Denk je dat AI-agents nu indrukwekkend zijn? Wacht maar eens af

Je hebt de eerste rimpelingen gezien van wat AI-agents kunnen doen. Maak je nu klaar voor de vloedgolf. 

De toekomst van AI-agents? Het zijn agents die je commando’s kunnen horen en de wereld naast je kunnen zien. Het is AI die AI orkestreert en een symfonie van digitale arbeid creëert. Het zijn agenten met digitale geheugens die je patronen leren kennen en je volgende stap voorzien. Vergeet incrementele upgrades. De AI-agent van morgen zal een krachtvermenigvuldiger zijn die wordt losgelaten.

Hier zijn vijf manieren waarop agents, zoals die van Agentforce, de Agentic AI-laag van het Salesforce-platform, zullen evolueren.

1. Agents zullen veel meer begrijpen dan tekst

AI-agents zijn tegenwoordig voornamelijk op tekst gebaseerd: ze communiceren met en verwerken informatie in de vorm van getypte berichten, opdrachten of query’s. Maar ze kunnen afbeeldingen, audio of video niet begrijpen of erop reageren, en dit gebrek aan contextuele rijkdom beperkt hun vermogen om met complexe situaties uit de echte wereld om te gaan.  

“We kunnen veel meer dan dat. De wereld zit vol met informatie die geen woorden zijn”, zegt Juan Carlos Niebles, Research Director bij Salesforce. “Een agent kan naar een afbeelding kijken of naar een audiofragment of de stem van een persoon luisteren. Je geeft het ogen en oren, en je opent een deur naar andere soorten data die de agent zou kunnen begrijpen en verwerken.”

In de buitendienst kan een servicemonteur zijn Agentforce-app gebruiken om audio op te nemen van een sputterende automotor en Agentforce vragen om het probleem te diagnosticeren. Op het gebied van marketing kunnen AI-agents trends op sociale media in realtime analyseren, zoals een plotselinge piek in video’s over op de jaren ’80 geïnspireerde beenwarmers. Bij de klantenservice kunnen ze audio van servicegesprekken analyseren en terugkerende negatieve sentimenten oppikken uit de toon van de stem van een klant. 

Om dit te doen, moeten AI-agents afbeeldingen en video’s kunnen zien en geluiden kunnen horen. In een notendop wordt dit bereikt door neurale netwerken toe te voegen die de invoergegevens van de nieuwe modaliteit (spraak, audio, video, visueel) kunnen vertalen naar tokens die een large language model(LLM) kan begrijpen. 

Om de toekomst van multimodale AI te verkennen, heeft Salesforce AI Research xGen-MM-Vid ontwikkeld, een multimodale LLM die AI helpt bij het interpreteren van video’s. Neem een kijkje. 

De toekomst van AI-agents is ook spraak: binnenkort zullen ze onze gesproken verzoeken begrijpen en erop reageren. Stel je voor dat je een agent mondeling vraagt om het volgende te doen: 

“Open de verkoopprestaties in Q2 vanuit de gedeelde drive en analyseer KPI’s met een focus op omzetgroei, churn rate en kosten voor klantenwerving. Vat vervolgens de analyse samen, presenteer je belangrijkste bevindingen en identificeer de belangrijkste verbeterpunten. Beveel ten slotte twee uitvoerbare volgende stappen aan om de uitdagingen op te lossen.” 

Dit is een enorme tijdsbesparing, maar dat is slechts de helft van het verhaal. Omdat AI-agents snel enorme hoeveelheden data kunnen verwerken, kunnen ze medewerkers helpen trends te ontdekken die ze anders misschien zouden missen, door subtiele maar belangrijke correlaties tussen gegevens te identificeren. 

2. Agents werken moeiteloos samen met andere agents

Op dit moment werken AI-agents over het algemeen alleen om individuele taken uit te voeren, zoals klantenservice of voorraadbeheer. Maar binnenkort zullen systemen van meerdere agents, elk met een gespecialiseerde rol, samenwerken om complexere taken uit te voeren om bredere doelen te bereiken. Dit zal een krachtvermenigvuldiger zijn in termen van schaal, snelheid en strategische besluitvorming, waardoor operationele workflows fundamenteel worden gewijzigd en een niveau van gecoördineerde efficiëntie mogelijk wordt gemaakt dat niet mogelijk is met een volledig menselijk personeelsbestand. Noem het het tijdperk van agent-to-agent, of A2A. 

In e-commerce kan een multi-AI-agentsysteem bijvoorbeeld bestaan uit een agent die vragen van klanten afhandelt, een andere die de voorraad beheert en een derde die prijzen optimaliseert op basis van de vraag, die allemaal in realtime samenwerken om de efficiëntie te verbeteren en de verkoop te maximaliseren.

Deze samenwerking kan nog verder worden doorgevoerd, waarbij AI in organisaties, industrieën en hele ecosystemen werkt om op wereldschaal te onderhandelen, te optimaliseren, te informeren en misschien zelfs beslissingen te beïnvloeden. 

Stel je een wereldwijde supply chain voor waarin AI-agents van verschillende bedrijven samenwerken om de logistiek te coördineren, materialen te sourcen en de distributie te beheren. Ze reageren in realtime op vertragingen, verschuivingen in de vraag en verstoringen, zodat alles soepel verloopt. Het resultaat? Een zelfregulerend, ultra-efficiënt netwerk dat praktisch zichzelf beheert.

Maar zelfs in een steeds autonomer wordende A2A-wereld zal menselijk toezicht van cruciaal belang blijven voor het stellen van ethische grenzen, het aanpakken van onvoorziene omstandigheden en het waarborgen van afstemming op de bedrijfsstrategie en menselijke waarden. De rol van de mens kan evolueren om zich te concentreren op strategische sturing en ervoor te zorgen dat het AI-ecosysteem de menselijke behoeften en doelen dient.

Deze onderling afhankelijke, multi-agent systemen vereisen geavanceerde coördinatie, orkestratie en governance (door mensen en AI) die de traditionele toezichtmodellen overstijgen. Experts op het gebied van Salesforce AI Research en de Global AI Practice hebben onlangs drie methoden uiteengezet voor het beheren van de complexiteit van meerdere agenten.

3. Orchestrator-agents zullen teams van agents beheren

Net als menselijke werknemers hebben teams van AI-agents een manager nodig om verschillende activiteiten te leiden en te coördineren, alsmede toezicht te houden op taken met meerdere stappen tot en met de concurrentie. Maar in de toekomst van AI-agents zullen die managers andere AI-agents zijn. 

Silvio Savarese, Executive President en Chief Scientist, AI Research, bij Salesforce, beschreef onlangs een orchestrator-agent die het werk van meerdere gespecialiseerde agents coördineert, vergelijkbaar met hoe de algemeen manager van een restaurant toezicht houdt op het werk van gastheren, bediening, managers, chef-koks, koks en expediteurs.  

Hoe ziet dit er in de praktijk uit? Een serviceagent kan de vraag van een klant verwerken, terwijl een voorraadagent de beschikbaarheid van het product controleert. Een logistiek agent berekent de verzendkosten en een factureringsagent beoordeelt en verwerkt betalingsopties. 

Zoals Savarese opmerkte: “De orchestrator-agent bundelt al deze input tot een samenhangend, effectief, merkgetrouw en contextueel relevant antwoord, dat de gebruiker kan bekijken, verfijnen en delen met de klant.” 

Met andere woorden, in plaats van te jongleren met meerdere individuele agents, kunnen medewerkers werken met één slimme lead AI die alles achter de schermen coördineert. 

En tot slot maken orchestrator-agents het gemakkelijk om te groeien en aan te passen. Beschouw orchestrator-agents als slimme verbinders voor je AI. Wanneer je bedrijf verandert of je nieuwe AI-tools vindt, kun je deze eenvoudig aan je systeem toevoegen zonder dat je alles opnieuw hoeft op te bouwen. Dit houdt je AI set-up klaar voor de toekomst en in staat om nieuwe dingen aan te kunnen.

4. Agents zullen veel beter worden in redeneren

Een reasoning engine is een AI-systeem dat het beslissings- en probleemoplossend vermogen van mensen nabootst op basis van bepaalde regels, data en logica. Het is hoe een agent beslist welke acties moeten worden ondernomen en welke data nodig zijn om die acties uit te voeren. 

Een sterke reasoning engine stelt een AI in staat om verder te gaan dan oppervlakkige data, complexe patronen te analyseren, de intentie van de gebruiker af te leiden en de nuances van het gedrag, de voorkeuren en de behoeften van een gebruiker te begrijpen. In plaats van alleen te reageren op trefwoorden of eenvoudige opdrachten, kan het de onderliggende context van de interacties van een gebruiker begrijpen.  

“Het gaat erom dat de AI-agent complexere dingen doet. Het is niet zomaar een taak in één stap”, zegt Niebles. “Het is een aaneenschakeling van misschien 10 verschillende acties om een doel te bereiken.” 

Hier lees je bijvoorbeeld hoe een AI reasoning engine een uitgebreide marketingcampagne met meerdere stappen kan ondersteunen:

• Het analyseert data om doelgroepen en hun voorkeuren te identificeren,
• Het gebruikt abductive (best-guess) reasoning om doelgroepen te segmenteren en berichten te personaliseren,
• Het orkestreert een campagne rond de beste kanalen en stappen voor de verschillende segmenten,
• Het bewaakt de prestaties en wijst middelen opnieuw toe wanneer dat nodig is, en
• Het rapporteert over prestaties en strategie en signaleert trends voor toekomstige projecten.

Agentforce en de Atlas Reasoning Engine van Salesforce zijn belangrijke stappen voorwaarts en maken deze functionaliteit mogelijk. Shipra Gupta, Senior Director Product Management bij Salesforce, beschreef onlangs enkele van deze ontwikkelingen:   

Reasoning and Acting (ReAct)-achtige prompting, waarbij het systeem een lus van redeneren, handelen en observeren doorloopt totdat het doel van een gebruiker is gerealiseerd. Door de lus kan het systeem nieuwe informatie overwegen en vragen stellen, zodat het doel nauwkeurig wordt bereikt. 

Onderwerpclassificatie brengt onderwerpen in kaart op basis van de intentie van een gebruiker of een taak die moet worden uitgevoerd. Wanneer een aanvraag wordt ingediend, wordt deze toegewezen aan een onderwerp dat een reeks instructies, bedrijfsbeleid en acties bevat om aan de aanvraag te voldoen. Dit helpt bij het definiëren van de reikwijdte van de taak en de bijbehorende oplossing voor de LLM. 

Het gebruik van LLM’s voor antwoorden verandert de manier waarop AI met je praat op drastische wijze. Vroeger gaf het alleen actiegerichte antwoorden. Nu begrijpt het de context, net als een collega. Hierdoor kun je vervolgvragen stellen of meer details opvragen, waardoor het voor de AI veel gemakkelijker wordt om je te helpen met wat je nodig hebt.

Agents zullen zo intelligent zijn dat ze weten wanneer zo’n redenering op hoog niveau overdreven is. Anthropic’s medeoprichter en hoofdwetenschapper Jared Kaplan vertelde aan MIT Technology Review dat agents zullen weten wanneer ze redenering moeten toepassen “wanneer het echt nuttig en belangrijk is, maar ook [weten hoe ze geen tijd verspillen] wanneer het niet nodig is.”

5. Agents onthouden alles wat ertoe doet

De AI-agents van vandaag hebben last van het kortetermijngeheugen, en dat is een probleem. 

Antonio Ginart, Lead Applied Scientist for AI Research bij Salesforce, beschreef het als volgt:  stel je voor dat je wat notities van je werkdag op memo’s noteert, en de volgende dag herinnerde je alleen nog die paar dingen die je opschreef. 

“Dat is een beetje hoe het nu is tussen sessies met AI,” zei hij. 

Langetermijncoherentie (of geheugen) betekent dat agents zich kunnen herinneren en begrijpen wat er is gebeurd in eerdere interacties over lange perioden, niet alleen de meest recente uitwisselingen. Dit geheugen biedt context om huidige taken uit te voeren. Dit is niet alleen belangrijk voor agents om taken uit meerdere stappen uit te voeren, maar ook om betere relaties met klanten op te bouwen door alle voorkeuren, problemen en interacties uit het verleden te herinneren. 

Echte coherentie op de lange termijn is nog niet in alle scenario’s een volledig opgelost probleem, maar dat verandert snel. 

Stel je voor dat een AI-agent de zorg van een patiënt maanden of zelfs jaren zou kunnen volgen en symptomen, afspraken, testresultaten en behandelingen zou kunnen volgen zonder ooit de context te verliezen. Het kan de patiënt eraan herinneren een recept bij te vullen, markeren wanneer een symptoom verandert, artsen waarschuwen voor eventuele veranderingen en aanbevelingen aanpassen naarmate hun gezondheid evolueert. Er is geen sprake van herhaling of opnieuw beginnen. 

Langetermijncoherentie zal teams van agents ook helpen effectiever samen te werken door te delen wat ze weten, waardoor beter cross-functioneel werk mogelijk wordt. Een voorbeeld: een juridisch agent en een logistiek agent kunnen samenwerken om een nieuwe partner aan boord te krijgen zonder dubbele verzoeken of stappen te missen.  

De toekomst van AI-agents: multi-agent, multimodaal, enorme impact

Hoe indrukwekkend AI-agents vandaag de dag ook zijn, wat voor ons ligt is veel baanbrekender: intelligente, gecoördineerde AI-agents die in verschillende functies werken om efficiëntie, inzicht en groei op schaal te stimuleren. Gespecialiseerde agents zullen bruikbare inzichten ontdekken uit enorme datasets. Schaalbare agents zullen pieken in de vraag opvangen zonder compromissen. En orchestrator-agents beheren de activiteiten naadloos in de hele onderneming.

Multimodale AI zal deze verschuiving verder versterken, waardoor agents een mix van inputs zoals tekst, spraak, afbeeldingen en video kunnen begrijpen en ernaar kunnen handelen, net zoals mensen dat doen. Dit zal resulteren in meer natuurlijke interacties, rijkere inzichten en bredere toepassingen.  

De organisaties die deze verschuiving in een vroeg stadium omarmen, zullen het best gepositioneerd zijn om leiding te geven, sneller te innoveren, sneller te reageren en beter toegerust om waarde te leveren.