Skip to Content

5 mythes over agents

Wat weet jij over agents? In deze blog ontkrachten we een aantal hardnekkige fabels over agents en leggen we uit waarom deze misvattingen de groei van je bedrijf kunnen belemmeren.

Weet jij soms ook niet wat je moet geloven van alle verhalen over nieuwe, revolutionaire technologieën, zoals Agentforce? Levert het echt iets op? Wat kunnen agents wel en niet? Zijn het niet gewoon veredelde bots? Dat zijn terechte vragen. Zoals bij elke nieuwe technologie bestaan er allerlei misvattingen waardoor je geen goed beeld krijgt van de mogelijkheden. Het is tijd om deze fabels over AI en agents op te helderen, zodat ook jij met agentische AI aan de slag kunt gaan.

Mythe 1: agents zijn veredelde chatbots

Chatbots en AI-agents zijn totaal verschillend, zowel op het gebied van complexiteit als dat van functionaliteiten. Bots zijn bedoeld om data op te halen en vragen te beantwoorden, terwijl agents zelf acties uitvoeren. 

Bots gebruiken vooraf gedefinieerde regels en antwoordscripts om vragen te beantwoorden. Ze kunnen daar niet van afwijken. Ze worden vaak ingezet binnen klantenservice en beantwoorden vragen zoals: “Waar is mijn bestelling?” en “Wat is jullie retourbeleid?” 

Omdat bots niet flexibel zijn, zijn ze beperkt inzetbaar. Ze hebben geen inzicht in complexe omgevingen en kunnen problemen niet creatief oplossen. In tegenstelling tot agents leren bots niet zelfstandig; elke verandering, bijvoorbeeld in het bedrijfsbeleid, moet handmatig worden ingevoerd. Ze zijn geprogrammeerd om data op te halen en eenvoudige, voorspelbare vragen te beantwoorden. Hoewel bots daar goed in zijn, is dat ook het enige wat ze kunnen. 

Agents kunnen veel meer dan alleen vragen beantwoorden. Volledig autonome agents kunnen zelfstandig complexe taken met meerdere stappen uitvoeren. Semi-autonome agents hebben menselijke ondersteuning nodig om bepaalde verzoeken te triggeren. Anders dan chatbots kunnen agents grote hoeveelheden data verwerken, beslissingen nemen en leren van hun omgeving. Hierdoor kunnen ze workflows beheren, processen optimaliseren en strategische aanbevelingen doen. Ze maken vaak gebruik van geavanceerde AI-technieken, zoals reinforcement learning en besluitvormingsalgoritmen. Daardoor kunnen ze proactief reageren en zich aanpassen aan veranderende omstandigheden.

Dat is het verschil tussen een bot, die bijvoorbeeld alleen je salesdata analyseert, en een agent, die je data analyseert en vervolgens je voorraadniveaus aanpast, je marketingstrategieën bijwerkt en communiceert met je leveranciers. 

Begin vandaag nog met het bouwen van jouw Agentforce

Ontgrendel het volledige potentieel van Agentforce door rollen te definiëren, mogelijkheden uit te breiden met geavanceerde tools en aan te passen aan jouw bedrijfsbehoeften. Schrijf je nu in voor onze demo’s!

Mythe 2: agents zijn onvoorspelbaar en oncontroleerbaar

Bij autonome agents denk je al snel aan films zoals ‘2001: A Space Odyssey’ en ‘The Terminator’, waarin ontspoorde AI-systemen grote gevolgen hebben. Gelukkig zijn dat maar films; de meest effectieve AI-agents van dit moment gebruiken geavanceerde tools en technieken om fouten en hallucinaties te voorkomen. Hierdoor zijn ze veilig en betrouwbaar. 

Een reasoning engine speelt hierin een centrale rol. Deze engine genereert een actieplan op basis van de behoeften van de gebruiker, evalueert en verbetert dit plan met data uit het Customer Relationship Management-systeem (CRM) en andere systemen. Vervolgens wordt bepaald welke bedrijfsprocessen moeten worden ingezet. De procedure wordt herhaald totdat het plan geoptimaliseerd is. Het systeem wordt dus steeds slimmer. 

Als een taak de grenzen van de organisatie overschrijdt (bijvoorbeeld gebruikersrechten), herkent de reasoning engine dit en wordt automatisch een medewerker ingeschakeld.

“Een agent goed laten functioneren en laten begrijpen wat hij wel en niet mag doen, is een complexe taak”, vertelt Krishna Gandikota, manager Solution Engineering bij Salesforce. “Maar een reasoning engine helpt AI met het plannen en evalueren van de aanpak voordat AI in actie komt. Daarnaast wordt bepaald of het de vereiste vaardigheden en informatie heeft om de actie uit te voeren.” 

Dit besluitvormingsproces, vertelt Gandikota, wordt versterkt door het vermogen van de agent om continu te leren van interacties en ervaringen, waardoor de agent steeds beter reageert.

De meest effectieve autonome agents kennen de context en maken gebruik van de meest relevante data. Dat kun je op verschillende manieren bereiken, bijvoorbeeld met een techniek die retrieval augmented generation (RAG) wordt genoemd. Hierbij wordt de nuttigste informatie gezocht en worden op basis daarvan nieuwe reacties gecreëerd. Een andere techniek is het zoeken binnen de context, ook wel semantisch zoeken genoemd. Hierbij worden de meest recente en relevante data voor een taak gezocht.Agentforce maakt gebruik van Data Cloud, waarin deze technieken zijn geïntegreerd. Voor nog nauwkeurigere resultaten gebruikt Data Cloud zero copy-technologie, waarmee agents realtime toegang krijgen tot data van verschillende databronnen zonder deze te verplaatsen, te kopiëren of te wijzigen. 

Mythe 3: agents zijn ingewikkeld en het kost veel tijd en geld om ze te configureren

Je zou verwachten dat het implementeren van een technologie met zoveel impact maanden kost om te integreren en dat je miljoenen moet investeren. Agents op basis van generatieve AI en large language models (LLM’s) kunnen echter binnen enkele minuten worden geconfigureerd. Ze werken op basis van vooraf gedefinieerde onderwerpen (de onderwerpen die de agent moet kunnen verwerken) en acties (de taken die de agent gaat uitvoeren).

Er zijn inmiddels al enkele kant-en-klare agents verkrijgbaar voor onder andere klantenservice, commerce, sales en coaching. Er zijn echter ook low-code opties om in een handomdraai agents naar wens te bouwen. Je kunt bijvoorbeeld gebruikmaken van natural language processing (NLP). Daarbij geldt: als je het kunt omschrijven, kun je ook een custom agent bouwen. 

Tools zoals Agentbuilder stellen zelfs automatisch grenzen in, zodat de agent veilig kan worden gebruikt. Op basis van de NLP-omschrijving van de taak die de agent moet uitvoeren, zoekt Agentbuilder semantisch vergelijkbare bronnen in de metadata van je app. Dit geeft de agent het benodigde inzicht in hoe je bedrijf werkt en stelt automatisch relevante acties voor om de taak optimaal uit te voeren. “Alle verfijning die je nodig hebt, is al beschikbaar op het platform,” vertelt Krishna Gandikota. “De Einstein Trust Layer, de reasoning engine, de vectordatabase (voor RAG en semantisch zoeken) zijn allemaal beschikbaar. Je kunt een arsenaal aan agents bouwen met een platform dat alles samenbrengt op de meest betrouwbare, inzichtelijke manier.”

Mythe 4: agents zijn altijd volledig autonoom

Agents hoeven niet per se 100% autonoom te zijn. De mate van autonomie is afhankelijk van hun doel en de complexiteit van hun taken. Agents zijn echter het meest effectief als ze samenwerken met mensen. Dit optimaliseert het klantsucces en levert de beste bedrijfsresultaten op.

Semi-autonome agents ondersteunen medewerkers bij besluitvorming en het uitvoeren van taken. Daarbij is meestal een menselijke handeling vereist om beslissingen goed te keuren. Een agent in de financiële dienstverlening kan bijvoorbeeld de portefeuille van een klant analyseren en de portefeuillebeheerder suggesties doen om de portefeuille te optimaliseren, zonder deze taken zelf uit te voeren.

Bij autonomie onder supervisie voeren agents autonoom taken uit, maar worden ze continu door mensen gemonitord. Dat is met name belangrijk in gereguleerde sectoren waar veiligheid voorop staat, zoals de gezondheidszorg, het verzekeringswezen, de transportsector en de farmaceutische sector.

Volledig autonome agents voeren taken uit zonder menselijke tussenkomst. Ze verzamelen en analyseren data, nemen beslissingen, passen zich aan en voeren zelf acties uit. Toch moeten ook deze agents de vooraf gedefinieerde, door mensen bepaalde grenzen respecteren.

“Agents hoeven niet altijd volledig automatisch in actie te komen, maar ze begrijpen wel wat er van ze wordt verwacht. Ze zijn in staat om te bepalen of ze een taak zelfstandig kunnen uitvoeren of dat het nodig is om een medewerker in te schakelen”, vertelt Gandikota.

Mythe 5: agents genereren geen echte waarde voor je bedrijf

Veel organisaties die op GPT-gebaseerde AI vertrouwen voor generieke, algemene taken zien geen verschil in productiviteit of bedrijfswaarde. Voor agentische AI geldt dat absoluut niet. Agents zijn speciaal ontwikkeld voor een bepaald doel, bijvoorbeeld salesleads nurturen, brainstormen over campagne-ideeën of het verminderen van de belasting van de klantenservice. Ze richten zich op één specifieke taak, die ze buitengewoon goed uitvoeren.

Bovendien ondernemen ze actie als het nodig is. Zulke afgestemde agents, die zijn ontwikkeld om een specifiek probleem op te lossen, zijn veel nuttiger dan generieke AI-systemen die niet zijn afgestemd op je bedrijfsbehoeften. Dit is precies de reden waarom 82% van de grote bedrijven aangeeft uiterlijk in 2027 agents te willen implementeren. 

Sommige bedrijven lopen al voorop. Bij Wiley, een uitgever van educatief materiaal, steeg het aantal afgehandelde supportcases met ruim 40% na de implementatie van een AI-agent ter vervanging van de oude chatbot. Het bedrijf geeft aan dat agents helpen bij routinetaken, zodat de klantenserviceteams zich kunnen richten op complexere werkzaamheden. Bij andere early adopters, zoals OpenTable en ADP, worden zelfs nog meer cases afgehandeld. 

Onderzoeksbureau MarketsandMarkets zegt: “Een cruciale factor voor de acceptatie van AI-agents is de toenemende behoefte aan automatisering om de efficiëntie, opschaling en besluitvorming te verbeteren. Agents zijn effectief omdat ze repeterende taken automatiseren, grote datasets analyseren en realtime bruikbare inzichten bieden.”

Het bureau voorspelt dat de markt voor agents flink zal groeien: van € 4,9 miljard dit jaar tot € 45,6 miljard in 2030.

Het is van cruciaal belang dat managers onderscheid kunnen maken tussen feiten en fictie. Als je niet weet wat autonome AI-agents allemaal kunnen, loop je kansen mis en kun je zelfs kostbare fouten maken. Met de juiste informatie over de vaardigheden en beperkingen van agents kun je efficiënter werken en slimmere, goed onderbouwde beslissingen nemen.

Begin vandaag nog met het bouwen van jouw Agentforce

Ontgrendel het volledige potentieel van Agentforce door rollen te definiëren, mogelijkheden uit te breiden met geavanceerde tools en aan te passen aan jouw bedrijfsbehoeften. Schrijf je nu in voor onze demo’s!

Wil je niks missen? Meld je aan voor onze online nieuwsbrief!