Agent washing: de verborgen waarheid achter AI-beloftes

Hoi, welkom weer bij een korte aflevering van AIToday Live. Mijn naam Joop Snijder, CTO bij Aigency. En vandaag gaan we het hebben over waarom 40% van alle AI-agents projecten mislukt. Oei. Je opent LinkedIn en daar staat het weer. AI-agents gaat alles veranderen. Een consultant toont trots hoe zijn nieuwe agent binnen enkele seconden een complete rapportage schrijft. En een softwareleverancier belooft dat een agent je hele klantenservice kan overnemen. En jij? Jij vraagt je misschien wel af waarom jouw AI Agent project al maanden muur vast zit. Welkom bij de harde realiteit van AI Agents. Kijk, het volgende is er aan de hand. Gardner voorspelt dat meer dan 40% van alle AI Agent projecten voor eind 2027 geannuleerd wordt. Dus niet uitgesteld, niet bijgesteld, gewoon geannuleerd. Nou, vandaag vertel ik je waarom zoveel bedrijven falen met AI Agents. en belangrijker hoe jouw project die statistiek kan ontlopen. En laten we beginnen namelijk met het grootste probleem in de markt en dat is agent washing. Gartners schat dat slechts ongeveer 130 van de duizenden zogenaamde AI agent leveranciers echt zijn. De rest die hebben gewoon hun bestaande chatbot of automatiserings tool omgedoopt tot agent. Stel je voor je koopt een autonome AI agent voor je klantenservice En na weken implementatie blijkt het gewoon een chatbot met wat extra if-then-else regels. Geen autonomie, geen leervermogen, geen agent. Dan ben je gewoon slachtoffer geworden van agent washing. Het opnieuw verpakken van bestaande producten zoals AI-assistenten, RPA, robotic process automation en chatbots. Zonder substantiële agentic capaciteiten. Ik vind dat niet een klein probleem. Want zoals we in dit seizoen aflevering 4 bespraken, zijn echte AI agent systemen die hun omgeving waarnemen, zelfstandig handelen en leren van hun ervaringen. En het chatbot die alleen vooraf geprogrammeerde antwoorden geeft, dat is geen agent. Dat is gewoon een chatbot. Maar goed, zelfs als je een echte AI agent hebt, dan beginnen de problemen echt. Of problemen, laten we het uitdagingen noemen. Want hier is wat die glimmende demo's je niet vertellen. AI agents implementeren kan echt wel complex zijn. Denk aan een verzekeraar die een AI agent ontwikkelt voor bijvoorbeeld geautomatiseerde schadeafhandeling. De agent kan foto's analyseren, schade inschatten en uitkeringen berekenen. Maar ja, dan komen de eerste AI gegenereerde nepschades binnen. Fraudeurs gebruiken tegenwoordig AI om perfecte vervalsingen te maken. Van autodeuken tot waterschade. Alles ziet er fotograafisch echt uit. En de agent getraind op echte schades kan het verschil dan niet zien. En de verzekeraar staat dan voor onmogelijke keuzes. De agent werkt perfect. Maar wel voor de problemen van gisteren. In een wereld waar elke fraudeur toegang heeft tot AI tools die fotorealistische schade kunnen genereren. Ja dan heb je in één keer te maken met agents die plotseling een risico worden in plaats van een oplossing. En dan moet je het project misschien wel volledig heroverwegen. En niet omdat de technologie faalt, maar omdat de wereld sneller verandert dan de agent kan bijhouden. Nou zijn er even door de bank genomen vijf hoofdoorzaken van het falen. Want uit zowel onderzoek als praktijk zie ik vijf terugkerende patronen. Eén is namelijk dat het te groot wordt begonnen. Dat is een klassiek probleem. Je wilt meteen je hele klantenservice automatiseren in plaats van met één specifiek proces te beginnen. Een voorbeeld, je zou kunnen denken aan een retailer die een agent wil die alles kan. Vragen beantwoorden, bestellingen opnemen, klachten afhandelen, retouren verwerken. Het resultaat, een agent die uiteindelijk niks goed doet. Als zo'n retailer zou beginnen met alleen het beantwoorden van bijvoorbeeld voorraadvragen, dan heb je in ieder geval een werkende basis. Nummer twee is onvoldoende menselijke supervisie. Dus als je AI agents, die zijn niet zoals ze zo mooi in het Engels zeggen, set it and forget it oplossingen. Ze hebben continue monitoring en bijsturing nodig. Maar veel organisaties onderschatten dit toch wel volledig. Want de wereld verandert, je klant verandert, de data verandert. Dus je agent zal snel moeten meebewegen. En dat kan niet zonder de menselijke supervisie. De agent leert niet uit zichzelf. Drie, data en integratie problemen. Onze systemen integreren niet. Zo dan. Onze systemen integreren niet. Dat horen we heel vaak. AI agents hebben het liefst schone gestructureerde data nodig. Maar de meeste bedrijven hebben data verspreid over tientallen systemen. Elk met een eigen formaat. De data is vaak voor de operatie en niet zozeer voor analyse. En dan wordt het gewoon heel erg lastig. Denk aan een financiële dienstverlener die bijvoorbeeld een agent zou willen bouwen voor hypotheekaanvragen. Klantdata's in de Salesforce, financiële data in SAP, documenten in SharePoint. De agent moet het maar voor elkaar zien te krijgen om daar een compleet beeld uit te vormen. Grote kans dat het project vastloopt op allerlei technische complexiteit. Vier. Dat je geen duidelijke succesmetrieken hebt. We willen gewoon AI gebruiken. Is geen strategie. Toch hoor ik dit heel vaak. Bedrijven komen met deze vraag. En ik snap dat wel. Alleen als je niet weet. Wat je succes. Hoe je succes gaat meten. Hoe moet je dan weten. Of je agent ook doet. Wat je zou willen. Wat is succes dan? Is dat 20% minder verwerkingstijd? Als je dit vooraf niet definieert. Weet je ook niet wanneer je project slaagt of faalt. Nummer 5. Organisatorische weerstand. Hele belangrijk. Want dit is echt wel de stille killer van AI projecten. En ook dus van AI agents. Medewerkers die bang zijn voor hun baan. Managers die hun macht zien verdwijnen. Teams die gewoon niet willen veranderen. die weerstand komt vaak voort uit onzekerheid en gebrek aan begrip dus als je je mensen niet meeneemt in de verandering dan kunnen ze uiteindelijk bewust of onbewust misschien zelfs wel je project saboteren maar genoeg over obstakels want ondanks al deze uitdagingen geloof ik in het potentieel van deze AI agents de vraag alleen is hoe doe je het wel goed het blijkt een open duur maar het is gewoon echt belangrijk dat je begint met een pilot kies gewoon één proces één team, één duidelijk doel en analyseer eerst je totale bedrijfsproces identificeer de echte knelpunten en dan kan je bepalen namelijk welke vorm van intelligentie je nodig hebt dat reken je dan door met een business case investeer ook in de menselijke samenwerking Dus AI agents moeten wat mij betreft mensen versterken en juist niet vervangen. Dus zorg voor goede training, duidelijke communicatie over wat de agent wel en niet kan. En maak continue feedback loops. Maar wees ook realistisch over de data en de integratie. Je hoeft niet alle data perfect te hebben voordat je begint. Een van de valkuilen is dat de data echt zo slecht is dat het gewoon niet handig is. Maar het hoeft ook weer niet perfect te zijn. Als je maar wel eerlijk bent over de beperkingen. Dus start met de data die je hebt en bouw dat incrementeel uit. Als je ziet dat je bepaalde data mist, kan je die opnieuw gaan verzamelen. Je kan je data, je kwaliteit kan je verhogen. Maar accepteer op zijn minst dat perfectie een illusie is met deze technologie. Dan definieer je concrete succescriteria. Dat is de tegenhanger van de valkuil. Wat moet je agent precies bereiken? Hoe meet je dat? Wanneer is goed genoeg? En dit schrijf je dan ook op voordat je begint. Dus niet ergens halverwege. Je gaat het ook niet veranderen. Dat bepaal je aan het begin. Zodat je heel goed kan bepalen ben je op weg naar het succes. En als laatste. Creëer organisatorische buy-in. Dus betrek mensen vanaf dag 1. Laat ze meedenken. Mee experimenteren. Fouten maken. Via kleine successen. Maar wees ook transparant over de uitdagingen. En de tegenslagen waar je tegenaan komt. Dit wil ik ook nog wel kwijt, want hier is wat niemand je op LinkedIn vertelt. AI agents hebben een succespercentage op dit moment van zo'n 30 tot 35 procent voor wat we dan noemen multistep taken. Dus dat het echt wel hele complexe taken zijn die achter elkaar worden uitgevoerd. Dat betekent dat zelfs goed gebouwde agents twee derde van de tijd falen bij echt hele complexe opdrachten. Is dat erg? Ik denk het nee, niet per se. Dus een mens die 35% van die hele complexe taken uitvoert. Zou best wel een hele goede medewerker zijn. Het probleem is dat we van AI agents perfectie verwachten. Als je nou AI agents wil inkopen. Dan zijn er een aantal red flags bij leveranciers. Let op deze waarschuwingssignalen van agent washing. Kan de leverancier je uitleggen hoe een agent leert? De demo's, werken die alleen met hun eigen voorbeelden of kan je zelf ook dingen aandragen? Is er een duidelijke roadmap voor integraties? Als er beloftes zijn van 100% automatisering zou ik me achter mijn oren krabben. En zijn er ook referenties van vergelijkbare implementaties? En prijzen die te mooi lijken om waar te zijn, zijn natuurlijk ook altijd een waarschuwingssignaal. Een echte AI agent leverancier kan je precies vertellen wat een systeem wel en niet kan. Welke data het nodig heeft en waar menselijke supervisie essentieel blijft. Ondanks al deze uitdaging blijf ik optimistisch. Want het is uiteindelijk een technologie die echt wel mooie grote stappen kan maken. De bedrijven die zo direct slagen met AI agents zijn niet degene met de grootste budgetten of de beste technologie. Het zijn de bedrijven die realistisch zijn over wat mogelijk is. Die investeren in de mensen en die stap voor stap bouwen aan de toekomst. Die 40% faal ratio van AI agents projecten is geen noodlot. Het is een waarschuwing. Het is een oproep juist van mij om slimmer, voorzichtiger en mensgerichter te werk te gaan. Begin klein. Een agent die één ding goed doet is waardevoller dan een agent die alles half kan. Investeer in je mensen. Want zij maken uiteindelijk het verschil tussen een werkende agent en een dure mislukking. Wees kritisch. Niet elke leverancier die agent roept verkoopt ook een echte agent. En vooral blijf leren. En bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past. Dankjewel weer voor het luisteren. De bronnen die ik gebruikt heb voor deze aflevering vind je in de show notes. Dan kun je alles goed nalezen. Als je dat wil, vergeet je niet te abonneren via de voorafrede podcast. Miss je geen aflevering.