McKinsey over agentic AI: Waarom bedrijven nu moeten veranderen

dinsdag, 17 juni 2025 om 6:29

mckinsey over agentic ai waarom bedrijven nu moeten herontwerpen

In 2025 gebruikt bijna 80% van de bedrijven generatieve AI (gen AI), maar net zo veel bedrijven zien nog geen significante impact op hun winst. Dit wordt de "gen AI-paradox" genoemd: enorme adoptie zonder tastbaar rendement.

Volgens McKinsey ligt de oplossing in een volgende stap: de inzet van AI-agenten. Dit zijn proactieve systemen die autonoom doelen nastreven en complexe processen kunnen aansturen, ver voorbij de rol van een simpele chatbot.

Waarom AI-agenten anders zijn dan chatbots

Waar traditionele gen AI-tools zoals copilots vooral informatie samenvatten of content genereren op verzoek, kunnen agenten zelfstandig plannen, beslissingen nemen en acties uitvoeren. Denk aan een AI-agent die niet alleen een rapport schrijft, maar ook zelf de juiste data verzamelt, stakeholders raadpleegt en opvolging initieert. Agenten beschikken over:

Geheugen (om context te behouden)
Planningsvermogen (om taken op te splitsen en te volgen)
Orkestratie (samenwerking tussen meerdere systemen)
Integratiekracht (met bestaande software en workflows)

De belofte: Meer dan efficiëntie

AI-agenten zijn niet slechts sneller. Ze veranderen hoe organisaties werken:

Snellere uitvoering: Geen handmatige overdrachten meer
Adaptiviteit: Agents passen zich aan real-time data aan
Personalisatie: Elke klant of proces krijgt een op maat gemaakte benadering
Schaalbaarheid: Agents werken 24/7 en passen zich aan aan de werklast
Weerbaarheid: Agents herkennen verstoringen en handelen zelfstandig

Voorbeeld: Een AI-agent in een supply chain kan zelfstandig voorraad beheren, risico’s detecteren (zoals weersverstoringen) en proactief herplannen zonder menselijke tussenkomst.

Waarom veel bedrijven nu nog falen: zes barrières

Fragmentatie: Te veel kleine losse AI-initiatieven zonder centrale regie.
Gebrek aan oplossingen: Verticale toepassingen vereisen maatwerk dat moeilijk schaalbaar is.
Beperkingen van eerste-generatie LLMs: Ze zijn passief, foutgevoelig, en missen geheugen.
Silo’s binnen teams: AI-teams zijn vaak losgekoppeld van IT en business.
Slechte datakwaliteit: Vooral ongestructureerde data blijft ongebruikt.
Culturele weerstand: Vrees voor baanverlies en gebrek aan vertrouwen remt adoptie.

Van paradox naar potentie: herontwerp nodig

Om het potentieel van agenten te benutten moeten organisaties processen opnieuw ontwerpen, met agents als uitgangspunt.

Drie niveaus:

Niveau 1: Agent ondersteunt bestaande workflow stap voor stap
Niveau 2: Agenten automatiseren meerdere taken binnen dezelfde flow
Niveau 3: Processen worden volledig herbouwd met agents als coördinator en beslisser

Voorbeeld: In een callcenter kunnen agenten niet alleen tickets verwerken, maar ook zelf verstoringen detecteren, klanten proactief informeren en oplossingen uitvoeren.

De technische revolutie: het agentic AI mesh

Om tientallen of honderden agents te coördineren is een nieuwe infrastructuur nodig:

Het agentic AI mesh bestaat uit:

Composability: Plug & play van LLMs en tools
Distributed intelligence: Taken worden door meerdere agents gecoördineerd
Vendor neutrality: Vermijd vendor lock-in en blijf flexibel
Governed autonomy: Agents opereren binnen duidelijke kaders en controle

De menselijke uitdaging: vertrouwen, controle en schaalbaarheid

De grootste uitdagingen zijn niet technisch, maar menselijk:

Samenwerking tussen mens en agent: Wie neemt wanneer de leiding?
Controle over autonomie: Hoe voorkom je fouten of ongewenste beslissingen?
Voorkom agent-sprawl: Vermijd wildgroei aan agents zonder toezicht of doel

Van experiment naar schaal: De CEO als regisseur

Het opschalen van agentic AI vraagt om leiderschap op het hoogste niveau. McKinsey definieert vier transformatiedomeinen:

Strategie: Van losse initiatieven naar strategische AI-programma’s
Eenheid van transformatie: Van use cases naar volledige businessprocessen
Delivery model: Van aparte AI-teams naar multidisciplinaire squads
Implementatieproces: Van experiment naar schaalbare uitvoering

Cruciale ondersteuners:

Mens: Upskill personeel, creëer nieuwe rollen zoals "agent orchestrator"
Governance: Stel duidelijke kaders in voor autonomie en toezicht
Architectuur: Bouw een infrastructuur rond het agentic AI mesh
Data: Maak data productgericht en verbeter ongestructureerde data

Conclusie

AI-agenten vormen de volgende golf in AI-transformatie. Bedrijven die ze omarmen en processen herontwerpen, zullen productiever, veerkrachtiger en winstgevender worden. Maar dit vereist moed, visie en leiderschap.