Een AI-agent kan informatie verzamelen, bepalen welke vervolgstappen nodig zijn en acties uitvoeren in gekoppelde systemen. Daarmee kan hij bijvoorbeeld een verzoek onderzoeken en een vervolgactie klaarzetten. Welke gegevens de agent mag gebruiken en wanneer een medewerker controleert, leg je vooraf vast.

Dat biedt mogelijkheden om het werk slimmer te organiseren. Minder informatie overzetten, minder handmatig doorsturen en meer ruimte voor werk dat aandacht vraagt. Maar waar kan een AI-agent jouw organisatie helpen? En hoe begin je?

Een AI-agent is software die AI gebruikt om een bepaald doel te bereiken. De agent verwerkt informatie, bepaalt welke stappen nodig zijn en kan daarvoor beschikbare hulpmiddelen en gekoppelde systemen gebruiken.

Het verschil met een losse AI-opdracht zit in het vervolg. Laat je AI een e-mail schrijven? Dan krijg je een tekst die je zelf verder verwerkt. Een AI-agent kan daarnaast relevante informatie ophalen, bepalen of er nog iets ontbreekt en een vervolgactie voorbereiden of uitvoeren.

Niet iedere toepassing die AI gebruikt, is daarmee een AI-agent. Bij een vaste workflow liggen de stappen vooraf vast. Een agent kan binnen afgesproken grenzen bepalen welke vervolgstap nodig is.

Je gaat dus van AI die met je meedenkt naar AI die ook met je meewerkt.

Welke handelingen zelfstandig mogen verlopen, bepaal jebij de inrichting. Sommige taken kunnen automatisch verlopen. Bij andere stappen blijft een akkoord van een medewerker nodig.

AI-agents kunnen ondersteunen bij werk waarbij informatie verzamelen, beoordelen en opvolgen samenkomen. Denk aan het onderzoeken van een administratieve vraag of het voorbereiden van een aanvraag.

De voorbeelden hieronder laten zien hoe dat eruit kan zien. Wat binnen jouw organisatie mogelijk is, hangt af van de beschikbare informatie, koppelingen en toegangsrechten.

Een mogelijke toepassing is het voorbereiden van binnengekomen facturen. De agent haalt relevante gegevens uit de factuur en zoekt aanvullende informatie op in de gekoppelde administratie. Op basis van wat hij aantreft, bepaalt hij of er genoeg informatie is voor de volgende stap of dat een medewerker moet meekijken.

Ontbreekt bijvoorbeeld een verwijzing naar een bestelling? Dan kan de agent een verzoek om aanvullende informatie voorbereiden, in plaats van de factuur zonder meer door te zetten.

Leg vooraf vast welke gegevens de agent mag verwerken en wanneer goedkeuring nodig is. Het voorbereiden van een factuur is immers iets anders dan het goedkeuren van een betaling.

Het doel: financiële medewerkers minder tijd laten besteden aan uitzoekwerk, zodat er meer ruimte overblijft voor het beoordelen van cijfers, het onderzoeken van verschillen en het adviseren van de organisatie.

Ook binnen HR kun je kijken naar vragen waarbij medewerkers informatie uit verschillende bronnen nodig hebben.

Denk aan het beantwoorden van veelgestelde vragen over interne procedures, het voorbereiden van documenten of het verzamelen van informatie voor een personeelsrapportage.

AI kan bovendien ondersteunen bij het schrijven van vacatureteksten of het voorbereiden van communicatie naar medewerkers.

Zo blijft er meer ruimte over voor de gesprekken en persoonlijke aandacht waar HR juist het verschil maakt.

Een concreet productvoorbeeld is U-Agent van KWEEKERS. U-Agent kan informatie opzoeken in gekoppelde bronnen, maar ook taken uitvoeren. Bij een melding over een leeg zeeppompje kan U-Agent bijvoorbeeld een verbeteractie in AFAS aanmaken, de juiste persoon koppelen en de melder op de hoogte houden zodra het is opgelost.

Daarmee wordt het verschil tastbaar: niet alleen vertellen waar iemand een melding kan doen, maar ook de vervolgactie in gang zetten. Welke acties je beschikbaar maakt, stem je af op jouw processen en de verantwoordelijkheden van medewerkers.

Een AI-agent kan via koppelingen informatie ophalen uit bestaande systemen en daar toegestane acties uitvoeren. Daarvoor worden bijvoorbeeld API-koppelingen gebruikt: verbindingen waarmee systemen gegevens uitwisselen.

Werk je bijvoorbeeld met AFAS, Outlook of Microsoft Teams? Dan zijn er mogelijkheden om informatie tussen systemen te laten uitwisselen en bepaalde stappen te ondersteunen.

Daarvoor worden vaak API-koppelingen gebruikt. Dat klinkt ingewikkeld, maar zie het als een verbinding waardoor twee programma’s veilig en goed met elkaar kunnen communiceren.

Een voorbeeld: een administratief proces begint met informatie uit een e-mail. Die informatie moet vervolgens in het juiste systeem terechtkomen. Met een passende koppeling kan AI helpen om gegevens te herkennen en de vervolgstap voor te bereiden.

Je hoeft informatie dan niet steeds zelf van het ene programma naar het andere over te zetten.

Bij KWEEKERS gebruiken we onder andere U-Turn Studio om systemen en processen  met elkaar te verbinden. daarmee  kunnen organisaties koppelingen inrichting  tussen applicaties zoals AFAS en andere bedrijfssoftware

Een koppeling alleen bepaalt nog niet hoe de agent met informatie mag omgaan. Controleer daarom welke gegevens en handelingen de systemen beschikbaar stellen en richt de toegang daarop in.

De mogelijkheden hangen natuurlijk af van de systemen die je gebruikt en de gegevens die beschikbaar zijn. Daarom begint een goede koppeling met begrijpen hoe jouw processen nu verlopen.

Je hoort waarschijnlijk allerlei termen voorbijkomen: machine learning, deep learning, NLP en computer vision. Maar wat betekenen ze eigenlijk?

Het zijn verschillende technieken en toepassingsgebieden binnen AI. Ze kunnen elkaar aanvullen en samen onderdeel zijn van een AI-oplossing.

Bij machine learning leert software patronen uit voorbeelden en gegevens te herkennen. Denk aan het indelen van documenten of het signaleren van afwijkingen in cijfers.

Deep learning is een onderdeel van machine learning. Deze techniek wordt onder andere gebruikt bij spraakherkenning en het verwerken van complexe beelden en teksten.

NLP helpt software om menselijke taal te verwerken. Bijvoorbeeld om een e-mail te analyseren, informatie uit een tekst te halen of een antwoord te formuleren.

Computer vision richt zich op het herkennen en verwerken van beeldinformatie. Denk aan het lezen van een gescand formulier of het herkennen van onderdelen op een afbeelding.

Een AI-agent kan meerdere van deze technieken combineren. Je hoeft ze niet allemaal te beheersen om AI te gebruiken. Het belangrijkste is dat je weet welke mogelijkheden passen bij het werk dat je wilt verbeteren.

Begin met één afgebakend proces waarvan je de huidige werkwijze en het gewenste resultaat kent. Bepaal welke informatie nodig is, welke handelingen de agent mag uitvoeren en hoe medewerkers de uitkomsten beoordelen.

Vraag eens aan collega’s welke taken iedere week onnodig veel tijd kosten.

Misschien worden dezelfde gegevens steeds opnieuw ingevoerd. Misschien kost het verwerken van documenten veel tijd. Of worden vragen nog handmatig van afdeling naar afdeling gestuurd.

Dat zijn interessante plekken om verder te kijken. Onderzoek vervolgens of je een AI-agent nodig hebt, of dat een eenvoudigere aanpassing al voldoende helpt.

Probeer niet meteen alles te automatiseren.

Kies een taak waarvan je duidelijk kunt zien of het beter gaat. Bijvoorbeeld het voorbereiden van factuurgegevens of het omzetten van gesproken notities naar tekst.

Baken ook af wat de oplossing níét mag doen. Mag de agent alleen een voorstel klaarzetten, of ook gegevens wijzigen? Zo maak je duidelijk waar de ondersteuning stopt en de verantwoordelijkheid van een medewerker begint.

De beste ideeën komen vaak van medewerkers die het werk iedere dag doen.

Zij weten welke stappen tijd kosten, waar uitzonderingen ontstaan en welke informatie belangrijk is.

Laat hen daarom meedenken over de inrichting en testen of de oplossing daadwerkelijk helpt.

Bepaal vooraf wat je wilt verbeteren en wanneer de uitkomsten goed genoeg zijn om verder te gaan.

Test niet alleen situaties waarin alles compleet en duidelijk is. Kijk ook wat er gebeurt bij ontbrekende informatie, tegenstrijdige gegevens of een verzoek dat buiten de afgesproken taak valt.

Spreek af wanneer een medewerker het overneemt. Werkt de oplossing zoals bedoeld en zijn de resultaten bruikbaar? Dan kun je vanuit die ervaring verder bouwen.

AI-agents bieden kansen, maar vragen ook om duidelijke afspraken. Zeker als ze toegang krijgen tot bedrijfsinformatie of acties mogen uitvoeren in bestaande systemen.

Drie punten zijn daarbij belangrijk.

AI heeft betrouwbare informatie nodig om bruikbare resultaten te leveren. Zorg daarom dat duidelijk is waar gegevens vandaan komen en of ze actueel zijn.

Bepaal welke informatie een AI-agent mag gebruiken en welke handelingen zijn toegestaan. Vooral bij personeelsgegevens, financiële informatie en cliëntgegevens is dat belangrijk.

Spreek af welke taken automatisch mogen verlopen en bij welke stappen een medewerker meekijkt. Zo blijft de verantwoordelijkheid op de juiste plek.

Dat betekent niet dat AI ingewikkeld hoeft te worden. Met duidelijke afspraken ontstaat juist de ruimte om nieuwe mogelijkheden te ontdekken.

Een geslaagde AI-toepassing herken je niet aan de techniek, maar aan wat er in het dagelijkse werk verandert.

Vergelijk daarom de situatie vóór en na de invoering. Een paar vragen helpen daarbij:

• Zijn medewerkers minder tijd kwijt aan terugkerende handelingen?
• Wordt informatie sneller of overzichtelijker verwerkt?
• Hoe vaak moeten medewerkers resultaten corrigeren?
• Ervaren collega’s de nieuwe werkwijze als prettig?
• Levert de oplossing voldoende op tegenover de kosten?

Kijk daarbij verder dan alleen tijdwinst. Soms zit de grootste waarde in meer overzicht, prettigere werkprocessen of extra ruimte voor persoonlijk contact.

Want uiteindelijk is dat waar slimmer werken om draait.