Een klant heeft drie weken geleden een kredietaanvraag ingediend. De identiteitsgegevens zijn gecontroleerd, de inkomensdocumenten zijn ontvangen en finance wacht nog op één ontbrekend attest. Niemand heeft de klant eraan herinnerd. De aanvraag staat stil. Een AI-agent die een document kan samenvatten of een e-mail kan schrijven, lost dat probleem niet op. Daarvoor moet een systeem weten dat het dossier nog openstaat, welke informatie ontbreekt, wie verantwoordelijk is en wanneer het opnieuw actie moet ondernemen.
Precies daar ligt de volgende stap in de ontwikkeling van AI-agents: systemen die een proces dagen, weken of maanden blijven opvolgen, zonder dat een medewerker telkens opnieuw een opdracht moet geven. Ze worden vaak ‘long-running agents’ genoemd. Hun waarde zit minder in de snelheid waarmee ze één taak afwerken dan in hun vermogen om te voorkomen dat een volledig proces onderweg vastloopt.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
Een dossier stopt niet wanneer een taak klaar is
De meeste AI-assistenten werken vandaag op verzoek. Iemand stelt een vraag, geeft een opdracht of levert een document aan. De AI voert het werk uit en wacht daarna op de volgende instructie. Bedrijfsprocessen verlopen anders.
Een verzekeringsclaim kan weken aanslepen omdat documenten ontbreken, een schade-expert nog moet antwoorden of een medewerker een beslissing moet goedkeuren. Een hypotheekaanvraag passeert verschillende afdelingen, elk met eigen controles en deadlines. In een verkooptraject kunnen tussen het eerste gesprek en de ondertekening maanden zitten. Het probleem ontstaat vaak tussen die stappen.
Sales denkt dat administratie het dossier heeft overgenomen. Administratie wacht op finance. Finance heeft aanvullende informatie nodig, maar niemand heeft de klant gecontacteerd. Wanneer het dossier opnieuw opduikt, moet iemand eerst reconstrueren wat er de afgelopen weken is gebeurd.
Een langlopende agent zou die geschiedenis kunnen bijhouden en het dossier blijven bewaken.
Ontbreekt er een document, dan vraagt hij het op. Komt er een antwoord binnen, dan verwerkt hij de nieuwe informatie. Nadert een deadline, dan verwittigt hij de verantwoordelijke medewerker. Loopt een aanvraag vast, dan maakt hij zichtbaar waar het probleem zit.
Dat klinkt misschien als gewone workflowautomatisering. Het verschil zit in de manier waarop het systeem met onverwachte situaties omgaat. Een klassieke workflow volgt vooraf ingestelde stappen. Een AI-agent kan ook ongestructureerde informatie interpreteren en, binnen afgesproken grenzen, bepalen welke vervolgstap passend is.
Althans, dat is de belofte. Of zo’n agent betrouwbaar genoeg werkt om langdurig dossiers te beheren, moet per toepassing blijken.
Het geheugen wordt belangrijker dan het antwoord
Een chatbot kan een uitstekend antwoord geven en vijf minuten later toch onbruikbaar zijn voor hetzelfde dossier, simpelweg omdat de noodzakelijke context ontbreekt.
Voor een agent die maandenlang betrokken blijft, is dat geen klein ongemak. Het is een fundamenteel probleem.
Stel dat een klant tijdens een kredietaanvraag al tweemaal een loonfiche heeft doorgestuurd. De eerste versie was onleesbaar, de tweede werd goedgekeurd. Als de agent dat onderscheid niet bewaart, bestaat het risico dat hij opnieuw om hetzelfde document vraagt.
De klant ziet geen technisch geheugenprobleem. Die ziet een organisatie die haar administratie niet op orde heeft.
Daarom hebben langlopende agents een betrouwbaar dossiergeheugen nodig. Niet zomaar een verzameling eerdere gesprekken, maar een overzicht van ontvangen documenten, gemaakte afspraken, genomen beslissingen, openstaande acties en verantwoordelijke medewerkers.
Ook mislukte acties horen daarin thuis. Als een herinnering niet werd afgeleverd of een koppeling met een extern systeem faalde, moet de agent dat kunnen vaststellen. Anders lijkt het alsof het werk is uitgevoerd terwijl er in werkelijkheid niets is gebeurd.
Dat geheugen moet bovendien controleerbaar blijven. Een fout die vandaag in het dossier terechtkomt, mag niet wekenlang als vaststaand feit worden meegedragen.
Eén dossier, verschillende AI-specialisten
Een agent die het volledige proces bewaakt, hoeft niet iedere taak zelf uit te voeren.
Bij een verzekeringsclaim kan een gespecialiseerde documentagent polisvoorwaarden en bewijsstukken analyseren. Een andere agent kan ontbrekende informatie identificeren. Een communicatieagent stelt een bericht aan de klant op, terwijl een planningsagent deadlines en openstaande acties opvolgt.
De hoofdagent brengt die resultaten samen en bepaalt wat er daarna moet gebeuren.
Dat lijkt op de manier waarop een menselijke dossierbeheerder samenwerkt met collega’s uit verschillende afdelingen. Alleen worden bepaalde deeltaken nu door gespecialiseerde AI-systemen uitgevoerd.
De vergelijking heeft wel een grens. Wanneer twee agents elkaar tegenspreken, moet duidelijk zijn welk resultaat betrouwbaar is. Wanneer een documentagent een clausule verkeerd interpreteert, mag die fout niet ongemerkt doorwerken in een klantbericht of een financiële beslissing.
Meer agents inschakelen maakt een proces dus niet automatisch beter. Het creëert ook extra overdrachten, afhankelijkheden en mogelijke fouten.
De hoofdagent moet daarom meer doen dan werk verdelen. Hij moet resultaten controleren, tegenstrijdigheden herkennen en weten wanneer een mens moet ingrijpen.
De interessantste opbrengst is misschien een dossier dat niet verloren gaat
Veel bedrijven beoordelen AI nog altijd op bespaarde werkuren. Een medewerker besteedt dagelijks twee uur aan administratieve opvolging. Een automatisering neemt daarvan anderhalf uur over. De besparing is eenvoudig te berekenen en relatief gemakkelijk te presenteren in een businesscase. Maar die berekening mist een deel van de mogelijke waarde.
Neem een verkoopteam dat tientallen lopende offertes beheert. Sommige klanten reageren onmiddellijk, andere pas na enkele weken. Een verkoper vergeet een opvolgmail, een contactpersoon verandert van functie of een offerte blijft liggen omdat niemand de volgende stap heeft vastgelegd.
Een agent die zulke dossiers blijft volgen, kan helpen voorkomen dat commerciële kansen verdwijnen door gebrekkige opvolging.
Hetzelfde geldt voor klantonboarding. Een nieuwe klant die vastloopt bij het aanleveren van documenten, heeft weinig aan een organisatie die haar administratie sneller verwerkt zodra alles compleet is. Die klant heeft vooral iemand nodig die tijdig merkt dat er iets ontbreekt.
Daar verschuift de economische vraag.
Hoeveel dossiers zouden zonder opvolging blijven liggen? Hoeveel aanvragen kunnen sneller worden afgerond? Hoeveel klanten haken af omdat een proces onnodig lang duurt? Dat zijn andere vragen dan hoeveel minuten een medewerker bespaart.
Een agent die een administratieve handeling versnelt, levert efficiëntiewinst op. Een agent die helpt voorkomen dat een waardevolle klant afhaakt, kan rechtstreeks bijdragen aan omzetbehoud of conversie.
Of dat werkelijk gebeurt, moet wel worden gemeten. Een hogere afrondingsgraad kan ook het gevolg zijn van betere medewerkers, eenvoudiger procedures of veranderende marktomstandigheden. De aanwezigheid van een AI-agent bewijst op zichzelf niets.
Als AI meewerkt aan het resultaat, verandert ook de prijs
Die verschuiving kan gevolgen hebben voor het verdienmodel van AI-leveranciers. Vandaag betalen organisaties doorgaans voor softwaretoegang, gebruikerslicenties of verbruik. De leverancier levert technologie; de klant draagt de verantwoordelijkheid voor wat die technologie oplevert.
Bij langlopende agents wordt een andere afspraak denkbaar. Een verzekeraar zou kunnen betalen per correct afgehandeld dossier. Een verkooporganisatie per gekwalificeerde lead. Een bedrijf dat klanten onboardt, per succesvol afgerond traject.
De leverancier verkoopt dan minder een softwarefunctie en meer een afgebakend resultaat. Daar zit een aantrekkelijk idee achter, maar ook een lastige vraag: van wie is dat resultaat eigenlijk?
Stel dat een verkoopagent gedurende zes weken contactmomenten opvolgt, informatie verzamelt en afspraken voorbereidt. Uiteindelijk sluit een menselijke verkoper de deal. Heeft de AI de verkoop gerealiseerd, of heeft hij vooral geholpen bij een proces dat ook zonder hem succesvol had kunnen zijn?
Dat onderscheid bepaalt hoeveel een organisatie redelijkerwijs voor de agent wil betalen.
Bij financiële of administratieve dossiers wordt het nog ingewikkelder. Een snel afgehandelde claim is niet noodzakelijk een correct afgehandelde claim. Een leverancier belonen voor snelheid kan ongewenste prikkels creëren als nauwkeurigheid en klantbelang onvoldoende meetellen.
Resultaatgerichte prijsmodellen vereisen daarom heldere definities, controleerbare metingen en afspraken over fouten, uitzonderingen en gedeelde verantwoordelijkheid.
Een agent die maandenlang werkt, kan ook maandenlang fouten maken
De grootste beperking van langlopende agents zit mogelijk niet in wat ze kunnen uitvoeren, maar in wat er gebeurt wanneer ze het verkeerd doen.
Een chatbot die een onjuist antwoord geeft, veroorzaakt een fout op één moment. Een agent die op basis van verkeerde informatie zelfstandig blijft handelen, kan die fout door een volledig proces verspreiden.
Denk aan een agent die een document ten onrechte als goedgekeurd registreert. Vervolgens stuurt hij een bevestiging naar de klant, past hij de dossierstatus aan en vraagt hij een andere agent om de volgende stap te starten. Eén verkeerde interpretatie heeft dan meerdere gevolgen.
Daarom volstaat het niet om bij de start te bepalen welke opdrachten een agent mag uitvoeren. Zijn bevoegdheden moeten tijdens het volledige traject bewaakt worden.
Een herinneringsmail versturen is iets anders dan een contract wijzigen. Een ontbrekend document signaleren is iets anders dan een krediet goedkeuren. En informatie verzamelen voor een verzekeringsclaim is iets anders dan beslissen of de klant recht heeft op een uitbetaling. Die grenzen moeten expliciet zijn.
Ook moet een medewerker kunnen reconstrueren waarom de agent een bepaalde actie uitvoerde, welke informatie hij gebruikte en welke andere systemen daarbij betrokken waren. Als het proces verkeerd loopt, moet het onmiddellijk kunnen worden stilgelegd.
Dat maakt menselijke controle geen tijdelijke tussenoplossing totdat AI slimmer wordt. Zeker bij processen met juridische, financiële of persoonlijke gevolgen blijft menselijke verantwoordelijkheid een wezenlijk onderdeel van het ontwerp.
Niet ieder proces heeft een langlopende agent nodig
Er bestaat een risico dat organisaties een nieuw type AI inzetten voor problemen die met bestaande software eenvoudiger op te lossen zijn.
Een vaste betalingsherinnering na veertien dagen vereist geen agent die zelfstandig redeneert. Een standaardgoedkeuring met drie vooraf bekende stappen kan prima via klassieke workflowsoftware verlopen.
Langlopende agents worden vooral interessant wanneer een proces veel uitzonderingen bevat, informatie uit verschillende bronnen moet combineren en geregeld menselijke tussenkomst vereist.
Zelfs dan is autonomie niet altijd de beste keuze. Soms volstaat een systeem dat openstaande dossiers bewaakt en medewerkers precies vertelt waar actie nodig is.
Dat is minder spectaculair dan een volledig zelfstandig digitaal team. Het kan in de praktijk wel betrouwbaarder en goedkoper zijn.
De uitdaging voor bedrijven wordt dus om te bepalen welke onderdelen van een proces vaste regels kunnen volgen, waar AI werkelijk iets toevoegt en welke beslissingen bij mensen moeten blijven.
De waardevolste AI-agent is straks misschien niet degene die de meeste taken zelfstandig uitvoert. Het is degene die ervoor zorgt dat een dossier niet stilvalt, zonder dat de organisatie de controle over de uitkomst verliest.