Nart Wielaard

"By the time I returned two hours later, they'd exchanged more than 150 messages about the offsite. When I tried to stop them, I just made it worse." Het is een hilarisch fragment uit de ervaringen van een ondernemer die met AI-agents een onderneming probeerde op te zetten. Zijn agents probeerden een heidesessie met elkaar te plannen en kwamen daar niet uit. Logisch, want hoe kunnen stukjes software fysiek naar een idyllisch gelegen conferentiehotel komen? Het geleuter van de AI-agents trok intussen wel zijn creditcard leeg, want voor het gebruik van de Large Language Models betaalde hij per token.

Het is een van de vele (meestal vermakelijke) experimenten van het afgelopen jaar. Deze poging rondom een AI-agent die een frisdrankautomaat moet runnen (en daarbij hopeloos faalt en op het einde zelfs FBI inschakelt) is misschien wel de vermakelijkste. Disclaimer: Ik ben zelf ook zo'n ondernemer die een experiment deed en wij hebben met onze startup ook lessen geleerd die hierop lijken. Zie ons interview met BNR, of een analyse onder de motorkap. De rode lijn in de berichtgeving: enerzijds is er ontnuchtering over wat AI agents kunnen. En anderzijds blijft de toekomst van AI-agents toch enorm veelbelovend, vooral omdat de koers wordt verlegd. Een korte analyse.

Definitie

Allereerst: wat is een AI-agent? Zoals wel vaker met nieuwe technologie, lopen de definities nogal uiteen. Maar het is veilig om te stellen dat een AI-agent een zelfstandig opererend software-element is, dat een deeltaak kan uitvoeren: het kan redeneren, input verwerken, tools gebruiken en actie ondernemen zonder continue menselijke sturing. Binnen multi-agentsystemen is vaak sprake van meerdere agents, die ieder een eigen specialisme of rol hebben. De belofte is dat deze teams de komende jaren steeds vaker complete bedrijfsprocessen zullen overnemen. Niet omdat één superagent al het werk doet, maar omdat gespecialiseerde agents samen complexere taken efficiënter uitvoeren dan menselijke teams of monolithische AI-modellen.

'Het is veilig om te stellen dat een AI-agent een zelfstandig opererend software-element is, dat een deeltaak kan uitvoeren.'

Daarmee vervullen deze systemen een heel andere rol dan die nu vaak door AI wordt uitgevoerd. In veel gevallen is nu alleen sprake van ondersteuning van individuele professionals: slimme assistenten, chatbots, copilot-tools. Maar de grote winst van AI - en daarmee ook de waarde die kan verklaren waarom er zoveel geld wordt geïnvesteerd in AI - zit niet alleen in individuele assistentie; het zit in het herstructureren van bedrijfsprocessen. Door agents te laten samenwerken, vorm je een digitaal team dat hele operationele structuren binnen organisaties opzet.

Mensen spelen dan wel degelijk een rol in deze structuren, maar er is feitelijk sprake van een omkering van het denken. Het uitgangspunt is niet dat AI wordt ingezet als middel om menselijke organisaties te verbeteren; het uitgangspunt is dat de mens als coach en toezichthouder de AI-organisaties steeds beter laat functioneren.

Consistentie

De grote uitdaging daarbij: consistentie. Want het is mooi dat Alexander Klöpping bij Eva Jinek laat zien hoe AI-agents een mooi plan maken om een boek te promoten. Maar het wordt eigenlijk pas echt waardevol als dat niet een eenmalige gebeurtenis is, maar een consistente lijn. Want pas dan kun je er een organisatie op bouwen. En daar wringt vaak de schoen: het probleem van hallucinerende AI of agents die zelf creatieve invulling gaan geven als ze het niet weten, moet worden opgelost.

'Als we complete menselijke functies proberen te vervangen door AI agents, dan gaat het mis.'

Daar is geen eenvoudige oplossing voor, want dat hallucineren is ingebakken in het fundament van AI, ook al willen grote techbro's u anders doen geloven. It's a feature, not a bug.

Een ding is duidelijk: als we complete menselijke functies proberen te vervangen door AI agents, dan gaat het mis. Maar ook de oplossingsrichting lijkt steeds duidelijker te worden. Die ligt niet zozeer in het verbeteren van de modellen, maar in het scherper afbakenen van de taken. In simpele termen: duizend kleine agents met een kleine taak werken betrouwbaarder dan vijf agents met een breed takenpakket. Juist voor de accountancy - waar betrouwbaarheid essentieel is - is deze oplossingsrichting interessant.

SLM's

Small language models are the future of agentic AI, zo luidt niet voor niets de titel van een recent paper van Nvidia, een van de hoofdrolspelers in de AI-transformatie. Hun visie is dat kleine taalmodellen (SLM's, small language models) de kern vormen van schaalbare agent-AI. In de door Nvidia bepleite architectuur werken SLM's samen met grotere modellen in een hybride systeem: SLM's voor routinewerk en LLM's alleen waar complex redeneren of lange context nodig is. Voor de liefhebbers: In hun technische blog beschrijft Nvidia hoe je deze modellen samen met SLM's kunt inzetten in multi-agent workflows.

Dergelijke concepten zijn ook belangrijk in het licht van de aanhoudende discussie of de miljardeninvesteringen in AI wel/niet tot substantiële waarde zullen leiden. Het wordt steeds duidelijker dat de echte kracht van AI niet zit in losse assistenten, maar in het herorganiseren van werk via samenwerkende, gespecialiseerde agents. Dat is misschien wat minder sexy dan een Copilot-assistent die vrolijk met u chat en soms indrukwekkende antwoorden levert op uw vragen. Maar het is ook een veel belangwekkender ontwikkeling.