Google toont hoe organisaties van AI-experimenten naar een organisatie met autonome AI-agents kunnen evolueren
Vrijwel iedere grote organisatie experimenteert vandaag met artificiële intelligentie. Medewerkers gebruiken copilots, afdelingen bouwen chatbots en IT-teams testen de eerste AI-agents. De demonstraties zijn vaak indrukwekkend. Toch blijkt de volgende stap veel moeilijker: hoe verander je tientallen losse experimenten in een betrouwbare AI-infrastructuur die op grote schaal binnen een organisatie kan functioneren? Precies daar probeert Google Cloud met zijn 66 pagina’s tellende Agentic AI Transformation Framework een antwoord op te geven. Het document is op het eerste gezicht een methodologie voor het ontwikkelen van agentic AI, maar wie verder kijkt, ontdekt iets veel ambitieuzers. Google beschrijft eigenlijk een nieuw operating model voor organisaties waarin mensen en gespecialiseerde AI-agents steeds nauwer samenwerken.
Voor de voorbereidingen van de inhoud en creatie van de visuals wordt (uiteraard) gebruikgemaakt van generatieve AI.
De centrale gedachte is dat AI evolueert van technologie die informatie genereert naar technologie die zelfstandig handelt. Google spreekt zelfs over de ”Autonomous Enterprise”: een organisatie waarin gespecialiseerde agents bijvoorbeeld met leveranciers onderhandelen, fraude proberen te voorkomen of logistieke processen aanpassen, terwijl menselijke medewerkers zich meer richten op strategie, creativiteit, relaties en uitzonderingssituaties.
Dat toekomstbeeld vraagt volgens Google om veel meer dan betere modellen. Het vraagt een fundamenteel andere manier om processen, technologie, governance en verantwoordelijkheden te organiseren.
Het echte probleem begint na de succesvolle pilot
Google vertrekt vanuit een probleem dat inmiddels bij veel organisaties herkenbaar is. Een succesvolle AI-pilot bouwen is relatief eenvoudig geworden. De technologie is beschikbaar, modellen zijn krachtig en prototypes kunnen in dagen of weken worden ontwikkeld.
Maar een succesvolle demonstratie is nog geen enterprise-oplossing. Wanneer verschillende afdelingen onafhankelijk beginnen te experimenteren, ontstaan volgens Google al snel geïsoleerde AI-systemen, inconsistente governance, technische schuld en een verzameling krachtige maar onvoldoende beheerde tools. Daar komen vervolgens vragen over beveiliging, kosten en operationele complexiteit bovenop.
Dat is een belangrijk onderscheid. De eerste fase van generatieve AI draaide vooral om ‘mogelijkheden ontdekken’. De volgende fase draait om ‘mogelijkheden organiseren’.
En precies daarvoor is een ander soort architectuur nodig.
Van AI die antwoordt naar AI die handelt
Een klassieke generatieve AI-toepassing wacht doorgaans op een vraag. Een medewerker geeft een prompt, het model genereert een antwoord en de medewerker beslist wat daarmee gebeurt.
Agentic AI verschuift een deel van die verantwoordelijkheid. Een agent kan een doel ontvangen, informatie verzamelen, redeneren over mogelijke stappen, tools gebruiken, andere agents inschakelen en vervolgens acties uitvoeren. In een multi-agentsysteem kunnen verschillende gespecialiseerde agents bovendien samenwerken.
Daarmee verandert ook het risicoprofiel. Een chatbot die een verkeerd antwoord geeft, veroorzaakt mogelijk verwarring. Een agent die zelfstandig toegang heeft tot een CRM-systeem, documenten, financiële gegevens of externe software kan met een fout antwoord ook een verkeerde ‘actie’ uitvoeren.
De stap van “AI die spreekt” naar “AI die handelt” maakt governance daarom veel belangrijker.
Google behandelt kwaliteit en alignment dan ook niet als een laatste controle voor ingebruikname, maar als een voortdurende cyclus. Agents moeten continu worden geaudit, automatisch geëvalueerd, gemonitord en waar nodig gecontroleerd door mensen. Human-in-the-Loop-verificatie is expliciet onderdeel van het model.
Google beschrijft eigenlijk een nieuw operating model
Dat is misschien het interessantste inzicht uit de volledige blauwdruk. Google beschrijft niet alleen hoe je agents bouwt. Het document beschrijft hoe een organisatie moet functioneren wanneer agents een structureel onderdeel worden van bedrijfsprocessen.
Het framework bestaat grofweg uit drie samenhangende niveaus.
Bovenaan staat strategie, ecosystemen en waardecreatie. Daar wordt bepaald waarom de organisatie agentic AI gebruikt, welke bedrijfsresultaten worden nagestreefd en welke initiatieven prioriteit krijgen.
Daaronder bevindt zich de Agentic AI Development Lifecycle. Die loopt van het herdenken van processen en het identificeren van use cases tot prototyping, het bouwen van single- en multi-agentsystemen en continue kwaliteitsbewaking.
Onder die volledige levenscyclus liggen de Horizontal & Foundational Capabilities: architectuur, data, security, risicobeheer, governance, operations, platformen en AgentOps.
Die structuur is belangrijk. Google zegt daarmee impliciet dat een organisatie niet simpelweg steeds meer agents kan bouwen. Eerst moeten de gemeenschappelijke fundamenten aanwezig zijn waarop al die agents kunnen steunen.
Automatiseer niet gewoon het bestaande proces
Ook bij procesoptimalisatie maakt Google een interessante keuze. De klassieke aanpak bij automatisering begint vaak met het bestaande proces: hoe kunnen we deze stappen sneller uitvoeren?
Google stelt voor om een stap verder te gaan. Organisaties moeten volgens het framework niet alleen kijken naar de ”as-is” situatie, maar vooral naar mogelijke ”what-if” processen. Het bestaande proces wordt dus niet noodzakelijk geautomatiseerd; het kan volledig opnieuw worden ontworpen rond de mogelijkheden van intelligente agents.
Dat verschil is fundamenteel. Een organisatie kan bijvoorbeeld een bestaande procedure van twaalf stappen automatiseren. Maar misschien zijn zes van die stappen alleen ontstaan omdat mensen vroeger informatie handmatig moesten verzamelen, documenten moesten doorsturen of controles moesten uitvoeren.
Wanneer agents die taken zelfstandig kunnen coördineren, kan het efficiënter zijn om het volledige proces opnieuw te ontwerpen.
AI-transformatie wordt daardoor steeds minder een automatiseringsvraagstuk en steeds meer een vorm van organisatieontwerp.
Eerst bewijzen, dan investeren
Google pleit tegelijk niet voor grote, risicovolle AI-programma’s waarbij organisaties onmiddellijk hun volledige werking hertekenen.
Na het herdenken van processen volgt bewust een fase van use-case design en rapid prototyping.
Abstracte ideeën worden vertaald naar concrete agent journeys en prototypes. Die moeten snel aantonen of een toepassing werkelijk voldoende bedrijfswaarde kan opleveren voordat grote investeringen worden gedaan. Google omschrijft dit expliciet als een manier om de transformatie te “de-risken”.
Dat is een nuttige correctie op de huidige AI-hype. Niet iedere taak heeft een agent nodig. Niet ieder proces moet autonoom worden. En niet iedere indrukwekkende demonstratie heeft voldoende economische waarde om productie te rechtvaardigen.
De technologie moet uiteindelijk aantoonbaar bijdragen aan bijvoorbeeld lagere kosten, hogere efficiëntie, betere dienstverlening, kortere doorlooptijden of minder fouten.
Governance is geen hoofdstuk, maar infrastructuur
Een van de sterkste aspecten van Google’s framework is de plaats van governance. In veel AI-strategieën wordt governance achteraf toegevoegd. Eerst wordt een oplossing gebouwd en daarna bekijken legal, security of compliance onder welke voorwaarden ze mag worden gebruikt.
Google draait die logica grotendeels om. Governance komt terug in architectuur, ontwikkeling, evaluatie, monitoring en operations. De technische architectuur moet bijvoorbeeld vanaf het ontwerp rekening houden met observability, security, evaluatie, data access en governance. Google noemt daarbij zelfs Zero Trust, A2A- en MCP-communicatiestandaarden als onderdelen waarmee rekening moet worden gehouden.
Daarnaast voorziet het framework formele stage gates: beslismomenten waarop wordt gecontroleerd of een agent naar een volgende fase mag. Daarbij gaat het onder meer om strategische alignment, ethisch ontwerp, verantwoordelijkheden, processtromen, testing en observability.
Governance wordt zo geen rem op innovatie, maar een onderdeel van het productieproces.
Opvallende parallellen met de EU AI Act
Hoewel Google’s framework geen implementatiehandleiding voor de Europese AI Act is, zijn de parallellen opvallend.
Google vraagt organisaties onder andere om verantwoordelijkheden expliciet vast te leggen, risico’s te beheren, agents te monitoren, menselijke interventie te organiseren, audit trails te voorzien en kwaliteit gedurende de volledige levenscyclus te evalueren.
Dat zijn precies thema’s die ook binnen Europese AI-governance steeds belangrijker worden.
Interessant is bijvoorbeeld dat Google voor governance meetbare indicatoren voorstelt rond Sensitive Data Handling, Human Oversight, Regulatory Compliance, accountability en risicoreductie.
Voor menselijke controle noemt het framework zelfs mogelijke KPI’s zoals de frequentie waarmee mensen moeten ingrijpen, de duidelijkheid van verantwoordelijkheden en de snelheid waarmee escalaties worden afgehandeld. Voor privacy kunnen organisaties bijvoorbeeld incidenten rond ongeautoriseerde toegang en naleving van dataminimalisatie opvolgen.
Dat maakt het framework bijzonder bruikbaar voor Europese organisaties. Een technische AI-architectuur en een complianceprogramma hoeven geen twee afzonderlijke werelden te zijn.
Ook ISO/IEC 42001 is nooit ver weg
Dezelfde redenering geldt voor ISO/IEC 42001.
De norm voor AI-managementsystemen kijkt niet uitsluitend naar individuele modellen, maar naar de manier waarop een organisatie verantwoordelijkheden, doelstellingen, risico’s, processen, monitoring en continue verbetering organiseert.
Google gebruikt een vergelijkbare managementlogica. Het framework voorziet bijvoorbeeld een formeel governanceframework, een RACI voor rollen en verantwoordelijkheden, stage gates, templates voor risicoanalyses en testing, monitoringvereisten en een KPI-dashboard voor governance en waardecreatie.
Dat betekent niet dat een organisatie door Google’s framework te volgen automatisch aan ISO/IEC 42001 of de AI Act voldoet. Daarvoor verschillen doel, juridische status en vereisten te sterk.
Maar de onderliggende architectuur is opvallend compatibel: verantwoordelijkheid moet aantoonbaar zijn, risico’s moeten gedurende de levenscyclus worden beheerd en prestaties moeten continu worden gecontroleerd.
AgentOps kan het nieuwe DevOps worden
Misschien wel het meest toekomstgerichte onderdeel van de blauwdruk is AgentOps.
Softwarebedrijven hebben de afgelopen twintig jaar DevOps uitgebouwd om software sneller en betrouwbaarder te ontwikkelen, testen, implementeren en monitoren.
Agents creëren een vergelijkbare behoefte, maar met nieuwe problemen.
Een traditionele applicatie voert grotendeels vooraf geprogrammeerde logica uit. Een AI-agent werkt probabilistischer, gebruikt context, kan tools aanroepen en kan afhankelijk van de situatie verschillende routes kiezen.
Daardoor volstaat klassieke application monitoring niet meer.
Google pleit voor een specifieke platformstrategie en AgentOps-capaciteit waarmee organisaties de operationele complexiteit van agents centraal kunnen beheren, terwijl afzonderlijke teams voldoende vrijheid behouden om nieuwe toepassingen te ontwikkelen. Het uitgangspunt is opvallend: centralized oversight, decentralized empowerment.
Dat kan een belangrijk organisatieprincipe worden. Niet iedere afdeling moet haar eigen governance, logging, security, evaluatie en deploymentinfrastructuur opnieuw uitvinden. De organisatie bouwt een gemeenschappelijk platform waarop verschillende teams veilig agents kunnen ontwikkelen.
Een agent moet meetbaar goed zijn
Google gaat daarbij opvallend ver in het definiëren van mogelijke prestatie-indicatoren. Niet alleen technische beschikbaarheid telt.
Het framework noemt onder andere:
- task completion rate;
- accuracy;
- user satisfaction;
- escalation rate- guardrail effectiveness;
- correcte verwerking van persoonsgegevens;
- factuality en grounding- completeness;
- clarity en coherence.
Dat is belangrijk omdat veel organisaties vandaag nog geen duidelijk antwoord hebben op een eenvoudige vraag: ‘Wanneer is onze AI eigenlijk goed genoeg’?
Een mooie demo is geen kwaliteitscriterium. Voor iedere agent moeten organisaties vooraf bepalen wat goed gedrag betekent, welke fouten acceptabel zijn, wanneer menselijke tussenkomst nodig is en bij welke afwijkingen een agent moet worden aangepast of uitgeschakeld. Evaluatie wordt daarmee een permanent onderdeel van operations.
Data wordt belangrijker naarmate modellen beter worden Ook data krijgt dus binnen het framework een centrale positie.
Dat is logisch. Naarmate verschillende organisaties toegang krijgen tot vergelijkbare frontiermodellen, ontstaat differentiatie steeds minder door het model zelf.
De echte meerwaarde zit in de context waarmee het model kan werken.
Een agent die een bedrijfsproces zelfstandig moet uitvoeren, heeft betrouwbare toegang nodig tot documenten, databronnen, API’s, bedrijfsregels en historische informatie. Daarbij moet tegelijk duidelijk zijn welke data de agent mag gebruiken en onder welke voorwaarden.
Data governance wordt daardoor AI-governance. Slechte data leidt niet alleen tot slechte antwoorden, maar bij autonome agents mogelijk tot verkeerde acties.
De menselijke organisatie moet mee veranderen
Misschien verrassend voor een technisch document is hoeveel aandacht Google besteedt aan rollen en verantwoordelijkheden.
Het framework noemt onder andere enterprise architects, securityverantwoordelijken, transformation leaders, businessverantwoordelijken, infrastructuurteams, projectmanagers en vertegenwoordigers van eindgebruikers.
Dat onderstreept een bredere ontwikkeling. Agentic AI kan niet worden gedelegeerd aan één AI-team. Wanneer agents bedrijfsprocessen beginnen uit te voeren, raken ze automatisch aan strategie, HR, security, privacy, juridische verantwoordelijkheid, bedrijfscontinuïteit en operationeel management.
Voor lokale besturen geldt hetzelfde. Een agent die uitsluitend een interne kennisbank doorzoekt, vraagt een andere governance dan een agent die dossiers analyseert, burgers informeert of zelfstandig gegevens uit verschillende administratieve systemen combineert.
Hoe groter de handelingsruimte van de agent, hoe belangrijker de organisatorische controle rond die agent wordt.
De belangrijkste verschuiving is daarom niet technisch
Google noemt zijn toekomstbeeld de **Autonomous Enterprise**, maar het zou verkeerd zijn dat uitsluitend te lezen als een toekomst waarin bedrijven zoveel mogelijk mensen vervangen door agents.
Google benadrukt juist samenwerking tussen menselijke experts en een digitale workforce van gespecialiseerde agents. Het doel is volgens het document om mensen meer ruimte te geven voor strategie, creativiteit en relaties, terwijl agents complexe, data-intensieve en repetitieve werkzaamheden uitvoeren.
Of organisaties dat ideaalbeeld daadwerkelijk realiseren, zal uiteraard afhangen van de manier waarop de technologie wordt ingevoerd.
Maar het framework maakt één zaak bijzonder duidelijk. De moeilijkste stap in enterprise AI is niet langer aantonen dat een model iets indrukwekkends kan.
De moeilijkste stap is een organisatie bouwen waarin honderden AI-toepassingen betrouwbaar kunnen samenwerken zonder dat security, kosten, kwaliteit, compliance en verantwoordelijkheid onbeheersbaar worden.
Van AI-project naar AI-capaciteit
Daar ligt uiteindelijk de belangrijkste boodschap van de 66 pagina’s. Organisaties moeten stoppen met AI uitsluitend te bekijken als een verzameling projecten.
Een chatbot voor HR, een agent voor klantenservice en een copiloot voor financiële analyse lijken afzonderlijke toepassingen. Op termijn gebruiken ze echter dezelfde onderliggende organisatiecapaciteiten: identiteit, data, security, monitoring, evaluatie, governance en infrastructuur.
Wie die fundamenten telkens opnieuw per project bouwt, creëert onvermijdelijk silo’s. Wie ze organisatiebreed ontwikkelt, bouwt een ‘AI-capaciteit’.
En precies daarin verschilt Google’s blauwdruk van veel eerdere AI-frameworks. Het document probeert niet te voorspellen welk model volgend jaar het beste zal zijn. Het probeert een organisatie te ontwerpen die kan blijven functioneren terwijl modellen, agents en technologie voortdurend veranderen.
Dat is waarschijnlijk ook de belangrijkste les voor bestuurders, CIO’s, AI-projectleiders en compliance verantwoordelijken.
De organisaties die de komende jaren het meeste voordeel uit AI halen, zullen niet noodzakelijk degene zijn die vandaag de meeste pilots hebben.
Het zullen de organisaties zijn die erin slagen om strategie, processen, data, governance, security, menselijke verantwoordelijkheid en AgentOps samen te brengen in één coherent systeem.
De volgende fase van AI-transformatie draait daarom niet om het bouwen van nóg een slimme agent. Ze draait om het bouwen van een organisatie die klaar is om duizenden slimme agents verantwoord te laten werken.