Generatieve AI vs agentische AI: wat is het verschil?

Definitie in detail

De twee termen lijken op elkaar en worden vaak verward, maar ze beschrijven niet hetzelfde. IBM verwoordt het eenvoudig: generatieve AI creëert nieuwe content, tekst, afbeelding, video, audio of code, als antwoord op een verzoek. Het model heeft patronen geleerd uit enorme hoeveelheden data en reproduceert die in een nieuwe, statistisch plausibele vorm. Het gemeenschappelijke punt bij alle generatieve toepassingen: u stelt een vraag of geeft een instructie, het model antwoordt eenmalig, en dat is het.

Agentische AI daarentegen is gericht op het behalen van een doel via een reeks beslissingen en acties, niet één enkel antwoord. Op zijn vergelijkingspagina vat IBM het verschil samen: generatieve AI creëert nieuwe content, agentische AI richt zich op het bereiken van doelen door workflows in meerdere stappen te plannen, beslissen en uitvoeren. Voor de details van dit tweede begrip, zie de pagina agentische AI.

Waar het onderwerp interessant wordt, is de overlap. IBM zegt het expliciet: de twee categorieën "werken in de praktijk vaak samen". Een agentisch systeem heeft geen eigen taal of schrijfvermogen: het leent dat van een generatief model, dat zijn interne redeneermotor wordt. Met andere woorden, bijna elke agentische agent die vandaag wordt gebouwd, bevat ergens een generatief model, maar niet elk generatief gebruik is daarom een agent. Het is een gedeeltelijke insluitingsrelatie, geen frontale tegenstelling, en de twee begrippen overlappen zonder elkaar volledig te dekken.

Hoe het werkt

Het generatieve model werkt op zichzelf in een korte lus: een input, een doorgang door het model, een output, klaar. Het heeft geen geheugen tussen twee aanroepen, tenzij dat telkens expliciet in de prompt wordt meegegeven, en het handelt op niets buiten het gesprek, tenzij een extern systeem zijn antwoord interpreteert en een actie activeert.

Een agentisch systeem voegt vier lagen toe boven op datzelfde generatieve model. Microsoft beschrijft de lus in vier stappen: waarneming van data en signalen, redenering om een plan op te bouwen (hier komt het generatieve model in beeld), actie via tools en API's, en dan reflectie om het resultaat te evalueren en het vervolg bij te sturen. Google Cloud beschrijft een vergelijkbare lus, waarneming, beslissing, actie, met een terugkoppeling die weer aansluit op de volgende stap. Concreet levert de agentische laag:

• Planning, die een doel opdeelt in stappen en het plan onderweg kan herzien, een vermogen dat het generatieve model op zichzelf niet van nature heeft.
• Tool-aanroepen, of tool calling, waarmee het systeem daadwerkelijk kan handelen (een bericht versturen, een bestand aanmaken, een database raadplegen) in plaats van de actie alleen in tekst te beschrijven.
• Persistent geheugen, kort- en langetermijn, om de draad van een doel over meerdere sessies vast te houden.
• Een instelbaar autonomieniveau, van de copiloot die een te valideren actie voorstelt tot de autonome agent die uitvoert zonder systematische validatie.

Op de markt overlapt dit onderscheid met een andere nuttige scheidslijn: die tussen de asynchrone autonome agent, die een langetermijndoel krijgt, zijn route kiest en continu draait in zijn eigen omgeving, en de getriggerde agent-workflow, gebouwd op tools zoals Make, n8n, Zapier, Lindy, Copilot Studio of Agentforce, waarbij een gebeurtenis een grotendeels vooraf bepaalde reeks start. Beide kunnen intern op hetzelfde generatieve model steunen; wat verschilt, is de speelruimte die het systeem krijgt om zelf zijn reeks stappen te kiezen.

Concreet voorbeeld met Atako

Een agent aangemaakt op Atako illustreert goed waar de grens ligt. Bij het aanmaken kiest u een AI-model uit een samengestelde lijst (of een sleutel via BYOK als het bedrijf dat heeft geactiveerd): dat is de generatieve component, die de instructies begrijpt en de antwoorden opstelt. Als deze agent alleen in een chatgesprek wordt gebruikt, blijft hij dicht bij het klassieke generatieve register, een vraag, een antwoord.

Wat de agent naar de agentische kant doet omslaan, zijn de lagen die het platform rond dit model toevoegt. De agent draait continu in zijn eigen geïsoleerde omgeving, niet alleen voor de duur van een verzoek. Hij ontvangt verzoeken via vier kanalen (chat, e-mail, webhooks, cron) die allemaal hetzelfde persistente geheugen voeden. Hij kan zelf een cron-taak aanmaken wanneer hij oordeelt dat een regelmatige opvolging deel uitmaakt van zijn plan, zonder dat een mens die planning voor hem instelt. Voor een deeltaak kan hij delegeren aan een tijdelijke subagent, waarvan het werk terugkomt in zijn activiteitentijdlijn. En elke daadwerkelijke aanroep naar een externe tool (Slack, GitHub, Notion) verloopt via een expliciete grant, een precieze toestemming die aan deze agent voor deze actie is verleend, anders standaard geweigerd.

Het bij het aanmaken gekozen generatieve model blijft van begin tot eind hetzelfde. Wat het geheel agentisch maakt, is dus niet een ander model, maar de planning, het geheugen, de tools en de autonomie die het platform eromheen bouwt.

Veelgemaakte fouten

De meest voorkomende fout is de twee termen als uitwisselbare synoniemen te behandelen, of erger, als rivalen waartussen u moet kiezen. Een project hoeft niet te "kiezen" tussen generatieve AI en agentische AI: de relevante vraag is hoe ver u de agentische laag boven op een generatief model doorvoert, niet om het ene voor het andere op te geven.

Tweede valkuil: denken dat een tool agentisch wordt simpelweg omdat hij "AI gebruikt" of zo wordt gepresenteerd in marketingmateriaal. Zonder echte planning over meerdere stappen en daadwerkelijke actie op externe systemen blijft het gewoon generatieve AI, ook al is die verpakt in agentisch vocabulaire.

Derde fout: de afhankelijkheid van het agentische deel van de kwaliteit van het onderliggende generatieve model onderschatten. Een slecht uitgerust agentisch systeem dat op een uitstekend redeneermodel is gebouwd, levert betere plannen dan een systeem vol tools maar met een zwak generatief model eronder. De agentische laag versterkt de kwaliteiten en gebreken van het model dat ze aanstuurt, ze corrigeert ze niet.

Verder lezen

Ons blogartikel Generatieve AI vs autonome agents, de echte verschillen behandelt deze vergelijking met een bredere kijk op de markt, voorbij het geval van Atako alleen. Voor meer over het vocabulaire beschrijft de pagina agentische AI het paradigma in detail, en vertrekt de pagina AI-agent vanaf de basisbouwsteen, de agent, voordat planning en orkestratie met meerdere agents aan bod komen.