Agentische AI: definitie, werking en voorbeelden

Definitie in detail

Agentische AI (agentic AI in het Engels) verwijst naar kunstmatige-intelligentiesystemen die zijn ontworpen om een doel in meerdere stappen te bereiken, met beperkt menselijk toezicht. IBM definieert het als een systeem dat een specifiek doel kan bereiken met beperkt toezicht, door meerdere mogelijke acties af te wegen en de meest relevante te kiezen. Microsoft sluit hierbij aan en spreekt van AI-systemen met agentiviteit, ofwel het vermogen om zelfstandig te beslissen en te handelen bij het nastreven van een doel.

Het is geen product, het is een categorie. U kunt een chatbot bouwen die helemaal niet agentisch is, en een agent bouwen die dat volledig wel is. Wat een systeem aan de agentische kant plaatst, zijn drie ingrediënten samen: een gegeven doel in plaats van één gestelde vraag, het vermogen om dat doel op te delen in opeenvolgende acties, en de daadwerkelijke uitvoering van die acties met tools, niet alleen een tekstueel antwoord.

Het begrip is niet ontstaan met LLM's. Het bouwt voort op een ouder idee uit de kunstmatige intelligentie, dat van de rationele agent, geformaliseerd door Russell en Norvig: een agent neemt zijn omgeving waar via sensoren en handelt erop in via effectoren, op zoek naar het best mogelijke resultaat gegeven wat hij weet. Wat verandert met recente taalmodellen, is dat het "brein" van de agent nu in natuurlijke taal kan redeneren, documentatie kan lezen, en kan beslissen een tool aan te roepen zonder dat daarvoor per geval vooraf een regel is geprogrammeerd. Zie ook de pagina generatieve AI vs agentische AI voor de volledige vergelijking van beide begrippen.

Hoe het werkt

De technische beschrijvingen komen uit op een lus in vier stappen. Microsoft vat het zo samen: waarneming (opname van data en signalen), redenering (opbouw van een plan), actie (uitvoering via tools en API's), en dan reflectie (evaluatie van het resultaat en bijsturing). Google Cloud beschrijft een vergelijkbare lus, waarneming, beslissing, actie, met een terugkoppeling die weer aansluit op de volgende waarneming.

Vier bouwstenen maken deze lus mogelijk:

• Planning: het systeem splitst een vaag doel op in een reeks concrete stappen, en kan dat plan herzien als een stap mislukt.
• Toolgebruik: de agent roept API's aan, raadpleegt databases, verstuurt berichten, in plaats van alleen te beschrijven wat er zou moeten gebeuren.
• Geheugen: kortetermijngeheugen om de draad van een lopende taak vast te houden, langetermijngeheugen om de context van een project van sessie tot sessie te onthouden.
• Autonomie, die geen alles-of-niets is: ze loopt van de eenvoudige assistent die een actie voorstelt ter validatie, tot de agent die uitvoert en alleen echt kritieke beslissingen doorgeeft.

Hier speelt zich een echte scheidslijn af in de huidige markt: aan de ene kant de asynchrone autonome agents, die een onderliggend doel krijgen, zelf hun route kiezen om dat te bereiken, continu draaien in hun eigen uitvoeringsomgeving en de mens alleen betrekken bij een specifieke beslissing; aan de andere kant de getriggerde agent-workflows, gebouwd op tools zoals Make, n8n, Zapier, Lindy, Copilot Studio of Agentforce, waarbij een trigger een grotendeels vooraf bepaalde reeks stappen start. Beide categorieën zijn legitiem en beantwoorden aan verschillende behoeften, het is geen kwestie van beter of slechter gereedschap, maar van welke mate van autonomie u zoekt.

Concreet voorbeeld met Atako

Bij Atako draait een door een bedrijf aangemaakte agent in zijn eigen geïsoleerde uitvoeringsomgeving, niet in een gedeelde pool van workers. Deze persistentie verandert alles: het geheugen, de bestanden en de geplande taken van de agent overleven pauzes en herstarts, precies wat u verwacht van een systeem dat een doel over langere tijd nastreeft in plaats van eenmaal te antwoorden en dan te vergeten.

Concreet ontvangt eenzelfde AI-agent zijn verzoeken via vier kanalen die allemaal hetzelfde geheugen voeden: chat, e-mail, webhooks en cron. Het cron-kanaal illustreert de agentische logica goed: de geplande taak wordt niet door een mens in een formulier ingesteld, ze wordt door de agent zelf aangemaakt wanneer hij beslist dat een regelmatige controle deel uitmaakt van zijn plan om zijn doel te bereiken. Voor complexe deeltaken kan de agent ook delegeren aan een tijdelijke subagent, waarvan het werk verschijnt als stappen in zijn eigen activiteitentijdlijn.

Deze autonomie blijft gekaderd. Elke tool-aanroep verloopt via een expliciete grant (agent, verbinding, precieze actie, lees- of lees-schrijfbereik), standaard geweigerd zolang die niet is toegekend. Een use case zoals CI-triage en incidentbeheer toont deze werking in de praktijk: de agent bewaakt een pipeline, correleert de storing met recente commits, informeert het team en stelt een rapport op, meerdere stappen die achter elkaar naar een doel toewerken, met menselijke controlepunten daar waar het telt.

Veelgemaakte fouten

De meest voorkomende verwarring is elke tool die slim reageert op een prompt "agentisch" te noemen. Een goede chatbot die een document samenvat, is niet agentisch als hij niets plant en niets buiten het gesprek doet. Omgekeerd is een van begin tot eind geautomatiseerde reeks vaste regels ook niet agentisch in volle zin, zelfs als hij zonder toezicht draait: het ontbreekt hem aan beslissing.

Tweede fout: denken dat autonomie een enkele schakelaar is, alles of niets. In de praktijk is het een schuifregelaar: een systeem kan zijn acties plannen en validatie voorstellen vóór elke gevoelige uitvoering, of veel verder gaan en alleen kritieke beslissingen doorgeven. Beide uitersten door elkaar halen leidt ertoe dat u ofwel een echt autonoom systeem onderschat, ofwel een gewone copiloot verkoopt alsof hij zelfstandig handelt.

Derde valkuil: denken dat "agentisch" en "generatief" tegenover elkaar staan. In werkelijkheid overlappen de twee begrippen, zoals IBM benadrukt, grotendeels en werken ze vaak samen: het generatieve model dient als redeneermotor binnen het agentische systeem. Zie de gedetailleerde vergelijking op de pagina generatieve AI vs agentische AI.

Verder lezen

Wilt u het onderscheid met eenvoudige generatieve modellen verder uitdiepen? De pagina generatieve AI vs agentische AI beschrijft in detail waar het ene ophoudt en het andere begint, met dezelfde zorg om beide niet kunstmatig tegenover elkaar te zetten. Ons blogartikel over dit onderwerp, Generatieve AI vs autonome agents, de echte verschillen, behandelt dezelfde invalshoek met bredere voorbeelden dan alleen die van Atako. De volledige woordenlijst behandelt de andere verwante begrippen, zoals agent-orkestratie of de autonome AI-agent, om agentische AI te plaatsen binnen het volledige vocabulaire van het domein.