Onderneem nu actie en bereid je voor op de toekomst

Transformeer AI-potentieel stap voor stap in zakelijke realiteit

Managers staan tegenwoordig allemaal voor dezelfde onmogelijke uitdaging: exponentiële groei realiseren met een vast budget en overbelaste teams. Ondertussen moeten ze concurreren met bedrijven die elk jaar sneller werken, en natuurlijk de steeds hogere verwachtingen van klanten overtreffen.

Gezien deze toenemende druk is een fundamenteel nieuwe benadering van het werk zelf nodig. Daar komen AI-agents om de hoek kijken. De slimme AI-agents kunnen niet alleen zelfstandig scripts volgen, maar ook redeneren, zich aanpassen en nemen beslissingen. Deze agents kunnen de repetitieve, tijdrovende taken voor hun rekening nemen die doodvermoeiend zijn voor je teams. Zo kunnen medewerkers zich richten op werk met meerwaarde, dat innovatie en werkplezier stimuleert.

Deze geavanceerde agents spelen een sleutelrol in de weg naar een agentische organisatie, waarin mensen en AI samenwerken en samen meer bereiken dan ze afzonderlijk ooit zouden kunnen.

De mogelijkheid van digitale arbeidskrachten klinkt veelbelovend. Maar het proces voelt vaak overweldigend aan. Waar begin je? Hoe voorkom je dure fouten? En hoe ziet succes er eigenlijk uit?

We weten hoe je je voelt.

Bij Salesforce werd ons eigen agentische AI-traject werd gekenmerkt door experimenten, doorbraken en moeizaam geleerde lessen. Maar we hebben ook duizenden klanten geholpen, van innovatieve start-ups tot bedrijven uit de Fortune 500, die allemaal baanbrekend werk hebben gedaan met agents. We weten wat werkt, wat niet werkt en wat de echte voordelen zijn als menselijke medewerkers samenwerken met AI-agents bij bijvoorbeeld salessupport, marketingoutreach en hr-workflows.

In dit e-book lees je meer over deze ervaringen en krijg je een praktische routekaart, zodat je precies weet hoe je het beste kunt omgaan met het tijdperk van AI-agents.

‎

Hoe je dit e-book gebruikt

Lees de volledige handleiding in de juiste volgorde of ga naar het hoofdstuk dat de antwoorden op je geeft. In de ‘lessen van de agentische organisatie’ vind je succesverhalen, valkuilen om uit de weg te gaan en voorbeelden van Salesforce-klanten die met AI-agents werken. Aan het einde van elk hoofdstuk kun je activiteiten downloaden die je met je team kunt uitvoeren om de geleerde lessen in de praktijk te brengen.

Zoals je hieronder ziet, behandelt het e-book eerst een visie en de voorbereiding van medewerkers via een tactische uitvoering: use cases selecteren, processen transformeren en datafundamenten. Verderop lees je meer over de realisatie van de ‘dubbele winst’ van tevreden klanten en succesvolle medewerkers. Het laatste hoofdstuk bevat ideeën en inspiratie over hoe je je voorbereidt op een toekomst met geavanceerde agents, robotica en EGI (enterprise general intelligence).

De conclusie? Begin nu.

Bedrijven die aarzelen of op goed geluk aan AI-agents beginnen, lopen kansen mis en raken achterop bij concurrenten die spijkers met koppen slaan. In een enquête uit maart 2025 door McKinsey gaf 78% van de deelnemers aan dat hun organisaties AI al inzetten bij ten minste één zakelijk initiatief. Dat is een stijging ten opzichte van 72% aan het begin van 2024 en 55% een jaar eerder. De acceptatie van AI neemt jaar na jaar snel toe.

Je bent veel dichter bij het bereiken van alle voordelen die AI-agents je organisatie bieden dan je denkt. En wij helpen je graag.

Laten we beginnen.

Maak afspraken over een praktische strategie voor agentische AI

Als ondernemer die met agents aan de slag wil, kan het voelen alsof je aan de voet van de Mount Everest staat — met alleen een rugzak en zonder precies te weten wat je te wachten staat. De top lijkt eindeloos ver weg en je vraagt je af of je wel de juiste uitrusting hebt.

Maar weet je wat succesvolle klimmers doen? Ze focussen zich in het begin helemaal niet op de top. Ze kijken eerst wat ze kunnen, stippelen hun route uit en zetten dan die cruciale eerste stap.

Met een goed plan volgt de volgende stap vanzelf. En wat eerst onmogelijk leek, verandert in een reeks haalbare mijlpalen.

Voordat je je verdiept in de technische details van deze handleiding, is het belangrijk om te weten wat er allemaal mogelijk is wanneer AI-agents onderdeel worden van de dagelijkse praktijk binnen je organisatie. We hebben het over slimme AI-agents die taken kunnen overnemen die voorheen door medewerkers of teams werden uitgevoerd. Deze agents kunnen zelfstandig analyseren, beslissen en handelen — binnen de grenzen die jij bepaalt.

Neem even de tijd om daarover na te denken:

Stel je voor dat je marketingteam campagnes al binnen een paar dagen zou kunnen lanceren in plaats van een paar maanden.

Stel je voor dat je klantenservice problemen zou kunnen oplossen voordat klanten ermee te maken krijgen.

Stel je voor dat je 70% sneller producten kunt ontwikkelen.

En stel je tot slot voor dat je de toekomst van je organisatie volledig kunt herinrichten — niet met kleine verbeteringen, maar met een volledige transformatie van je activiteiten. Dankzij onze samenwerking met tientallen organisaties hebben we waardevolle inzichten opgedaan waarmee jij meer vaart kunt zetten achter je traject.

Dit hebben we allemaal geleerd over de toekomst met AI

Lessen van agentische organisaties

• AI-agents multipliceren de groei maar zijn geen strategische tool om kosten te besparen. Richt je bij het ontwikkelen van je AI-strategie op het schalen, niet op het terugdringen van het aantal personeelsleden.
• Kies in een vroeg stadium voor duidelijke integratierichtlijnen door alle nieuwe tools te koppelen aan één centrale informatiebron, omdat je anders datasilo’s maakt.
• Ontwikkel je AI-strategie vanaf het allereerste begin op basis van een geïntegreerd platform om je AI-transformatie te versnellen en sneller resultaten voor je bedrijf te boeken.

Zota heeft een gedurfde groeistrategie met AI ontwikkeld

De wereldwijde betalingsmarktplaats Zota stond voor een strategisch dilemma. Het bedrijf wilde jaarlijks met 30% groeien en het aantal aangesloten winkels verdubbelen van 500.000 naar 1 miljoen. CEO Avner Ziv was echter vastbesloten het personeelsbestand beperkt te houden tot 300 medewerkers. Terwijl medewerkers veel tijd besteedden aan de 180.000 supportcases per jaar — in plaats van aan werk met een hoger rendement, zoals het sluiten van deals — was extra personeel aannemen geen optie.

Als oplossing ontwikkelde Zota een gedurfde groeistrategie met een prominente rol voor AI, die vanaf het begin de capaciteiten schaalde. Hun visie op agentische AI was om met AI-agents een veelzijdig digitaal personeelsbestand op te bouwen, te beginnen met één agent, en vervolgens op te schalen naar meer dan 30 agents in elke afdeling. In slechts vijf weken heeft Zota met Agentforce een agent voor veelgestelde vragen ontworpen, gebouwd, getest en ingezet. Dit succes was het begin van de overkoepelende strategie van het bedrijf om een schaalbaar fundament te leggen via het geïntegreerde Salesforce-platform en Data Cloud voor een omgeving met AI-medewerkers.

Het resultaat was een volledig functionele AI-agent die 180.000 vragen per jaar kon beantwoorden, dag en nacht support bood aan 500.000 winkels en moeiteloos leads kon vastleggen als vragen niet vanuit de knowledge base konden worden beantwoord. Deze gerichte aanpak leidde onmiddellijk tot een zakelijke impact, terwijl tegelijkertijd de basis werd gelegd voor hun bredere visie om in het eerste jaar 10 agents in te zetten. Dankzij Zota’s visie om AI in te zetten als strategisch hulpmiddel voor groei — en niet enkel als middel om kosten te besparen — kon het bedrijf een digitaal personeelsbestand opbouwen waarmee 140 medewerkers het werk van 800 teamleden verrichten.

De agentische organisaties die AI succesvol hebben geïmplementeerd, beginnen met een overtuigende visie en niet met het selecteren van de technologie. In dit hoofdstuk leer je hoe je:

1. kunt nagaan of je agents gereed zijn;
2. afstemming bereikt rondom een strategisch fundament;
3. een fundamentele opstelt;
4. je visie van agents met AI definieert.

Gereedheid van AI-agents

Wat betekent het eigenlijk om ‘klaar te zijn voor AI’? Zie het als een voorbereiding op een lange roadtrip: het is echt een reis! Je moet je vertrekpunt kennen, je voertuig controleren en je route uitstippelen voordat je op pad gaat.

Als eerste breng je in kaart in hoeverre je klaar bent voor AI. Door nu te bepalen wat de status is van je medewerkers, processen en technologie geef je richting aan die reis: van het kiezen van de juiste eerste use case tot het samenstellen van een strategische routekaart voor acceptatie in de hele organisatie.

Wil je weten in hoeverre je klaar bent voor agentische AI, dan moet je precies nagaan waar je je bevindt op het agentische volwassenheidsspectrum voor agents. En belangrijker nog, je moet weten wat de volgende haalbare stappen zijn.

Salesforce heeft een meerlaags volwassenheidsmodel voor agents ontwikkeld waarmee je de huidige en toekomstige stand van zaken kunt bepalen. Met deze stapsgewijze aanpak kunnen organisaties hun mogelijkheden geleidelijk uitbreiden, terwijl ze in elke fase de bedrijfswaarde aantonen.

De ontwikkeling van agents: wat is de huidige situatie?

Agents op niveau 1 leveren aanzienlijke voordelen en leggen het fundament voor verfijndere implementaties. Tijdens deze fase definiëren bedrijven hun AI-strategie, bepalen ze integriteitsbescherming en beginnen ze met het koppelen van databronnen. AI-agents beantwoorden veelvoorkomende vragen van medewerkers zoals ‘Wat is ons beleid voor vakantiedagen?’ of ‘Hoe kan ik mijn wachtwoord resetten?’

De evolutie van toonaangevende AI: elke keer nét even anders

In tegenstelling tot eerdere technologische implementaties, die afzonderlijk konden worden uitgerold, is voor AI een nieuwe samenwerking van managers vereist. Wat geslaagde implementaties gemeen hebben, is dat er niet één enkele besluitvormer is, maar een gezamenlijke verantwoordelijkheid van de technische en zakelijke managers die weten dat AI impact heeft op zowel de technologische infrastructuur als de bedrijfsstrategie.

De rol van de CIO heeft in het tijdperk van AI-agents een enorme ontwikkeling doorlopen. CIO’s moeten vandaag de dag hun zakelijke spierballen laten zien door nauw samen te werken met afdelingsmanagers om use cases te vinden die tot tastbare waarde en meetbare uitkomsten leiden. Hun rol is meer dan alleen het aansturen van de technische infrastructuur: vaak zien we CIO’s die functieoverschrijdende teams begeleiden en de zakelijke behoeften omzetten in technische routekaarten.

Voor succes is meestal samenwerking tussen deze belangrijke rollen vereist.

• CIO/Chief Technical Officer (CTO): technische infrastructuur, datastrategie en functieoverschrijdende samenwerking
• Managers van bedrijfsonderdelen: use cases vinden, verantwoordelijkheid voor de resultaten en acceptatie
• CEO: strategische afstemming en verantwoordelijkheid voor de beslissing over de reikwijdte en het doel van het overstappen op AI-agents
• Chief Customer Officer (CCO): strategie voor de klantervaring en workflows voor de service-automatisering
• Chief Human Resources Officer (CHRO): transformatie van het personeel en change management
• Chief Financial Officer (CFO): investeringsstrategie en het meten van het rendement op investering (ROI)

De cruciale vraag is niet ‘Wie is de baas?’ maar ‘Hoe kunnen we gezamenlijk de verantwoordelijkheid nemen voor de technische mogelijkheden en de bedrijfsresultaten?’ Organisaties die moeite hebben met de acceptatie van AI, werken vaak niet volgens dit samenwerkingsgerichte model. Zij zien de implementatie vooral als een technische óf zakelijke aangelegenheid, terwijl het in werkelijkheid beide betreft.

De beste implementaties beginnen met het juiste leiderschapsmodel voor het beginpunt en de ambities van je organisatie.

Je AI-strategie opbouwen met deze vier pijlers

Hoewel je in de komende hoofdstukken stap voor stap leert hoe je een agentische organisatie wordt, zijn er vier pijlers die een momentopname bieden van hoe goed je organisatie is voorbereid. Heb je dit goed geregeld, dan heb je het fundament gelegd voor de implementatie van je AI-agents.

1. Strategische instemming
2. Data die gereed is voor gebruik
3. Technologische infrastructuur
4. Beleid en metingen

Definieer je strategische visie

Nu is het tijd afspraken te maken over het ‘waarom’. Wil je succesvol zijn met AI-agents, begin dan met een duidelijke visie die aangeeft waarom je organisatie het gebruik van AI-agents nastreeft. Deze verklaring zet de toon voor het succes en moet in de hele organisatie worden gedeeld.

Probeer deze activiteit: formuleer je AI-visie

In deze handleiding vind je afdrukbare werkbladen waarmee teams direct aan de slag kunnen om AI-agents sneller te implementeren. Download het eerste werkblad hieronder en vul samen met je team de velden in om je AI-strategie en -visie te formuleren.

Verwijder obstakels en bereid je medewerkers voor op samenwerking tussen mensen en AI-agents

Kun je je herinneren dat je voor eerst werkte met een nieuwe collega die onmogelijk efficiënt leek? In eerste instantie voelde je je misschien geïntimideerd of wilde je graag even efficiënt werken. Daarna besefte je dat de beste relaties op de werkplek ontstaan wanneer je niet concurreert maar samenwerkt. De kwaliteiten van collega’s laten jouw sterke punten nog duidelijker naar voren komen.

De integratie van AI-agents in je organisatie is eigenlijk vergelijkbaar met het aannemen van een nieuwe collega. Het is een krachtige tool die altijd klaarstaat en uiterst efficiënt is, maar die volledig afhankelijk blijft van menselijke intelligentie, creativiteit en beoordelingsvermogen om optimaal te presteren.

Een van de meest cruciale voorwaarden voor succesvolle AI is om deze verandering in goede banen te leiden. Hoewel de configuratie van de technologie gemakkelijk is, vindt echte verandering pas plaats als alle medewerkers AI-agents als collega’s benaderen.

Uit recent onderzoek door McKinsey Digital is naar voren gekomen dat er een kloof is tussen het management en de medewerkers over hoe gereed de organisatie is voor AI. Directieleden geven twee keer zo vaak aan dat de gereedheid van medewerkers een belemmering vormt voor de inzet van AI dan dat ze dat van zichzelf vinden. Toch laat het onderzoek zien dat medewerkers positiever staan tegenover AI dan het management dacht. De grootste barrière voor succesvolle AI-implementatie blijkt dan ook het management zelf, niet de medewerkers.

Dit gebrek aan afstemming is een cruciale kans voor het management om medewerkers niet meer te zien als obstakels, maar als bereidwillige partners bij veranderingen. Uit de nieuwste Slack Workforce Index van Salesforce blijkt dat van medewerkers die AI dagelijks gebruiken, 64% productiever en 81% tevredener is met hun baan dan collega’s die AI niet gebruiken. Ziet het management de acceptatie van AI als een kans, dan kan dat leiden tot echt potentieel en een compleet nieuw beeld van wat AI kan doen voor het personeel.

Een transformatieve mindset

Geslaagde agentische organisaties zien deze agents als een kans om het werk van mensen naar een hoger niveau te tillen en niet om het te vervangen.

Administratief medewerkers zeggen 41% van hun tijd te besteden aan taken die ‘weinig waarde toevoegen, repetitief zijn of geen zinvolle bijdrage leveren aan hun kerntaken’. Uit dit onderzoek van het Slack-rapport over werktrends komt een duidelijke kans naar voren voor AI om medewerkers te helpen hun energie te verleggen van routineklussen naar waardevollere activiteiten. Positioneren managers AI als ‘digitale arbeidskrachten’ die routinetaken overnemen, dan kunnen medewerkers meer tijd steken in werk waarvoor menselijke capaciteiten nodig zijn. Bedrijven moeten een overtuigende visie opstellen die angsten wegneemt en het enthousiasme voor een betere toekomst aanwakkert.

Deze mindset moet actief worden gestimuleerd door het management en worden versterkt via consequente berichten, voorbeelden van successen en erkenning van medewerkers die agents inzetten. Voor een holistische benadering is het cruciaal dat managers van functieoverstijgende bedrijfsonderdelen achter het plan staan. Technologische managers moeten de implementatie aansturen, bedrijfsleiders houden de strategische doelstellingen in het oog en hr-managers geven advies over loopbaantrajecten en trainingsprogramma’s.

We zetten een paar praktische benaderingen op een rijtje waarmee het management zich sterk kan maken voor deze mindset.

• Ontwikkel trajecten voor uitstekend presterende medewerkers om ‘citizen developers’ te worden, waarbij je ze aanmoedigt om agents te maken en implementeren voor repetitieve taken.
• Organiseer regelmatige demonstraties van succesvolle AI, waarbij teams laten zien wat goed werkt.
• Voeg skills in AI-samenwerking toe aan prestatiebeoordelingen en criteria voor promoties.
• Stel interne communities samen waarin medewerkers best practices kunnen delen.
• Zet erkenningsprogramma’s op die medewerkers in het zonnetje zetten als ze op nieuwe manieren met agents werken.
• Laat managers openhartig praten over hun eigen ervaringen met AI, inclusief hun successen en uitdagingen.

Lessen van agentische organisaties

• Wees vanaf de eerste dag transparant door gratis AI-training aan te bieden, bedrijfsbrede trainingen te organiseren en speciale communicatiekanalen op te zetten voor regelmatige updates. Doe je dit niet, dan vullen medewerkers een gebrek aan kennis in met angst en speculatie.
• Creëer veilige plekken om te experimenteren via praktische oefensessies met scenario’s zonder veel impact. Fouten zijn kansen om te leren. Doe je dit niet, dan gaan teams AI-agents uit de weg wanneer ze daar juist baat bij kunnen hebben.
• Ontwikkel duidelijke richtlijnen voor beslissingen door specifieke criteria te definiëren voor het gebruik van AI-agents in plaats van menselijk beoordelingsvermogen. Doe je dit niet, dan gebruiken medewerkers agents te vaak of juist helemaal niet.
• Werk met feedbacklussen die impact aantonen door medewerkers te vragen beperkingen van agents en verbeteringen door te geven op basis van hun input. Doe je dit niet, dan verliezen ze het vertrouwen in zowel de technologie als de inzet van het management voor een goede uitkomst.

‘Opnieuw’: hoe Salesforce als Customer Zero de blauwdruk opstelde

Als de eerste gebruiker van onze eigen AI-tools hebben we geleerd dat voor geslaagd change management zowel een strategische visie als een tactische uitvoering onmisbaar zijn. We hebben onze eigen medewerkers uitgebreid voorbereid op de samenwerking met agents. De ‘de vier O’s’ speelden een sleutelrol:

• Opnieuw taken ontwerpen op basis van de samenwerking tussen mensen en agents
• Opnieuw skills leren via programma’s zoals driemaandelijkse trainingsdagen
• Opnieuw talent inzetten binnen onderdelen met veel groei via onze door AI aangedreven carrièreplatform
• Opnieuw het personeel in evenwicht brengen door de combinatie van menselijke en digitale arbeidskrachten continu te optimaliseren

Deze culturele verschuiving bereidt alle medewerkers erop voor om agents of teams met agents te beheren, met het besef dat dit de laatste generatie managers is die alleen mensen aanstuurt.

Taken opnieuw ontwerpen

Om het beste van mens en AI te combineren, zijn nieuwe rollen, AI-agents en werkmodellen nodig. Dat betekent dat AI moet worden geïntegreerd in bestaande workflows om de efficiëntie te verhogen — bijvoorbeeld bij het samenvatten of zoeken in data — terwijl tegelijkertijd op zorgvuldige wijze compleet nieuwe rollen voor mensen worden ontwikkeld. Een voorbeeld hiervan is de Redesign Lead, die verantwoordelijk is voor grootschalig organisatieontwerp.

Salesforce heeft al vroeg in het traject een speciaal team voor personeelsinnovatie opgezet. Dit team richtte zich op het ontwerpen en implementeren van strategieën om het personeel wereldwijd voor te bereiden op het AI-tijdperk. Hierbij hoorde ook het optimaliseren van mobiel talent en het bevorderen van de interne AI-acceptatie.

Organisaties moeten hun structuren, rollen en processen heroverwegen om de aanvullende kwaliteiten van mensen en AI-agents te maximaliseren.

Medewerkers trainen in nieuw skills

Het merendeel van het huidige personeel moet hun kennis van onderwerpen als de basisbeginselen van AI of datastrategieën opfrissen om in een omgeving van agents goed werk te leveren. Bij Salesforce leren, oefenen en gebruiken we bewust elke dag deze AI-skills. We zijn begonnen met de 10 belangrijkste zakelijke skills op een rijtje te zetten die medewerkers nodig hebben om succesvol te zijn in een toekomst met agents. Deze vaardigheden kunnen in drie algemene categorieën worden ingedeeld:

• Menselijke vaardigheden: aanpassingsvermogen, verantwoordelijkheid, samenwerking, emotionele intelligentie
• Agent-skills: kennis van agents en AI, samenwerking tussen mens en agent
• Zakelijke vaardigheden: probleemoplossing, data-interpretatie, creatief denken, storytelling

We gaan tot in detail kijken hoe sommige van deze skills kunnen worden vertaald in dagelijks terugkerende routineklussen in het tijdperk van digitale arbeid:

AI-kennis: behalve basiskennis hebben medewerkers praktische kennis nodig van:

• Hoe ze effectief kunnen communiceren met AI-agents: ze moeten leren hoe ze duidelijke, specifieke prompts schrijven, duidelijke beperkingen instellen, itereren met voorbeelden en begrijpen welke gevolgen verschillende formuleringen hebben voor de AI-reacties. De vraag ‘Wat zijn de belangrijkste klachten van klanten deze maand?’ levert bijvoorbeeld compleet andere resultaten op dan de vraag ‘Laat me feedbackdata van klanten zien’ .
• De capaciteiten en beperkingen van AI: AI-agents blinken uit in het herkennen van patronen en de verwerking van data, maar hebben moeite met genuanceerde oordelen. Veelvoorkomende beperkingen zijn hallucinaties (waarbij zelfverzekerd onjuiste informatie wordt gegeven), sycofantisch gedrag (instemmen met gebruikers zelfs als die het bij het verkeerde eind hebben) en problemen hebben met logisch redeneren in meerdere stappen of ingewikkelde berekeningen.
• Het herkennen van wanneer de output van AI menselijke verificatie is vereist: belangrijke beslissingen, creatieve content die cultureel gevoelig ligt of aanbevelingen waar wettelijke naleving een rol speelt, hebben altijd een menselijke controlestap nodig.

Systeemdenken: omdat agents individuele taken afhandelen, moeten mensen de volgende skills ontwikkelen:

• Het vermogen om verbanden te zien tussen ingewikkelde workflows: bijvoorbeeld inzicht in hoe geautomatiseerde beslissingen over de voorraad supplychainpartners beïnvloeden.
• Kennis van hoe agentbeslissingen impact hebben op downstream processen: als een AI-agent, bijvoorbeeld, een terugbetaling aan een klant goedkeurt, moeten medewerkers nagaan wat de gevolgen zijn voor accounting, voorraad en de berekening van de customer lifetime value.
• Het vermogen om te zien wanneer een proces opnieuw moet worden ontworpen: weet wanneer workflows die voor het gebruik door mensen zijn gebouwd, opnieuw moeten worden gestructureerd voor AI-agents.

Ethische besluitvorming: mensen moeten de ethische noodknop kunnen indrukken bij activiteiten van agents.

1. Vermogen om te beoordelen wanneer agents moeten worden genegeerd: wanneer een AI-agent bijvoorbeeld voorstelt een aanvraag voor een lening te weigeren, moeten mensen nagaan of de beslissing algoritmisch vertekend is of berust op een legitieme risicobeoordeling.
2. Vermogen om vertekening te herkennen: herken wanneer AI-aanbevelingen consistent een voorkeur hebben voor bepaalde demografische groepen of wanneer beperkingen van trainingsdata tot oneerlijke uitkomsten leiden.
3. Inzicht in problemen met privacy en databeheer: weet wanneer toegang van agents tot gevoelige data problemen met de naleving veroorzaakt en hoe je audittrails bijhoudt voor regelgevende doelen.

De aanpak van Salesforce bij nieuwe skills? Begin met de bedrijfscultuur

Als we bij Salesforce medewerkers vertrouwd willen maken met AI-agents, beginnen we met een cultuur van openheid en experimenteren. ‘We moeten van bovenaf en onderaan werken’, aldus Irina Gutman, RVP of Global AI practice, Professional Services. ‘Je moet ook voorstanders van veranderingen herkennen: diegenen die binnen het bedrijf nieuwe technologie aanbevelen. Dat is niet alleen mijn baas die zegt dat dit goed voor me is. Het zijn gerespecteerde vrienden en collega’s die naast me zitten en zeggen: ‘Weet je? Dit is echt een leuke tool. Die moet je echt proberen.’

Bij Salesforce willen we het de medewerkers gemakkelijk maken om nieuwe skills te leren. Met ondersteuningsprogramma’s zoals de driemaandelijkse trainingsdagen voor Agentforce worden medewerkers tijdens werkuren aangemoedigd om hun skills voor AI-agents te ontwikkelen. Vorig jaar zijn we van start gegaan met Career Connect. Dat is een interne, door AI aangedreven marktplaats voor talent waar medewerkers gepersonaliseerde aanbevelingen krijgen, waaronder adviezen over nieuwe skills, online trainingen en zelfs nieuwe vacatures binnen het bedrijf. Lees meer over onze aanpak bij het voorbereiden van onze eigen medewerkers op AI-agents.

Klaar voor nieuwe skills? Met tools zoals Trailhead, het gratis online trainingsplatform van Salesforce, kon ons team snel leren en zich sneller aanpassen. Bekijk deze trails voor een fundamentele (en leuke) plek om te beginnen.

Medewerkers herplaatsen in snelgroeiende bedrijfsonderdelen

De grootste kans die AI-agents bedrijven vandaag bieden, is dat ze routinetaken kunnen overnemen, zodat mensen hun talent kunnen inzetten voor nieuwe rollen waarin unieke menselijke vaardigheden samenkomen met AI. Bij Salesforce geven we onze medewerkers nieuwe functies waarin ze meer impact hebben en een grotere rol spelen in innovatie.

Onze strategie voor herplaatsing bestaat uit drie belangrijke initiatieven.

1. Career Connect-platform: via onze door AI aangedreven interne marktplaats kunnen medewerkers nieuwe skills vinden en ontwikkelen. Veel mensen hebben gereageerd en 44% van de medewerkers heeft zich aangemeld. Verder zijn bijna 40% van de interne sollicitaties via het platform verlopen.
2. Kader voor toekomstige skills: we hebben de 10 belangrijkste soorten skills op een rijtje gezet die medewerkers nodig hebben voor een toekomst met agents (mensen, agents en zakelijke skills). Zo hebben onze medewerkers duidelijke leertrajecten.
3. Innovatieteam voor medewerkers: we hebben een speciaal team opgericht om deze visie uit te voeren, zodat medewerkers tegemoet kunnen komen aan de veranderende eisen van een werkplek met AI. Dankzij deze inspanningen zijn 28.000 medewerkers gecertificeerd als Agentblazers. Dit zijn professionals die over de vaardigheden en visie beschikken om de manier waarop werk wordt gedaan te transformeren en gelijke tred te houden met innovatie in het tijdperk van agentische AI. Ontdek meer over ons programma voor Agentblazer-certificering.

Een nieuwe balans voor je personeel met menselijke en digitale arbeidskrachten

Voor een optimale combinatie van digitale en menselijke arbeid is een doorlopende afstemming vereist. Naarmate de mogelijkheden van agents veranderen, moeten bedrijven continu hun prestaties monitoren met tools voor personeelsplanning. Een datagestuurde, dynamische aanpak bij het toewijzen van taken zorgt dat agents meer routinetaken uitvoeren terwijl het menselijke talent zich richt op interessante werkzaamheden die meer waarde toevoegen.

Agentische organisaties: mensen en agents werken samen

De voorbereiding van je personeel is bij digitale arbeid net zo belangrijk als de technologie. Door workflows zorgvuldig opnieuw in te richten en echte leerkansen te bieden, kun je het fundament leggen voor duurzaam gebruik van AI waar iedereen baat bij heeft. Nu moeten deze uitgangspunten in praktijk worden gebracht door precies uit te stippelen waar je wilt optimaliseren voor acceptatie en succes binnen je organisatie. Dat gaat niet zonder samenwerking, maar vereist vanaf het begin oprechte betrokkenheid van stakeholders.

Probeer deze activiteit en werk een plan voor afstemming uit

We hebben een activiteit opgezet die je helpt over het perspectief van stakeholders na te denken voordat je deze rechtstreeks bij je plan betrekt. Dankzij deze activiteit kun je je beter inleven en doordachte vragen voorbereiden voor je het gesprek aangaat met elke groep stakeholders.

Weet je nog toen je voor het eerst achter het stuur zat? Je ging niet meteen de snelweg op tijdens het spitsuur. Je begon waarschijnlijk op een lege parkeerplaats en leerde de basishandelingen voordat je de ingewikkeldere uitdagingen aanging. Bij het kiezen van je eerste use case voor AI is dezelfde wijsheid vereist. Bouw eerst je vertrouwen op, leer de basis kennen en bouw het momentum op voor de grotere taken die je te wachten staan.

AI toepassen waar dit echt een verschil maakt

Je eerste use case maakt het verschil uit tussen geslaagde en teleurstellende agentische projecten. We hebben honderden organisaties zien worstelen met deze keuze. De organisaties die weloverwogen te werk gingen, creëerden momentum waarmee ze al hun bedrijfsactiviteiten hebben getransformeerd, terwijl andere moeite hadden om de tweede agent aan het werk te zetten.

Je hoeft het wiel niet opnieuw uit te vinden. Zoek naar use cases die meteen waarde opleveren en leg tegelijk het fundament voor een omvangrijkere transformatie. In dit hoofdstuk behandelen we dat proces zodat je niet meer hoeft te gissen en klaar bent voor blijvend succes.

Je strategische beginpunt

Maar niet alle dashboards zijn hetzelfde. Het is de kunst om de juiste balans te vinden tussen bedrijfswaarde en haalbare implementatie. Zo bouw je de geloofwaardigheid op en bewijs je hoe belangrijk AI-agents zijn voor je organisatie.

Bij de keuze van je eerste use case begin je met vier belangrijke vragen waarmee geslaagde implementaties zich onderscheiden van mislukte experimenten.

1. Welke specifieke zakelijk doelen bereik je hiermee? Richt je op cases met meetbare problemen, niet op abstracte mogelijkheden.
2. Hoe staat je organisatie tegenover risico’s? Ben je actief in een sterk gereguleerde sector met een lage risicotolerantie, overweeg dan eerst om het vertrouwen op te bouwen met interne agents.
3. Welke data heeft de agent nodig om succesvol te zijn? Hoe simpeler en duidelijker je datavereisten, hoe sneller je waarde realiseert.
4. Hoe gaan teams straks echt om met deze agent? Bij duidelijke implementatieplannen worden agents geen dure demo’s.

Deze vragen lijken misschien voor de hand te liggen, maar toch struikelen de meeste organisaties hier over. Door vooraf duidelijke antwoorden te verzamelen, voorkom je de dure valkuilen waardoor veelbelovende initiatieven ontsporen.

Dit hebben we allemaal geleerd over het beginnen met de juiste use case

Lessen van agentische organisaties

• Start met een kleine, gerichte use case en probeer AI niet ineens overal te implementeren. Door met één duidelijke use case te beginnen, bouw je de waarde op en creëer je tastbaar en aantrekkelijk bewijsmateriaal voor een bredere acceptatie.
• Structureer de onderwerpen voor je AI-agents algemeen in plaats van veel beperkte opties die op elkaar lijken. Zo neemt AI sneller slimmere beslissingen zonder te twijfelen.
• Begin op kleine schaal en leer snel. Gebruik in eerste instantie agents voor 5% tot 10% van je verkeer. Zo krijg je echte klantgegevens terwijl je nog wel kunt monitoren en aanpassen. Daarna kun je AI op meer verkeer toepassen, maar pas als je hebt aangetoond dat de agent op een verantwoorde manier het volume aankan.

Het snelle succes van Indeed werpt op de lange termijn vruchten af

Indeed, de marktplaats voor vacatures, liep tegen een frustrerend probleem aan toen werkgevers probeerden vacatures te plaatsen. Ze liepen vaak vast op eenvoudige problemen zoals vage geüploade documenten of ontbrekende informatie. Hierdoor moesten werkgevers wachten op menselijke support om simpele kwesties op te lossen, zoals een te korte functieomschrijving.

Indeed ging klein en doelgericht aan de slag met een oplossing en implementeerde AI niet overal ineens. In plaats daarvan koos het bedrijf één duidelijk doel dat bestond uit ondersteuning aan supportteams om problemen bij de verificatie van werkgevers en de publicatie van vacatures sneller op te lossen. Het bedrijf heeft Agentforce getraind om meteen problemen met vacatures op te sporen, zoals te lange functienamen of ontbrekende details. Agents legden niet alleen uit wat het probleem was, maar stelden oplossingen voor en hebben zelfs de plaatsing in realtime bijgewerkt zodat werkgevers door konden gaan.

Nu hoeft het menselijke team van Indeed niet meer te wachten op antwoorden op eenvoudige vragen, maar kan het echte relaties met klanten opbouwen terwijl het aan een ambitieuze doel werkt om wervingstijd met 50% te verlagen en meer mensen sneller aan een nieuwe baan helpen. Lees het hele verhaal van Indeed.

Reisplatform Engine liep tegen een duur probleem aan

Het supportteam van Engine, dat uit 150 medewerkers bestaat, handelde jaarlijks 530.000 verzoeken af. Eenvoudige annuleringen kostten veel waardevolle tijd — tijd die beter besteed kon worden aan klanten met complexere reiswijzigingen.

Om het probleem aan te pakken, heeft Engine de hulp van Astound Digital ingeschakeld en in slechts 12 dagen zijn eerste AI-agent ontwikkeld. Ze begonnen met annuleringen van klanten, waarbij een aanpak van testen, leren en schalen werd gehanteerd. Tijdens de implementatie ontdekte het bedrijf dat AI verward raakte als deze te veel vergelijkbare opties voorgeschoteld kreeg. Dus in plaats van afzonderlijke onderwerpen te maken voor annuleringen, upgrades en het toevoegen van bestuurders, werd alles georganiseerd onder een overkoepelend onderwerp zoals ‘autobeheer’, met meerdere acties eronder. Als je de onderwerpen voor je AI-agents breed structureert in plaats van te kiezen voor veel beperkte, vergelijkbare opties, neemt AI snellere en slimmere beslissingen zonder te twijfelen.

Nu neemt de AI-agent van Engine, Eva, onafhankelijk annuleringen voor haar rekening in een paar seconden. De gemiddelde tijd van de afhandeling is met 15% gedaald en menselijke medewerkers kunnen zich richten op ingewikkelde aanvragen terwijl ze het doel van Engine ondersteunen om jaarlijks met 70% te groeien zonder aanvullende overhead. ‘Dankzij Agentforce kunnen onze medewerkers effectiever werken’, aldus Joshua Stern, Director of Go-To-Market (GTM) Systems bij Engine. ‘Ze worden niet vervangen door Agentforce. Dit is een manier om hun efficiëntie te vergroten, zodat ze geen repetitieve taken hoeven te blijven doen. De echte kracht zit hem in hoe we de data gebruiken om een compleet beeld op te bouwen en klanten de beste service te bieden. We willen klanten helpen via de kanalen die ze al gebruiken.’ Lees het hele verhaal van Engine.

Het framework voor het selecteren van use cases

We hebben een praktisch framework opgesteld waarbij kansen voor AI-agents op twee belangrijke onderdelen in kaart worden gebracht: hoe ingewikkeld de implementatie is en de impact op het bedrijf. Met behulp van deze visuele tool konden honderden organisaties vol vertrouwen prioriteit geven aan investeringen in agentische AI.

In de bovenstaande afbeelding zie je van linksonder met de klok mee wat de tool te bieden heeft:

Snelle successen (niet ingewikkeld, gerichte impact)
Ideaal voor organisaties die net beginnen met agents. Deze use cases maken gebruik van bestaande data, hebben een beperkt aantal stakeholders en leveren duidelijke, meetbare resultaten. Bijvoorbeeld: een interne agent die hr-vragen van medewerkers beantwoordt en de onboarding in goede banen leidt.

Schaalmogelijkheden (niet ingewikkeld, brede impact)
Ideaal voor organisaties met bestaande datafundamenten. Deze use cases gebruiken de bestaande infrastructuur, maar hebben gevolgen voor meerdere afdelingen of contactmomenten met klanten. Bijvoorbeeld: klantenserviceagents die vragen over producten beantwoorden voor alle bedrijfsonderdelen of Sales Development Representatives die leads kwalificeren voor alle geografische regio’s.

Strategische fundamenten (zeer ingewikkeld, gerichte impact)
Ideaal voor organisaties met ervaring in AI en die klaar zijn om te investeren in de infrastructuur. Deze vereisen aanzienlijke data-integratie, maar leveren duidelijke, transformatieve resultaten op. Voorbeeld: een intelligente AI-verzekeringsagent die medische dossiers, kredietgeschiedenissen en risicobeoordelingen integreert om verzekeringsgoedkeuringen te automatiseren.

Transformatieve initiatieven (zeer ingewikkeld, brede impact)
Alleen voor organisaties met ontwikkelde AI-mogelijkheden en krachtige steun van het management. Voor deze initiatieven zijn aanzienlijke middelen vereist, maar ze kunnen bedrijfsmodellen fundamenteel hervormen. Bijvoorbeeld: een autonome AI-inkoopagent die over contracten onderhandelt, relaties met leveranciers onderhoudt en supplychains optimaliseert.

Wat informatie over geïntegreerde data, de snelkoppeling bij de implementatie van AI

Zoals we in detail uitleggen in hoofdstuk 5, is de analyse van je datakwaliteit even belangrijk als het nadenken over de juiste use case. Maak een enorme sprong met je implementatie via een platform dat je data al op grondige wijze integreert voor AI-agents. Agentforce, het platform van Salesforce voor het ontwikkelen van AI-agents, maakt het gemakkelijker om agents te maken en in te zetten via templates met weinig of geen programmeerwerk. Het werkt bovendien met interne en externe data (en ook gestructureerde en ongestructureerde data). Lees meer over hoe veel klanten van Salesforce dankzij geïntegreerde data razendsnel hun AI-agents kunnen implementeren.

Een framework met drie stappen voor een geslaagde implementatie

Je weet inmiddels hoe belangrijk het is om de juiste use cases te selecteren voor succes. Op basis van ons werk met klanten hebben we een snel proces van drie stappen gecreëerd waarmee je implementatieteam gemakkelijk een use case kan kiezen.

De belangrijkste zaken meten

Voor succes heb je meer nodig dan alleen goede bedoelingen. Het vereist vanaf de allereerste dag nauwkeurige metingen. Organisaties die de toegenomen efficiëntie en de zakelijke impact bijhouden, creëren een overtuigende onderbouwing voor uitbreiding.

Richt je op meetgegevens die voor verschillende stakeholders belangrijk zijn.

• Voor executives: ROI, impact op omzet, kostenbesparingen, concurrentievoordeel
• Voor teams binnen Operations: tijdsbesparingen, foutenreductie, uitgebreide mogelijkheden
• Voor klanten: reactietijden, oplossingspercentages, tevredenheidsscores
• Voor medewerkers: taakautomatisering, kansen voor het ontwikkelen van skills, werktevredenheid

Maak een plan voor zowel positieve als achterblijvende indicaties

Het kan even duren voordat sommige positieve effecten zichtbaar worden, vooral als ze verband houden met een langere bedrijfscyclus. Zo is de webagent van Salesforce ontworpen om meer gekwalificeerde leads naar sales te sturen en algemene vragen af te handelen. Maar als je de kwaliteit van leads wilt beoordelen, moet je bijhouden of de pipeline sneller wordt gemaakt of deals sneller worden gesloten. De validatie van deze meetgegevens kan maanden duren.

In zulke gevallen identificeer je de doelen voor de lange termijn en de leidende indicatoren die aangeven dat je op de goede weg bent. Vroege signalen zijn vaak de betrokkenheidscijfers, escalatiepatronen of voorlopige feedbackscores. Deze geven aan dat de gewenste uitkomsten eraan komen, zelfs voordat de definitieve resultaten kunnen worden gemeten.

Onthoud dat je met de implementatie van je eerste agent zowel de waarde van agentische AI onderstreept als het onmiddellijke probleem oplost. Kies meetgegevens die een boeiend verhaal vertellen over het potentieel van agentische AI in je organisatie. En breng snelle successen in balans met geduld voor impact op de langere termijn.

Probeer deze activiteit: de juiste use case selecteren

Nu is het tijd om deze principes toe te passen op jouw organisatie. Deze oefening in samenwerking werkt het beste bij een divers team met verschillende perspectieven uit je hele bedrijf.

Voorbereiding: breng zes tot acht stakeholders samen uit verschillende afdelingen (operations, klantenservice, sales, marketing, IT en management). Reserveer een paar uur voor een diepgaande discussie en prioritering.

Van automatisering tot slimme workflows die zich aanpassen

Kun je je nog de tijd herinneren dat je bij een lange autorit de routebeschrijving moest afdrukken en dan nog op hoop van zegen vertrok? Eén verkeerde afslag of wegwerkzaamheden en je was verdwaald. De gps-systemen van tegenwoordig passen de route in realtime aan. Zo kun je problemen met de oorspronkelijke route omzeilen als deze geblokkeerd is. Dat is het verschil tussen traditionele automatisering en slimme workflows; de een volgt onbuigzame instructies op en de ander is gericht op het bereiken van de bestemming.

Hoewel traditionele automatisering voor aanzienlijke efficiëntiewinst heeft gezorgd, blijft ze fundamenteel beperkt. Ze kan zich niet aanpassen aan nieuwe omstandigheden of unieke scenario’s zonder menselijke tussenkomst. AI-agents zijn ontworpen om zich aan te passen, met dynamische leersystemen die kunnen redeneren, plannen en ons kunnen helpen bedrijfsprocessen op een nieuwe manier in te richten.

AI-agents zijn eerder gericht op de gewenste resultaten dan op de vaste procedures. In plaats van elk mogelijk scenario te programmeren, definieer je succes en laat je de agent het beste pad kiezen.

Laten we de traditionele aanpak van een interactie met de klantenservice eens bekijken.

Proceduregestuurd: een chatbot volgt een vaste reeks met vooraf geschreven vragen en beslissingsbomen, waardoor klanten met unieke behoeften gefrustreerd raken.

Resultaatgericht: een agent begrijpt het verzoek van een klant en stelt automatisch aanvullende vragen, haalt documenten op en lost de situatie actief op.

De resultaatgerichte aanpak door AI-agents heeft een aantal aanzienlijke voordelen.

• Flexibiliteit bij uitzonderingen: in plaats van vast te lopen bij onverwachte scenario’s herkennen slimme workflows nieuwe situaties en passen ze zich aan.
• Voortdurende verbetering: omdat ze gericht zijn op de uitkomsten, kunnen systemen leren van successen en fouten om in de loop van de tijd hun aanpak te verfijnen.
• Minder cognitieve belasting van medewerkers: medewerkers hoeven geen starre procedures te volgen als menselijke kennis vereist is, zoals een ingewikkeld gesprek met de klantenservice.

Hoe AI-agents redeneren

AI-agents kunnen, net als mensen, dynamisch redeneren als reactie op data en context in realtime. Er is echter één belangrijk verschil: AI-agents werken deterministisch. Als ze dezelfde input ontvangen, produceren ze elke keer dezelfde output. Hoewel je de prestaties van agents kunt verbeteren met bijgewerkte trainingsdata, instructies of het onderliggende model, leert de agent zelf niet van individuele interacties zoals mensen. Elke interactie wordt onafhankelijk verwerkt op basis van de bestaande configuratie van de agent.

Kernstappen van AI-redenering

Omdat we willen laten zien hoe dit in de praktijk werkt, bekijken we de kernstappen waarmee AI-agents kunnen redeneren.

1. Begrijpen: agents verzamelen en interpreteren data uit relevante bronnen en gebruiken de context om problemen of verzoeken beter te begrijpen.
2. Denkproces: agents verwerken informatie met grote taalmodellen (LLM’s) om de context te analyseren, opties te beoordelen en onderbouwde beslissingen te nemen over de beste handelswijze.
3. Plannen: op basis van hun analyse ontwikkelen agents gestructureerde plannen om gewenste doelstellingen te bereiken, waarbij ze rekening houden met beschikbare middelen en beperkingen.
4. Coördineren: agents geven hun plannen door aan gebruikers of systemen om instemming te bereiken en op samenwerking gerichte besluitvorming te bevorderen.
5. Handelen: agents implementeren hun plannen en voeren de vereiste acties uit in relevante systemen of interfaces.
6. Aanpassen: agents beoordelen de resultaten en kunnen feedback gebruiken om toekomstige prestaties te verbeteren wanneer hun aanwijzingen of onderliggende data worden bijgewerkt.

Dit zes stappen tellende denkproces, van begrijpen tot aanpassen, loopt van abstracte mogelijkheden tot echte zakelijke impact, mits het zorgvuldig wordt toegepast op de uitdagingen van klanten.

Lessen van agentische organisaties

• Concentreer je op wat je wilt bereiken in plaats van elke stap te scripten. Je workflows lopen dan niet vast als ze situaties tegenkomen komen die je niet had verwacht.
• Maak workflows vooraf niet al te ingewikkeld. Begin met de basisvereisten en laat je agent leren van echte gebruikspatronen. Doe je dit niet, dan bouw je te ingewikkelde systemen waarbij gebruikers afhaken en waarbij je kansen op verbeteringen misloopt.
• Ontwikkel manieren voor agents om zowel van successen als fouten te leren en laat mensen feedback geven over de prestaties van de agent. Net als bij menselijk medewerkers wil je dat je digitale arbeidskrachten slimmer worden en niet statisch blijven.
• Werk met nauwkeurige definities als je door de complexiteit, belangen, de behoefte aan empathie of tijdgevoeligheid van agenten moet overstappen op mens. Doe je dit niet, dan vertrouw je te veel op AI bij gevoelige beslissingen of verspil je de tijd van mensen aan routinetaken.
• Geef mensen alle vereiste context en informatie wanneer ze het overnemen van agenten. Doe je dit niet, dan gaat waardevolle tijd verloren bij het in kaart brengen wat er is gebeurd en worden er beslissingen genomen op basis van onvolledige informatie.

We willen aantonen hoe het denkvermogen in de praktijk werkt. Daarom laten we zien hoe zorgverlener Precina AI-agents inzet bij een van de meest ingewikkelde geneeskundige uitdagingen. Lees daarna hoe Absa adaptieve workflows effectief implementeert.

De agents-first aanpak van Precina om diabeteszorg te transformeren

Precina kreeg te maken met een uitdaging in de zorg die onmogelijk leek: het transformeren van diabeteszorg. In plaats van een systeem waarbij patiënten hun arts slechts eens in de paar maanden bezoeken, wilde Precina dagelijkse, gepersonaliseerde ondersteuning bieden om zo echt levens te veranderen. De traditionele workflows in de zorg waren echter star: patiënten mochten slechts om de 90 dagen hulp ontvangen. Maar het daadwerkelijk reguleren en onder controle houden van diabetes gebeurt juist elke dag, tussen deze bezoeken door.

Om dit op te lossen, heeft Precina met Agentforce slimme workflows ontwikkeld die zich kunnen aanpassen aan de unieke behoeften van elke patiënt. AI was verantwoordelijk voor therapeutische routinebehandelingen, terwijl klinisch medewerkers zich richtten op ingewikkelde gevallen waarbij menselijk beoordelingsvermogen en empathie vereist waren. Het pilotprogramma werkte met een duidelijke overdracht tussen AI en mensen, omdat het systeem via dagelijkse gesprekken met patiënten kon redeneren en gepast kon escaleren.

De resultaten van de pilot waren veelbelovend. In slechts 12 weken zagen 50 patiënten op het platteland van Louisiana hun A1C-waarden dalen van 9,6% naar 6,4%. Dat is drie keer beter dan traditionele jaarlijkse verbeteringen, terwijl er voor elke 5000 patiënten naar schatting $ 80.000 wordt bespaard.

‘In mijn leven wil ik een miljard mensen helpen om gezonder te leven. Ik wil dat ze een beter leven kunnen leiden door het werk dat wij doen‘, aldus John Oberg, CEO van Precina. ‘Dankzij Agentforce is die droom nu werkelijkheid geworden.’

Voor een effectieve implementatie van slimme workflows was een doordachte samenwerking tussen mens en machine nodig, die gebruikmaakt van de sterke kanten van beide. Bekijk de video hieronder voor meer informatie over de transformatie en verken de volledige agent-first aanpak van Precina tot in detail.

Absa Group verricht baanbrekend werk met agent-first bankieren via Agentforce

Absa had moeite om op te schalen. Hun op menu’s gebaseerde chatbot kon slechts eenvoudige vragen beantwoorden van de 10 miljoen klanten in 15 Afrikaanse landen. Dat leidde tot verwarring bij klanten die niet wisten welk van de tientallen zakelijke bankproducten het best aansloot op hun behoeften, waardoor ze het risico liepen het verkeerde type lening aan te vragen.

Als oplossing heeft Absa Agentforce ingezet om gepersonaliseerde hulp in realtime te bieden. De agent begrijpt gespreksverzoeken, stelt vervolgvragen om klantbehoeften te herkennen en geeft nauwkeurig advies. Agentforce is gebouwd met Data Cloud op het geïntegreerde Salesforce Platform en gebruikt klantprofielen, financiële rekeningen en interactiegeschiedenis om productkenmerken in duidelijke taal uit te leggen en klanten stap voor stap te begeleiden bij hun aanmeldingen.

Nu verwacht Absa met Agentforce de impact van de 5000 medewerkers in het contactcenter te verdubbelen, geschillen over kosten 88% sneller op te lossen en 50% van de fraudegevallen automatisch te detecteren. Door AI naadloos te integreren in elke interactie maakt Absa financiële empowerment mogelijk in heel Afrika. Lees hier meer over het verhaal van Absa.

Houd rekening met technische problemen

De implementatie van agentische processen gaat gepaard met technische uitdagingen, zoals integratie, beleid en de vereiste hulpmiddelen – om er maar een paar te noemen die we zelf hebben ondervonden. Je kunt proactief aan het werk met deze uitdagingen door vijf basisbeginselen voor de architectuur te overwegen.

1. Schaalbaarheid: naarmate het gebruik van het platform toeneemt, moet het kunnen voldoen aan de toenemende rekenkrachtbehoeften.
2. Flexibiliteit: de architectuur moet een gestroomlijnde integratie ondersteunen met bestaande systemen, die zich moeten aanpassen aan veranderende AI-mogelijkheden.
3. Toegankelijkheid van data: agents hebben betrouwbare toegang nodig tot nauwkeurige databronnen, waaronder databases en API’s.
4. Vertrouwen: implementeer integriteitsbescherming, beoordelingen en observeerbaarheid om de betrouwbaarheid en doorlopende verbetering te waarborgen.
5. Beveiliging en compliance: krachtige maatregelen om data te beschermen met gedetailleerde toegangscontroles en monitoring.

Denk in resultaten in plaats van in stappen

De belangrijkste verandering die nodig is voor de implementatie van slimme workflows, is om te denken in termen van gewenste resultaten in plaats van in stappen die je moet volgen.

Om deze omslag in je organisatie te realiseren, kun je het volgende werkblad invullen om zo een cruciaal bedrijfsproces opnieuw vorm te geven op basis van resultaten in plaats van procedures.

Probeer deze activiteit: op resultaten gerichte workflows ontwerpen

We hebben op resultaten gerichte workflows gemaakt zodat jij je bedrijfsprocessen opnieuw kunt ontwikkelen met de resultaten als uitgangspunt, en niet de procedures. Zo leer je de essentiële stappen om bedrijfsprocessen op te stellen die denken.

Maak deze uitspraken af.

Zet data om in een concurrentievoordeel

Zie de data van je organisatie als een grote, uitgebreide bibliotheek die al tientallen jaren bestaat. Sommige boeken staan precies op de juiste plek, terwijl andere in stoffige dozen worden opgeslagen. Weer andere zijn in een taal geschreven die maar weinig mensen kunnen lezen. Net zoals een goede bibliothecaresse niet gewoon alle boeken op de planken mikt en hoopt dat onderzoekers vinden wat ze nodig hebben, is voor een uitgebreid fundament van data voor AI-agents dezelfde doordachte voorbereiding en gerichte organisatie vereist.

Succesvolle agents hebben toegang nodig tot opgeschoonde, betrouwbare data. Dat zijn zowel gestructureerde data, zoals patiënt- of transactiegegevens, als ongestructureerde data, zoals videobestanden of berichten op social media. Maar alleen toegang tot data is niet genoeg. De kwaliteit van het werk van agents is voor een groot deel afhankelijk van hoe nauwkeurig ze de juiste informatie kunnen vinden en gebruiken.

Dat is waar ontologie, het gestructureerde overzicht van relaties tussen informatie, om de hoek komt kijken. Net zoals een goede bibliothecaresse weet waar alle boeken thuishoren en hoe de concepten in deze boeken samenhangen met andere boeken in de volledige collectie, moeten je AI-agents tot in detail weten hoe je klantgegevens gerelateerd zijn aan je productinformatie, verkoopprocessen en bedrijfsresultaten in het algemeen. Zonder dit framework van metadata is zelfs de meest geavanceerde AI een snellezer in een bibliotheek zonder georganiseerd systeem die individuele feiten kan vinden, maar geen zinvolle, contextuele inzichten kan genereren die de werkelijke waarde verhogen.

Een goede plek om te beginnen: een uniforme basis van gecombineerde kennis

Als je een solide datafundament wilt voor AI-agents, heb je zowel gestructureerde als niet-gestructureerde data uit je organisatie nodig. Dit gaat verder dan alleen het koppelen van systemen.

Voorbereiding van gestructureerde data

Hoewel gestructureerde data (informatie georganiseerd in tabellen, databases of spreadsheets) gewoonlijk beter worden beheerd in organisaties, blijven er uitdagingen bestaan om AI-modellen rijen en kolommen goed te laten begrijpen. De taak ‘text-to-SQL‘, waarbij vragen in natuurlijke taal worden vertaald in databasequery’s, vereist een specifieke voorbereiding:

1. Semantische toewijzing: maak duidelijke metadatabeschrijvingen voor je databaseschema’s die niet alleen de veldnamen uitleggen, maar hun zakelijke betekenis en relaties (bijv. ‘customer_id’ is gekoppeld aan ‘klantgegevens in CRM-systeem’)
2. Querypatronen: leg veelgebruikte querypatronen vast die je bedrijf gebruikt om specifieke vragen te beantwoorden (bijv. ‘Hoe berekenen we gewoonlijk de Customer Lifetime Value?’ of ‘Welke datapunten duiden op een risico van klantverloop?’)
3. Datavalidatie: implementeer consequente validatieregels om nauwkeurige en complete data te garanderen (bijv. vereiste velden, normen van data-indelingen, acceptabele waardebereiken)

Voorbereiding van niet-gestructureerde data

Het IDC voorspelt dat 90% van de geschatte 400 miljard TB aan wereldwijde gegevens niet-gestructureerd zal zijn in 2028. Dat zal kopzorgen veroorzaken voor IT-afdelingen. Niet-gestructureerde data (pdf-bestanden, afbeeldingen, video’s, e-mails, transcripts) bevatten vaak waardevolle informatie, maar vereisen aanvullende voorbereiding.

1. Extractie van content: gebruik door AI aangedreven tools om automatisch tekst, entiteiten en relaties te extraheren uit verschillende bestandsindelingen (pdf-bestanden, Word-documenten, afbeeldingen en meer), zodat je informatie die voorheen niet toegankelijk was, kunt doorzoeken en gebruiken.
2. Semantische organisatie: pas consequent tags en categorieën toe om content te kunnen vinden (tag bijvoorbeeld transcripts van de klantsupport op probleemtype, product of oplossingsstatus).
3. Versiebeheer: stel duidelijke processen op voor de omgang met documentversies en -updates, zodat agents altijd toegang hebben tot de meest actuele, gezaghebbende informatie.

Databronnen koppelen

Voor een fundament van gecombineerde knowledge moet je deze bronnen met gestructureerde en niet-gestructureerde gegevens effectief koppelen. Hiervoor worden meestal een paar methoden gebruikt:

• API-first-aanpak: de ontwikkeling van gestandaardiseerde API’s voor toegang tot gestructureerde en niet-gestructureerde data, met consequente methoden tot gevolg voor het ophalen van data in alle systemen
• Strategieën voor integratie: de implementatie van consequente manieren voor het integreren van vectoren bij alle datatypen om alle data (tekstdocumenten, afbeeldingen of records uit een database) te vertalen in een gemeenschappelijke ‘taal’ die AI kan begrijpen en vergelijken. Bij het integreren van data worden tekst, documenten en data omgezet in numerieke patronen waarmee AI-agents de betekenis begrijpen en gerelateerde content kunnen vinden.
• Integratiepatronen: duidelijke, herhaalbare patronen voor het koppelen van data tussen systemen, waaronder synchronisatieprotocollen in real time en regels voor datatransformatie

Lessen van agentische organisaties

• Investeer vanaf het begin in semantische organisatie en fundamenten voor geïntegreerde data, want anders vinden je agents weliswaar individuele feiten, maar kunnen ze geen relevante inzichten genereren die echt waarde toevoegen.
• Zorg voor kwalitatieve data op elke afdeling, want je agent is slechts zo goed als je content. Rommelige data geven verwarde agents. Wees vooral alert op tegenstrijdige content, waarbij meerdere artikelen verschillende conclusies trekken over hetzelfde onderwerp.
• Gebruik tientallen jaren aan eerdere beslissingen en uitkomsten om je agents te trainen in plaats van helemaal opnieuw te beginnen. Doe je dit niet, dan mis je institutionele kennis die de kwaliteit van de besluitvorming tot drastisch kan verbeteren.
• Bouw datafundamenten op die algemenere use cases kunnen ondersteunen dan je eerste implementatie. Doe je dat niet dan beperk je de onverwachte waarde die schone, gekoppelde data kunnen opleveren.

Big Brothers Big Sisters of America vindt levenslange matches dankzij Agentforce

Big Brothers Big Sisters of America (BBBSA) had te maken met problematische data. Meer dan 30.000 jongeren stonden op de wachtlijst van Big Brothers Big Sisters (BBBS), en sommige kinderen moesten tot vier jaar wachten op een mentor. De specialisten van BBBS raakten overweldigd door niet-gestructureerde data uit toepassingen en interviews, waardoor het vrijwel onmogelijk werd om snel de best mogelijke matches te vinden.

Als oplossing ontwikkelde het mentornetwerk het platform Matchforce op Salesforce. Met behulp van Agentforce en Data Cloud verzamelde het team inzichten uit tientallen jaren aan eerdere datamatches. Het analyseerde vergelijkbare locaties, interesses, familiegeschiedenissen en voorkeuren om compatibiliteitsscores te genereren en de duur van een match te voorspellen. Zo werd verspreide tekst omgezet in bruikbare aanbevelingen die specialisten kunnen filteren op afstand en compatibiliteitsscore.

BBBSA verwacht twee keer zo snel matches te vinden, terwijl de kwaliteit verbetert en de gemiddelde kosten per match dalen. Zo kunnen kinderen dus meer mentoren vinden die hun levens kunnen veranderen.

‘We proberen meer jonge mensen te bereiken en we proberen dat sneller te doen. Maar ook de kwaliteit van de matches moet stijgen’, aldus Travis Gibson, CTO van BBBSA. ‘Met Agentforce kunnen we ons proces stroomlijnen en de aanbevolen matches verbeteren in een tempo dat voor mensen niet haalbaar is. Elke dag dat een kind geen mentor heeft, is een dag teveel. We verwachten dat we met Agentforce de wachttijd kunnen halveren.’ Lees meer over Big Brothers Big Sisters of America en hun Agentforce-verhaal.

Good360 stond voor de uitdaging onmisbare data te gaan matchen

Met maar twee medewerkers moest Good360, een liefdadigheidsinstelling die donaties bij rampen verwerkt, handmatig zoeken in de database met tienduizenden non-profitpartners, transportafstanden berekenen en behoeften verifiëren. Door dit eindeloze proces kon het goede doel minder donaties accepteren in tijden dat elke seconde telt.

Om dit op te lossen heeft Good360 een agent voor resource-matching agent ontwikkeld met Data Cloud. Deze agent stemt data uit Nonprofit Cloud en NetSuite op elkaar af door meteen data over donateurs, non-profitpartners, de gemeenschap en logistiek te analyseren om zo zorgvuldig samengestelde lijsten met matches te generen.

Dit schone, goed georganiseerde datafundament werd een concurrentievoordeel en de sleutel tot hun Agentforce-implementatie. Terwijl de agent naar tenten zocht tijdens de bosbranden van 2025 in Californië heeft hij die niet alleen die gevonden, maar vond ook werkschoenen. De agent herkende dus aanvullende behoeften waarmee geen rekening gehouden was.

Nu verwacht Good360 drie keer sneller rampenhulp rampen te kunnen distribueren, terwijl het jaarlijks meer dan 1000 uur bespaart en zijn CO2-voetafdruk met 20% vermindert. Lees meer over hoe Good360 successen boekt dankzij Agentforce.

Zie hoe Good360 AI-agents inzet voor noodhulp en herstel bij rampen

Beleid en vertrouwen

Als AI-agents op schaal goed moeten werken, moeten ze veilig worden verbonden met bedrijfsdata. Ook hebben ze een geïntegreerd beleid nodig voor toegang, net zoals je de toegang voor je medewerkers regelt. We laten zien waarmee je rekening moet houden bij je beleidssystemen voor AI-agents in je bedrijf.

Toegangscontrole tot data: implementeer de volgende beleidsmaatregelen:

1. Op rollen gebaseerde toegang: definieer duidelijke rollen voor agents, net zoals voor je medewerkers doet.
2. Op kenmerken gebaseerde toegang: regel de toegang op basis van datakenmerken en -classificatie.
3. Beperking van doelen: beperk het datagebruik tot specifieke, vastgelegde doelen.
4. Audittrails: houd uitgebreide logboeken bij van alle datatoegang door agents.

Privacymaatregelen: zorg voor een toereikende bescherming van de privacy:

1. Dataminimalisatie: beperkt de toegang door agents tot alleen de data die ze nodig hebben om te werken.
2. Anonimisering/pseudonimisering: pas de juiste technieken toe voor gevoelige gegevens.
3. Bewaarbeleid: implementeer duidelijke procedures voor het bewaren en verwijderen van data.
4. Toestemmingsbeheer: zorg voor een goede toestemmingsregistratie bij het gebruik van data.

Beveiligingsmaatregelen: implementeer deze best practices voor de beveiliging:

1. Versleuteling: bescherm data tijdens verzending en in rust met de juiste versleuteling.
2. Verificatie met meerdere factoren: pas een effectieve verificatie toe bij toegang tot gevoelige systemen.
3. Back-up en herstel: werk met uitgebreide back-upprocedures voor alle data.
4. Kennis van beveiliging: train teams in beveiligingspraktijken voor AI-systemen.

Eisen aan datakwaliteit

Datakwaliteit was altijd al belangrijk. Maar voor AI-agents zijn de belangen nog groter. Slechte data leiden niet alleen tot inefficiëntie, AI-agents kunnen zelfs schadelijke aanbevelingen doen of verkeerde beslissingen nemen. Hoe betrouwbaarder het fundament, hoe beter. Gebruik de volgende checklist bij het opstellen van je strategie voor data voor AI-agents.

Onthoud dat in het tijdperk van AI-agents de kwaliteit van je data de kwaliteit van je resultaten bepaalt. Door te investeren in een complete datastrategie, verbeter je niet alleen je agents, maar leg je het fundament voor een duurzaam concurrentievoordeel.

Probeer deze activiteit: scores toekennen aan onmisbare databronnen

Beoordeel via de activiteit voor onmisbare databronnen of je data gereed zijn en vind de verbeteringen met de meeste impact die je op dit moment kunt doorvoeren.

Een dubbele winst: geëmpowerde medewerkers, tevreden klanten.

Een uitstekend symfonieorkest vervangt zijn musici niet door robots, maar geeft ze betere instrumenten. De violist speelt nog steeds vol passie, maar nu op een Stradivarius, een legendarisch instrument dat bekendstaat om zijn rijke, heldere klank, waardoor elke noot krachtiger en expressiever klinkt.

Datzelfde geldt voor AI. AI-agents vervangen je medewerkers niet, maar fungeren als precieze instrumenten die menselijke creativiteit, empathie en strategisch denkvermogen versterken en zo zorgen voor ervaringen die klanten nooit meer vergeten.

Pakt een bedrijf dit goed aan, dan profiteert het van een dubbele AI-winst: het menselijke potentieel van medewerkers komt volledig tot zijn recht, terwijl de klantervaring ingrijpend wordt getransformeerd. Dat is de essentie van digitale arbeidskrachten. In plaats van te kiezen tussen efficiëntie en empathie, twee factoren die samen een uitstekende customer experience mogelijk maken, zorgt digitale arbeid ervoor dat we beide versterken door menselijke expertise en AI-capaciteiten naadloos op elkaar te laten inspelen.

Zoals we al in hoofdstuk 2 hebben besproken, zijn organisaties met agents niet bang voor de samenwerking tussen mensen en agents, maar zorgen ze voor een strategisch samenspel. In dat hoofdstuk hebben we de basis gelegd voor change management binnen organisaties. In dit hoofdstuk onderzoeken we bedrijfsresultaten die mogelijk worden wanneer bedrijven mensen en agents laten samenwerken als partners.

Bedrijven die deze dualiteit begrijpen, automatiseren niet zomaar processen maar vullen bedrijfsrelaties volledig opnieuw in. Hierbij creëren ze waarde voor klanten terwijl menselijke medewerkers strategischer werk doen dat meer voldoening geeft. Hoewel het niet makkelijk was, zijn we er bij Salesforce trots op wat we hebben geleerd over het verbeteren van de klantenbinding en het menselijk potentieel.

De dubbele winst in actie: de transformatie van de Salesforce-hulpportal

De mogelijkheden van deze tweeledige aanpak gaan veel verder dan individuele interacties met klanten. Bij Salesforce hebben we onlangs met Agentforce onze hulpsite op de schop gegooid. Die is nu een agent-first ervaring, waarbij reactieve support is veranderd in proactief succes.

‘Zes maanden geleden was onze ondersteuningsportal net als alle andere: documentatie, zoekbalken, frustratie voor onze klanten’, legde Bernard Slowey uit, Senior Vice President of Digital Success en teamleider van het project. ‘Tegenwoordig hebben we meer dan een miljoen gesprekken met onze agent gevoerd, met een oplossingspercentage van 85%.’ Dankzij Agentforce en het change management, de trainingen en de holistische acceptatie van nieuwe werkwijzen, zien we wat die dubbele winst in het echt inhoudt.

• Voor medewerkers: menselijke verkopers houden zich niet meer bezig met routinematige resets van wachtwoorden, maar stimuleren het gebruik van producten, doen strategische accountplanning en verdiepen relaties met klanten.
• Voor klanten: klanten hebben dag en nacht toegang in meerdere talen, directe antwoorden op veelgestelde vragen en een naadloze escalatie, als dat nodig is.

‘Het echte verhaal gaat niet over technologie, maar over de impact op onze medewerkers. Onze supportmedewerkers raken hun baan niet kwijt, maar krijgen meer invloed’, aldus Slowey. ‘Ze worden partners als het gaat om klantsucces, proactieve adviseurs en strategische consultants. De agent doet de routinetaken, de mensen zijn verantwoordelijk voor de relaties.’

De ‘hart en hoofd’-benadering

Hoe hebben we dit bereikt? Om vooruit te komen moesten we af van ‘old-school bots (chatbots die bestaande scripts volgen) en hadden we AI-agents nodig die kunnen redeneren, zich aanpassen en contextuele antwoorden kunnen geven die echt behulpzaam zijn.

Het team van Slowey ontdekte dat voor geslaagde AI-agents technische kennis (het hoofd) en emotionele intelligentie, empathie en soft skills (het gevoel) nodig zijn. In eerste instantie was het team alleen gericht op het toevoegen van de juiste content aan de agent en het meten van de nauwkeurigheid. Maar al snel werd duidelijk dat de klantenservice in fundamentele zin menselijk is, zelfs als deze digitaal wordt verzorgd.

‘We beseften dat we onze agent op een verouderde manier begeleidden, eerst het een, dan het ander’, herinnerde Slowey zich. ‘De doorbraak kwam toen we de agent als een menselijke medewerker begonnen te coachen. We gaven de agent waarden, training in empathie en een servicegerichte mindset. Net als onze menselijke supportmedewerkers, moest de agent niet alleen weten wat hij moest zeggen, maar ook hoe hij dat moest doen.’

Slimme integriteitsbescherming, nog slimmere overdracht

Het team van Slowey heeft heel wat uren gestoken in de definitie van de integriteitsbescherming. Hierbij werd bepaald wat de agent aan de menselijk medewerkers moest overlaten, bijvoorbeeld complexe factureringskwesties en gesprekken over tarieven. Maar even belangrijk was het instellen van wanneer en hoe een agent klanten doorstuurde naar een menselijke medewerker. En dat was een technische uitdaging op zich.

Een cruciale stap in het proces was om de werknemer onmiddellijk en probleemloos zowel het samengevatte probleem, de achtergrondinformatie als klantgegevens te tonen. Het was belangrijk dat de klant informatie niet hoefde te herhalen of opnieuw moest beginnen.

Deze aanpak is het schoolvoorbeeld van de dubbele winst: klanten profiteren van continuïteit en een snellere oplossing, en mensen zich meteen richten op probleemoplossing in plaats van het verzamelen van informatie.

Belangrijke meetgegevens

Het team van Slowey houdt zowel statistieken over de efficiëntie als de ervaringen bij.

• Oplossingspercentage: 85% van de begonnen gesprekken (zoals die in het chatvenster) wordt opgelost zonder menselijke medewerkers in te schakelen.
• Klanttevredenheid: deze wordt gemeten via enquêtes na het gesprek.
• Overdrachtspercentage: dit ligt momenteel op 4% (een stijging van 2% nadat de escalatie is vereenvoudigd).
• Kwaliteit van de content: we werken met voortdurende controles om tegenstrijdige content te verwijderen als er een conflict is tussen meerdere bronnen.

‘We nemen onze scorekaart elke dag onder de loep’, lichtte Slowey toe. ‘Iemand in je bedrijf moet verantwoordelijk zijn voor deze prestaties, waarbij opdrachten worden bijgesteld en reacties worden verbeterd, net zoals bij menselijke medewerkers.’

Het e-book voor de implementatie van de dubbele winst

We hebben een tactische routekaart gemaakt waarmee je de klantenbinding en het menselijke potentieel kunt vergroten, aldus Slowey.

Lessen van agentische organisaties

• Technische nauwkeurigheid alleen is niet genoeg. Agents hebben emotionele intelligentie en een servicegerichte mindset nodig om klanten echt tevreden te stellen. Train AI-agents net als menselijke medewerkers (met waarden en empathie) om zo meer authentieke interacties met klanten te krijgen.
• Wanneer agents ingewikkelde cases escaleren naar menselijke experts, dan moeten ze een volledig overzicht en een voorlopige analyse meesturen. De context heeft zowel invloed op een snellere oplossing (een voordeel voor klanten) als de onmiddellijke focus op probleemoplossing (een voordeel voor medewerkers).
• Meet beide aspecten van de winst door meetgegevens over klanten bij te houden (wachttijden, oplossingspercentages) en meetgegevens over medewerkers bij te houden. Zo bewijs je dat de transformatie voor iedereen positief is.
• Je agent produceert slechte resultaten bij slechte content. Rommelige data leiden tot verwarde agents. Wees waakzaam voor tegenstrijdige content, waarbij meerdere artikelen elkaar tegenspreken. Kwalitatieve content is cruciaal.

1-800Accountant schaalt de klanttevredenheid met Agentforce

Tijdens het belastingseizoen stond 1-800Accountant voor een bijna onmogelijke uitdaging: het bedrijf moest zijn activiteiten snel opschalen. De bestaande chatbot kon maar 10% van de vragen van klanten afhandelen, waardoor er wachttijden ontstonden die drie keer zo lang waren als bedoeld. Accountants en financiële experts waren een groot deel van hun tijd kwijt aan het beantwoorden van routinevragen over deadlines in plaats van strategisch fiscaal advies te geven. Voor elk belastingseizoen moesten negen recruiters fulltime op zoek naar seizoensmedewerkers die financiële diensten konden toelichten en complexe belastingvragen konden beantwoorden.

De uitdaging van het vinden van seizoensgebonden medewerkers was simpelweg te groot. ‘Door de jaren heen hebben we geleerd dat het erg moeilijk is om te op te schalen in een servicegericht bedrijf zonder de medewerkers op te kunnen schalen’, legt Ryan Teeples uit, CTO van 1-800Accountant. ‘We kunnen gewoon niet snel genoeg mensen aannemen om tegemoet te komen aan de vraag en de groei.’

Maar digitale arbeidskrachten hebben tot een nieuwe aanpak geleid. In tegenstelling tot eenvoudige chatbots, die gescripte antwoorden geven, kan Agentforce ingewikkelde belastingscenario’s beredeneren, toegang krijgen tot meerdere databronnen en genuanceerde hulp bieden als de situatie hierom vraagt. Tegelijk escaleert het ingewikkelde vragen over financieel advies naar menselijke accountants met de volledige context en een voorlopige analyse.

Dat is nog eens een dubbele winst.

• Kleine ondernemers krijgen nu ook om 23:00 uur meteen antwoord op lastige belastingvragen, gegeven door agents die hun specifieke bedrijfstype kennen en afgestemde suggesties kunnen geven.
• Accountants spelen nu een veel belangrijkere rol. Ze zijn geen reactieve probleemoplossers meer die de helft van de tijd besteden aan het beantwoorden van vragen als ‘Wanneer is de belastingdeadline?’ Ze zijn nu proactieve bedrijfsadviseurs die strategische relaties opbouwen en ondernemers helpen bij belangrijke financiële beslissingen waarmee ze zich echt als kantoor kunnen onderscheiden.

Agentforce lost nu 50% van de vragen aan de klantensupport op, met meer dan 1000 klantcontacten die binnen de eerste 24 uur zijn afgehandeld. Lees meer over hoe 1-800Accountant problemen van klanten oplost met Agentforce.

Een voorsprong nemen op de concurrentie

Bedrijven kunnen met de dubbele bonus een duurzaam concurrentievoordeel opbouwen. Tevreden klanten worden trouwe ambassadeurs. Gemotiveerde medewerkers stimuleren innovatie. Deze combinatie wordt voor concurrenten steeds lastiger te repliceren.

‘We zetten niet alleen agents in, maar komen met een nieuwe definitie van wat klantsucces inhoudt wanneer mens en AI samenwerken‘, aldus Slowey bij Salesforce. ‘Onze klanten krijgen een betere service, onze medewerkers doen relevanter werk en ons bedrijf groeit op manieren die we eerder nooit voor mogelijk hadden gehouden.’

De bedrijven die echt opbloeien in het tijdperk van AI-agents, zijn voor efficiëntie niet alleen afhankelijk van automatisering, maar vergroten het menselijke potentieel én houden hun klanten tevreden. Deze aanpak is de blauwdruk voor duurzame groei in een AI-first wereld.

Klaar voor die dubbele winst?

Volg dan het advies van Slowey op: ‘Begin met één use case, waarbij je de impact voor klanten en medewerkers duidelijk kunt meten. Je hoeft alles ineens te veranderen, begin gewoon met iets dat belangrijk is voor je medewerkers en je klanten.’

Klaar om deze ideeën in actie te zien? Bekijk hoe andere organisaties de efficiëntie van hun klantenservice verhogen met Agentforce en ontdek praktische implementatiestrategieën in de onderstaande video.

Probeer deze activiteit: inrichten hoe je team en agents samenwerken

Gebruik deze oefening om een vruchtbare samenwerking tussen je menselijke medewerkers en je AI-agents te bevorderen.

Een blik op de toekomst en hoe jij je vandaag kunt voorbereiden

In 1995 dachten de meeste mensen dat het internet niet meer was dan e-mail en eenvoudige websites. Maar weinig gebruikers voorzagen dat we met opa en oma zouden videobellen vanaf onze telefoons, via een app boodschappen zouden laten bezorgen of een volledig bedrijf zouden runnen in de cloud. De organisaties die al in een vroeg stadium online aanwezig waren, zelfs met een eenvoudige website, konden optimaal profiteren van deze eerste innovatiegolf. De huidige AI-agents zijn net als die vroege websites: het fundament voor een transformatie die velen van ons zich nauwelijks kunnen voorstellen.

Bij Salesforce hebben we een unieke kijk op de toekomst van AI. Onze aanpak gaat uit van wetenschappelijk onderzoek en is alleen gericht op de behoeften van organisaties in plaats van op speculatieve sci-fi-scenario’s waarin vaak ‘algemene kunstmatige intelligentie’ of AGI wordt genoemd. Ons wereldwijde team voor AI-onderzoek houdt zich daarentegen bezig met wat we Enterprise AI noemen: AI-agents en systemen die voldoen aan de hoogste normen voor kwaliteit, betrouwbaarheid, beveiliging en natuurlijk ethisch datagebruik om niet alleen Salesforce-producten zoals Agentforce aan te sturen, maar bedrijven wereldwijd.

In dit toekomstgerichte hoofdstuk, dat is geschreven door onze groep voor AI-onderzoek, lees je meer over drie macrotrends die de toekomst van AI-agents vormgeven en transformeren hoe organisaties met agents in de komende jaren zullen werken.t

1. Agent-to-agent-ecosystemen (A2A)
2. Robotica en AI
3. Algemene intelligentie voor organisaties (EGI)

Macrotrend 1: A2A-ecosystemen, de volgende stap in de evolutie van digitale arbeid

De eerste belangrijke trend die de toekomst van werk verandert? De opkomst van speciaal ingerichte ecosystemen voor agents. Dat zijn netwerken van gespecialiseerde AI-agents die over de grenzen van organisaties heen kunnen onderhandelen, samenwerken en ontwikkelen met agents van andere bedrijven.

AI-agents ontwikkelen zich van solo-ondernemers tot ensembles, net zoals muziek zich ontwikkelt van simpele melodieën tot complexe symfonieën.

Deze evolutie van AI-agents kent drie fasen.

1. Gespecialiseerde agents voeren specifieke taken zelfstandig uit (dit sluit aan op niveau 1 van ons agentisch volwassenheidsmodel voor de ontwikkeling van agents in hoofdstuk 1)
2. Gestroomlijnde agents werken samen binnen je organisatie
3. Zakelijke arrangeurs zoeken de grenzen van je organisatie op

In deze laatste fase zijn we getuige van de opkomst van A2A-interacties die volledige nieuwe patronen creëren voor zakelijke relaties. Je agents onderhandelen met de agents van je leveranciers, helpen de agents van je klant en werken samen met de persoonlijke AI-assistenten van je medewerkers. Ze kunnen ingewikkelde interacties efficiënt en slim afhandelen, zoals prijsonderhandelingen, optimalisatie van supplychains en het inrichten van de customer experience. Met uitsluitend mensen zou dat onmogelijk zijn.

Macrotrend 2: het nieuwe tijdperk van robotica, de samenkomst van digitale en fysieke AI

De tweede transformatieve trend bij organisaties is de samenkomst van digitale AI en fysieke robots, een ontwikkeling die de impact van AI-agents uitbreidt van informatieverwerking naar de fysieke wereld.

Deze toenadering is een cruciaal moment voor de leiding van organisaties. ‘Mensen zijn vandaag de dag veel tijd kwijt aan fysieke routinetaken, zoals het sorteren van de inventaris in magazijnen, het vouwen van lakens in ziekenhuizen en het opruimen van voorraadkamers’, aldus Savarese in een recent artikel. ‘AI-agents werken al aan e-mailtriage en het genereren van rapporten, waardoor kenniswerkers zich kunnen richten op strategische processen. Robotica belooft dezelfde mate van vrijheid in het fysieke domein.’

De AI-agents die in dit e-book besproken worden, werken met API’s en software-interfaces, terwijl robots communiceren via motoren en sensoren. Maar de slimme laag van moderne robots, of hun vermogen om te plannen, zich aan te passen en te leren, blijft onveranderd. Deze twee soorten AI werken steeds vaker samen en bieden allerlei verschillende skills voor sectoren, van voorraadbeheer in magazijnen en alledaagse huishoudelijke taken tot zelfs levensreddende operaties. Deze samenwerking tussen digitale en fysieke AI is interessant, omdat de capaciteiten van een enkele mens drastisch worden opgeschaald, met toegenomen fysieke en cognitieve mogelijkheden.

Salesforce en Boston Dynamics: baanbrekend werk in de fysieke-digitale toekomst

In het laboratorium van Salesforce voor AI-onderzoek in Palo Alto is de toekomst van digitale-fysieke AI niet alleen maar een visie, maar een praktische realiteit. Samen met Boston Dynamics heeft Salesforce misschien wel de eerste zakelijke demo van Agentforce verzorgd, waarbij fysieke robots echte zakelijke taken uitvoeren.

De integratie werkt met een ‘coördinatiefunctie’ die de menselijke medewerkers en robots aanstuurt als een geïntegreerd digitaal personeelsbestand.‌ Zijn inspecties van de faciliteiten nodig, dan kunnen managers taken aanvragen via Slack. Agentforce kiest dan de juiste resource (mens of robot) met de juiste skills voor elke specifieke taak.

In een recente demo is een onverwachte inspectie van manometers gestart via een simpel gesprek in Slack met een agent voor de faciliteiten. Binnen enkele ogenblikken ging Spot 007, een van de robots van Boston Dynamics die onderdeel is van het Salesforce-systeem, autonoom naar de inspectielocatie. De robot koos precies de juiste plek en maakte een duidelijke afbeelding van het analoge meetinstrument. En de vision agent van Agentforce heeft de gelezen waarde automatisch verwerkt om na te gaan of de drukniveaus de veiligheidsdrempels overschreden.

Maar het systeem kan meer dan simpele automatiseringen. De robots zijn uitgerust met conversational AI waarmee ze gesprekken met medewerkers kunnen voeren. Toen een nieuw teamlid Spot 007 vroeg waar de printer was, gaf de robot naadloos nuttig advies waaruit blijkt dat fysieke AI ervaringen op de werkplek kan verbeteren door taken uit te voeren en met mensen te communiceren.

Maar het meest bijzondere is misschien wel dat robots ingewikkelde manipulaties kunnen voeren. Ze kunnen bijvoorbeeld voorzichtig kastdeuren openen om medische benodigdheden te inspecteren, meerdere camera’s coördineren voor optimale documentatie en dan automatisch regelitems bijwerken in werkorders in Salesforce Field Service met de voltooiingsstatus en fotografisch bewijs.

‘Hier onderneemt Agentforce dus fysieke acties om echte problemen op te lossen’, aldus Bert Legrand, Senior Director, Frontier AI Product Management, die het project leidde. ‘In plaats van traditionele AI-agents die informatie verwerken, zijn deze robots ‘fysieke agents’ die de omgeving kunnen manipuleren, allemaal aangestuurd door dezelfde intelligente redeneringssystemen.’

Het belangrijkste inzicht uit de recente implementatie van Salesforce? De grenzen tussen digitale en fysieke AI verdwijnen sneller dan meeste organisaties beseffen. Dezelfde redeneringsengines, functies voor data-integratie en de inrichting van workflows voor digitale agents kunnen moeiteloos worden uitgebreid naar fysieke activiteiten. Dat leidt tot compleet nieuwe werkwijzen.

Macrotrend 3 : EGI, de toekomst van AI voor bedrijven

De derde trend impact heeft op de toekomst van AI in het bedrijfsleven is de opkomst van algemene intelligentie voor organisaties (EGI, enterprise general intelligence). Dat is een bedrijfsgerichte definitie van aangepaste AI die ongeëvenaarde betrouwbaarheid en skills biedt ter versterking van het personeelsbestand van organisaties.

In tegenstelling tot het vage idee van kunstmatige algemene intelligentie (AGI, artificial general intelligence) die je vaak in sciencefiction ziet, pakt EGI het anders aan. Bij deze variant worden AI-systemen ontwikkeld die op twee gebieden uitstekend werk leveren: capaciteit (het vermogen om in ingewikkelde omgevingen te navigeren) en consistentie (de levering van betrouwbare, voorspelbare resultaten met een naadloze integratie in bestaande systemen).

‘EGI dient niet alleen taken betrouwbaar uit te voeren, maar ook snel te kunnen reageren, de koers strategisch bij te stellen en zich aan te passen bij nieuwe informatie of uitdagingen’, zei hij. ‘EGI-systemen zullen succesvol zijn door een betrouwbare uitvoering te koppelen aan een intelligente, adaptieve strategie.’
Ze realiseren dit door meerdere gespecialiseerde agents in te zetten, die moeiteloos worden aangestuurd door mensen. Deze agents kunnen beter redeneren om zo in snel veranderende omgevingen ingewikkelde en operationele taken uit te voeren.

Voorbereidingen op de toekomst van agentische organisaties

Deze drie trends, ingerichte omgevingen voor agents, het samengaan van digitaal, fysiek en EGI, kosten tijd. Ze ontwikkelen zich door wat AI-onderzoek bij Salesforce ‘saaie doorbraken’ noemt: marginale maar baanbrekende verbeteringen van alledaagse operations die samen sectoren ingrijpend veranderen.

Maar de organisaties die echt profiteren van deze toekomst, hebben niet de meest geavanceerde technologie, maar de organisaties met de duidelijkste visie en de meest doordachte strategie. Door zich te richten op een goed ontworpen overdracht tussen mensen en agents, AI-initiatieven zowel af te stemmen op de bedrijfsdoelstellingen als de systemen en mensen slim voor te bereiden, kunnen managers met hun organisatie een voortrekkersrol spelen bij de revolutie van AI-agents.

Vooruitstrevende organisaties kunnen zich nu al voorbereiden op deze toekomst door verschillende praktische stappen te zetten. Een groot deel van deze stappen is in dit e-book aan bod gekomen.

1. Ontwikkel de strategie voor je agents: stel vast welke bedrijfsonderdelen het meeste profiteren van gespecialiseerde agents en hoe ze zich kunnen aanpassen om beter samen te werken.
   
2. Leg het fundament: implementeer de geïntegreerde infrastructuur, data-architectuur en beleidskaders die de steeds geraffineerdere omgevingen voor agents ondersteunen.
   
3. Leg de nadruk op samenwerking tussen mensen en AI: investeer in het opbouwen van een naadloze overdracht tussen menselijke expertise en de mogelijkheden van AI. Dat is de belangrijkste manier waarop organisaties die alleen AI gebruiken zich kunnen onderscheiden van organisaties die echt transformeren.
4. Ontwikkel aanpak voor toezicht: ga verder dan eenvoudige ‘human-in-the-loop’-modellen en ga naar genuanceerde ‘mens-aan-het-roer’-frameworks waarbij autonomie in evenwicht is met passend toezicht.
   
5. Ontwikkel toekomstbestendige skills: werk aan de menselijke mogelijkheden die nodig zijn om met steeds geavanceerdere AI-systemen te werken.

‘De organisaties die in dit nieuwe tijdperk opbloeien’, concludeerde Savarese, ‘weten dat het bij AI niet alleen draait om de technologie. De samenwerking tussen mens en machine moet op de schop, zodat ze samen kunnen bereiken wat alleen niet mogelijk zou zijn geweest. De toekomst behoort toe aan bedrijven die met AI echte behoeften van mensen en organisaties vervullen. En dit is het moment om dat fundament te leggen.’

Lees meer over het AI-onderzoek van Salesforce door het team op X te volgen via @SFResearch.

Probeer deze activiteit: beoordeling van de gereedheid voor EGI

Naarmate je als bedrijf steeds vaker AI-agents gaat gebruiken, evalueer je aan de hand van volgende assessmentonderdelen hoe goed je organisatie voorbereid is op deze toekomstige ontwikkelingen.

Door nu al na te denken over deze vragen, bevind je je in een goede positie om te profiteren van het transformatieve potentieel van AI-agents in de toekomst. Je creëert een cultuur waar mensen en AI samen bereiken wat voor ieder apart onmogelijk zou zijn.

Bedrijven bouwen vandaag al een concurrentievoordeel op

Hoewel er allerlei meetbare resultaten zijn bij de ontwikkeling als bedrijf met AI-agents, laat het belangrijkste resultaat zich maar heel moeilijk meten, de ongekende vindingrijkheid en innovatie in je hele organisatie. Als je meest getalenteerde medewerkers strategisch kunnen werken in plaats zich met routinetaken bezig te houden, als klanten een naadloze service krijgen en als teams aan baanbrekende ideeën kunnen werken die eerder wegens een beperkte beschikbaarheid nooit aan bod konden komen, dan ontgrendel je het menselijke potentieel op schaal.

Door ons werk met klanten wereldwijd weten we dat de bedrijven die het komende decennium gaan bepalen, niet wachten op de perfecte omstandigheden: ze gaan nu van start en bouwen een concurrentievoordeel op dankzij een intelligente samenwerking tussen mens en AI. Je reis begint met de kleine stappen uit dit e-book. Maar je komt aan in een toekomst waarin het vermogen van je organisatie om te innoveren geen grenzen kent.

De vraag is niet of deze transformatie zal gebeuren, maar of jij juist de toon zet of achterop raakt.

Probeer deze activiteit: zoek onbenutte kansen voor innovatie

Het belangrijkste voordeel van AI-agents is niet dat ze bestaande processen automatiseren, maar dat ze het nieuwe menselijke potentieel grenzeloos kunnen ontsluiten.

Bij deze activiteit vind je onbenutte kansen voor innovatie binnen je organisatie. Dit zijn kansen met veel waarde die mogelijk worden wanneer AI-agents routinewerk overnemen, zodat je meest getalenteerde mensen zich kunnen richten op wat alleen door mensen gedaan kan worden.

Ga op deze gestructureerde manier na waar je organisatie exponentiële groei kan bereiken door op een strategische manier menselijk kapitaal vooral in te zetten bij innovatieve initiatieven.

Geen tijd om te lezen? Ontvang elk hoofdstuk van dit e-book in je inbox. Meld je nu aan.