“Agentic AI begint niet bij AI. Het begint bij betrouwbare data”

Een blog van Ronald van der Does

Paginagrote advertenties in mijn kwaliteitskrant. Whitepapers. Webinars. LinkedIn staat er vol mee: Agentic AI is hét buzzword van dit moment.

Capgemini, Microsoft, Salesforce. You name it. Allemaal schetsen ze hetzelfde toekomstbeeld. AI-agents die zelfstandig processen uitvoeren, beslissingen nemen en complete werkzaamheden van medewerkers overnemen. Niet als slimme chatbot, maar als digitale collega die (echt) aan het werk gaat. Terwijl medewerkers andere taken uitvoeren of op vakantie. Want Agentic AI gaat door.

Die ontwikkeling is boeiend. En ja, ze gaat sneller dan veel organisaties denken. Dus luiden op dit moment de adviezen:

• maak medewerkers AI-geletterd;
• bereid de organisatie voor op verandering;
• zorg voor een schaalbare IT-architectuur;
• regel governance voordat AI zelf beslissingen neemt.

Allemaal terecht. Maar in al die publicaties en aanbevelingen valt ons iets op. Vrijwel geen enkele partij begint bij de data.

Een AI-agent handelt op basis van de informatie en instructies die hij krijgt

Juist daarin schuilt een belangrijk risico. Een AI-agent heeft geen eigen toegang tot de werkelijkheid. Hij baseert zijn analyse en acties op de data, instructies, modellen en systemen die hem ter beschikking staan.

Wanneer die informatie volledig, actueel en betrouwbaar is, kan een AI-agent sneller en consistenter werken dan een mens. Maar goede data alleen biedt geen garantie op een juiste uitkomst. Een agent kan informatie verkeerd interpreteren, onjuist redeneren, hallucineren of een verkeerde actie uitvoeren.

Zijn de onderliggende gegevens bovendien onjuist, onvolledig of tegenstrijdig, dan neemt dat risico verder toe. De agent kan dan niet alleen tot een verkeerde conclusie komen, maar die conclusie ook daadwerkelijk omzetten in een handeling.

Een AI-agent bouwt voort op generatieve AI, maar gaat een stap verder. Waar een chatbot vooral informatie genereert of vragen beantwoordt, kan een AI-agent diezelfde informatie gebruiken om zelfstandig systemen aan te sturen, beslissingen voor te bereiden en acties uit te voeren. Juist dat handelingsvermogen vergroot de impact van fouten.

Daarom vraagt verantwoord gebruik van Agentic AI om meer dan alleen betrouwbare data. Ook duidelijke instructies, toegangsbeperkingen, validatie, monitoring, governance en – waar de impact groot is – menselijke tussenkomst zijn essentieel. Niet omdat AI daarmee onfeilbaar wordt, maar omdat organisaties de kans op verkeerde beslissingen en ongewenste acties zo klein mogelijk willen maken.

Want stel dat het misgaat. Twee voorbeelden.

Voorbeeld 1: de schadeclaim

Stel dat een verzekeraar Agentic AI inzet om eenvoudige autoschades volledig automatisch af te handelen. Een klant uploadt via een app foto’s van een beschadigde autoruit. De AI-agent controleert vervolgens de polisvoorwaarden, vergelijkt de schade met eerdere claims, raadpleegt de dekking en bepaalt of de schade voor vergoeding in aanmerking komt. Binnen enkele minuten ontvangt de klant uitsluitsel. Snel, efficiënt en zonder tussenkomst van een medewerker.

Dat klinkt als een ideaal proces. Tot het moment waarop de onderliggende data niet blijkt te kloppen.

In het polisadministratiesysteem staat bijvoorbeeld nog dat de klant alleen WA-verzekerd is, terwijl de dekking enkele maanden eerder is uitgebreid naar Allrisk. Of twee systemen hanteren verschillende ingangsdata van dezelfde polis. De AI-agent weet niet dat die informatie onjuist of tegenstrijdig is. Hij gaat uit van de gegevens die beschikbaar zijn en concludeert dat de schade niet gedekt is. De AI-agent adviseert de claim af te wijzen of zet een afwijzing klaar voor verdere verwerking.

De AI-agent heeft gehandeld op basis van de informatie die beschikbaar was. De oorzaak van het probleem ligt hier in de onjuiste of tegenstrijdige data waarop de beslissing is voorbereid.

Voorbeeld 2: de hypotheekaanvraag

Hetzelfde principe geldt in de financiële dienstverlening. Stel dat een bank Agentic AI inzet om hypotheekaanvragen sneller te beoordelen. De AI-agent verzamelt automatisch salarisgegevens, openstaande leningen, taxatiewaarden en interne acceptatieregels. Vervolgens berekent hij of de aanvraag binnen de geldende normen past en bereidt hij een offerte voor.

Maar wat gebeurt er wanneer één van de gebruikte databronnen verouderde informatie bevat? Denk aan een studieschuld die al maanden geleden volledig is afgelost, maar in één systeem nog steeds als openstaande verplichting staat geregistreerd.

Zonder aanvullende controles of validatie verwerkt de AI-agent de verouderde informatie alsof deze correct is. Daardoor kan de berekende leencapaciteit te laag uitvallen of wordt een afwijzing voorbereid die op onjuiste gegevens is gebaseerd.

Ook hier handelt de AI-agent op basis van de informatie die beschikbaar is. Wanneer die informatie onjuist of verouderd is en controles ontbreken, kan dat leiden tot een onjuiste uitkomst.

Naast betrouwbare data vraagt Agentic AI ook om een veilige inrichting van het platform. Daarover schreven we eerder in ons blog AI-agents veilig inzetten.

Van dashboard naar AI-agent

Veel organisaties herkennen de discussies die ontstaan wanneer dashboards verschillende cijfers laten zien. Finance en Sales blijken een andere definitie van omzet te gebruiken. Rapportages sluiten niet op elkaar aan of medewerkers werken met eigen Excel-bestanden. Dat leidt tot vragen, overleg en soms stevige discussies, maar uiteindelijk is er nog altijd een mens die de cijfers interpreteert en een beslissing neemt.

Met Agentic AI verandert dat fundamenteel. De discussie verschuift van de vergadertafel naar de software. Een AI-agent wacht niet tot iemand een afwijking ontdekt, maar handelt – binnen de grenzen en controles die de organisatie heeft ingericht – op basis van de beschikbare informatie. Een fout cijfer leidt daardoor niet langer tot een verkeerde discussie, maar tot een verkeerde beslissing.

Dat maakt de kwaliteit van data belangrijker dan ooit.

Daarom begint Agentic AI bij Data Intelligence

De aandacht gaat momenteel vooral uit naar de mogelijkheden van AI-modellen, slimme agents en nieuwe toepassingen. Dat is begrijpelijk, want de technologische ontwikkelingen volgen elkaar in hoog tempo op. Toch is de technologie slechts één onderdeel van het geheel.

Een AI-agent kan pas verantwoord functioneren wanneer hij beschikt over betrouwbare informatie én opereert binnen een omgeving met duidelijke governance, toegangscontrole, validatie en monitoring. Betrouwbare data vormt daarbij het fundament, maar niet het volledige bouwwerk.

Daarom zien wij Agentic AI niet als een op zichzelf staand AI-project. Wij zien het als de volgende stap in datagedreven werken. Organisaties die hun data op orde hebben, beschikken over een veel sterkere uitgangspositie om AI veilig en effectief in te zetten.

Organisaties die willen begrijpen wat Data Intelligence precies inhoudt, kunnen daarover meer lezen in een blog van Mirjam van Kooten, oprichter van HippoLine.

Eerst het fundament, daarna de autonomie

Binnen Blinqx worden krachtige sectorgerichte AI-oplossingen ontwikkeld die steeds meer werkzaamheden zelfstandig kunnen uitvoeren. Dat is een ontwikkeling die wij van harte toejuichen. Juist daarom is het belangrijk dat organisaties tegelijkertijd investeren in het fundament onder die toepassingen.

Bij HippoLine noemen we dat fundament Data Intelligence. Dat omvat meer dan technologie alleen. Het gaat om datakwaliteit, integratie van databronnen, eenduidige definities, governance en het vertrouwen dat medewerkers én AI-systemen kunnen hebben in de informatie waarmee zij werken. Dat zijn precies de bouwstenen waarop ook een modern dataplatform als Snowflake is ingericht.

Pas wanneer die basis op orde is én organisaties de juiste controles rondom AI hebben ingericht, kan Agentic AI de waarde leveren die nu zo vaak wordt beloofd.

Conclusie

Agentic AI gaat organisaties zonder twijfel veranderen. Niet omdat AI slimmer wordt dan mensen, maar omdat AI steeds vaker zelfstandig handelingen uitvoert die voorheen door medewerkers werden gedaan.

Juist daarom verschuift de aandacht van het algoritme naar de informatie waarop dat algoritme vertrouwt. Betrouwbare data is daarvoor een noodzakelijke voorwaarde, maar altijd in combinatie met governance, validatie en passende controles.

Dat is precies waarom wij geloven dat Agentic AI niet begint bij AI, maar bij betrouwbare data. 

Klaar voor Agentic AI?

Veel organisaties investeren in AI. Maar is de basis op orde? Mocht je daarover willen sparren, dan doen we dat graag. Maak een afspraak met Ronald van der Does of Mirjam van Kooten. Zij helpen je graag verder. 

Twijfel je of jouw organisatie klaar is voor Agentic AI? Doe dan de QuickScan Datavolwassenheid. Binnen enkele minuten krijg je inzicht in de volwassenheid van je dataorganisatie en ontdek je welke verbeteringen de meeste impact hebben.

Veelgestelde vragen over Agentic-AI