AI-transformatie: Slimmere agenten, niet grotere modellen, vormen de volgende stap.

Voor organisaties die een concurrentievoordeel willen behalen door AI- tools te gebruiken , draait het debat en de besluitvorming voornamelijk om grote taalmodellen.

Elke nieuwe versie belooft betere redeneermogelijkheden, hogere nauwkeurigheid en functies die die van zijn voorganger overtreffen.

Maar naarmate basismodellen krachtiger en breder beschikbaar worden, zal de doorslaggevende factor voor organisaties niet zozeer de keuze voor een bepaald model zijn, maar hoe effectief ze proxy-AI inzetten om echte bedrijfsproblemen op te lossen.

Jay Florence

Solutions Engineer bij Digital Modus.

Tijdens de recente Gartner Data & Analytics Summit 2026 was de boodschap van de analisten duidelijk: op zichzelf staande AI-modellen raken verouderd en autonome, onderling verbonden AI-agenten zijn de toekomst. Maar om echt te profiteren van AI-agenten, moeten IT-leiders prioriteit geven aan "gebruiksscenario's met hoge herhaling en lage complexiteit, preventieve maatregelen implementeren en het personeel bijscholen."

Ik wil hieraan toevoegen dat de volgende fase van AI in het bedrijfsleven niet draait om het ontwikkelen van het grootste model, maar om het bouwen van betere agenten.

Dit betekent dat we kunstmatige intelligentie niet langer alleen als een chatbot moeten zien, maar als een operationele mogelijkheid die medewerkers kan ondersteunen, repetitieve taken kan automatiseren en de efficiëntie binnen de hele organisatie kan verhogen.

De grootste kansen voor kunstmatige intelligentie liggen niet in het gesprek zelf.

Voor velen betekent kunstmatige intelligentie nog steeds een vraag stellen op ChatGPT en een antwoord ontvangen. Dat is zeker één toepassing, en conversationele interfaces hebben een belangrijke rol gespeeld bij het toegankelijk maken van AI. Maar dat is slechts een klein deel van wat mogelijk is.

Een aantal van de meest waardevolle toepassingen van AI-agenten richt zich op operationele processen in plaats van op conversatie. In het hoger onderwijs helpen AI-agenten studenten bijvoorbeeld bij het vinden van ondersteuning door routinematige vragen over inschrijving, campusfaciliteiten of administratieve procedures te beantwoorden, waardoor medewerkers zich kunnen richten op complexere zaken.

In de transportsector kunnen medewerkers informatie over reisschema's, vervolgopties en klantenservice integreren in één enkele interactie, waardoor gebruikers niet langer door verschillende diensten hoeven te zoeken.

Op andere gebieden gebruiken organisaties AI-agenten om verkoopaanvragen te beoordelen, complexe documenten samen te vatten en informatie uit contracten te halen – taken die voorheen uren handmatig werk vergden.

De gemene deler is niet alleen dat deze agenten vragen kunnen beantwoorden, maar ook dat ze administratieve lasten wegnemen en mensen in staat stellen zich te concentreren op werk dat oordeelsvermogen, expertise en menselijke interactie vereist.

Betere agenten beginnen met betere problemen.

Een van de grootste misvattingen over proxy-AI is dat organisaties denken dat ze eerst moeten bepalen waar ze een AI-proxy willen inzetten.

Voor organisaties die hun AI-aanbod willen ontwikkelen, zou de eerste vraag niet moeten zijn: "Waar kunnen we AI inzetten?", maar eerder: "Welk bedrijfsprobleem proberen we op te lossen?"

Door te beginnen met technologie bouwen organisaties vaak systemen die weinig waarde opleveren, omdat ze het verkeerde proces automatiseren. De organisaties die het beste resultaat behalen, zijn degenen die eerst operationele zwakheden identificeren, op gebieden waar medewerkers te veel tijd besteden aan repetitieve administratieve taken, het zoeken naar informatie of het handmatig overzetten van gegevens tussen systemen.

Als deze uitdagingen duidelijk worden begrepen, wordt proxy-AI een effectief operationeel hulpmiddel in plaats van slechts een technologie die nog op zoek is naar een toepassing.

Het belang van de implementatie weegt zwaarder dan het belang van het model.

Toonaangevende AI-modellen ontwikkelen zich tegenwoordig in een uitzonderlijk tempo. Ze worden steeds capabeler, sneller en kosteneffectiever, wat betekent dat het concurrentievoordeel verschuift.

Organisaties zullen hun concurrenten waarschijnlijk niet overtreffen door simpelweg voor één kernmodel te kiezen in plaats van een ander. Succes zal in plaats daarvan steeds meer afhangen van alles wat rondom het model speelt.

De kwaliteit van de data is een van de belangrijkste onderscheidende factoren. Een AI-agent is slechts zo goed als de informatie waarop hij is gebaseerd. Tegenstrijdige documentatie, inconsistent beleid of slecht kennismanagement verminderen onvermijdelijk de kwaliteit van de output.

Claims engineering is een andere vaardigheid die vaak over het hoofd wordt gezien. Het ontwerpen van een schadebehandelaar is niet simpelweg een kwestie van instructies geven en consistente resultaten verwachten. Goed ontworpen schadebehandelaars stellen duidelijke grenzen, definiëren de verantwoordelijkheden van de behandelaar en zorgen ervoor dat hij of zij gefocust blijft op het doel.

Hetzelfde geldt voor governance. Een goede agent moet niet elke vraag beantwoorden die hem gesteld wordt. In plaats daarvan moet hij zijn rol begrijpen, weten wanneer hij verzoeken moet afwijzen die buiten zijn bevoegdheid vallen, en alleen handelen met de informatie en machtigingen die hij echt nodig heeft. Het toepassen van het principe van "minimale bevoegdheden" is niet alleen een goede beveiligingspraktijk, maar verbetert ook de efficiëntie door onnodige verwerking te minimaliseren en de kosten onder controle te houden.

Uiteindelijk is de kwaliteit van de uitvoering veel belangrijker dan de omvang van het basismodel.

Zelfvertrouwen wordt opgebouwd door herhaling, niet door ambitie.

Een andere veelvoorkomende misvatting is de aanname dat proxy-AI ingezet moet worden bij grootschalige transformatieprogramma's. In werkelijkheid is het tegendeel meestal waar.

Organisaties die betekenisvolle resultaten behalen, beginnen doorgaans met een duidelijk omschreven gebruiksscenario dat meetbare waarde oplevert. Dit bevordert het vertrouwen onder medewerkers, toont het rendement op investering aan en maakt een betere governance mogelijk voordat complexere workflows worden geïmplementeerd.

Agent-AI moet worden beschouwd als een product dat zich in de loop der tijd ontwikkelt, niet als een project dat op de lanceringsdag is afgerond. Dit verandert echter ook de manier waarop organisaties te werk gaan bij het testen.

Traditionele software is ontworpen om elke keer identieke output te leveren. AI-agenten zijn echter van nature probabilistisch, wat betekent dat consistentie net zo belangrijk is als functionaliteit. Daarom zijn continu testen, monitoren en optimaliseren essentieel voor een succesvolle implementatie.

Net zo belangrijk is dat medewerkers bij dit proces betrokken worden. Vertrouwen opbouwen draait niet om het onthullen van een AI-agent zodra deze klaar is; het gaat erom teams gedurende het hele ontwikkelingsproces te betrekken, hen te helpen begrijpen hoe beslissingen worden genomen, waar de nodige waarborgen zijn ingebouwd en hoe de technologie bedoeld is om hun expertise te versterken, niet te vervangen.

Betere agenten zullen de volgende fase van kunstmatige intelligentie bepalen.

Het is onvermijdelijk dat de AI-industrie snellere, goedkopere en krachtigere basismodellen zal blijven produceren. Wat echter niet onvermijdelijk is, is of organisaties die mogelijkheden kunnen omzetten in betekenisvolle commerciële waarde.

De volgende AI-race zal niet gewonnen worden door degenen met het grootste model. Die race zal gewonnen worden door degenen die betrouwbare, goed bestuurde systemen bouwen die in staat zijn om operationele problemen in de praktijk op te lossen.