AI-agents brengen een transformatie teweeg in elke branche — en steeds sneller

We hebben ons e-book bijgewerkt om je te helpen bij te blijven en successen te boeken

Laat in het voorjaar van 2025 publiceerden wij dit e-book voor het eerst: toen was de agentgestuurde organisatie nog in opkomst. Tegenwoordig is dit het model waar de meeste bedrijven naar streven, en veel bedrijven zijn dit al aan het opzetten. In slechts één jaar tijd verschoof de vraag van “Wat is een agentgestuurde organisatie?” naar “Hoe bereiken we dat punt vanaf hier?”

We hebben dit e-book met stapsgewijze aanpak bijgewerkt met onze nieuwste kennis en ervaringen, omdat het antwoord op de vraag “hoe” er niet eenvoudiger op is geworden en voor velen zelfs nog urgenter is geworden.

Elke manager staat voor die onmogelijke uitdaging: exponentiële groei realiseren met een vast budget, concurrenten verslaan die elk kwartaal sneller handelen en ook nog eens voldoen aan de dagelijks stijgende verwachtingen van klanten. 

We weten hoe je je voelt

Bij Salesforce kenmerkte ons eigen AI-traject zich door experimenten, doorbraken en moeizaam geleerde lessen. Al jaren krijgt ons management van klanten dezelfde vraag: “Hoe runnen jullie zo’n groot bedrijf?” Met 80.000 medewerkers, een snel evoluerend productaanbod en klanten in alle branches over de hele wereld lukt het ons niet altijd meteen de eerste keer.

Maar hoe zijn wij dan uitgegroeid tot de agentische organisatie die wij vandaag de dag zijn? Ons antwoord is een filosofie en een gestructureerd programma dat we Customer Zero noemen: wij testen elk platform, elke functie en elk proces eerst zelf, voordat wij onze klanten iets aanraden. Deze handleiding is gebaseerd op de lessen, experimenten en tips uit onze eigen reis, maar ook op de ervaringen die wij hebben opgedaan bij de begeleiding van duizenden klanten, van innovatieve start-ups tot Fortune 500-bedrijven, bij hun AI-transformaties. Wij weten wat wel en niet werkt en wat de echte voordelen zijn als AI-agents geïntegreerd worden in alle geledingen van een bedrijf, van verkoop en marketing tot HR en nog veel meer. 

Onze belangrijkste les: de agentgestuurde onderneming is geen toekomstbeeld waarop je je moet voorbereiden. Het is een werkwijze die je nu al in de praktijk moet brengen.

Hoe je dit e-book gebruikt

Sta je nog maar aan het begin van je traject met agentische AI? Lees dan deze handleiding van begin tot eind voor een concreet stappenplan. Heb je je AI-agents al gelanceerd en wil je ze verder opschalen? Bekijk dan onze stapsgewijze handleiding Schaal je agentische onderneming op. Zit je ergens daartussenin? Ga dan direct door naar het hoofdstuk dat het beste aansluit bij wat je op dat moment nodig hebt. Daar is de handleiding ook op ingericht. Elk hoofdstuk omvat de volgende punten:

De conclusie? Begin nu. Volgens ons onderzoek uit 2026 onder meer dan 2.000 besluitvormers op het gebied van agentgestuurde AI is 77% van de organisaties al bezig met de implementatie van of het experimenteren met agentgestuurde AI. Bij bedrijven die agents hebben ingezet, zijn de klanttevredenheidsscores (CSAT) met 29% gestegen, de afhandelingstijden 31% korter en de bedrijfskosten met ~29% gedaald. Dat is nog niet alles: de gemiddelde tijd tot een significant rendement bij organisaties die dit hebben geïmplementeerd, bedraagt nu slechts acht maanden.

De kloof tussen degenen die waarde halen uit AI-agents en degenen die er nog over nadenken, groeit snel. Deze handleiding is bedoeld om je te helpen die kloof te overbruggen. 

Laten we beginnen.

Schaal de AI-functionaliteiten op die jouw bedrijf vooruit helpen

Er is een versie van een AI-implementatie die er op LinkedIn heel gelikt uitziet: een bedrijf dat trots aankondigt dat de pilot succesvol is gestart, dat er agents zijn ingezet en dat de statistieken verbeteren. De aankondiging levert een golf van likes, hartjes en reacties op. En dan, zes maanden later, doodse stilte. Het initiatief stagneert. Agents worden te weinig ingezet. Teams vallen terug in oude gewoonten. Wat is er gebeurd? 

De technologie was er klaar voor, maar de organisatie niet.

New research from the State of Agentic AI in the Enterprise report confirms it: Organizations that experienced a stalled or failed initiative were more likely to blame organizational factors than technology constraints.

De belangrijkste belemmeringen waren namelijk niet de kosten of het budget (19%), maar weerstand binnen de organisatie (29%) en een gebrek aan AI-kennis (29%). Op de vraag wat men anders zou doen, had het meest voorkomende antwoord niks met technologie te maken. Dat antwoord was: “eerder investeren in verandermanagement”.

Dat zijn echter uitdagingen waar oplossingen voor bestaan, en we hebben veel geleerd over hoe we dat kunnen bereiken. Dit hoofdstuk gaat in op de kenmerken van leiders die pilots omzetten in blijvende resultaten, hoe je beoordeelt waar je organisatie staat op de agentgestuurde reis, en hoe Salesforce zelf denkt over de eigen agentgestuurde transformatie.

De functieomschrijving van de CIO is herzien

Vroeger verdeelden de directieleden de verantwoordelijkheden strikt: 

de CIO bouwde de infrastructuur en onderhield deze. 

De CHRO stuurde het personeel en de bedrijfscultuur aan. 

De CFO zorgde ervoor dat de winst op peil bleef, enzovoort.

Deze mandaten bestaan nog steeds. Maar in het tijdperk van agentgestuurde AI is geen van deze echter voldoende. Shibani Ahuja, SVP van enterprise IT strategy, stelt: “Hedendaagse CIO’s worden opleiders. Ze zijn samenwerkingspartners geworden. Ze zijn vertalers geworden. Ze helpen besturen en afdelingsmanagers begrijpen wat AI-agents kunnen, maar ook wat dit betekent voor de manier waarop de organisatie functioneert. Ze overbruggen de kloof tussen technische mogelijkheden en bedrijfsstrategie.”

De meest effectieve managers op het gebied van AI vragen niet meer “Wat is mijn rol hierin?” maar stellen de vraag: “Wat voor soort organisatie worden we — en hoe bouwen we dat samen op?”

Waar sta jij in de reis naar agentic AI? 

Als je aarzelt bij het beantwoorden van die vraag, dan is dit goed om te weten: de meeste managers bevinden zich ook nog in de beginfase. Uit ons rapport ‘The State of Agentic AI in the Enterprise’ blijkt dat 30% van de respondenten AI-agents volledig heeft geïmplementeerd, terwijl 47% nog aan het experimenteren is met proefprojecten en 23% zich aan het oriënteren is of zich in de planningsfase bevindt.

Als je aan de start staat, dan breng je als eerste in kaart in hoeverre je klaar bent voor AI. Salesforce heeft een meerlaags volwassenheidsmodel voor agents ontwikkeld waarmee je de huidige en toekomstige stand van zaken kunt bepalen. Met deze progressieve aanpak kunnen organisaties stap voor stap hun mogelijkheden uitbreiden terwijl tegelijk de bedrijfswaarde tijdens elke fase wordt aangetoond.

Niveau 1: in deze fase definiëren bedrijven hun AI-strategie, bepalen ze integriteitsbescherming en beginnen ze databronnen te koppelen. Denk hierbij aan het volgende: AI-agents beantwoorden veelvoorkomende vragen van medewerkers zoals ‘Wat is ons beleid voor vakantiedagen?’ of ‘Hoe kan ik mijn wachtwoord resetten?’

Als je niveau 2 bereikt, kunnen agents taken uitvoeren met een enkele gespecialiseerde skill, zoals de verwerking van onkostendeclaraties of het automatisch inplannen van afspraken wanneer klanten om een demo vragen.

Op niveau 3 kunnen agents ingewikkelde workflows inrichten voor meerdere afdelingen en systemen. Denk aan het aansturen van een volledig onboardingtraject van medewerkers waarbij automatisch accounts worden gemaakt, trainingen worden gepland, apparaten worden toegewezen en afspraken worden gemaakt met teams van IT, HR en de faciliteiten.

Tot slot coördineren agents bij niveau 4 met andere agents in je organisatie en zelfs externe systemen. Je salesagent werkt bijvoorbeeld samen met je marketingagent en de supplychain-agent van je leverancier om automatisch leads te kwalificeren, communicatie te personaliseren, over tarieven te onderhandelen en bestellingen te verwerken zonder menselijke tussenkomst.

De meeste organisaties beginnen bij niveau 1 en bouwen het systeem stapsgewijs uit. Tegenwoordig bevinden veel van onze Agentforce-klanten — bedrijven die het platform van Salesforce voor AI-agents gebruiken om complexe taken te automatiseren en hun personeelsbestand te versterken ‌— zich ruimschoots op niveau 3. Als je weet in welke fase van de ontwikkeling je je bevindt, kies je het juiste beginpunt voor je organisatie. Met die kennis kun je je strategie uitwerken om AI-agents in te zetten.

Bionic: groeien naar een volwassen aanpak

James Lomas is CTO bij Bionic, een Brits vergelijkingsplatform voor zakelijke diensten dat meer dan 200.000 kleine bedrijven helpt essentiële zaken als energie en verzekeringen te beheren. Door Agentforce in de dagelijkse bedrijfsvoering te implementeren, leerde hij iets wat elke manager die een AI-proefproject overweegt, absoluut moet weten: de kloof tussen uitvoering en toegevoegde waarde bestaat echt, en die dicht zich niet vanzelf.

Van het weerstaan van de neiging om een algemeen model los te laten op specifieke procedurele taken tot het opzetten van een doelgerichte verbeteringscyclus: er is strikte discipline nodig om door te groeien naar een volwassen aanpak. Zijn belangrijkste inzicht? Agents kunnen vijftig procent van de behoeften van Bionic-klanten vervullen, maar alleen omdat ze eerlijk genoeg waren om zich eerst af te vragen voor welke vraagstukken echt een mens noodzakelijk was. Lees meer over de transformatie van Bionic richting agentic AI →

De agentische onderneming, in vier lagen

Bij Salesforce beschouwen we de agentische organisatie als een geïntegreerde architectuur die data, modellen, workflows en ervaringen samenbrengt, waarbij vertrouwen en governance vanaf het begin zijn ingebouwd. Het is zo ontworpen dat mensen, agents en platforms samenwerken, waarbij alle lagen op elkaar zijn afgestemd.

Deze architectuur alleen is niet voldoende om een agentische organisatie te worden. Daarvoor zijn ook veranderingen in mensen en processen nodig. Maar een geïntegreerd platform vormt de basis voor succes.

• Integratie, federatie en harmonisatie: de laag van het dataplatform die gestructureerde en ongestructureerde bedrijfsdata samenbrengt via een zero-copy architectuur. Dankzij deze voortdurend beschikbare, gedeelde context werken mensen en agents op elk moment met dezelfde informatie. 
  
• Apps, semantiek en workflow-intelligentie: de achterliggende operationele applicaties die het echte werk uitvoeren en de bedrijfslogica die het mogelijk maakt. De workflows, processen, goedkeuringen, regels en vastgelegde semantische definities binnen Customer 360 worden dagelijks gebruikt door zowel mensen als agents in service-, verkoop-, marketing- en commerceteams. Met Tableau zijn deze inzichten direct beschikbaar tijdens het werk, zodat er meteen actie kan worden ondernomen.
  
• Digital workforce: een centrale laag waarin agents worden ontwikkeld, getest en beheerd en vervolgens op grote schaal worden ingezet en gecontroleerd. Agentforce helpt bij het ontwikkelen en inzetten van zowel agents op maat als kant-en-klare agents voor medewerkers en klanten, die traceerbare en controleerbare acties uitvoeren.
  
• Live interface: het platform dat alle mogelijkheden van Salesforce beschikbaar maakt, ongeacht waar mensen en agents willen werken. Dit kan Slack, Claude, Microsoft Teams en/of Lightning zijn. Ook als het werk niet in een Salesforce-interface plaatsvindt, zorgt AIforce ervoor dat toegangsrechten, governance en bedrijfsregels overal van kracht blijven, ongeacht waar het werk wordt uitgevoerd.

Met deze kernsystemen als basis zijn alle onderdelen waarop je bedrijf draait,  van data en modellen tot workflows, vanaf het begin met elkaar verbonden. Daarbij is vertrouwen standaard ingebouwd, in plaats van achteraf toegevoegd.

Probeer deze activiteiten eens: definieer je visie en breng je basis in kaart

Elk traject naar agentic AI begint met twee vragen: “Waar werken we naartoe?” en “Wat bouwen we op?” Met deze activiteit kan je team beide vragen beantwoorden. Download het onderstaande werkblad om samen met je functieoverschrijdend team in te vullen.

Verwijder belemmeringen, inspireer je teams en rust ze uit om successen te boeken

Agents brengen voor elk team duidelijke voordelen met zich mee. Ze handelen duizenden gesprekken tegelijk af; spreken vloeiend verschillende talen en zijn 24/7 beschikbaar. Zoals echter uit ons rapport ‘the State of Agentic AI in the Enterprise’ blijkt, gebeurt het nog steeds niet vaak dat agents volledige autonomie krijgen – 99% van de organisaties die AI inzetten, laat agents werken onder menselijk toezicht. Organisaties bepalen actief welke rol mensen in een workflow spelen, in plaats van hen er pas bij te halen als er daadwerkelijk iets in de soep loopt.

Organisaties waarin agents belangrijke taken toevertrouwd krijgen, stemmen de inzet van de agents af op de huidige werkwijze van hun medewerkers. De inrichting hiervan is het lastige deel. Dit betekent dat je teams al op voorhand AI-vaardig dienen te worden en dat je omstandigheden dient te creëren waarin medewerkers agents beschouwen als tools om hun slagkracht te vergroten in plaats van als bedreigingen. Ook dien je uit te werken hoe mensen en agents door samenwerking successen kunnen boeken. 

We hebben vastgesteld, zowel in ons eigen traject als bij de organisaties waarmee we samenwerken, dat de bedrijven die duurzame teams van mensen en agents opbouwen, dit heel doelbewust doen: ze herontwerpen functies, zorgen voor brede omscholing en beschouwen menselijk toezicht niet als een beperking voor AI, maar als het ontwerpbeginsel dat ervoor zorgt dat het werkt.

In dit hoofdstuk laten we je zien hoe je dergelijke teams opbouwt.

Een transformatieve mindset

Succesvolle agentgestuurde organisaties beschouwen agents als een kans om menselijk werk naar een hoger niveau te tillen.

Deze mindset moet op een actieve wijze worden gestimuleerd door het management en worden versterkt via consequente berichten, demonstraties van successen en erkenning van medewerkers die effectief agents inzetten. Voor een holistische benadering is het cruciaal dat alle managers zich achter het plan scharen. 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.

• Laat managers openhartig praten over hun eigen ervaringen met AI, inclusief hun successen en uitdagingen.
• Koppel KPI’s, incentives of doelstellingen aan het specifieke gedrag dat je daadwerkelijk wilt zien. Formuleer de doelstelling niet te ruim, zoals ‘AI-implementatie’. Een algemeen mandaat zonder bijbehorende incentives wordt een formaliteit in plaats van een daadwerkelijke gedragsverandering.
• Ontwikkel trajecten voor uitstekend presterende medewerkers om ‘citizen developers’ te worden, waarbij je ze aanmoedigt om agents te maken en implementeren voor repetitieve taken.
• Moedig managers aan om regelmatig ‘Inzicht in met agents behaalde successen’ te organiseren, waar teams laten zien wat werkt en waar zij in groepsverband van elkaars ervaringen leren.
• Voeg skills in AI-samenwerking toe aan prestatiebeoordelingen en criteria voor promoties.
• Stel interne community’s 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.

De 4 R’s om een team van mensen en agents te bouwen 

Om de kansen van AI te benutten, moeten we verder kijken dan statische functiebeschrijvingen en het werk op gedetailleerd niveau herontwerpen. Bij Salesforce hebben we een vierstappenplan gebruikt (de 4 R’s) om onze organisatie te herontwerpen tot teams die van nature agentgestuurd zijn:

• Herontwerp hoe het werk wordt uitgevoerd (Redesign) 
• Train medewerkers in nieuwe skills voor het tijdperk van agents (Reskill)
• Herplaats talentvolle medewerkers in groeiende bedrijfsonderdelen (Redeploy)
• Creëer een nieuwe balans zodat mensen en AI zich elk kunnen concentreren op wat zij het beste kunnen (Rebalance)

Meer weten?
De 4 R’s vormen een beproefd framework. Salesforce heeft zelf elke stap van deze benadering in de praktijk gebracht als Customer Zero. In het Salesforce Workforce Innovation Playbook: de 4 R’s om een team van mensen en agents te bouwen zetten we de exacte tools, programma’s en lessen die wij zelf hebben geleerd op een rijtje.

Onze live interface: Slack

Op Slack wordt elke laag van de agentgestuurde architectuur zichtbaar in de workflow, inclusief Salesforce-records, eerdere gesprekken en gekoppelde agents — en daarbij hoeven de medewerkers de interface waarin ze zich al bevinden niet te verlaten. Slackbot fungeert als een conciërge in het hart van deze ervaring: de ingebouwde persoonlijke AI-agent waar elke medewerker gedurende de dag een beroep op doet. Deze brengt hen in contact met de agents die zij nodig hebben en coördineert de werkzaamheden tussen verschillende disciplines. Qua gebruik spreken de resultaten voor zich: binnen enkele maanden na de implementatie bleef 80% van de medewerkers die Slackbot hadden geprobeerd er gebruik van maken. Dit bespaarde hen tot wel twintig uur per week. Het tevredenheidspercentage van maar liefst 96% is het hoogste van alle AI-tools die Slack ooit heeft gelanceerd.

Mensen aan het roer

Het herontwerpen van werk voor AI betekent dat de rol van de mens verschuift van het uitvoeren van routinetaken naar het toezicht houden daarop. Salesforce noemt deze functie een ‘agent manager’. Mensen zorgen voor begeleiding, nemen belangrijke beslissingen en zorgen ervoor dat agents handelen in overeenstemming met de bedrijfsdoelstellingen. Andy White deelt een kernprincipe van onze aanpak: “Elke succesvolle agent heeft een menselijke verantwoordelijke — iemand die elke dag wakker wordt met de vraag: ‘Hoe zorg ik ervoor dat deze agent beter presteert?’”

Met Agentforce hebben teams volledig inzicht in de prestaties van agents dankzij live transcripties, sentimentanalyses en de mogelijkheid om op elk moment in te grijpen of een gesprek over te nemen. Vertrouwen tussen mensen en agents is niet vanzelfsprekend: dit wordt stap voor stap opgebouwd door middel van transparantie en aantoonbare resultaten. Organisaties die dit goed aanpakken, beschouwen menselijk toezicht als het ontwerpprincipe dat vertrouwen opbouwt en AI laat werken.

De architectuur is opgezet. De mindset van je teams verschuift. Nu sta je voor de meest ingrijpende beslissing van het hele traject: waar te beginnen. Niet elk probleem is het juiste eerste probleem, en niet elke agent is de juiste eerste agent. De organisaties die een blijvend momentum opbouwen, beginnen niet met de grootste kans — ze beginnen met de duidelijkste kans.

Los één probleem goed op en schaal vervolgens snel op

Een innovatie van deze omvang en met deze impact zorgt er vaak voor dat alles urgent aanvoelt. Het goede nieuws: je hoeft niet alles in één keer te veranderen om je bedrijf de vruchten te laten plukken van AI. 

Wij hebben honderden organisaties dit moment zien doormaken. Met name de organisaties die functieoverschrijdende teams samenbrengen om diepgaand onderzoek te doen naar problemen, behoeften in kaart brengen en afstemmen wat een agent kan oplossen slagen erin om direct een verschil te maken. 

In ons rapport “The State of Agentic AI in the Enterprise“ noemt 36% van de organisaties die AI inzetten een duidelijk afgebakende use case als één van de belangrijkste succesfactoren.

Dit bewijst dat je het wiel niet opnieuw hoeft uit te vinden en dat je niet alles in één keer hoeft te doen. Begin met een duidelijk omschreven probleem dat tastbare waarde belooft op te leveren. Dat is het fundament waarop je al het andere gaat opbouwen.

Een strategisch startpunt 

Bij de keuze van je eerste use case laat je teamleden met verschillende disciplines samen brainstormen. Begin met vier belangrijke vragen waarmee geslaagde implementaties zich onderscheiden van mislukte experimenten.

1. Welk specifiek probleem pak je hiermee aan? Richt je op kleine, gerichte use cases met meetbare problemen, niet op abstracte mogelijkheden. Ga op zoek naar pijnpunten, knelpunten of routinetaken die je teams belemmeren om zich met strategisch werk bezig te houden. 
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? Ga na waar je teams werken en zorg er dan voor dat zij de agent in hun dagelijkse werkzaamheden gemakkelijk kunnen bereiken. Agents in de workflow worden ingezet. Agents die daar geen deel van uitmaken, worden dure demonstratiemodellen.

Deze vragen lijken misschien voor de hand te liggen, maar toch struikelen de meeste organisaties hier over. Aan de hand hiervan  ontdek je waar de mogelijkheden liggen en krijg je vooraf duidelijke antwoorden en voorkom je kostbare koerswijzigingen in de toekomst. 

Laat je inspireren door de beste use cases van Agentforce

Bekijk hoe toonaangevende organisaties samenwerken met Salesforce om workflows te transformeren, teams meer mogelijkheden te bieden en nieuwe waarde te creëren met agents binnen ons Agentforce-platform. Blader door klantvoorbeelden uit verschillende branches en regio’s om inspiratie op te doen voor de transformatie van jouw bedrijf. Bekijk de use cases.

Het geheime wapen van Engine: voortdurende verbetering van agents 

Engine is een alles-in-één platform voor reizen en uitgaven voor het mkb, dat jaarlijks meer dan 800.000 klantenserviceverzoeken afhandelt. De basis van hun engineeringcultuur is een eenvoudig motto: “ship fast, learn faster” (snel leveren, nog sneller leren). Dankzij dat tweede deel, “nog sneller leren”, worden goede agents geweldige agents.

Hoewel hun chatbot eenvoudige vragen kon beantwoorden, kon deze geen actie ondernemen — dus voor elk verzoek, zelfs ‘annuleer mijn reservering’, moest een medewerker de details controleren, in meerdere systemen zoeken en de wijziging handmatig doorvoeren. Naarmate het aantal verzoeken groeide tot 800.000 per jaar, kwam het team flink onder druk te staan. Om dit aan te pakken, bouwde het bedrijf in slechts 12 dagen hun eerste agent, Eva. Inmiddels handelt Eva 50% van de binnenkomende chatcases zelfstandig af, waarbij de gemiddelde afhandelingstijd met 15% is verkort en de klanttevredenheid (CSAT) met 16% is verhoogd.

De grootste bijdrage van Eva is welke mogelijkheden zij heeft ontgrendeld. Omdat elke actie op Agentforce is gebaseerd, is elke actie herbruikbaar. Het bouwen van hun tweede agent kostte dagen, geen weken. Tegenwoordig zijn de agents van Engine actief op het gebied van support, IT, klantenservice en verkoop. De mogelijkheden van de agents zijn via Slackbot rechtstreeks in Slack geïntegreerd. Lees hier meer over het succes van de agents van Engine →

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, capaciteitsuitbreiding.
• Voor klanten: reactietijden, oplossingspercentages, tevredenheidsscores.
• Voor medewerkers: taakautomatisering, kansen voor het ontwikkelen van skills, werktevredenheid.

Voor meer informatie over het definiëren en meten van prestatiecijfers voor agents die bijdragen aan ROI, acceptatie en vertrouwen bekijk je Hoofdstuk 6: Blijf altijd verbeteren.

Probeer deze activiteit: de juiste use case selecteren

Nu is het tijd om deze principes toe te passen op jouw organisatie. 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 volg daarbij de onderstaande stappen.

Herontwerp slimme workflows op basis van de gewenste resultaten

Weet je nog dat een telefoon gewoon een telefoon was? Daar belde je mensen mee op. Geduldig sms’jes schrijven met T9. Maar kijk er nu eens naar: je telefoon is je camera, je portemonnee, je kaart, misschien zelfs je huissleutel. De “telefoon” is het minst interessante onderdeel. Maar zo dachten we er aanvankelijk niet automatisch over: het heeft ons jaren gekost om tot die conclusie te komen.

Agentgestuurde AI staat op precies hetzelfde punt. Veel bedrijven behandelen agents als een telefoon met wat extra functies, die ze aan bestaande werkprocessen toevoegen. De bedrijven die succesvol zijn, doen precies het tegenovergestelde. Zij stellen zichzelf de vraag: “Hoe zien de werkzaamheden eruit nu ik dit hulpmiddel heb?“ en integreren AI op natuurlijke wijze in hun werkprocessen. De resultaten van deze aanpak zijn tastbaar. Bij deze bedrijven bereikt de acceptatiegraad maar liefst 55% onder hun medewerkers, tegenover 47% voor losse, willekeurig toegevoegde tools. Deze organisaties boeken met 34% verbetering ook de grootste vooruitgang qua afhandelingstijd vergeleken met alle andere benaderingen. 94% van de managers is het erover eens: de integratie van AI in kernwerkprocessen is beter dan AI gebruiken als een op zichzelf staande tool.

In het vorige hoofdstuk las je hoe je de juiste use case selecteert. Nu is het tijd om de workflows op te zetten om je agents succesvol te maken. Hier leer je hoe je je denkwijze verlegt van stappen naar resultaten en hoe je workflows creëert die mettertijd steeds beter worden. Uiteindelijk heb je een framework om je belangrijkste bedrijfsprocessen te herontwerpen — en beschik je over de tools om deze te blijven verfijnen zodra ze in gebruik zijn.

Slimme workflows die zich aanpassen 

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.

Procedure-gestuurd: een chatbot volgt een vaste sequentie 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.
• Mindere cognitieve belasting van medewerkers: medewerkers hoeven geen starre procedures te volgen als menselijke kennis vereist is, zoals een ingewikkeld gesprek met de klantenservice.

Hoe begin je je workflows op te bouwen 

Deze strategieën zijn afkomstig uit onze eigen ervaringen: ze hebben ons geholpen onze workflows te herzien voor het tijdperk van agents:

1. Concentreer je op wat je wilt bereiken in plaats van elke stap te scripten. Anders lopen je workflows vast wanneer er situaties ontstaan die je niet had voorzien.
2. 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.
3. Ontwikkel manieren voor agents om zowel van successen als fouten te leren en laat mensen feedback geven over de prestaties van de agents, anders stagneert de groei van je agents.  
4. Bepaal precies wanneer complexiteit, belangen, behoefte aan empathie of tijdsdruk aanleiding moeten zijn om de controle van de agent aan een mens over te dragen. Doe je dat niet, dan vertrouw je te veel op AI bij gevoelige beslissingen of verspil je de tijd van mensen aan routinetaken.
5. 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.

Ontwerpen rond de antwoorden, met UChicago Medicine

Andrew Chang, Chief Marketing Officer van UChicago Medicine, omschreef de kloof tussen de dienstverlening aan patiënten in de gezondheidszorg en de verwachtingen van consumenten vrij onomwonden: “Je kunt binnen een paar seconden een hamburger bestellen, maar als je zorg wilt inplannen, sta je in de wacht of moet je wachten tot je wordt teruggebeld.” Met meer dan 2,5 miljoen patiëntvragen per jaar had UChicago Medicine een fundamenteel andere werkwijze nodig om in te spelen op de behoeften van patiënten. 

Daarom gebruikt de organisatie technologie om de patiëntervaring buiten de spreekkamer te transformeren. Ze implementeerden Agentforce, de agentische laag van het Salesforce Platform om dagelijkse werkprocessen te automatiseren, zoals het plannen van afspraken, het regelen van herhaalrecepten en het geven van routebeschrijvingen naar het ziekenhuis.

Net zo belangrijk was dat duidelijk werd vastgelegd wat een agent nooit zou doen: diagnoses stellen, klinische vragen beantwoorden of gevoelige patiëntgegevens of data uit medische dossiers verzamelen. Met deze agentgestuurde workflows kan het ziekenhuis patiënten en hun familie direct antwoord geven, in plaats van hen door te sturen naar geautomatiseerde systemen waarin patiënten zonder oplossing vastlopen of steeds opnieuw hetzelfde traject moeten starten en doorlopen. Lees hier meer over de transformatie van UChicago richting agentic AI →

Houd rekening met technische problemen

De implementatie van agentgestuurde workflows gaat gepaard met technische uitdagingen, zoals integratie, beheer 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: implementeer krachtige maatregelen om data te beschermen met gedetailleerde toegangscontroles en monitoring.

Elke overdracht, elke uitzondering, elk moment waarop een mens ingrijpt en verbetert wat de agent niet aankon, geeft de workflows vorm. Die ontwikkeling is maar zo goed als wat de agent weet. Een agent die werkt op basis van onvolledige, tegenstrijdige of slecht beschreven data wordt er niet slimmer op — hij zal alleen maar sneller fouten maken. In het volgende hoofdstuk leer je hoe je je agents een basis geeft met data die ervoor zorgen dat ze het vertrouwen waard zijn.

Probeer deze activiteit: op resultaten gerichte workflows ontwerpen

Deze activiteit loodst je door het in kaart brengen (en mogelijk herontwerpen) van een workflow om mensen en agents te laten samenwerken om het gewenste resultaat te bereiken – en niet alleen de procedure volgen die jij altijd al hebt gevolgd.

Zet van je data om in een concurrentievoordeel

De filosoof Voltaire miste het AI-tijdperk met een paar eeuwen. Hij begreep de valkuil van het aan de slag gaan echter maar al te goed: perfect is de vijand van goed. In ons rapport “The State of Agentic AI in the Enterprise” hebben we geleerd dat de datagereedheid op zichzelf niet bepalend is voor een succesvolle implementatie van AI. Bij de implementerende bedrijven is elk niveau van data maturity vertegenwoordigd. Wat er ná de lancering gebeurt, dat onderscheidt succes van mislukking.

Organisaties die zich bewust hadden voorbereid vóór de implementatie, bereikten hun ROI bijna een maand sneller. Bedrijven die onvoorbereid te werk gingen, hadden een aanzienlijk grotere kans om met harde lessen hun dataproblemen te ontdekken — in het bijzijn van een klant. Van de organisaties die te maken hadden met een incident waarbij klanten betrokken waren, noemt 79% lastige toegang van hun agents tot actuele, nauwkeurige data als de belangrijkste oorzaak. 

Op dit punt is ontologie, de kaart van relaties tussen je data, van cruciaal belang. In het volgende hoofdstuk vind je een praktisch framework om je data te beoordelen, eventuele hiaten op te vullen en een fundament te creëren waarop je agents kunnen presteren wanneer het er echt toe doet.

De data-realiteitscheck

Het is 00:23 uur en een klant heeft geen toegang meer tot zijn account. De klant stuurt een bericht naar je klantenservice-agent, in de hoop dat het probleem snel wordt opgelost. Je agent reageert zelfverzekerd, maar in het dossier dat hij opvraagt, staat een oud e-mailadres vermeld, niet het adres dat is gemarkeerd vanwege een recente beveiligingscontrole. Je agent kan niet verder, de klant is gefrustreerd en een oplossing komt er pas als er morgenochtend weer iemand inlogt. Zo ziet een door data veroorzaakte fout eruit. Vaak veroorzaakt een gebrek aan dataverbinding dergelijke fouten.

Tegen de tijd dat een medewerker ’s ochtends de draad oppakt, is de frustratie bij de klant aardig opgelopen en die reageert hij af op de medewerker. Zo ziet een door data veroorzaakte fout er van buitenaf uit. Vaak veroorzaakt een gebrek aan dataverbinding degelijke fouten.

De manier waarop de meeste bedrijfssystemen data opslaan, bestaat uit velden en records aan de ene kant en definities, regels en context aan de andere kant. Agents vallen hier tussen de wal en het schip, zonder dat er een verband tussen beide kanten bestaat. De agents halen feiten op zonder te weten wat die feiten betekenen. Vanuit die kloof ontstaan er fouten tegenover de klant.

Het goede nieuws: deze kloof valt te dichten. Hier lees je hoe je dat aanpakt.

Een uniforme basis van gecombineerde kennis 

Als je een uitgebreid datafundament wilt voor AI-agents, heb je gestructureerde en niet-gestructureerde data van je organisatie nodig. Dit proces is meer dan alleen systemen koppelen.

Voorbereiding van gestructureerde data:

Gestructureerde data is doorgaans georganiseerd in tabellen, databases of spreadsheets. Dat klinkt best netjes, toch? Voor mensen is dat ook zo. Er ontstaan echter uitdagingen wanneer AI-modellen rijen en kolommen effectief proberen te begrijpen. Daarom vereist de taak ‘text-to-SQL, waarbij vragen in natuurlijke taal worden vertaald in databasequery’s, 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:

Niet-gestructureerde data (pdf-bestanden, afbeeldingen, video’s, e-mails, transcripts) vertegenwoordigt 78% van alle opgeslagen bedrijfsdata en bevat vaak waardevolle informatie, maar vereist 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 eerder vergrendelde informatie kunt gaan 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 kennis moet je deze bronnen met gestructureerde en niet-gestructureerde data effectief koppelen door middel van consistente, herhaalbare methodes. Dat is het punt waarop het Model Context Protocol (MCP) om de hoek komt kijken.

Het MCP is een gedeelde standaard waarmee AI verbinding kan maken met de noodzakelijke data (en tools) om de taken af te handelen. Hierbij worden alle bedrijfsregels en governance met betrekking tot de data gehandhaafd. Om te begrijpen hoe dit werkt: stel je een AI-systeem voor als een kunstenaar met het talent en de inspiratie om een meesterwerk te maken, maar waarbij alle noodzakelijke penselen, verf en doeken verspreid liggen over verschillende afgesloten ateliers. MCP fungeert als een gestandaardiseerd hoofdsleutelsysteem. Hierdoor kan de kunstenaar moeiteloos elk gereedschap of materiaal uit elk atelier gebruiken, ongeacht waar de spullen zich bevinden — tegelijkertijd wordt bijgehouden waar het vandaan komt, voor welke andere werken het is gebruikt en voor welke soorten verf het penseel al dan niet geschikt is. Met MCP kunnen AI-agents databronnen dynamisch ontdekken en doorzoeken en op basis van hun bevindingen reageren, ongeacht waar de databronnen zich ook bevinden.

Met SharkNinja staat data op de eerste plaats 

Toen SharkNinja begon met de implementatie van Agentforce, wisten ze dat het slagen hiervan afhing van het op orde brengen van hun data. Klantenbestellingen, servicegeschiedenis en productcatalogi stonden in afzonderlijke systemen, gescheiden per regio en merk. Dat resulteerde in dubbele klantprofielen, inconsistente productnamen en het ontbreken van een betrouwbare, samenhangende basis waarop een agent zich kon baseren. Om dit te verhelpen en ervoor te zorgen dat elke klantinteractie uit het verleden – en het heden – gebaseerd is op de meest recente data, hebben ze Salesforce-data, systemen van derden en websiteactiviteit gebundeld in Data 360.

Agentforce handelt nu wekelijks 20.000 chats met klanten van SharkNinja af in de VS. Sinds de lancering van Commerce Cloud is het aantal artikelen per winkelwagen met 14% gestegen ten opzichte van een jaar eerder. Dit succes is te danken aan het samenbrengen en ordenen van data. Lees hier meer over de agentische transformatie van SharkNinja →

Databeheer en vertrouwen 

Denk even terug aan die fictieve klant van eerder, die geen toegang meer had tot diens account. Bij organisaties die vanaf het begin databeheer inbouwen, is de kans op een soortgelijk incident aanzienlijk kleiner. 

Maak bij het opzetten van het systeem van de volgende zaken een topprioriteit:

Toegangscontrole tot data

Implementeer de volgende beheersmaatregelen:

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.

Datakwaliteit bepaalt de kwaliteit van de resultaten

De organisaties met de meest schone data op dag één zijn niet noodzakelijkerwijs ook de organisaties die de snelste ROI behalen. Dat zijn juist de organisaties die het voorbereiden van data als een doorlopend proces beschouwen: doelgericht opbouwen, problemen verhelpen die bij de implementatie aan het licht komen en het beheer verder aanscherpen naarmate ze opschalen. 

De conclusie?

• Eerst je data opschonen en dan verbinden.
• Bouw een uniforme kennisarchitectuur waarop je agents kunnen voortborduren.
• Beheer de toegang met dezelfde striktheid als die je voor elke medewerker zou hanteren.

De kwaliteit van de input bepaalt de kwaliteit van de output — voor je agents en voor elke klant die zij van dienst zijn

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.

Coach je agents, bewijs hun waarde

Er is een bekende quote uit de film Glengarry Glen Ross uit de vroege jaren 90 die elke salesprofessional in je omgeving waarschijnlijk wel kent. Als het gaat om het sluiten van een deal, geldt het mantra: “Always be closing” — geef nooit op als je een grote vis aan de haak hebt.

Bij agentic AI kunnen we een soortgelijke quote gebruiken, maar dan met een kleine twist. “Always be iterating” – want de organisaties die succesvol zijn, blijven hun agents, nadat deze zijn ingezet, voortdurend verbeteren. 

Dit hoofdstuk maakt de cirkel rond voor alles wat je tot nu toe hebt opgebouwd, in twee met elkaar samenhangende stappen. De eerste: discipline achter voortdurende verbetering. We laten je zien hoe je agents begeleidt, ook lang nadat ze live zijn gegaan. Ten tweede: bewijs aan je medewerkers, je managers en uiteindelijk de directie dat de investering vruchten afwerpt.

Simpel gezegd: door iteratie worden agents beter; met metingen bewijs je dat. Je houdt het ene niet in stand zonder het andere. 

De lancering is de startstreep 

De agents die blijven presteren, zijn de agents die je voortdurend coacht en vervolgens weer inzet in de workflows. Wij noemen dit proces de Agent Development Lifecycle (ADLC). Dit is wat agents die blijvende waarde opleveren onderscheidt van agents die op een plateau stagneren. Bij Salesforce hebben we dit in onze eigen implementaties zien gebeuren: agents die in eerste instantie gewoon redelijk presteren, gecoacht worden en zich geleidelijk verbeteren totdat ze de manier waarop het werk wordt gedaan daadwerkelijk transformeren.

De groeimotor van Asymbl: één agent, steeds meer rendement

Asymbl is een start-up op het gebied van personeelscoördinatie en kon de vraag op een gegeven moment niet meer bijbenen. Er was één Sales Development Representative die honderden potentiële klanten beheerde vanuit een gefragmenteerde technologiepakket zonder duidelijke bron van waarheid. Om de werkdruk aan te kunnen, bouwden ze Theodore: een Agentforce-agent die leads kwalificeert, gesprekken inplant en 24/7 outbound prospecting beheert. Hoewel Theodore zijn werk goed deed, liet Asymbl het niet bij “instellen en vergeten”. Elke week evalueert het verkoopteam van Asymbl Theodores contacten tijdens coachingsessies. Dan filteren zij de leerpunten uit zijn berichten en geven deze verbeterpunten direct door aan de agent. Die feedbackloop is de drijvende kracht achter hun succes: meer dan 1000 leads per week, $ 1,5 miljoen aan kostenbesparingen en een ROI van 3.789%. De agent die vandaag zo goed presteert, is niet de agent die zij destijds inzetten; het is de agent die zij steeds verder hebben verbeterd. Lees meer over de transformatie van Asymbl richting agentic AI →

Vier manieren om je agents te blijven verbeteren

1. Meet de impact, niet alleen de functionaliteit
   Houd niet alleen bij of een agent werkt. Meet de bedrijfswaarde van de agent: acceptatie, effectiviteit, prestaties en tastbare resultaten. Zonder zinvolle meetgegevens weet je niet of je agent beter wordt of langzaam achteruitgaat.
2. Beschouw iteratie als de taak
   De lancering is de start, niet de finish. Verzamel realtime feedback van gebruikers, houd interacties in de gaten en verfijn het gedrag van de agents voortdurend. Behandel agents als medewerkers: train ze, corrigeer ze en werk ze bij op basis van wat uit het praktijkgebruik blijkt. 
3. Begin klein, breid strategisch uit
   Begin met een gerichte use case en breid de mogelijkheden vervolgens geleidelijk uit naarmate de agents hun waarde bewijzen. Voorzie de agents in de loop van de tijd met rijkere, beter gestructureerde data. De verbetering neemt toe wanneer de reikwijdte en de datakwaliteit samen groeien.
4. Beheer verstandig, niet defensief
   Implementeer vangrails om fouten te voorkomen, maar weersta de neiging om de agents te veel beperkingen op te leggen. Te strak beheer elimineert de innovatie die het juist moet beschermen. Joe Inzerillo, hoofd van de afdeling Enterprise & AI Technology, put uit de ‘Customer Zero’-ervaring van Salesforce om zijn visie op ‘vooruitgang versus perfectie’ te delen: “Goed genoeg om van te leren, dát is de maatstaf.” Maak verstandige keuzes qua vangrails voor agents, maar maak deze niet zo streng dat je de innovatie in de kiem smoort.”

Meet met indicatoren die de ROI, acceptatie en het vertrouwen vergroten

Terwijl je de transformatie richting agentgestuurde AI doorloopt, kun je onophoudelijk de druk voelen om aan te tonen dat AI werkt. Het goede nieuws: de verdediging hoef je nooit op een kaartenhuis te bouwen. De resultaten van agents zijn zowel kwantitatief als kwalitatief meetbaar en zijn terug te zien in elke dimensie die van belang is.

Dat ziet er in de praktijk als volgt uit: in het rapport ‘The State of Agentic AI in the Enterprise’ melden organisaties, acht maanden na de implementatie, een acceptatiegraad van 53% onder medewerkers, een verbetering van de klanttevredenheid (CSAT) met 29%, 31% snellere afhandelingstijden en een verlaging van de operationele kosten met 29%.

Dergelijke resultaten onderbouwen de business case voor implementatie en vormen een concrete maatstaf voor organisaties die de investering nog overwegen.

De meetgegevens voor de Help Agent vallen uiteen in twee categorieën: acceptatie en effectiviteit

#1. Meetgegevens inzake acceptatie

Agentforce kan pas effectief zijn als klanten het gebruiken. De acceptatiegraad laat zien of klanten gebruikmaken van de Help Agent en geeft ons in een vroeg stadium aanwijzingen voor een afname van het aantal cases en kostenbesparingen.

We kijken naar:

• Help Portal-sessies: hoeveel klanten bezoeken Salesforce Help?
• Gesprekken: het aantal keren dat klanten een gesprek starten door een vraag in te dienen.

#2. Effectiviteit

Zodra er sprake is van acceptatie, is de volgende vraag de belangrijkste: helpt Agentforce klanten daadwerkelijk?

Klantinteracties zijn doorgaans onder te verdelen in drie categorieën: oplossing door Agentforce, doorverwijzing naar een menselijke supportmedewerker of afbreking.

Om na te gaan hoe goed Agentforce op elk gebied presteert, houden we het volgende bij:

• Afbrekingen: een klant start een sessie, maar vertrekt voordat hij een vraag stelt.
• Oplossingen: een afgeronde klantinteractie zonder doorverwijzing naar een medewerker.
• Door de klant bevestigde oplossing: een klant bevestigt dat Agentforce diens probleem heeft opgelost.
• CSAT: een klant geeft aan het einde van een interactie met Agentforce een klanttevredenheidsscore. 
• Doorverwijzingen aan medewerker (escalaties): een klant wordt vanuit Agentforce doorverwezen naar een supportmedewerker.

Samen laten deze supportmeetgegevens zien hoe Agentforce bijdraagt aan snellere oplossingen, een hogere klanttevredenheid en meer vertrouwen.

De belangrijkste meetgegevens qua agents 

Net als menselijke medewerkers hebben agents uiteenlopende skills en expertisegebieden. Daarom bestaat er ook geen ‘one-size-fits-all’-beoordelingsschema om de prestaties te meten. Welke meetgegevens het belangrijkst zijn, hangt af van de specifieke agents, de use cases en je doelstellingen. Er zijn echter een aantal belangrijke indicatoren die voor vrijwel elke inzet van agents gelden:

Hoe Pandora van elke doorverwijzing een datapunt maakte

Pandora wist dat het elke stap van het traject moest meten om een agentische organisatie te worden. Toen zij Clara ontwikkelden, hun door Agentforce aangestuurde klantenservice-agent, hielden ze de prestaties bij en schaalden ze pas op naarmate het vertrouwen in de resultaten groeide.

Deze werkwijze gold ook voor de manier waarop Clara taken doorverwees. Wanneer een verzoek buiten Clara’s werkterrein viel, stuurde de agent het door naar een menselijke medewerker — altijd met een volledige samenvatting van het gesprek. Hierdoor waren medewerkers direct volledig op de hoogte en werd gewaarborgd dat klanten hun verhaal nooit hoefden te herhalen. Bij Clara wordt elke doorverwijzing bijgehouden en vormt elke interactie een datapunt. Clara verwerkt nu 40.000 gesprekken per maand, handelt 60% van de cases zelfstandig af en zorgde voor een stijging van 10% in de Net Promoter Score. Lees meer over de transformatie van Pandora richting agentic AI →

Jouw moment is nu

Een jaar geleden vertelden we je dat de bedrijven die het komende decennium de toon zullen zetten, niet op perfecte omstandigheden bleven wachten. Met weer een jaar vol ervaringen erbij, heeft dat onze visie alleen maar meer diepgang gegeven: de mogelijkheden zijn groter dan je denkt. 

Joe Inzerillo, president van Enterprise and AI Technology, windt er geen doekjes om: “Voor het eerst in de geschiedenis van de technologie is schaalgrootte niet het probleem.” Je kunt zo groot opschalen als je je kunt veroorloven. Wat je je niet kunt permitteren, is niets doen.”

Dit onderscheidt dit moment echt van alle eerdere technologische verschuivingen. De managers die al vroeg in actie kwamen, bouwen hun voorsprong steeds verder uit. En dankzij de ongelooflijke innovatie op het gebied van AI, alleen al in het afgelopen jaar, kunnen organisaties die nu instappen hun achterstand goedmaken op manieren die voorheen simpelweg onmogelijk waren. Als je een leergierige instelling hebt, dan is dit een cruciaal moment waarin iedereen die bereid is de handen uit de mouwen te steken diens kans kan grijpen om door te zetten in een nieuwe wereld vol ongelooflijke technologie. 

Wat je vanaf hier opbouwt, is helemaal aan jou. En zodra je alles hebt opgezet, helpen we je verder op te schalen met onze volgende handleiding: Schaal je agentgestuurde organisatie op: een stapsgewijze gids.

Probeer deze laatste activiteit: evalueer de levenscyclus, beoordeel de resultaten

Uiteraard laten we je niet gaan zonder een laatste beetje (vrijwillig) huiswerk. Zoals je gelezen hebt, is het werk van een agent nooit echt af. In deze activiteit gebruik je de Agent Development Lifecycle (ADLC) om een voortgangsrapport over je agent op te stellen. Geef je agent vervolgens op basis van diens prestaties voor elke fase een score. 

Nadat je je agent hebt beoordeeld, geef je elke meetbare dimensie een score.

Zijn jouw AI-agents al actief? Schaal ze op met onze stapsgewijze gids