Wat zijn agentic workflows en hoe veranderen ze automatisering?

De meeste automatiseringen draaien op scripts die telkens hetzelfde vooraf bepaalde pad volgen. Als een gesprek van dat pad afwijkt, loopt het vast of wordt het doorgezet naar een medewerker. Agentic workflows werken anders.

Een agentic workflow is een reeks taken waarin een AI-agent elke stap beredeneert, bepaalt wat er vervolgens moet gebeuren en actie onderneemt. Wanneer automatisering alleen het script kan volgen, worden zulke gevallen in een wachtrij geplaatst, afgehandeld noch opgelost, of trager en minder consistent opgelost dan zou moeten.

Agentic workflows dichten die kloof doordat de agent op dat moment zelf een afweging maakt. Deze workflows helpen bedrijven die uiteenlopende interacties willen afhandelen waarbij beoordeling nodig is, zoals een klant die een niet-voorgeprogrammeerde vraag stelt, een incassogesprek waarin over voorwaarden moet worden onderhandeld, of een supportticket dat drie verschillende systemen omvat. 

In dit artikel leggen we uit hoe agentic workflows werken, waarin ze verschillen van conventionele automatisering en hoe bedrijven ze vandaag gebruiken.

Samenvatting

• Met agentic workflows kan een AI-agent elke stap van een taak beredeneren en bepalen wat er vervolgens moet gebeuren, in plaats van een vast, vooraf gescript pad te volgen.
• Agentic workflows combineren een LLM-redeneerlaag met RAG, geheugen en guardrails, zodat de agent afwegingen kan maken terwijl stappen met een hoog risico nog steeds ter goedkeuring worden voorgelegd.
• Bedrijven gebruiken AI-agents voor allerlei taken, van klantenservice tot leadkwalificatie, incasso en overheidsdiensten.

Wat agentic workflows zijn en hoe ze werken

Traditionele automatisering (denk aan eenvoudige RPA-scripts of regelgebaseerde chatbots) volgt een "als dit, dan dat"-structuur. Elke vertakking is vooraf gedefinieerd, wat betekent dat het AI-systeem vastloopt of overdraagt aan een medewerker als de input niet overeenkomt met een vooraf opgebouwd pad.

Bij agentische systemen staat een LLM centraal in het proces, die redeneert over de huidige status van het gesprek of de taak en bepaalt wat er daarna moet gebeuren. In plaats van te kiezen uit een kleine set gescripte antwoorden, doet de agent het volgende:

• Interpreteert: De agent leest het doel dat hij heeft gekregen en bepaalt wat de gebruiker werkelijk nodig heeft.
• Haalt op: De agent haalt relevante context op, waaronder documenten, eerdere gespreksgeschiedenis en outputs van tools.
• Beslist: De agent kiest welke actie of tool hij gebruikt en in welke volgorde.
• Past zich aan: De agent past zijn aanpak aan wanneer nieuwe informatie de situatie verandert.
• Voert uit: De agent voert de actie uit en redeneert vervolgens over het resultaat om de volgende stap te bepalen.

Neem bijvoorbeeld een voice agent die een factuurgeschil behandelt. Een traditioneel IVR-script kan de beller doorsturen naar "facturering" en daar stoppen. Een agentic workflow kan het account van de klant ophalen, de betalingsgeschiedenis controleren, het geschil toetsen aan een terugbetalingsbeleid, een tegoed verstrekken als dit binnen de goedgekeurde limieten valt, en alleen naar een medewerker escaleren als dat niet het geval is.

Belangrijke onderdelen en kenmerken van agentic workflows

De meeste agentic workflows delen dezelfde onderliggende bouwstenen, ongeacht het specifieke platform of de use case.

Hier volgt een overzicht van wat elk onderdeel doet:

De betrouwbaarste agentische systemen combineren agentisch redeneren voor onderdelen van een taak die beoordeling vereisen met gestructureerde, regelgebaseerde stappen voor onderdelen die dat niet doen, vooral bij alles wat betalingen of gevoelige data raakt. Dankzij die combinatie kan de workflow efficiënt omgaan met afwegingen, terwijl stappen met grotere gevolgen via strengere controles verlopen.

De ElevenAgents Workflows-editor laat teams bijvoorbeeld beslispunten expliciet in kaart brengen en routeren tussen gespecialiseerde subagents of een medewerker, zodat het gedrag van de agent controleerbaar blijft.

Hoe agentic workflows verschillen van traditionele automatisering

Het belangrijkste verschil tussen traditionele automatisering en agentic workflows is wie het pad bepaalt: de ontwikkelaar vooraf of de agent tijdens de uitvoering.

Geen van beide benaderingen vervangt de andere volledig. Vaste automatisering blijft de juiste keuze voor echt risicoloze, repetitieve taken, zoals een wachtwoord resetten of een afspraaktijd bevestigen. 

Agentische systemen zijn beter wanneer een taak ambiguïteit omvat: een klant met een probleem dat niet in een template past, een lead waarvan de intentie moet worden beoordeeld, of een gesprek waarvan de toon moet veranderen op basis van de reactie van de persoon. Veel productiesystemen gebruiken een hybride aanpak, met deterministische stappen voor alles wat onomkeerbaar is en agentisch redeneren voor alles daartussenin.

Voorbeelden van agentic workflows in de praktijk

Agentic workflows voeren al live klantgesprekken in de zorg, vastgoedsector en overheid. De specifieke taken verschillen, maar het onderliggende patroon is hetzelfde: een agent redeneert een verzoek van begin tot eind door in plaats van het door te sturen naar een medewerker. 

Klantenservice en probleemoplossing

Voor toepassingen voor klantenservice kan een agent de beller authenticeren, de bestel- of accounthistorie ophalen, het probleem toetsen aan een kennisbank en het direct oplossen, waarbij alleen uitzonderlijke gevallen worden doorgezet naar een medewerker. 

Zo heeft CareCode, een Braziliaans communicatieplatform voor de zorg, Portugese voice agents ingebouwd in de workflow voor het inplannen van patiënten. Het ontdekte dat 43,9% van de bellers eerder al had geprobeerd hun verzoek via een ander kanaal af te ronden, zonder succes. Voice agents konden die afspraken inplannen zonder extra personeel in te zetten.

Leadkwalificatie en vastgoed

Vastgoedadvertenties genereren veel inkomende interesse, maar serieuze kopers onderscheiden van vrijblijvende kijkers kost agents nog altijd veel tijd. 

Immobiliare.it, het grootste vastgoedplatform van Italië, bouwde een conversationele agent die namens de verkoper vragen over advertenties beantwoordt, de koopintentie kwalificeert en de interactie samenvat. Na de uitrol steeg het percentage gekwalificeerde leads van 19% naar 63%, en steeg het aandeel gebruikers dat bereid was een telefoonnummer voor opvolging te geven van 42% naar 73%.

Overheidsdiensten en vragen van burgers

Overheidsinstanties passen dezelfde aanpak steeds vaker toe voor afhandeling van begin tot eind, waarbij een agent een verzoek voltooit in plaats van het door te sturen. 

Zo is het Oekraïense ministerie van Digitale Transformatie bezig met wat het de eerste agentische overheid ter wereld noemt, waarbij AI-agents nationale systemen verbinden met individuele verzoeken van burgers op het gebied van zorg, onderwijs en economische dienstverlening.

Operationele taken met meerdere stappen

Naast gesprekken koppelen agentische systemen steeds vaker ophalen, verificatie en actie aan elkaar in één proces. Een intakeagent voor de zorg kan bijvoorbeeld de verzekeringsdekking van een patiënt controleren, het dossier bijwerken en de afspraak bevestigen. Anders zouden deze stappen vereisen dat de beller langs afzonderlijke systemen of teams wordt geleid. Je kunt hier ook multi-agentsystemen gebruiken om verschillende agentic workflows tot één workflow te combineren.

Voordelen en uitdagingen van agentic workflows

Agentic workflows bieden voordelen ten opzichte van gescripte automatisering. Die voordelen brengen echter ook nieuwe vereisten met zich mee.

Dit zijn de belangrijkste voordelen en uitdagingen van werken met agentische systemen:

Voordelen

• Hogere oplossingspercentages: Agents kunnen een taak van begin tot eind voltooien in plaats van die standaard door te sturen naar een medewerker.
• Consistentie op schaal: Elk gesprek volgt dezelfde onderliggende logica en guardrails, ongeacht het volume.
• Snellere oplossing: Je hoeft niet te wachten tot een medewerker beschikbaar is voor taken die de agent direct kan afhandelen.
• Meer capaciteit voor medewerkers: Medewerkers besteden meer tijd aan werkelijk complexe gevallen en minder tijd aan repetitieve eerste triage.

Uitdagingen

• Inzicht in de besluitvorming van de AI-agent: Zonder deterministische controlepunten kan het lastig zijn te reconstrueren waarom een agent een bepaalde actie ondernam.
• Ontwerp van guardrails: Omdat de agent zijn eigen pad kan kiezen, moeten teams vooraf bepalen welke acties goedkeuring vereisen en welke autonoom kunnen worden uitgevoerd. Trek je de grens verkeerd, dan creëert de agent óf risico door iets te doen wat hij niet zou moeten doen, óf wordt hij een knelpunt door zaken te escaleren die hij had kunnen afhandelen.
• Testen voor de lancering: Agentische systemen gedragen zich anders dan gescripte systemen, dus simulatie vóór de lancering met realistische scenario's is belangrijker. Teams moeten het systeem stresstesten met realistische, rommelige scenario's voordat het ooit met een echte klant praat.
• Complexiteit van integraties: De agent is slechts zo nuttig als de systemen die hij daadwerkelijk kan bereiken. Als hij niet bij het CRM, betaalsysteem of de planningstool kan die een taak nodig heeft, loopt hij vast of moet hij alsnog overdragen, waardoor het hele nut ervan verloren gaat.

Agentic workflows verschuiven het werk van iemand elk geval laten beoordelen naar alleen de gevallen beoordelen die dat nodig hebben. Die verschuiving loont alleen als de guardrails en het audittrail vanaf het begin zijn ingebouwd. Ze achteraf toevoegen nadat een agent al live is, is veel moeilijker, omdat die dan al beslissingen heeft genomen die niemand volledig kan reconstrueren. Guardrails en logging die vanaf dag één zijn ingebouwd, zorgen ervoor dat een bedrijf genoeg vertrouwen in de agent heeft om niet meer elk geval te beoordelen.

Ga aan de slag met ElevenAgents voor agentische automatisering

ElevenAgents brengt alles wat een agentic workflow nodig heeft samen in één platform. Kies je eigen LLM en baseer de antwoorden ervan via RAG op je kennisbank en SOP's. Deterministische workflows houden acties met een hoog risico achter goedkeuringsstappen, en elk gesprek wordt gelogd voor volledige controleerbaarheid. Vóór de lancering kunnen teams guardrails definiëren en testen met simulatie vóór de lancering, en daarna dezelfde configuratie uitrollen voor voice, chat, e-mail en WhatsApp.

Voor bedrijven die agents netjes moeten laten overdragen wanneer een geval buiten hun bevoegdheid valt, neemt overdracht aan een medewerker de volledige gesprekscontext mee naar de medewerker, zodat klanten zichzelf nooit hoeven te herhalen.

Wil je weten hoe agentic workflows je bedrijf kunnen ondersteunen, neem dan contact op met ons team of registreer je om te beginnen met bouwen met ons no-codeplatform.

Veelgestelde vragen over agentic workflows