikt is, of tot een limiet het stillegt. Gewone software doet de stappen die jij geschreven hebt, in de volgorde die jij bepaald hebt, en stopt dan.

Het engineering-team van Anthropic knipte de categorie in twee, en LangChain en Microsoft beschrijven het intussen op dezelfde manier. Workflows zijn systemen waarin modellen en tools via vooraf vastgelegde code-paden aangestuurd worden. Agents zijn systemen waarin het model zijn eigen aanpak en toolgebruik stuurt.

Zowat alles wat vandaag als agentic AI over de toonbank gaat, is het eerste soort. Dat is goed nieuws, want zo'n systeem valt makkelijker te testen, makkelijker te prijzen en makkelijker uit te leggen aan een auditor.

Workflow of agent?

Eén vraag maakt het onderscheid: wie bepaalt de volgende stap, de bouwer of het model?

Bij een workflow teken jij het schema. Mailbox uitlezen, een LLM de leverancier en de bedragen van de factuur laten plukken, die leverancier opzoeken in het ERP, een voorstel tot boeking klaarzetten, wachten op goedkeuring. Het model doet het lezen en het inschatten in één of twee benoemde stappen. De volgorde ligt vast, en als er iets misloopt weet je meteen in welk vakje.

Bij een agent geef je het doel en de gereedschapskist mee, en laat je het model plannen. Zelfde factuur, maar nu beslist de agent zelf of hij het ERP nodig heeft, of hij de leverancier mailt bij een verschil, en of hij het na een mislukte opzoeking opnieuw probeert. Twee keer dezelfde input kan twee verschillende paden opleveren.

Microsoft beschrijft dat in de documentatie van zijn Agent Framework als een schuifknop, niet als een aan-uitschakelaar. Aan de ene kant staat één agent met tools die elke stap zelf kiest, in het midden een workflow waarvan het schema het proces bewaakt terwijl agents de stappen doen waar echt nadenken bij komt kijken, en aan de andere kant een pipeline zonder model. De meeste systemen in productie zitten ergens in dat midden. De vraag is dus niet of je een agent bouwt, maar hoeveel van de besturing je per stap uit handen geeft.

De patronen waar je meestal aan genoeg hebt

Anthropic benoemt vijf patronen die je kan combineren. Vier ervan zijn workflows, en samen dekken die het gros van wat bedrijven agentic noemen.

1. Prompt chaining
   Je hakt de taak in vaste stappen en geeft elk resultaat door aan de volgende aanroep, met gewone code-controles ertussen. Eerst velden uitlezen, dan valideren, dan de samenvatting schrijven.

2. Routing
   Eerst classificeren, dan doorsturen naar een gespecialiseerd pad met een eigen prompt. Een binnenkomende supportmail wordt een terugbetalingsdossier, een technische vraag of een verkoopkans, elk met een andere afhandeling.

3. Parallellisatie
   Onafhankelijke deeltaken tegelijk laten lopen, of dezelfde taak meerdere keren draaien en de antwoorden samenleggen. Handig als je een tweede oordeel wil over een classificatie.

4. Orchestrator-workers
   Een centraal model splitst de taak tijdens het draaien op in deeltaken en verdeelt die over losse aanroepen. Hier begint het model de structuur te bepalen, en dus is dit het eerste patroon dat niet meer volledig voorspelbaar is.

5. Evaluator-optimizer
   Eén aanroep maakt een voorstel, een tweede geeft er kritiek op, en dat herhaalt tot de beoordelaar tevreden is. De moeite als je een duidelijke kwaliteitslat hebt en een herwerking het resultaat echt beter maakt.

Alleen het laatste punt in de lijst van Anthropic, de autonome agent, geeft het stuur aan het model. Alles daarboven is een workflow engine met modelaanroepen erin, en een flink deel daarvan bouw je in de automatiseringstools die je bedrijf al heeft.

Wanneer autonomie zijn prijs waard is

Anthropic is duidelijk over de rekening: agentic systemen ruilen snelheid en kostprijs in voor betere resultaten op de taak, dus bekijk per geval of die ruil opgaat. Elke extra ronde is een extra modelaanroep, een paar seconden extra, en een extra kans om af te dwalen.

De Durable Task-documentatie van Microsoft geeft een bruikbare scheidingslijn. Kies een vaste workflow wanneer de volgorde van de stappen op voorhand vastligt, wanneer je expliciete grenzen op het gedrag nodig hebt, of wanneer compliance en auditeerbaarheid vragen dat de besturing achteraf na te lezen valt. Kies een agent loop wanneer de opdracht open ligt en de stappen niet te voorspellen zijn, wanneer je het model zelf de tools wil laten kiezen, of wanneer de aanpak moet meebewegen met wat er onderweg uit de tussenresultaten komt.

OpenAI maakt hetzelfde punt met een voorbeeld rond fraude. Een regelmotor werkt als een checklist en zet een transactie op rood zodra ze aan een vooraf ingesteld criterium voldoet. Een agent gedraagt zich meer als een onderzoeker die de context afweegt en een verdacht patroon opmerkt waar geen enkele regel op afgaat. Lijkt jouw probleem op die onderzoeker, dan brengt autonomie iets op. Lijkt het op de checklist, dan is een checklist goedkoper, sneller en verdedigbaar.

Een test die wij hanteren voor we zo'n opdracht inschatten: kan je de stappen opschrijven? Krijg je ze op een bord en kloppen ze voor negen dossiers op tien, bouw dan de workflow en laat het tiende door een mens afhandelen. Raakt niemand in de kamer het eens over de volgorde omdat die afhangt van wat je halverwege tegenkomt, dan begint een AI-agent zichzelf terug te verdienen.

Waar moet je op letten bij het gebruik van agentic AI

De term verbergt de architectuur. Leveranciers plakken "agentic" op alles waar een model in zit. Vraag welke beslissingen het model tijdens het draaien neemt. Is dat antwoord "geen", dan koop je een workflow. Dat kan perfect de juiste keuze zijn, maar dan hoort er ook een workflow-prijs bij.

De kost volgt de loop, niet de taak. Een workflow met drie modelaanroepen heeft een factuur die je vooraf kent. Een agent die zelf bepaalt hoeveel aanroepen hij doet niet, tot je een harde grens zet op het aantal rondes en op het budget.

Autonomie en auditeerbaarheid trekken aan elkaar. Een pad dat elke keer anders loopt, valt moeilijk te reproduceren, en "het model koos die dag anders" is een zwak antwoord tijdens een controle. Zit er een goedkeuring, een betaling of een klantenmail in het spel, zet dan een human-in-the-loop op het moment van de actie zelf, in plaats van te hopen dat de loop zichzelf op tijd stopt.

Meer tools is meer blootstelling. Elke tool die een agent kan bereiken, vergroot wat een prompt injection in een binnenkomende mail of een document in gang kan zetten. De concrete faalvormen, van oneindige lussen tot verkeerd toolgebruik, staan uitgewerkt bij AI-agent.