Integratie van AI-agents mislukt? 3 oplossingen die wél werken

Bedrijven gebruiken gemiddeld 957 applicaties. Naarmate ze verder komen in hun agentische transformatie, komen daar vaak nog eens zo’n 100 applicaties bij.

Op zichzelf lijkt dat misschien geen groot probleem. Maar volgens MuleSoft is momenteel slechts 27% van deze applicaties met elkaar verbonden. Hierdoor blijven gefragmenteerde data een hardnekkig knelpunt.

Wanneer een supportagent bijvoorbeeld een bestelling van een klant wil annuleren, moet deze de orderstatus controleren in de e-commercedatabase, de identiteit van de klant verifiëren in het CRM-systeem en de terugbetaling verwerken via het betaalsysteem. Alleen als deze systemen goed met elkaar communiceren, kan de agent de taak volledig en correct uitvoeren.

Applicaties communiceren via API’s (Application Programming Interfaces). Hiermee kunnen AI-agents andere systemen opvragen voor informatie of opdrachten geven om acties uit te voeren. Omdat systemen verschillende programmeertalen gebruiken, zoals Java of Python, fungeren API’s ook als vertalers die communicatie mogelijk maken.

Het probleem is dat ontwikkelaars vaak nog handmatig code moeten schrijven om AI-agents aan API’s te koppelen. “Het verbinden van een agent met een externe API is vaak een repetitieve programmeertaak,” aldus Venktesh Maugdalya, Director of Software Engineering bij Salesforce. “Vroeger schreef je voor elke actie aparte ‘lijmcode’. Dat proces is traag, moeilijk te onderhouden en belemmert schaalbaarheid.”

Je ontwikkelaars hoeven geen grote hoeveelheden losse code meer te schrijven, maar kunnen gebruikmaken van een iPaaS (Integration Platform as a Service). Dit is een cloudplatform dat afzonderlijke applicaties met elkaar verbindt, zodat ze data kunnen delen en workflows kunnen automatiseren zonder maatwerk­integraties te bouwen.

Maugdalya en zijn team hebben bijvoorbeeld MuleSoft (een iPaaS) ingezet om de connectiviteit van agents in Agentforce te vereenvoudigen (het platform van Salesforce om agents te bouwen en implementeren). Vooral de API-catalogus van MuleSoft bood uitkomst. Alle API’s zijn op dezelfde plek te vinden en kunnen door de agents worden gebruikt.   

Ook hebben ze de interne informatie en kennisartikelen opgeslagen in Data360, waar de AI-agents ze gemakkelijk kunnen vinden. 

Connectiviteit wordt waarschijnlijk nog gemakkelijker dankzij de opkomst van het Model Context Protocol (MCP). Deze open standaard, die is ontwikkeld door Anthropic, biedt een universele manier om AI-systemen aan verschillende applicaties te koppelen. MCP is niet gescheiden van iPaaS-platforms, maar maakt er integraal deel van uit.

Eigenlijk is MCP een universele vertaler en connector voor AI-agents. Een agent hoeft niet langer tientallen ‘talen’ te beheersen voor verschillende systemen, maar beschikt dankzij MCP over één gestandaardiseerde manier om ze met elkaar te verbinden. Zie het als een universele adapter die overal werkt.

Nu de agent naadloos integreert met externe databases, interne spreadsheets en personeelsdossiers, hoe garandeer je dat de autorisaties correct worden nageleefd?

Dit is een legitieme vraag. Bij de acceptatie van AI meldt 69% van de IT-leiders dat dataprivacy en -beveiliging het belangrijkste punt van zorg is. Behalve dat bedrijven moeten voldoen aan privacywetgeving, willen ze er ook zeker van zijn dat hun meest gevoelige informatie goed beschermd blijft, zeker naarmate de mate van automatisering toeneemt.

Leidinggevenden bij Salesforce hadden beveiliging dan ook hoog op de agenda staan toen ze een agent voor Techforce (de interne IT-supportservice) integreerden in Slack. “We moesten veel gevoelige informatie migreren van ons verouderde systeem naar onze agents en Slack. Dat was een enorme klus voor het Techforce-team,” aldus Amanda Lane, Senior Product Marketing Manager bij Salesforce.

Het team moest waarborgen dat de agent alleen toegang had tot de strikt noodzakelijke gegevens en geen persoonlijk identificeerbare informatie (PII) kon inzien, zoals geboortedata, inkomens, adressen of gezondheidsgegevens.

Ook bij de lancering van de supportagent hield Salesforce nadrukkelijk rekening met beveiliging en privacy. “Een gebruiker kan de agent vragen om informatie op te halen, bijvoorbeeld via Google. Wat willen ze kopen? Welke kansen overwegen ze?” aldus Harini Woopalanchi, Director of IT Product Management bij Salesforce. “We moesten zorgen voor goede datamaskering en duidelijke vangrails, zodat de agent geen ongeautoriseerde data kon ophalen.”

Wil je je data veilig houden, dan moet je zorgen voor een goede voorbereiding. 

De Trust Layer van Agentforce heeft veel functies die hiervoor van pas komen. Het fungeert als een veilig controlepunt tussen je agent en de buitenwereld. De functie voor datamaskering detecteert en maskeert automatisch gevoelige gegevens, zoals creditcardnummers, burgerservicenummers en e-mailadressen, zonder dat de agent hiervoor een externe prompt nodig heeft. Omdat deze gegevens niet worden opgeslagen, kunnen externe LLM’s, zoals ChatGPT van OpenAI of Claude van Anthropic, na verwerking van een aanvraag geen klantgegevens bewaren of hergebruiken.

Via tools voor API-beheer kun je meer vangrails toevoegen. Het team van Maugdalya heeft via het API-beheer van MuleSoft het aantal velden beperkt dat de agents konden gebruiken bij een API-aanvraag. Als een API bijvoorbeeld 100 velden met informatie had, zag de agent er misschien maar 50 van. 

Maar het belangrijkste is om je agent voor implementatie te testen in een full copy-sandbox. Dat is wat het team van Lane ook heeft gedaan toen het Techforce in Slack integreerde. Een full copy-sandbox is een exacte kopie van je productieomgeving. Teams kunnen daar veilig een agent testen voordat deze live gaat. Het team van Lane heeft ook Data Mask & Seed gebruikt om automatisch realistische data aan sandboxen toe te voegen zonder dat gevoelige informatie openbaar wordt gemaakt, zoals CRM- of werknemersgegevens. 

Het team van Woopalanchi heeft zijn interne agents grondig getest met 1.000 gelijktijdige gebruikersaanvragen. Daarnaast controleerde het team of de reacties onjuiste of schadelijke output bevatten. Pas toen de agents aantoonbaar klaar waren voor gebruik, werden ze daadwerkelijk ingezet.

Je hebt inmiddels alle technische problemen opgelost. Maar als je wilt dat een AI-agent echt wordt geïntegreerd, moeten medewerkers deze ook daadwerkelijk gebruiken.

Daarvoor moet de agent zich wel op de juiste plek bevinden. Dat bleek ook een uitdaging voor Salesforce toen het verkopers uitrustte met een AI-agent. In eerste instantie dacht de organisatie dat Org62 de beste plek was voor de agent: het interne klantenbestand waarin verkopers accountinformatie opslaan, zoals leads en contacten.

Na zes maanden bleef de adoptiegraad echter laag. “Na analyse van het gedrag van onze accountmanagers bleek dat ze het grootste deel van hun dag in Slack doorbrengen,” aldus Daniel Zielaski, Vice President of Data Science bij Salesforce.

Dat was een belangrijke les bij de integratie van AI-agents: je moet begrijpen waar mensen werken om te bepalen waar een agent thuishoort. “Org62 bevond zich niet op de plek waar mensen communiceren, waar belangrijke gesprekken plaatsvinden of waar ze support en feedback zoeken — daarvoor gingen ze naar Slack,” aldus Zielaski.

Toen het bedrijf dit inzicht toepaste en de agent van Org62 naar Slack verplaatste, nam het gebruik snel en significant toe.

Wat is de beste manier om AI-agents in je teams te integreren? “Je moet grondig analyseren en in kaart brengen waar je werknemers klikken, scrollen, lezen en schrijven, en welke systemen ze gebruiken en hoe”, aldus Zielaski.

Misschien heb je al een idee waar het meeste werk plaatsvindt, maar het is belangrijk om dit ook daadwerkelijk te onderzoeken. Kijk welke software medewerkers gebruiken en hoeveel tijd ze daarin doorbrengen.

Besteedt een team het grootste deel van de tijd in één specifiek systeem? Of vindt het merendeel van het werk plaats in een berichtenapp? Zodra je dit helder hebt, kun je de AI-agent integreren in de systemen waar daadwerkelijk wordt gewerkt.

Bedenk goed: AI-agents werken niet in een vacuüm. Om hun volledige potentieel te benutten, moeten ze naadloos aansluiten op je bestaande technologie en de manier waarop je medewerkers werken.

Onderweg kom je onvermijdelijk obstakels tegen. Maar zodra je die hebt opgelost, kan je AI-agent daadwerkelijk waarde leveren en consistent goed presteren.. 

[Afbeelding: Aleona Pollauf/Salesforce]