Niet elk probleem is de perfecte AI use case, dat is de wereld inmiddels wel duidelijk geworden. Maar sommige zijn bij uitstek juist geschikt. Wanneer kies je voor een AI-agent, en wanneer niet? Dit zijn de uitgelezen kansen:

• Wanneer mensen “andere beslissingen nemen bij dezelfde input”, is dat een signaal dat de taak context afhankelijk is; iets waar agents goed in zijn. Denk aan  customer service vragen.
• Als er zo veel afwegingen zijn dat het voor een mens moeilijk wordt om (tijdig) te beslissen, denk aan complexe afwegingen bij productie- of transportplanning.
• Als je informatie uit emails en documenten moet halen om systemen aan te sturen of workflows te starten, denk aan het invullen van een formulier in het ERP.

In zulke gevallen werkt AI vaak beter dan traditionele automatisering. In andere gevallen werkt juist de traditionele ‘als-dan’-logica beter.

Maar: niet elke situatie vraagt om dezelfde aanpak. Silicon Valley startup ‘WorkOS’ beschrijft 5 bewezen methodes op basis van echte klantimplementaties van Anthropic en OpenAI:

1. Prompt chaining

Gebruik wanneer een taak logisch in opeenvolgende stappen is op te splitsen. Bijvoorbeeld bij orderverwerking: eerst checkt een agent of alle data klopt (adres, leverdatum, orderlines). Vervolgens stelt hij automatisch een transportorder op. Na eventuele controle wordt de order doorgezet naar planning.

2. Routing

Gebruik dit wanneer een verzoek eerst door een model moet worden geïnterpreteerd voordat je weet welke vervolgactie nodig is. Denk aan een klantenservice agent die automatisch categoriseert of het gaat om een wijziging in laad- of loslocatie, een vraag over ETA of een melding van vertraging. Elke categorie verloopt via een andere route: ETA-vragen naar een automatisch antwoord, vertragingen naar een medewerker, en locatiewijziging naar het planningsysteem.

3. Paralleliseren

Gebruik als je snelheid of betrouwbaarheid nodig hebt, door meerdere modellen tegelijk aan het werk te zetten. Bijvoorbeeld een kwaliteitscontrole waarbij drie modellen onafhankelijk hetzelfde document scannen op fouten of risico’s. Niet elke aanroep van de agent zal precies dezelfde fouten herkennen, dus als minstens één van de agents een probleem signaleert, wordt het doorgestuurd voor verdere controle.

4. Orchestrator-workers

Gebruik dit wanneer een taak te veel bewegende delen heeft om vooraf te weten welke stappen nodig zijn. Denk aan een onverwachte vertraging in transport: de agent detecteert dat een vracht 4 uur later aankomt, en bepaalt vervolgens situatie-afhankelijk wat er moet gebeuren. Afhankelijk van het type goederen, contractafspraken, beschikbare chauffeurs, venstertijden en SLA’s kan de agent bijvoorbeeld:

• een nieuwe route voorstellen,
• herbevoorrading in een ander magazijn triggeren,
• klanten informeren,
• of escaleren naar een planner.

Welke subtaken nodig zijn ontstaat on the fly, niet in vooraf vastgelegde regels.

5. Evaluator-optimizer

Gebruik waar kwaliteit cruciaal is en meerdere rondes verbetering mogelijk zijn. Bijvoorbeeld bij offertes: de “schrijver-agent” stelt op basis van klantdata een conceptofferte op. Een “controle-agent” controleert die op prijs, voorwaarden en taalgebruik, en stuurt deze feedback terug naar de “schrijver-agent”. Deze past de feedback toe, en geeft het weer door aan de “controle-agent”. Waar nodig volgt een derde iteratie. Alleen als de “evaluatie-agent” het goedkeurt, gaat het voorstel naar de gebruiker.

Conclusie

AI agents zijn geen magische oplossing voor al je problemen. Ze zijn goed toepasbaar, maar je moet weten waar en ook vooral hoe. In het originele artikel wordt ook uitgebreid ingegaan op methodes om het niveau van verzinselen en compliancerisico’s tot een minimum te beperken. Aanrader om daar verder te lezen als je meer diepgang zoekt.