AI-agent koppelen aan je bestaande systemen

Je hebt een ERP, een CRM en een mailbox die elke dag volloopt. Ergens tussen die drie zit werk dat iemand met de hand doet: overtypen, opzoeken, doorzetten. Een AI-agent kan dat overnemen. Maar alleen als hij bij je eigen data kan en mag handelen in je eigen systemen. Dat koppelstuk is het echte werk, niet het taalmodel.

Wat doet een AI-agent in je bestaande systemen?

Een AI-agent is software die een taak van begin tot eind afhandelt. Hij leest iets, bepaalt wat er moet gebeuren, voert het uit in een systeem en legt vast wat hij heeft gedaan. Het verschil met een chatbot: een chatbot antwoordt, een agent handelt.

Een voorbeeld. Er komt een inkoopfactuur binnen per mail. De agent leest de factuur, zoekt de leverancier op in de boekhouding, legt de regels naast de inkooporder en zet de factuur klaar voor akkoord. Klopt er iets niet, dan legt hij het voor aan een mens met de reden erbij.

Die ene taak raakt dus drie systemen: de mailbox, de boekhouding en het inkoopsysteem. Zonder toegang tot alle drie blijft er een tekstgenerator over die aardig klinkt en niets oplevert. Op het overzicht van AI-medewerkers staan de taken waarvoor dit patroon al is uitgewerkt.

Waarom loopt een AI-agent vast op je eigen systemen?

In de praktijk struikelt het bijna nooit over het model. Het struikelt over vier dingen.

• Toegang: het systeem heeft geen API, of de API mist net de velden die je nodig hebt.
• Rechten: niemand wil een agent die overal in het grootboek mag schrijven. Dus moet je per handeling bepalen wat mag.
• Datakwaliteit: dezelfde leverancier staat er drie keer in, met drie schrijfwijzen. De agent weet dan niet welke de juiste is.
• Eigenaarschap: er is geen persoon die beslist wat de agent wel en niet mag doen, en wie kijkt als het misgaat.

Los die vier op en het bouwen zelf valt mee. Sla ze over en je hebt over een half jaar een pilot die niemand meer gebruikt.

Stap 1: kies één proces met een duidelijk begin en eind

Begin bij een taak die vaak voorkomt, die een herkenbaar startsignaal heeft en waarvan je kunt vaststellen of het goed ging. Een binnenkomende factuur, een aanvraag via het formulier, een serviceverzoek in de wachtrij. Geen proces dat halverwege afhankelijk is van iemands ervaring.

Schrijf het proces op zoals het nu echt gaat, niet zoals het in de procedure staat. Tel hoe vaak het per week gebeurt en hoeveel minuten het kost. Die twee getallen bepalen of het de moeite waard is. Op de pagina over wat handmatig werk kost staat hoe je dat rekensommetje maakt.

Stap 2: regel de toegang voordat je gaat bouwen

Zoek per systeem uit hoe je erbij komt en wat je mag. Bij de meeste zakelijke pakketten loopt dat via een API met OAuth, met een aparte gebruiker of applicatie voor de koppeling. Vraag die aan voordat de bouw begint, want een leverancier heeft er soms weken voor nodig.

Geef de agent een eigen account met alleen de rechten die de taak nodig heeft. Dat is niet alleen veiliger, het maakt ook achteraf zichtbaar wat de agent heeft gedaan en wat een collega heeft gedaan. Per systeem staat bij de koppelingen wat er precies mogelijk is.

Stap 3: laat de agent eerst voorstellen, dan pas uitvoeren

Zet een nieuwe agent nooit meteen op zelfstandig doorvoeren. Laat hem een paar weken meedraaien en alleen voorstellen doen: dit is de leverancier, dit is de grootboekrekening, dit is het antwoord. Een medewerker keurt goed of corrigeert.

Dat levert twee dingen op. Je ziet waar de agent het mis heeft voordat het schade doet, en je krijgt een eerlijke score: in hoeveel procent van de gevallen was het voorstel meteen goed? Pas als die score stabiel hoog is, zet je stap voor stap categorieën op automatisch.

Houd de menselijke controle op het deel waar een fout duur is. Een agent die een bedrag boven een bepaalde grens wil goedkeuren, hoort altijd langs een mens te gaan.

Stap 4: log alles wat de agent doet

Elke actie krijgt een regel: wat kwam er binnen, welke bronnen zijn geraadpleegd, wat is er besloten, wat is er weggeschreven, en door wie is het eventueel goedgekeurd. Zonder die logging kun je een fout niet terugvinden en kun je niet aantonen dat het proces onder controle is.

Dat is ook wat een accountant of auditor je gaat vragen. En bij toepassingen die onder de EU AI Act vallen, is vastleggen geen optie maar een verplichting. Meer daarover staat in ons artikel over de AI Act en de AVG.

Bouwen of een standaardtool kopen?

Bestaat er een pakket dat jouw proces precies doet en past het in je systeemlandschap, dan koop je dat. Je betaalt dan voor onderhoud dat iemand anders doet.

Zelf bouwen is logisch als het proces iets is waar je je in onderscheidt, als je meerdere systemen moet combineren die geen enkele leverancier samen ondersteunt, of als je de data niet buiten je eigen omgeving wilt hebben. Wat het kost om dat te laten bouwen, staat bij wat een AI-agent kost. De aanpak zelf staat bij een AI-agent laten bouwen.

Wanneer kun je hier beter niet aan beginnen?

Er zijn situaties waarin een AI-agent het verkeerde gereedschap is. Doe het niet als het proces maar een paar keer per week voorkomt: dan verdien je de bouw en het onderhoud nooit terug. Doe het niet als niemand kan uitleggen hoe de taak nu wordt uitgevoerd, want dan automatiseer je een gewoonte in plaats van een proces.

En doe het niet als een fout onherstelbaar is en je geen controlemoment kunt inbouwen. In die gevallen is een vaste, deterministische automatisering vaak beter: geen model, gewoon regels. Dat is saaier en het werkt altijd hetzelfde.

Hoe weet je waar je moet beginnen?

De meeste organisaties hebben meer kandidaten dan capaciteit. Dan helpt het om de processen eerst naast elkaar te zetten: hoe vaak, hoeveel tijd, hoe foutgevoelig, hoe moeilijk te koppelen. Daar rolt vanzelf een volgorde uit.

Dat is precies wat de AI Opportunity Audit doet: vijf dagen, één getal, drie kansen. Wat die audit oplevert en hoe hij verloopt, staat bij de AI Opportunity Audit. Kom je eruit dat automatisering hier niets oplevert, dan hoor je dat ook.