Van proof-of-concept naar echte impact: Agentic AI valt of staat met data

Agentic AI staat bij veel organisaties op de planning, maar meer dan 40% van de projecten zal mislukken. De belangrijkste reden: AI werkt averechts zonder kwalitatieve data.

Agentic AI zit momenteel volop in de hype-fase volgens Gartner. Naar verwachting bevat 60% van alle nieuwe AI-toepassingen in 2025 een AI Agent: een systeem dat zelfstandig beslist en handelt om doelen te behalen. Deze markt zal groeien van 2,9 miljard dollar in 2024 naar 48,2 miljard in 2030. 29% van de organisaties gebruikt al Agentic AI, zo stelt SS&C Blue Prism in het rapport The State of AI, en 38% is dit van plan.

Maar wat volgt in Gartner’s hype-cycle na de Peak of Inflated Expectations? De Trough of Disillusionment: meer dan 40% van de Agentic AI-projecten zal nog vóór 2027 falen. Tussen ambitie en realisatie ligt immers een weerbarstige praktijk. Hoe voorkom je dat je AI Agent-initiatief een kostbare mislukking wordt?

Begin met data

De meeste AI-projecten falen niet door AI, maar door een gebrekkige datastrategie. Rommelige, inconsistente of bevooroordeelde data leveren geen efficiëntie op. Bij Agentic AI ligt die lat nog hoger omdat het systeem zelfstandig handelt op basis van jouw data. Denk bijvoorbeeld aan de verkeerde collectie optimaliseren voor het winterseizoen of klanten doorverwijzen naar uitverkochte producten.

Het gaat niet alleen om je eigen first party data, maar om alle soorten data die je beschikbaar hebt: productdata van leveranciers, performance-data of IoT-data. Wil je serieus aan de slag met AI, definieer dan eerst je datastrategie: welke data en API’s zijn er? Hoe is dit ingericht? Hoe compleet, betrouwbaar en verrijkt zijn je data? Welke processen en workflows zijn afhankelijk van welke data? Pas met een helder beeld van de beschikbare data kun je concreet kijken naar de business impact die je ermee kunt genereren.

Ga voor haalbare impact

De werking van AI lijkt soms magisch en kan daardoor verblinden. De crux is om te beginnen vanuit je data en business cases te bedenken waarmee je je bedrijfsdoelen kunt behalen. De echte waarde van AI zit eerder in productiviteit op organisatieniveau dan het versterken van individuele taken. Een financiële dienstverlener kan bijvoorbeeld aanvragen sneller en beter verwerken, een logistieke dienstverlener kan efficiëntere routes opstellen en zo sneller leveren.

De business case bewijs je met een proof of concept (POC): een testversie van je idee om haalbaarheid en impact te verifiëren. In de praktijk gebruiken wij hiervoor een vijfdaagse sprint. We verzamelen gerichte informatie over data, bedrijfsprocessen en voorbeelden uit de markt. Als de klant nog geen duidelijk AI-doel heeft, richten we ons op problemen die ze nú ervaren. Na de sprint is er een minimum viable product (MVP): een eenvoudige versie die al waarde biedt en demonstreert dat het werkt. Tot zover komen de meeste bedrijven probleemloos. De echte uitdaging volgt bij implementatie in de praktijk.

Van ambitie naar een AI Agent in de praktijk

Van POC naar productie gaan is een andere orde van grootte, zeker bij een AI-traject. De oplossing moet worden geïntegreerd in de infrastructuur, bestaande werkprocessen en de organisatie. Bij AI Agents komt daar nog extra complexiteit bij: ze moeten autonoom functioneren in een onvoorspelbare omgeving.

Hier komt Intelligent System Architecture (ISA) om de hoek kijken: een gestructureerde methodologie die de sprong van experimentele AI naar praktijk mogelijk maakt. ISA werkt met concentrische cirkels die steeds dieper ingaan op je data en processen. De buitenste cirkel vangt signalen op en bepaalt welke databronnen relevant zijn. De tweede laag bouwt gebruikersprofielen en segmenteert doelgroepen. De derde laag analyseert patronen voor strategische inzichten. In de binnenste cirkel nemen AI-agents zelfstandig acties op basis van alle voorgaande lagen.

Het slimme aan ISA is dat elke laag de volgende verbetert. Betere data leiden zo tot betere profielen, scherpere inzichten en slimmere AI-acties. Deze acties genereren weer nieuwe signalen, waardoor het systeem continu leert. ISA biedt een duidelijke routekaart voor het hele AI-traject. In plaats van willekeurig te experimenteren, weet je precies welke stap wanneer te zetten.

ISA in de praktijk

Een goed praktijkvoorbeeld van ISA is een grote kappersketen met een reserveringssysteem als hart van hun operatie. Dit systeem werkt online en in de salon, en is gekoppeld aan een payment provider zodat financiële data erdoorheen stroomt. Door deze data te combineren in een datawarehouse met planningsdata voor salonmedewerkers, Google Analytics en reviews, ontstond er een totaalbeeld.

Dit leverde waardevolle inzichten op voor trends, capaciteitsplanning en klantprofilering. Door klantprofielen nauwgezet te segmenteren, werden slimme marketingacties mogelijk op basis van retentie van nieuwe klanten, retargeting voor conversie optimalisatie en personalisatie met betrekking tot behandelingen, producten en bezoekfrequentie. Alle systemen werken nu samen met het datawarehouse. Dit creëert een volledige integratie tussen een multichannel frontend en microservices backend via een management layer, precies volgens ISA.

Dit systeem werkt autonoom en optimaliseert zichzelf. Het marketingteam kan zich richten op eenmalige acties zoals Moederdag of een nieuwe opening. Dit resulteert in structurele extra omzet over alle filialen.

Falen is ook waardevol

Soms is platte automatisering voldoende om een bedrijfsprobleem op te lossen: niet elk proces leent zich voor een AI Agent. AI is niet plug & play, maar build & learn. Falen is daarom heel waardevol, want daardoor leer je als organisatie. De vraag is uiteindelijk: wanneer is je AI-traject een succes? Dat kan al zijn wanneer je waardevolle inzichten krijgt in je product of als organisatie meer datagedreven wordt.

Over de auteur: Martijn van der Does is Execututive Design Director AI bij Hypersolid