Wat een AI-agent echt is, en wat niet

Een chatbot beantwoordt een vraag. Een agent maakt een taak af. Dat verschil lijkt klein, tot je er een wilt aanschaffen. Vrijwel elke leverancier noemt zijn product inmiddels een agent, waardoor het woord niets meer zegt.

Dit is de grens die wij intern aanhouden, en die we in het eerste gesprek met klanten uitleggen.

Het verschil zit in kunnen handelen

Vraag een chatbot of een factuur betaald is en je krijgt te horen hoe je dat zelf kunt nakijken. Vraag het een agent en die opent het boekhoudsysteem, kijkt, en antwoordt met de datum en het bedrag.

Het model in het midden kan identiek zijn. Wat verschilt is alles eromheen: de tools die het mag aanroepen, de rechten die daarbij horen, en of er daadwerkelijk iets gebeurt als het besluit te handelen. Een agent is een model plus de bevoegdheid om namens jou software te gebruiken.

Die bevoegdheid is het echte ontwerpvraagstuk. Het is ook de reden dat de interessante vragen in een agentproject zelden over het model gaan.

Wat een agent nodig heeft om te werken

Een agent die kan handelen heeft vier dingen nodig, en het model is er daar maar een van.

• Tools die hij kan aanroepen. Meestal je bestaande systemen, via een API of, als die er niet is, via iets dat de interface bedient.
• Een definitie van klaar. "Handel de mail af" is geen taak. "Antwoord met het trackingnummer, of schakel door naar een mens als er geen order bij het adres hoort" wel.
• Een verslag van wat hij deed. Elke aanroep, elk argument, elk resultaat. Als een agent iets fout doet, moet je de exacte volgorde kunnen teruglezen in plaats van gokken.
• Een grens die hij niet over mag. Terugbetalingen boven een bedrag, alles wat een klant mailt, alles wat verwijdert. Dat gaat naar een persoon.

De agentprojecten die wij zien mislukken, mislukken meestal op punt twee en vier. Aan het model lag het niet. Niemand had opgeschreven wat klaar betekende, of waar de agent vanaf moest blijven.

Waar agents zich terugverdienen

Werk dat zich leent voor een agent heeft een herkenbare vorm. Het is repeterend, het loopt over meer dan een systeem, en een capabele collega zou het met duidelijke instructies kunnen doen, maar hij zou zich vervelen.

Gegevens verplaatsen tussen een CRM en een facturatietool. Een mail van een leverancier lezen, de orderregels eruit halen en gestructureerd wegschrijven. Een gedeelde inbox volgen en het antwoord voorbereiden dat een mens daarna verstuurt. Niets daarvan is spectaculair, en dat is precies het punt: de waarde ontstaat doordat het tweehonderd keer per maand gebeurt zonder dat iemand eraan denkt.

Werk dat zich er niet voor leent is het spiegelbeeld. Eenmalige beslissingen. Alles waar fout zijn duur is en moeilijk te merken. Alles dat afhangt van kennis die alleen in iemands hoofd zit.

De eerlijke versie van de afweging

Een agent heeft niet altijd gelijk. De persoon die de taak nu doet ook niet, maar de fouten zien er anders uit, en organisaties zijn veel beter in het opvangen van menselijke fouten dan van machinefouten.

De vraag aan een leverancier is dus niet "hoe accuraat is het". De vraag is "wat gebeurt er bij de keren dat het misgaat, en hoe snel weet ik dat". Zonder goed antwoord daarop is dat accuratessepercentage versiering.

Wij bouwen AI chatbots en agents voor bedrijven, en het eerste wat we in een agentproject doen is de faalgevallen opschrijven, voordat er een regel code staat. Minder leuk dan een demo. Wel de reden dat het in maand zes nog werkt.