Dit is het verschil tussen AI agents en Agentic AI

Hoi, welkom bij een nieuwe korte aflevering van de AIToday Live. Mijn naam is Joop Snijder, CTO bij Aigency. En vandaag gaat de aflevering over de verwarring rond begrippen. Want wat is nu precies het verschil tussen AI agents en agentic AI? En het zijn termen die door elkaar worden gebruikt, maar ze betekenen zeker niet hetzelfde. Sterker nog, dit onderscheid is belangrijk als je nadenkt over wat voor jouw organisatie de beste benadering is. En het lastige is dat deze termen niet door iedereen hetzelfde worden gebruikt. En dat er dus ook overlap zit tussen de begrippen. Ik baseer me op de wetenschappelijke definitie uit het paper AI agents versus agentic AI. En die staat in de show notes. Want als we het over technologie hebben, moeten we wel dezelfde taal spreken. Laten we beginnen met AI agents. Wat zijn AI agents? Dit zijn intelligente software systemen die zelfstandig taken kunnen uitvoeren namens een gebruiker of organisatie. Ze hebben drie belangrijke eigenschappen die een agent een agent maken. Dat is waarnemen, autonoom handelen en leren van feedback. Laten we beginnen bij dat waarnemen. Allereerst moet een agent namelijk zijn omgeving kunnen waarnemen. En die omgeving kan bestaan uit digitale data. Zoals documenten, databases, interacties met gebruikers. Maar je kan ook denken aan sensoren die fysieke omstandigheden meten. Of informatie over systemen via externe bronnen, via APIs, programmeer interfaces. Maar waarnemen gaat verder dan alleen informatie opnemen. En agent heeft ook tools nodig om daadwerkelijk te kunnen handelen. Dit kunnen weer die programmeer interfaces zijn. Waarmee je het andere systemen kan aansturen. Databases waar het informatie kan opzoeken en opslaan. Of gespecialiseerde functies voor taken. Zoals tekstverwerking, berekeningen, versturen van berichten. Van alles en nog wat. Deze tools vormen als het ware de handen en voeten van de agent. Want zonder tools kan het wel waarnemen. En besluiten nemen, maar niet echt iets uitrichten. Hoe meer een agent waarneemt en hoe meer tools het tot zijn beschikking heeft, hoe beter het beslissing kan nemen en uitvoeren. Dan is er tweede de autonomie. De mogelijkheid om zelfstandig besluiten te nemen en acties uit te voeren zonder voortdurend menselijk ingrijpen. Dus een agent krijgt dan een doel of een taak en bepaalt zelf hoe het dat bereikt. Het kan zelfstandig een stappenplan maken en de juiste tools selecteren voor het uitvoeren van dat plan. Het heeft niet bij elke stap toestemming nodig. Er hoeft niet bij iedere stap toestemming worden gevraagd. Als laatste, het derde kenmerk is het vermogen om te leren van feedback en ervaring. Een agent kan door observatie van bijvoorbeeld de feedback van gebruikers of de resultaten die je terugkrijgt van tools, kan het gaan leren. Leren het passen gedrag aan op basis van wat wel en wat niet werkt. En kan daarmee aanpassen maken. Bijvoorbeeld aan het stappenplan als blijkt dat de huidige aanpak het doel niet bereikt. Denk hier aan een klantenservice agent die e-mails analyseert en beantwoordt. Het systeem ziet binnenkomende berichten. Begrijpt de intentie achter de vraag. Zoekt relevante informatie op en formuleert een passend antwoord. En doet het dan zelfstandig binnen kaders die je hebt gesteld. en leert dan van de feedback die het krijgt om een goed antwoord uiteindelijk te formuleren. Samengevat, een AI agent werkt als een op zich zelfstaande entiteit met een specifiek doel. Zo zouden we het moeten zeggen. Het gebruikt daarbij tools en systemen, maar blijft in wezen één intelligente eenheid die een duidelijk afgebakende taak uitvoert. En dan agentic AI. Wat is agentic AI dan? Dit concept bouwt voort op dat van die van AI agents. Hier gaat het namelijk om systemen van meerdere AI agents die samenwerken om complexe doelen te bereiken. Het is niet één agent die alles doet, maar een team zou je kunnen zeggen van verschillende agents die elk hun eigen expertise hebben. Maar ja, waarom zou je voor een team kiezen in plaats van één alles kunnen? Nou, net zoals in menselijke organisaties heeft specialisatie gewoon voordelen. Een agent die gespecialiseerd is in datavisualisatie wordt beter in die taak dan een generalist die ook nog tekst schrijven, webzoeken en beeldverwerking moet kunnen. Door agents te specialiseren krijg je betere prestaties per domein en kun je complexere problemen aanpakken door de juiste expertise te combineren. Maar het gaat niet alleen om specialisatie. Het verschil in autonomieniveau is ook belangrijk. Waar een AI agent hoger autonomie heeft binnen een specifieke taak, heeft Agentic AI een breed autonomieniveau met de mogelijkheid om complexe uit meerdere stappen bestaande taken en systemen te beheren. De agents delen dan informatie, werken samen en coördineren hun acties. Stel je voor dat je een complex project hebt zoals supply chain management. En dan met Agentic in je eye zou je kunnen werken met een voorspellingsagent, een voorraadagent, een logistiek agent en een agent die aan leverancierbeheer doet. Deze agents communiceren dan voortdurend met elkaar, delen real-time data en passen hun strategieën aan om het totale systeem te optimaliseren. Nou laten we dit dan ook weer even samenvatten. Dus waar AI agents enkelvoudige specifieke taken uitvoeren pakken agentic AI systemen complexe processen aan die juist coördinatie tussen meerdere gespecialiseerde agents vereisen. Nou en misschien begrijp je nu waarom agentic AI zo aantrekkelijk klinkt. Want het wordt vaak gepresenteerd als de volgende stap in de AI-evolutie. Een systeem dat complex redeneert, zelfstandig taken opdeelt en problemen aanpakt. Zoals een team van menselijke experts dat zou doen. Het klinkt als de ultieme oplossing voor alle automatiseringswensen. Maar hier moet ik je toch een klein beetje waarschuwen. Want hoe indrukwekkender de technologie klinkt, hoe meer je moet nadenken over wat erbij komt kijken. Agentic AI betekent niet alleen meer mogelijkheden, maar ook meer complexiteit, meer risico's en meer punten waar dingen mis kunnen gaan. Laten we even stilstaan bij wat het betekent als je namelijk Agentic AI inzet voor bedrijfscritische processen. En we praten dan over systemen die directe impact hebben op je klanten, je omzet of je operationele stabiliteit. Downtime, verkeerde beslissingen, die kunnen directe financiële schade veroorzaken. En bij Agentic AI heb je te maken met meerdere agents die met elkaar communiceren en elk van die agents kan falen. We denken vaak in wat er allemaal goed kan gaan, maar elk van die agents kan falen. De communicatie tussen agents kan haperen, de coördinatie kan verkeerd gaan. Je krijgt niet één punt van falen, maar meerdere. En het vinden en oplossingen van problemen wordt daarmee exponentieel complexer. Dus de rol van governance wordt nog belangrijker. Met één agent kun je nog relatief eenvoudig bepalen wat hij wel en niet mag doen. Je stelt kaders vast, definieert de scope en monitort de processen, de prestaties moet ik zeggen. Maar met agentic AI krijg je juist een netwerk van interacties dat veel moeilijker te overzien is. Wie is dan verantwoordelijk als het systeem een verkeerde beslissing neemt? Welke agent heeft de fout gemaakt? Was het een probleem in de communicatie tussen de agents? Hoe controleer je of het systeem binnen de gestelde kaders opereert? Vragen, vragen, vragen. In het boek dat ik binnenkort uitbreng ga ik dieper in op hoe je dit kan aanpakken. En waar je over na moet denken. Maar in de latere aflevering binnenkort hoor je daar meer over. Het begint uiteindelijk, laten we zo zeggen, mijn advies is begin met eenvoudige AI agents voor goed afgebakende taken. en leer hoe ze werken, hoe je ze monitort en hoe je ze integreert in je processen. Bouw ervaring op met de governance, met testen en met het omgaan met onverwachte situaties. Pas als je dat onder de knieën hebt, kun je nadenken over complexere agentic AI systemen. Zelfs dan zou ik nog wel voorzichtig zijn met het implementeren daarvan in bedrijfskritische processen. De technologie is indrukwekkend, maar nog best wel jong en onvoorspelbaar. Dat betekent dat dat agentic AI waardeloos is. Zeker niet voor complexe, dan zou ik zeggen niet kritische toepassingen. Kan het echt fantastische resultaten opleveren. Content creatie, onderzoeksprojecten, allerlei creatieve oplossingen zou je ermee kunnen bedenken. Maar je hebt daar wel situaties nodig waar je experimenteerruimte hebt en waar een fout niet direct de schade veroorzaakt. Kijk, de komende maanden en jaren zullen we zien hoe deze technologieën zich verder ontwikkelen. Maar ik zou zeggen, laat je nu niet meeslepen door de hype. Het is heel belangrijk om het verschil nu te weten. Wat we vandaag behandeld hebben tussen wat zijn nou eigenlijk agents en agentic AI. Daar ga je een hoop van naar je hoofd geslingerd krijgen. Dus blijf kritisch, blijf experimenteren en bouw stap voor stap je ervaring op. En zoals altijd, bedenk, AI is niet de oplossing van elk probleem, onmisbaar waar het past. Dankjewel weer voor het luisteren naar deze aflevering van AIToday Live. Vergeet je niet te abonneren via je favoriete podcast app. En mis je geen aflevering. Tot de volgende keer! [Muziek]