Operationele agent

Wat is een operationele agent?

Een operationele agent is een AI-agent die de hele dag naar je operationele data kijkt, merkt wanneer iets uit de pas loopt, uitzoekt waarom, en er dan iets aan doet in het systeem waar het werk gebeurt. Hij maakt een bestelbon aan, verschuift een levering, opent een ticket, of laat een planner weten wat hij gevonden heeft en wat hij zou doen. Hij draait op het altijd-aan-patroon uit het lemma over de ambient agent; dit lemma gaat over hoe dat patroon eruitziet als de stroom je magazijn, je machines of je orderboek is.

De data waar hij naar kijkt, heb je al: voorraad per artikel, de achterstand op orders, sensorwaarden van machines en koelcellen, de verwachte aankomsttijd van transporteurs, de betaalstatus van facturen, openstaande servicetickets. Daar is niets nieuws aan. Wat wel nieuw is: wie ernaar kijkt kan meerdere van die signalen tegelijk vasthouden, ze vergelijken met vorige maand, en een actie kiezen uit een lijst die jij geschreven hebt.

Denk aan de planner die om zeven uur 's ochtends door het magazijn wandelt, een leeg rek ziet, nakijkt of er al een bestelling onderweg is, zich herinnert dat dit artikel altijd uitverkocht raakt voor een lang weekend, en dan ofwel de leverancier belt ofwel beslist om te wachten. Een operationele agent maakt die wandeling om de vijf minuten, langs elk rek, en schrijft op wat hij besliste en waarom.

De loop: detecteren, diagnose stellen, beslissen, handelen, rapporteren

Elke operationele agent doorloopt dezelfde vijf stappen, bij welke leverancier hij ook vandaan komt.

1. Detecteren
   Een regel gaat af: voorraad onder het bestelpunt, een levering die voorbij de beloofde datum schuift, een motortemperatuur die over een drempel gaat. In Microsoft Fabric voert de operations agent om de vijf minuten een query uit per regel, en hij maakt het onderscheid tussen een toestand (de waarde staat boven 80) en een overgang (de waarde is net over 80 gegaan). Jij kiest dus of hij reageert zolang de waarde in die toestand zit, of enkel op het moment dat ze erin komt.

2. Diagnose stellen
   De agent verzamelt de context die een mens ook zou verzamelen. Staat er al een bestelbon open voor dit artikel? Heeft één klant vanochtend een ongewoon grote order geplaatst, of stijgt de vraag al drie weken? Toonde deze machine hetzelfde patroon voor de vorige panne? Hier verschilt hij van een drempel: hij leest geschiedenis en verwante records, niet enkel het cijfer dat de regel deed afgaan.

3. Beslissen
   Hij kiest één actie uit de catalogus die jij hem gaf, of beslist dat geen enkele actie past en zegt dat ook. De keuze is begrensd: een actie die niet op de lijst staat, kan hij niet verzinnen.

4. Handelen
   Afhankelijk van de goedkeuringsregel bij die actie voert hij ze meteen uit, of stuurt hij het voorstel naar een mens en wacht hij. In Fabric is de standaard een Teams-bericht met de vaststelling en de aanbevolen actie; keurt de ontvanger goed, dan voert de agent de actie uit.

5. Rapporteren
   Elke run laat een spoor na: wat afging, waar de agent naar keek, wat hij koos, of een mens goedkeurde, wat er gebeurde. Dat spoor is het materiaal voor de wekelijkse nabespreking verderop.

De actiecatalogus

De nuttigste ontwerpkeuze die je maakt: geef de agent een vaste lijst van toegelaten acties, elk met parameters en een goedkeuringsregel, en verder niets. In Fabric heeft elke actie een naam, een beschrijving en een optionele lijst parameters, en de agent gebruikt die beschrijving om te bepalen welke actie bij de situatie past. De acties zelf zijn Fabric-items zoals een notebook of een pipeline, of een Power Automate-flow die in het systeem grijpt dat je echt wil veranderen.

Een catalogus voor een kleine groothandel kan er zo uitzien.

• Een bestelbon aanmaken bij de vaste leverancier, met artikel, hoeveelheid en gewenste datum als parameters. Automatisch zolang het orderbedrag onder een drempel blijft en de hoeveelheid niet meer is dan een vast aantal weken verkoop; anders als voorstel ter goedkeuring.

• Een levering verschuiven naar het eerstvolgende vrije slot en de klant verwittigen. Automatisch voor één verschuiving per order; een tweede gaat naar een mens.

• Een serviceticket openen met de diagnose erbij. Altijd automatisch, want een ticket kost niets en kan je terugdraaien.

• Een planner verwittigen met de vaststelling, de context en de actie die de agent zelf zou gekozen hebben. De veilige standaard voor alles wat hierboven niet staat.

• Niets doen, en opschrijven waarom. Uitdrukkelijk op de lijst, zodat stilte een beslissing is die je kan nakijken en geen gat.

Alles waar de agent aan mag, staat op die lijst, en alles op die lijst heeft een regel die zegt wanneer hij alleen mag handelen. Dat maakt de agent bestuurbaar: je stelt de regels bij, niet het model.

Operationele agent tegenover een alarmregel, en tegenover een geplande flow

Tegenover een alarmregel: wat gebeurt er na de detectie?

Een alarmregel en een operationele agent detecteren dezelfde dingen. Fabric Activator bijvoorbeeld evalueert bij elke gebeurtenis voorwaarden als waarde onder drempel, wordt, daalt of verlaat bereik, en stuurt een mail, een Teams-bericht, een pipeline of een Power Automate-flow zodra de voorwaarde klopt. Tot op het moment van de detectie zijn de twee gelijk.

Het verschil zit in wat daarna komt. Een alarmregel geeft de situatie door aan een mens, of start één vaste actie, elke keer opnieuw. Hij weet niet dat er al een bestelbon openstaat, dat de piek van één klant komt, of dat de laatste drie alarmen op deze machine vals waren. Dus gaat hij ofwel te vaak af en wordt hij genegeerd, ofwel staat hij zo nauw afgesteld dat hij net het geval mist dat ertoe deed. Een operationele agent leest die context na de detectie en kiest. De alarmregel is de eerste stap van de loop van de agent, met de vier andere stappen weggelaten.

Tegenover een geplande flow: wie kiest de actie?

Een flow die elke nacht loopt, de artikelen onder het bestelpunt opzoekt en voor elk daarvan een bestelbon aanmaakt, is geen operationele agent, ook al werkt hij op operationele data. Jij koos de actie toen je de flow tekende, en hij past dezelfde actie toe op elke rij. De agent kiest per geval: dit artikel bijbestellen, bij dat artikel wachten omdat er voorraad onderweg is, en over het derde de planner verwittigen omdat de levertermijn van de leverancier verdubbeld is. De flow is het juiste gereedschap als één actie bij elk geval past. De agent verdient zijn plek als dat niet zo is.

Hoe leveranciers het verpakken

Het patroon duikt overal in de operationele software op. Vier voorbeelden, met datum erbij, want dit beweegt snel.

Microsoft Fabric. De operations agent werd in juni 2026 algemeen beschikbaar als item in Real-Time Intelligence. Hij houdt een eventhouse of een Fabric IQ-ontologie in de gaten, en Microsoft omschrijft de bedoeling als live data opvolgen, afwijkingen detecteren en actie ondernemen binnen vaste grenzen. Elke agent krijgt een eigen identiteit in Microsoft Entra, los van wie hem bouwde, en draait met de gedelegeerde rechten van die persoon. Je beschrijft het doel in een chat, Copilot maakt er regels en query's van die je kan nakijken, en een Start- en Stop-knop in de werkbalk bestuurt de agent. Een previewfunctie uit juli 2026 voert na een afwijking een oorzaakonderzoek uit en zet de bevindingen in Teams.

SAP. De Production Planning and Operations Agent van SAP, aangekondigd in oktober 2025, kijkt automatisch de voorwaarden na voor het vrijgeven van productieorders: materiaal, capaciteit en planning. In april 2026 omschreef SAP hem als een agent die aanbevelingen doet, zoals alternatieve componenten of een andere planning, die planners nakijken en goedkeuren, met algemene beschikbaarheid gepland voor het tweede kwartaal van 2026. Op Sapphire in mei 2026 vatte SAP zijn supply chain-agents samen als agents die gebeurtenissen opmerken, de impact analyseren en begeleide actie ondernemen binnen vastgelegde bedrijfsregels.

Celonis. Celonis vertrekt vanuit process mining. Zijn Orchestration Engine coördineert workflows met AI-agents, menselijke taken en systeemautomatisering, waarbij triggergebeurtenissen uit de digitale tweeling van het proces de reeks starten. In 2026 zei Celonis dat meer dan 100 klanten hem zo gebruikten, en zijn Agent Tools laten een externe agent operationele context ophalen en vaste processen uitvoeren in plaats van te improviseren.

UiPath. UiPath Maestro tekent het hele proces als een BPMN-diagram waarin agents redeneren, robots het werk tussen systemen doen en mensen de oordeelsbeslissingen nemen, met de beslislogica in DMN-tabellen die naast het model geversioneerd en geauditeerd worden. Wie de werking opvolgt, kan een lopende instantie pauzeren, hervatten, opnieuw proberen, terugspoelen of een stap overslaan.

Elke leverancier legt het redeneren op een andere plek. De vragen over toezicht hieronder gelden voor alle vier.

Een voorraad- en bestelagent voor een groothandel

Een groothandel met 3.000 artikelen heeft er een honderdtal die het grootste deel van het volume dragen. Een aankoper besteedt het eerste uur van elke dag aan die 100, en toch glipt er nog van alles door. Dit heeft een operationele agent voor dat uur nodig.

De data. De huidige voorraad per artikel, bijgewerkt bij elke beweging of minstens elke nacht. Openstaande bestelbonnen met verwachte leverdatum. Openstaande verkooporders en backorders. Per leverancier: levertermijn, minimale bestelhoeveelheid, huidige prijs. Verkoop per artikel over de laatste 13 weken, zodat de agent naast deze week ook een trend ziet. Dat zijn vijf tabellen, en uit de meeste ERP-pakketten kan je ze alle vijf halen.

De regels. Een bestelpunt per artikel, berekend als de gemiddelde dagverkoop over de levertermijn plus een veiligheidsmarge, elke week herberekend. Een detectie zodra voorraad min backorders onder dat punt zakt. Een diagnosestap die nakijkt of een openstaande bestelbon het tekort al dekt, of de daling van één grote order komt, en of de levertermijn van de leverancier recent veranderd is.

De goedkeuringslijn. De agent mag zelf een bestelbon aanmaken als het orderbedrag onder 2.000 euro blijft, de hoeveelheid hoogstens vier weken gemiddelde verkoop is, en leverancier en prijs overeenkomen met de vorige bestelling. Daarboven, of voor een artikel dat de agent nog nooit bijbesteld heeft, doet hij een voorstel en wacht hij. Daar komen twee plafonds bovenop: hoogstens 15 automatische bestellingen per dag, en hoogstens 10.000 euro aan automatische bestellingen per dag. Raakt hij een van beide, dan schakelt hij voor de rest van de dag over op voorstellen en verwittigt hij de aankoper.

De wekelijkse nabespreking. Een half uur op vrijdag met het logboek open. Hoeveel detecties deze week, hoeveel daarvan werden automatische bestellingen, hoeveel voorstellen, hoeveel daarvan heeft de aankoper aangepast of afgewezen. Een afwijzingspercentage dat na een paar maanden rond nul zit, betekent niet dat de agent perfect is; het kan ook betekenen dat niemand de voorstellen nog leest. Tien minuten voor de artikelen die de agent met rust liet, want daar zit een gemiste verkoop verstopt. Daarna stel je de drempels bij, niet de prompt.

Met 100 snellopers is een twaalftal detecties per week een redelijke verwachting, dus de aankoper kijkt een vijftigtal beslissingen per maand na in plaats van elke ochtend 100 artikelen te controleren. De gewonnen tijd is echt, maar de grotere verandering is dat elke bestelbeslissing nu een geschreven reden heeft.

Wat er moet staan voor hij mag handelen

Een agent die alleen meldt, heeft hier weinig van nodig. Een agent die in je ERP schrijft, heeft het allemaal nodig, voor de eerste automatische actie en niet na het eerste incident.

Een eigen identiteit. De agent meldt zich aan als zichzelf, niet als de aankoper die hem instelde, zodat je zijn acties apart van menselijke acties ziet en hem kan uitschakelen zonder aan iemands account te raken. Fabric maakt om die reden per operations agent een eigen Entra-agentidentiteit aan.

Een lijst van toegelaten acties. De catalogus hierboven, afgedwongen door het platform en niet door de instructies. Als de enige aangesloten tools bestellen, verschuiven, ticket openen en verwittigen zijn, dan kan een slechte prompt of een vergiftigde input hem niets anders laten doen.

Plafonds op bedrag en aantal. Een maximum per actie, per dag en per week, in euro en in stuks, waarbij de agent terugvalt op voorstellen zodra hij er een raakt. Het plafond maakt van een foute regel een slechte namiddag in plaats van een slecht kwartaal.

Een auditlog met de redenering. Wat hij deed, waar hij naar keek en waarom hij die actie koos, in taal die de aankoper op vrijdag kan lezen. Zonder de redenering is de wekelijkse nabespreking gokwerk, en zonder nabespreking worden de drempels nooit beter.

Een noodstop die werkt. Een knop die de loop stillegt, de acties in de wachtrij schrapt en de triggers uitzet, en die je één keer uitgeprobeerd hebt voor je ze nodig hebt. Het lemma over de noodstop voor AI-agents beschrijft wat die stop allemaal moet raken.

Nog eentje die je snel vergeet: de agent is maar zo goed als zijn aanvoer. Een voorraadtabel die elke nacht ververst, geeft je een nachtelijke agent, wat het interval van de regel ook zegt. En een sensor die uitvalt, ziet er voor een naïeve regel uit als een machine die gestopt is met oververhitten. Kijk na hoe vers elke bron is, en laat de agent het zeggen als er een stilvalt.