AI-agents veranderen elke branche — en die ontwikkeling gaat steeds sneller

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

Toen we dit e-book in het voorjaar van 2025 voor het eerst publiceerden, stond de agentgestuurde organisatie nog in de kinderschoenen. Inmiddels is het een model waar veel bedrijven naartoe werken en dat sommige organisaties al volop aan het opbouwen zijn. In slechts één jaar tijd verschoof de vraag van: “Wat is een agentgestuurde organisatie?” naar: “Hoe komen we daar vanaf hier?”

Daarom hebben we dit e-book met stapsgewijze aanpak bijgewerkt met onze nieuwste inzichten en ervaringen. Want het antwoord op de vraag “hoe” is er niet eenvoudiger op geworden. Voor veel organisaties is die vraag juist urgenter dan ooit.

Elke manager staat voor dezelfde bijna onmogelijke opgave: exponentiële groei realiseren met een vast budget, concurrenten voorblijven die elk kwartaal sneller schakelen en tegelijkertijd voldoen aan klantverwachtingen die voortdurend toenemen.

We weten hoe je je voelt

Ook bij Salesforce bestond ons AI-traject uit experimenteren, doorbraken boeken en soms lessen op de harde manier leren. Al jaren krijgen onze leiders van klanten dezelfde vraag: “Hoe runnen jullie zo’n groot bedrijf?” Met 80.000 medewerkers, een snel veranderend productaanbod en klanten in vrijwel elke branche wereldwijd hebben ook wij niet altijd meteen het juiste antwoord.

Hoe zijn we dan uitgegroeid tot de agentgestuurde organisatie die we nu zijn? Dat hebben we te danken aan een aanpak die we Customer Zero noemen. We testen onze platforms, functies en processen eerst zelf voordat we ze bij klanten aanbevelen.

Deze handleiding is gebaseerd op de lessen, experimenten en inzichten uit onze eigen transformatie én op onze ervaring met duizenden klanten, van innovatieve start-ups tot Fortune 500-bedrijven. Daardoor weten we wat werkt, waar organisaties tegenaan lopen en wat het oplevert als AI-agents breed in de organisatie worden ingezet, van sales en marketing tot HR en andere bedrijfsfuncties.

Onze belangrijkste les: de agentgestuurde organisatie is geen toekomstbeeld waarop je je moet voorbereiden. Het is een manier van werken die je nu al in de praktijk kunt brengen.

‎

Hoe je dit e-book gebruikt

Sta je nog aan het begin van je reis naar agentgestuurde AI? Lees deze handleiding dan van begin tot eind als een praktische routekaart. Wil je liever direct naar het onderwerp dat voor jou het meest relevant is, dan kan dat ook: elk hoofdstuk staat op zichzelf.

In elk hoofdstuk komen de volgende aandachtspunten aan bod:

De conclusie? Begin nu. Uit ons onderzoek uit 2026 onder meer dan 2.000 besluitvormers op het gebied van agentgestuurde AI blijkt dat 77% van de organisaties al bezig is met de implementatie ervan of ermee experimenteert. Bij bedrijven die AI-agents hebben ingezet, steeg de klanttevredenheid (CSAT) met 29%, daalde de afhandelingstijd met 31% en namen de bedrijfskosten met ongeveer 29% af.

En dat is nog niet alles: organisaties die agentgestuurde AI hebben geïmplementeerd, zien gemiddeld al binnen acht maanden een significant rendement.

De kloof tussen organisaties die al waarde halen uit AI-agents en organisaties die nog aan het verkennen zijn, wordt snel groter. Met deze handleiding dicht je die kloof.

Schaal de AI-functionaliteiten op die je bedrijf vooruithelpen

Er is een versie van AI-implementatie die het goed doet op LinkedIn: een bedrijf kondigt trots aan dat een pilot succesvol is gestart, AI-agents zijn ingezet en de resultaten verbeteren. De aankondiging levert een golf van likes, hartjes en reacties op. Maar zes maanden later blijft het stil. Het initiatief stagneert, agents worden nauwelijks gebruikt en teams vallen terug in oude gewoonten. Wat ging er mis?

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

Nieuw onderzoek uit het State of Agentic AI in het Enterprise-rapport bevestigt dat beeld: organisaties waarbij een initiatief vastliep of mislukte, wezen vaker naar organisatorische factoren dan naar technologische beperkingen.

De grootste belemmeringen waren dan ook niet kosten of budget (19%), maar weerstand binnen de organisatie (29%) en een gebrek aan AI-kennis (29%). Op de vraag wat organisaties achteraf anders zouden doen, had het meest gegeven antwoord niets met technologie te maken: eerder investeren in verandermanagement.

Voor deze uitdagingen bestaan oplossingen. Inmiddels weten we veel beter wat nodig is om AI-initiatieven wél te laten slagen. In dit hoofdstuk lees je wat leiders anders doen wanneer zij pilots omzetten in blijvende resultaten, hoe je bepaalt waar je organisatie staat in de ontwikkeling naar agentgestuurde AI en hoe Salesforce naar zijn eigen agentgestuurde transformatie kijkt.

De rol van de CIO verandert

Vroeger waren de verantwoordelijkheden binnen de directie duidelijk verdeeld.

• De CIO bouwde en beheerde de IT-infrastructuur.
• De CHRO was verantwoordelijk voor medewerkers en bedrijfscultuur.
• De CFO bewaakte de financiële prestaties.

Die verantwoordelijkheden bestaan nog steeds. Maar in het tijdperk van agentgestuurde AI zijn ze op zichzelf niet meer genoeg. Shibani Ahuja, SVP Enterprise IT Strategy, zegt daarover: “CIO’s krijgen er nieuwe rollen bij. Ze worden opleider, samenwerkingspartner en vertaler. Ze maken voor bestuurders en afdelingsmanagers duidelijk wat AI-agents kunnen en wat dat betekent voor de manier waarop de organisatie werkt. Zo slaan ze de brug tussen technische mogelijkheden en bedrijfsstrategie.”

De meest effectieve AI-leiders vragen niet langer: “Wat is mijn rol hierin?”, maar: “Wat voor organisatie willen we worden — en hoe bouwen we die samen op?”

Als je aarzelt bij het beantwoorden van die vraag, is het goed om te weten dat de meeste leiders nog aan het begin staan. Uit ons rapport The State of Agentic AI in the Enterprise blijkt dat 30% van de respondenten AI-agents volledig heeft geïmplementeerd. Nog eens 47% experimenteert ermee in pilots en 23% bevindt zich in de oriëntatie- of planningsfase.

Sta je zelf nog aan het begin, breng dan eerst in kaart hoe klaar je organisatie is voor AI. Salesforce heeft hiervoor een volwassenheidsmodel ontwikkeld waarmee je kunt bepalen waar je nu staat en welke volgende stap logisch is. Zo breid je je mogelijkheden stapsgewijs uit en toon je in elke fase de bedrijfswaarde aan.

Niveau 1: organisaties bepalen hun AI-strategie, stellen waarborgen voor verantwoord gebruik vast en beginnen databronnen met elkaar te verbinden. AI-agents kunnen in deze fase bijvoorbeeld veelvoorkomende vragen van medewerkers beantwoorden, zoals: ‘Wat is ons beleid voor vakantiedagen?’ of ‘Hoe reset ik mijn wachtwoord?’

Op niveau 2 voeren agents taken uit met één gespecialiseerde skill, zoals het verwerken van onkostendeclaraties of automatisch een afspraak inplannen wanneer een klant om een demo vraagt.

Op niveau 3 voeren agents complexe workflows uit die meerdere afdelingen en systemen omvatten. Denk aan een volledig onboardingproces voor nieuwe medewerkers, waarbij automatisch accounts worden aangemaakt, trainingen worden ingepland, apparaten worden toegewezen en afspraken met IT, HR en facilitair worden geregeld.

Op niveau 4 werken agents samen met andere agents binnen de organisatie en met externe systemen. Zo kan een salesagent samenwerken met een marketingagent en de supplychain-agent van een 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 van daaruit verder. Veel van onze Agentforce-klanten — organisaties die Salesforce inzetten om met AI-agents complexe taken te automatiseren en medewerkers te ondersteunen — bevinden zich inmiddels ruimschoots op niveau 3. Zodra je weet waar je organisatie staat, kun je bepalen waar je moet beginnen en hoe je AI-agents verder wilt inzetten.

Bionic: stap voor stap naar een volwassen aanpak

James Lomas is CTO bij Bionic, een Brits vergelijkingsplatform voor zakelijke diensten dat meer dan 200.000 kleine bedrijven ondersteunt bij het beheren van essentiële zaken zoals energie en verzekeringen. Door Agentforce in de dagelijkse bedrijfsvoering in te zetten, leerde hij iets wat iedere leider die een AI-pilot overweegt moet weten: er zit een duidelijke kloof tussen iets technisch werkend krijgen en er daadwerkelijk waarde mee realiseren. Die kloof verdwijnt niet vanzelf.

Van het vermijden van algemene modellen voor specifieke, procedurele taken tot het opzetten van een gerichte verbetercyclus: doorgroeien naar een volwassen aanpak vraagt discipline. Zijn belangrijkste inzicht? Agents kunnen in 50% van de behoeften van Bionic-klanten voorzien, maar alleen omdat het bedrijf eerst kritisch bepaalde voor welke vragen menselijke inzet echt noodzakelijk bleef. Lees meer over de transformatie van Bionic naar agentgestuurde AI →

De agentgestuurde organisatie in vijf systemen

De Salesforce-architectuur voor agentgestuurde organisaties brengt data, modellen, workflows en ervaringen samen, met vertrouwen en governance als fundament.

Bij Salesforce zien we de agentgestuurde organisatie als één samenhangende architectuur waarin data, modellen, workflows en ervaringen met elkaar verbonden zijn. Vertrouwen en governance zijn vanaf het begin ingebouwd. Zo ontstaat een omgeving waarin mensen en agents effectief samenwerken en alle systemen op elkaar aansluiten.

Maar technologie alleen is niet genoeg. Een agentgestuurde organisatie vraagt ook om veranderingen in mensen en processen. Een uniform platform vormt daarbij de technische basis.

• Systeem voor context: het datafundament. Records, kennis en klantgeschiedenis vormen de basis voor elke beslissing, workflow en agent. Zonder context werkt AI op basis van aannames.
• Systeem voor werk: de apps en bedrijfslogica waarmee het dagelijkse werk wordt uitgevoerd. Mensen en agents in service, sales, marketing en commerce werken met dezelfde workflows, processen, goedkeuringen, regels en governance binnen Customer 360.
• Systeem voor inzichten: hier worden beheerde data omgezet in inzichten die passen bij de context van je organisatie. Met Tableau zijn die inzichten direct beschikbaar, zodat mensen en agents meteen actie kunnen ondernemen binnen hun bestaande werkprocessen.
• Systeem voor agents: één centrale omgeving om agents te ontwikkelen, testen, beheren en organisatiebreed in te zetten. Met Agentforce zet je agents in voor medewerkers en klanten, met acties die traceerbaar en verantwoord zijn.
• Systeem voor interactie: de omgeving waarin mensen en agents samenwerken. Bij Salesforce is dat Slack. Medewerkers bepalen de koers en hun gepersonaliseerde AI-assistenten voeren de taken uit.

Met Headless 360 delen context, werk, inzichten, competenties en interactie dezelfde basis, hetzelfde beheer en dezelfde bron van waarheid. Daardoor kun je deze volledige architectuur naar ieder gewenst platform brengen zonder haar telkens opnieuw op te bouwen. Zo vormen vijf krachtige systemen samen één agentgestuurde organisatie.

Aan de slag: bepaal je visie en breng je basis in kaart

Elk traject naar agentgestuurde AI begint met twee vragen: “Waar willen we naartoe?” en “Wat moeten we daarvoor opbouwen?” Met deze oefening brengt je team beide in kaart. Download het werkblad hieronder en vul het samen met je multidisciplinaire team in.

Neem belemmeringen weg, inspireer je teams en geef ze wat ze nodig hebben om succesvol te zijn

Agents bieden elk team duidelijke voordelen. Ze kunnen duizenden gesprekken tegelijk afhandelen, communiceren in meerdere talen en zijn 24/7 beschikbaar. Toch krijgen ze nog maar zelden volledige autonomie. Uit ons rapport The State of Agentic AI in the Enterprise blijkt dat 99% van de organisaties die AI inzetten, agents onder menselijk toezicht laat werken.

Organisaties bepalen daarom bewust welke rol mensen binnen een workflow spelen, in plaats van hen pas in te schakelen zodra er iets misgaat.

Organisaties die agents belangrijke taken toevertrouwen, stemmen hun inzet zorgvuldig af op de manier waarop medewerkers nu al werken. Juist die inrichting is vaak het lastigst. Teams moeten daarom al vroeg AI-vaardigheden ontwikkelen en ervaren dat agents hun slagkracht vergroten in plaats van hun rol bedreigen. Tegelijk moet duidelijk zijn hoe mensen en agents samen tot betere resultaten komen.

Zowel uit ons eigen traject als uit onze samenwerking met andere organisaties blijkt dat duurzame teams van mensen en agents niet vanzelf ontstaan. Succesvolle organisaties pakken dit bewust aan: ze herontwerpen functies, investeren breed in omscholing en zien menselijk toezicht niet als een beperking van AI, maar als een essentieel ontwerpprincipe.

In dit hoofdstuk lees je hoe je zulke teams opbouwt.

Een mindset voor transformatie

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

Die mindset vraagt om actief leiderschap. Managers moeten die visie consequent uitdragen, successen zichtbaar maken en medewerkers erkennen die agents effectief inzetten. Daarbij heeft elke leidinggevende een rol: technologieleiders sturen de implementatie aan, bedrijfsleiders bewaken de strategische doelen en HR geeft richting aan loopbaanontwikkeling en training.

Een paar praktische manieren om die mindset te versterken:

• Laat managers open vertellen over hun eigen ervaringen met AI, inclusief successen en uitdagingen.
• Koppel KPI’s, incentives en doelstellingen aan concreet gedrag dat je wilt stimuleren. Vermijd brede doelen als ‘AI-adoptie’. Zonder duidelijke prikkels blijft zo’n doel al snel vrijblijvend.
• Geef goed presterende medewerkers de kans zich te ontwikkelen tot citizen developers en zelf agents te bouwen voor repetitieve taken.
• Organiseer regelmatig sessies waarin teams laten zien wat met agents werkt en van elkaars ervaringen leren.
• Neem vaardigheden in het samenwerken met AI op in prestatiebeoordelingen en promotiecriteria.
• Bouw interne communities waarin medewerkers best practices delen.
• Zet erkenningsprogramma’s op voor medewerkers die agents op vernieuwende en effectieve manieren inzetten.

De 4 R’s voor het bouwen van teams van mensen en agents

Om de kansen van AI echt te benutten, moeten we verder kijken dan vaste functiebeschrijvingen en het werk op detailniveau opnieuw ontwerpen. Bij Salesforce gebruiken we daarvoor een aanpak in vier stappen: de 4 R’s.

• Herontwerp hoe het werk wordt uitgevoerd (Redesign)
• Ontwikkel nieuwe vaardigheden voor het tijdperk van agents (Reskill)
• Zet talent opnieuw in binnen groeiende onderdelen van de organisatie (Redeploy)
• Breng mensen en AI opnieuw in balans, zodat ieder zich richt op waar die het meeste waarde toevoegt (Rebalance)

Meer weten?
De 4 R’s vormen een beproefde aanpak die Salesforce zelf als Customer Zero stap voor stap in de praktijk heeft gebracht. In het Salesforce Workforce Innovation Playbook: de 4 R’s voor het bouwen van teams van mensen en agents vind je de tools, programma’s en belangrijkste lessen uit onze eigen ervaring.

Ons systeem voor interactie: Slack

In Slack komen alle lagen van de agentgestuurde architectuur samen in de dagelijkse workflow: Salesforce-records, eerdere gesprekken en gekoppelde agents zijn direct beschikbaar, zonder dat medewerkers hun vertrouwde werkomgeving hoeven te verlaten.

Slackbot staat centraal in die ervaring. Deze ingebouwde persoonlijke AI-agent ondersteunt medewerkers gedurende de dag, brengt hen in contact met de juiste agents en coördineert werkzaamheden over verschillende teams en disciplines heen.

De gebruikscijfers spreken voor zich. Binnen enkele maanden na de implementatie bleef 80% van de medewerkers die Slackbot hadden geprobeerd de tool actief gebruiken. Daarmee bespaarden zij tot wel twintig uur per week. Met een tevredenheidsscore van 96% behaalde Slackbot bovendien de hoogste score van alle AI-tools die Slack tot nu toe heeft gelanceerd.

Menselijk toezicht op AI-agents

Als AI routinetaken overneemt, verschuift de rol van medewerkers steeds meer van uitvoeren naar aansturen en toezicht houden. Salesforce noemt zo’n rol een ‘agent manager’. Mensen geven richting, nemen belangrijke beslissingen en bewaken of agents blijven handelen in lijn met de doelstellingen van de organisatie.

Andy White vat een belangrijk uitgangspunt van onze aanpak zo samen: “Achter elke succesvolle agent staat een mens die ervoor verantwoordelijk is — iemand die elke dag kijkt: ‘Hoe kan ik deze agent beter laten presteren?’”

Met Agentforce hebben teams continu inzicht in de prestaties van agents, met live transcripties, sentimentanalyses en de mogelijkheid om op elk moment in te grijpen of een gesprek over te nemen.

Vertrouwen tussen mensen en agents ontstaat niet vanzelf. Het groeit door transparantie en resultaten die zich in de praktijk bewijzen. Organisaties die dit goed aanpakken, zien menselijk toezicht daarom niet als een beperking, maar als een ontwerpprincipe dat vertrouwen versterkt en AI effectief laat werken.

De architectuur staat en de mindset binnen je teams verandert. Dan volgt een van de belangrijkste keuzes in het hele traject: waar begin je?

Niet elk probleem is geschikt als eerste use case en niet elke agent is de juiste eerste agent. Organisaties die duurzaam momentum opbouwen, beginnen daarom niet met de grootste kans, maar met de kans die het duidelijkst en het meest haalbaar is.

Hoofdstuk 3

Met de juiste use case beginnen

Los eerst één probleem goed op en schaal daarna snel op

Bij een innovatie met zoveel impact voelt al snel alles urgent. Toch hoef je niet meteen je hele organisatie te veranderen om waarde uit AI te halen.

We hebben honderden organisaties door deze fase zien gaan. Juist de organisaties die multidisciplinaire teams samenbrengen, problemen grondig onderzoeken, behoeften scherp in kaart brengen en bepalen wat een agent daadwerkelijk kan oplossen, weten snel aantoonbare resultaten te boeken.

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 een van de belangrijkste succesfactoren.

Je hoeft het wiel dus niet opnieuw uit te vinden en ook niet alles tegelijk aan te pakken. Begin met één duidelijk afgebakend probleem dat aantoonbare waarde kan opleveren. Van daaruit bouw je verder.

Een strategisch startpunt

Kies je eerste use case samen met collega’s uit verschillende disciplines. Begin daarbij met vier vragen die succesvolle implementaties onderscheiden van experimenten die vastlopen.

1. Welk concreet probleem wil je oplossen? Kies een kleine, gerichte use case met een meetbaar probleem. Kijk naar knelpunten, terugkerende taken of andere obstakels die teams ervan weerhouden zich op strategischer werk te richten.
2. Hoeveel risico kan je organisatie aan? Werk je in een sterk gereguleerde sector of is de risicotolerantie laag, begin dan bijvoorbeeld met interne agents om eerst vertrouwen en ervaring op te bouwen.
3. Welke data heeft de agent nodig? Hoe eenvoudiger en duidelijker de datavereisten, hoe sneller je waarde kunt realiseren.
4. Hoe gaan teams de agent daadwerkelijk gebruiken? Kijk waar medewerkers hun dagelijkse werk doen en maak de agent daar direct beschikbaar. Agents die onderdeel zijn van de workflow worden gebruikt. Agents die daarbuiten staan, blijven al snel dure demonstraties.

Deze vragen lijken eenvoudig, maar juist hier gaat het vaak mis. Door ze vooraf goed te beantwoorden, zie je sneller waar de beste kansen liggen en voorkom je later kostbare koerswijzigingen.

Laat je inspireren door succesvolle Agentforce-use cases

Bekijk hoe organisaties samen met Salesforce workflows vernieuwen, teams versterken en met agents nieuwe waarde creëren op het Agentforce-platform. Ontdek voorbeelden uit verschillende branches en regio’s en gebruik die als inspiratie voor je eigen aanpak. Bekijk de use cases.

Het geheime wapen van Engine: agents voortdurend verbeteren

Engine is een alles-in-één platform voor reizen en onkosten voor het mkb en verwerkt jaarlijks meer dan 800.000 klantenserviceverzoeken. De engineeringcultuur draait om één eenvoudig motto: ship fast, learn faster — snel leveren, nog sneller leren. Vooral dat tweede deel maakt het verschil tussen een goede agent en een agent die steeds beter wordt.

De oorspronkelijke chatbot kon eenvoudige vragen beantwoorden, maar geen acties uitvoeren. Daardoor moest een medewerker zelfs bij een verzoek als ‘annuleer mijn reservering’ de gegevens controleren, meerdere systemen raadplegen en de wijziging handmatig doorvoeren. Naarmate het aantal verzoeken opliep tot 800.000 per jaar, kwam het team steeds verder onder druk te staan.

Engine bouwde daarom in slechts 12 dagen zijn eerste agent, Eva. Inmiddels handelt Eva 50% van de binnenkomende chatcases zelfstandig af. De gemiddelde afhandelingstijd is met 15% gedaald en de klanttevredenheid (CSAT) met 16% gestegen.

De grootste winst zit echter in wat Eva mogelijk heeft gemaakt. Omdat iedere actie binnen Agentforce herbruikbaar is, kon Engine zijn tweede agent in dagen bouwen in plaats van weken. Inmiddels worden agents ingezet voor support, IT, klantenservice en sales. Via Slackbot zijn hun mogelijkheden bovendien rechtstreeks in Slack beschikbaar. Lees hier meer over het succes van de agents van Engine →

Meet wat er echt toe doet

Succes vraagt om meer dan goede bedoelingen. Vanaf dag één moet je meten wat werkt en wat niet. Organisaties die zowel efficiëntiewinst als zakelijke impact inzichtelijk maken, bouwen een sterkere onderbouwing voor verdere opschaling.

Richt je op meetgegevens die voor verschillende stakeholders relevant zijn:

• Voor executives: ROI, omzetimpact, kostenbesparingen en concurrentievoordeel.
• Voor operations-teams: tijdsbesparing, minder fouten en meer capaciteit.
• Voor klanten: responstijden, oplossingspercentages en tevredenheid.
• Voor medewerkers: geautomatiseerde taken, mogelijkheden om nieuwe vaardigheden te ontwikkelen en werktevredenheid.

Wil je weten hoe je prestatie-indicatoren voor agents definieert en meet om ROI, adoptie en vertrouwen te vergroten? Bekijk dan Hoofdstuk 6: Blijf altijd verbeteren.

Aan de slag: kies de juiste use case

Pas deze principes nu toe op je eigen organisatie. Breng zes tot acht stakeholders uit verschillende disciplines samen, bijvoorbeeld uit operations, klantenservice, sales, marketing, IT en management. Reserveer een paar uur voor een diepgaande discussie en volg daarbij de onderstaande stappen.

Herontwerp workflows vanuit het gewenste resultaat

Weet je nog dat een telefoon gewoon een telefoon was? Je belde ermee en typte met veel geduld sms’jes via T9. Inmiddels is je telefoon ook je camera, portemonnee, navigatie en soms zelfs je huissleutel. Bellen is bijna bijzaak geworden. Maar zo keken we er in het begin natuurlijk niet naar. Het kostte jaren voordat we gingen zien wat er allemaal mogelijk was.

Agentgestuurde AI bevindt zich nu op een vergelijkbaar punt. Veel organisaties voegen agents toe aan bestaande werkprocessen, alsof het om een extra functie gaat. Succesvolle organisaties draaien die redenering om. Zij vragen zich af: “Hoe zou dit werkproces eruitzien als we vanaf het begin rekening houden met wat AI-agents kunnen?” Vervolgens richten ze hun processen daar opnieuw op in.

Dat verschil is zichtbaar in de resultaten. Bij organisaties die AI direct in hun werkprocessen integreren, ligt de adoptie onder medewerkers op 55%, tegenover 47% bij losse tools die achteraf worden toegevoegd. Ook boeken zij de grootste winst in afhandelingstijd: gemiddeld 34%. En 94% van de managers is het ermee eens dat AI meer waarde oplevert wanneer het onderdeel is van de kernprocessen dan wanneer het als losstaande tool wordt ingezet.

In het vorige hoofdstuk las je hoe je de juiste use case kiest. Nu is het tijd om de workflows zo in te richten dat agents goed kunnen presteren. Je leert hoe je de focus verlegt van vaste stappen naar gewenste resultaten en hoe je workflows bouwt die zich in de loop van de tijd blijven verbeteren.

Uiteindelijk heb je een framework waarmee je belangrijke bedrijfsprocessen opnieuw kunt ontwerpen en verder kunt verfijnen zodra ze in gebruik zijn.

Slimme workflows die zich aanpassen

AI-agents werken niet vanuit vaste procedures, maar vanuit het resultaat dat je wilt bereiken. In plaats van elk mogelijk scenario vooraf te programmeren, bepaal je wat succes betekent en laat je de agent zelf het beste pad kiezen.

Neem een traditionele interactie met de klantenservice.

Proceduregestuurd: een chatbot volgt een vaste reeks vooraf geschreven vragen en beslisbomen. Klanten met afwijkende of complexere vragen lopen daardoor al snel vast.

Resultaatgericht: een agent begrijpt wat de klant nodig heeft, stelt waar nodig aanvullende vragen, haalt relevante documenten op en werkt actief toe naar een oplossing.

Die resultaatgerichte aanpak biedt duidelijke voordelen:

• Meer flexibiliteit bij uitzonderingen: slimme workflows lopen niet meteen vast bij onverwachte situaties, maar herkennen afwijkingen en passen hun aanpak aan.
• Voortdurende verbetering: doordat het resultaat centraal staat, kunnen agents leren van wat goed en minder goed werkt en hun aanpak steeds verder verfijnen.
• Minder mentale belasting voor medewerkers: medewerkers hoeven zich niet door starre procedures heen te werken wanneer menselijk inzicht nodig is, bijvoorbeeld bij een complex klantgesprek.

Zo bouw je workflows voor AI-agents

Deze aanpakken komen voort uit onze eigen ervaring met het herontwerpen van workflows voor het tijdperk van agents:

1. Begin bij het resultaat dat je wilt bereiken, niet bij elke afzonderlijke stap. Anders loop je het risico dat workflows vastlopen zodra er iets gebeurt wat je vooraf niet had voorzien.
2. Maak workflows niet onnodig complex. Begin met de basis en verfijn ze op basis van echt gebruik. Zo voorkom je overengineerde processen waar gebruikers op afhaken en die moeilijk te verbeteren zijn.
3. Bouw feedback en leren vanaf het begin in. Laat agents leren van zowel successen als fouten en zorg dat mensen feedback kunnen geven op hun prestaties.
4. Bepaal vooraf wanneer een mens moet overnemen. Denk aan situaties met veel complexiteit, grote belangen, behoefte aan empathie of hoge tijdsdruk. Zo voorkom je dat AI te veel beslissingsruimte krijgt waar menselijk oordeel nodig is.
5. Geef medewerkers alle relevante context mee bij een overdracht. Zo hoeven zij niet eerst te reconstrueren wat er is gebeurd en kunnen ze direct verder met volledige informatie.

Zo automatiseert UChicago Medicine patiëntvragen met AI-agents

Andrew Chang, Chief Marketing Officer van UChicago Medicine, verwoordde het verschil tussen de zorgervaring en de verwachtingen van consumenten heel scherp: “Je kunt binnen een paar seconden een hamburger bestellen, maar voor het maken van een zorgafspraak 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 aanpak nodig.

Daarom zet de organisatie technologie in om de patiëntervaring buiten de spreekkamer te verbeteren. UChicago Medicine implementeerde Agentforce, de agentgestuurde laag van het Headless 360-platform, om alledaagse workflows te automatiseren. Denk aan afspraken inplannen, herhaalrecepten beheren en route-informatie geven.

Minstens zo belangrijk was wat de agent juist níét mocht doen: diagnoses stellen, klinische vragen beantwoorden of gevoelige patiëntgegevens en informatie uit medische dossiers verzamelen.

Met deze agentgestuurde workflows krijgen patiënten en hun familie sneller een direct antwoord, zonder vast te lopen in geautomatiseerde systemen of telkens opnieuw hetzelfde proces te moeten doorlopen.

Lees hier meer over de transformatie van UChicago Medicine naar agentgestuurde AI →

Bereid je architectuur voor op technische uitdagingen

De implementatie van agentgestuurde workflows brengt technische uitdagingen met zich mee, bijvoorbeeld rond integratie, beheer en tooling. Door vanaf het begin rekening te houden met vijf concrete ontwerpprincipes voorkom je dat deze later de opschaling in de weg staan.

1. Zorg dat het platform kan meegroeien: houd rekening met meer gebruikers, meer agents en zwaardere workloads zonder dat prestaties teruglopen.
2. Maak koppelingen eenvoudig aanpasbaar: verbind agents met bestaande systemen via flexibele integraties, zodat je niet telkens de hele architectuur hoeft te herbouwen.
3. Geef agents toegang tot betrouwbare data: zorg dat ze altijd kunnen werken met actuele, consistente en goed beschreven informatie uit bijvoorbeeld databases en API’s.
4. Maak prestaties controleerbaar: leg vast wat agents doen, meet waar het misgaat en bouw evaluaties en waarborgen in om gedrag voortdurend te verbeteren.
5. Beperk toegang tot wat echt nodig is: geef agents alleen toegang tot de data en systemen die voor hun taak nodig zijn en monitor voortdurend wie wat doet.

Elke overdracht, uitzondering en menselijke correctie levert nieuwe informatie op waarmee je de workflow verder kunt verbeteren. Maar dat werkt alleen als de agent kan vertrouwen op goede data. Werkt een agent met onvolledige, tegenstrijdige of slecht beschreven informatie, dan wordt hij niet slimmer — hij maakt alleen sneller fouten.

In het volgende hoofdstuk lees je hoe je agents voedt met betrouwbare data als basis voor betere beslissingen en meer vertrouwen.

Aan de slag: ontwerp workflows vanuit het gewenste resultaat

Breng een bestaande workflow in kaart en bekijk waar je die kunt herontwerpen. Het doel: mensen en agents zo laten samenwerken dat ze samen het gewenste resultaat bereiken, in plaats van simpelweg het bestaande proces stap voor stap te blijven volgen.

Maak van je data een concurrentievoordeel

De filosoof Voltaire leefde eeuwen vóór het AI-tijdperk, maar zijn bekende inzicht is nog altijd relevant: perfect is de vijand van goed. Dat geldt ook voor data. Je hoeft je data niet eerst volledig op orde te hebben voordat je met AI kunt beginnen — maar je moet wel weten waar de zwakke plekken zitten.

Uit ons rapport The State of Agentic AI in the Enterprise blijkt dat datagereedheid op zichzelf niet bepaalt of een AI-implementatie slaagt. Onder organisaties die AI succesvol inzetten, komen alle niveaus van datavolwassenheid voor. Het echte verschil zit in de manier waarop organisaties hun data vóór en na de lancering aanpakken.

Organisaties die zich vóór de implementatie bewust op hun data hadden voorbereid, bereikten hun ROI bijna een maand sneller. Bedrijven die minder voorbereid begonnen, liepen juist vaker tegen dataproblemen aan terwijl klanten daar direct last van hadden. Van de organisaties die een klantgericht incident meemaakten, noemt 79% gebrekkige toegang tot actuele en nauwkeurige data als belangrijkste oorzaak.

Op dit punt wordt ontologie belangrijk: de manier waarop je vastlegt hoe data en begrippen met elkaar samenhangen. In het volgende hoofdstuk krijg je een praktisch framework om je data te beoordelen, hiaten op te sporen en een fundament te bouwen waarop agents kunnen vertrouwen wanneer het er echt toe doet.

De data-realiteitscheck

Het is 00:23 uur en een klant heeft geen toegang meer tot zijn account. Hij stuurt een bericht naar je klantenservice-agent en verwacht snel geholpen te worden. De agent reageert zelfverzekerd, maar haalt een dossier op met een verouderd e-mailadres. Het nieuwe adres, dat onlangs na een beveiligingscontrole is vastgelegd, staat ergens anders.

De agent kan daardoor niet verder. De klant raakt gefrustreerd en moet wachten tot een medewerker de volgende ochtend het probleem oppakt. Tegen die tijd is de frustratie alleen maar verder opgelopen.

Dit is hoe een dataprobleem zichtbaar wordt voor de klant. Niet omdat de agent niet goed genoeg is, maar omdat de juiste informatie niet goed met elkaar verbonden is.

Veel bedrijfssystemen slaan feiten op in velden en records, terwijl definities, regels en context elders staan. Zonder een duidelijke verbinding tussen die twee kan een agent wel informatie ophalen, maar niet altijd goed bepalen wat die informatie betekent of welke bron leidend is. Precies daar ontstaan fouten.

Het goede nieuws: die kloof kun je dichten.

Bouw één samenhangende kennisbasis

AI-agents hebben toegang nodig tot zowel gestructureerde als ongestructureerde data. Alleen systemen met elkaar koppelen is niet genoeg. De informatie moet ook begrijpelijk, betrouwbaar en bruikbaar zijn voor AI.

Gestructureerde data voorbereiden

Gestructureerde data staat meestal in tabellen, databases en spreadsheets. Voor mensen is die ordening vaak duidelijk. Voor AI-modellen is dat minder vanzelfsprekend. Daarom vraagt bijvoorbeeld text-to-SQL — waarbij vragen in gewone taal worden vertaald naar databasequery’s — om extra voorbereiding:

1. Leg de betekenis van data vast: beschrijf niet alleen veldnamen, maar ook hun zakelijke betekenis en onderlinge relaties. Maak bijvoorbeeld duidelijk dat customer_id verwijst naar het klantrecord in het CRM-systeem.
2. Leg veelgebruikte querypatronen vast: beschrijf hoe je organisatie terugkerende vragen beantwoordt, zoals ‘Hoe berekenen we Customer Lifetime Value?’ of ‘Welke signalen wijzen op een verhoogd risico op klantverloop?’
3. Borg de datakwaliteit: gebruik consistente validatieregels voor verplichte velden, datumnotaties, waardebereiken en andere criteria die bepalen of data compleet en betrouwbaar is.

Ongestructureerde data voorbereiden

Ongestructureerde data, zoals pdf’s, afbeeldingen, video’s, e-mails en transcripties, vormt 78% van alle opgeslagen bedrijfsdata. Juist daarin zit vaak veel waardevolle kennis, maar die moet wel toegankelijk worden gemaakt.

1. Haal informatie uit documenten: gebruik AI om automatisch tekst, entiteiten en relaties uit verschillende bestandsformaten te halen, zodat informatie die eerder opgesloten zat in documenten doorzoekbaar en bruikbaar wordt.
2. Breng structuur aan: werk met consistente tags en categorieën, zodat content snel terug te vinden is. Label supporttranscripties bijvoorbeeld op probleemtype, product en oplossingsstatus.
3. Beheer versies zorgvuldig: leg vast welke versie van een document actueel en leidend is, zodat agents altijd met de juiste informatie werken.

Verbind je databronnen

Een samenhangende kennisbasis vraagt om vaste en herhaalbare manieren om gestructureerde en ongestructureerde data met elkaar en met AI-systemen te verbinden. Daar komt het Model Context Protocol (MCP) in beeld.

MCP is een gedeelde standaard waarmee AI-systemen op een gecontroleerde manier toegang krijgen tot de data en tools die ze nodig hebben om taken uit te voeren. Daarbij blijven bestaande bedrijfsregels, toegangsrechten en governance van kracht.

Zie het als een gestandaardiseerde toegangspoort tussen AI en de systemen van je organisatie. In plaats van voor elke databron of tool een aparte koppeling te bouwen, kan een AI-systeem via MCP op een consistente manier bepalen welke bronnen beschikbaar zijn, welke acties zijn toegestaan en onder welke voorwaarden informatie mag worden gebruikt.

Bij SharkNinja begint succes met goede data

Toen SharkNinja Agentforce implementeerde, stond de datakwaliteit centraal. Klantbestellingen, servicegeschiedenis en productcatalogi stonden verspreid over verschillende systemen, regio’s en merken. Daardoor ontbrak één betrouwbare databasis voor de agent.

Om dat op te lossen, bracht SharkNinja Salesforce-data, externe systemen en websiteactiviteit samen in Data 360. Zo beschikt Agentforce bij elke klantinteractie over de meest actuele en samenhangende informatie.

Inmiddels verwerkt Agentforce wekelijks zo’n 20.000 chats met SharkNinja-klanten in de VS. Sinds de lancering van Agentforce Commerce is het aantal artikelen per winkelwagen bovendien met 14% gestegen ten opzichte van een jaar eerder. De basis voor dat succes: data samenbrengen, opschonen en bruikbaar maken. Lees meer over de transformatie van SharkNinja.

Databeheer als basis voor vertrouwen

Denk terug aan de klant die eerder geen toegang meer had tot zijn account. Als je databeheer vanaf het begin goed inricht, verklein je de kans op zulke problemen aanzienlijk.

Geef bij de inrichting van je systeem prioriteit aan drie gebieden:

Toegang tot data

1. Rolgebaseerde toegang: bepaal duidelijk tot welke data een agent toegang heeft, net zoals je dat voor medewerkers doet.
2. Toegang op basis van kenmerken: stem de toegang af op het type data en de gevoeligheid ervan.
3. Doelbinding: zorg dat agents data alleen gebruiken voor vooraf vastgelegde doeleinden.
4. Audittrails: leg vast welke data agents raadplegen en welke acties ze uitvoeren.

Privacy

1. Dataminimalisatie: geef agents alleen toegang tot de data die ze nodig hebben om hun taak uit te voeren.
2. Anonimisering en pseudonimisering: bescherm gevoelige gegevens waar dat nodig is.
3. Bewaarbeleid: leg duidelijk vast hoe lang data worden bewaard en wanneer ze worden verwijderd.
4. Toestemmingsbeheer: registreer en beheer toestemming voor het gebruik van persoonsgegevens zorgvuldig.

Beveiliging

1. Versleuteling: bescherm data zowel tijdens de overdracht als bij opslag.
2. Meervoudige verificatie: beveilig de toegang tot gevoelige systemen met sterke authenticatie.
3. Back-up en herstel: zorg voor betrouwbare back-ups en duidelijke herstelprocedures.
4. Beveiligingsbewustzijn: train teams in veilig werken met AI-systemen en data.

Goede data leiden tot betere resultaten

De organisaties met de schoonste data op dag één behalen niet automatisch het snelst rendement. Organisaties die data als een doorlopend aandachtspunt behandelen, hebben een duidelijk voordeel. Ze leggen een goede basis, lossen problemen op zodra die tijdens het gebruik zichtbaar worden en scherpen hun databeheer verder aan naarmate ze opschalen.

De belangrijkste lessen:

• Ruim je data op en verbind daarna de juiste bronnen.
• Bouw één samenhangende kennisarchitectuur waarop agents kunnen vertrouwen.
• Beheer de toegang van agents net zo zorgvuldig als die van medewerkers.

Hoe beter de data waarop je agents werken, hoe beter de resultaten — voor je organisatie én voor de klanten die met je agents te maken krijgen.

Aan de slag: beoordeel je belangrijkste databronnen

Breng in kaart hoe goed je belangrijkste databronnen zijn voorbereid op AI. Beoordeel waar de grootste hiaten zitten en bepaal welke verbeteringen nu de meeste impact opleveren.

Coach je agents en bewijs hun waarde

In de film Glengarry Glen Ross uit de vroege jaren 90 zit een bekende salesquote: Always be closing. Blijf doorgaan totdat de deal rond is.

Voor agentgestuurde AI geldt een vergelijkbaar principe: Always be iterating. Succesvolle organisaties stoppen namelijk niet na de lancering. Ze blijven hun agents verbeteren op basis van gebruik, feedback en resultaten.

In dit hoofdstuk komen twee dingen samen. Eerst kijken we naar de discipline achter voortdurende verbetering: hoe je agents blijft begeleiden, ook nadat ze live zijn. Daarna draait het om meten: hoe je laat zien dat die investering daadwerkelijk waarde oplevert voor medewerkers, managers en de directie.

Kort gezegd: door iteratie worden agents beter, met metingen maak je die vooruitgang zichtbaar. Het ene werkt niet zonder het andere.

De lancering is pas het begin

Agents die blijvend goed presteren, worden voortdurend geëvalueerd, bijgestuurd en opnieuw ingezet in workflows. Bij Salesforce noemen we dit de Agent Development Lifecycle (ADLC). Juist die cyclus onderscheidt agents die steeds meer waarde opleveren van agents die na verloop van tijd op hetzelfde niveau blijven steken.

We zien dat ook in onze eigen implementaties: agents die aanvankelijk redelijk presteren, worden stap voor stap beter door gerichte coaching en aanpassingen. Uiteindelijk kunnen ze zo de manier waarop werk wordt uitgevoerd wezenlijk veranderen.

De groeimotor van Asymbl: één agent, steeds meer rendement

Asymbl groeide sneller dan het team aankon. Eén Sales Development Representative moest honderden prospects opvolgen, terwijl klantdata verspreid stond over verschillende systemen en er geen duidelijke bron van waarheid was.

Om dat probleem op te lossen, bouwde Asymbl Theodore: een Agentforce-agent die leads kwalificeert, afspraken inplant en 24/7 outbound prospecting uitvoert. Maar Asymbl liet het niet bij ‘instellen en vergeten’. Elke week bespreekt het salesteam Theodores interacties in coachingsessies, haalt daar concrete leerpunten uit en verwerkt die direct in de agent.

Die feedbackloop is een belangrijke motor achter de resultaten: meer dan 1.000 leads per week, 1,5 miljoen dollar aan kostenbesparingen en een ROI van 3.789%. De agent die nu zo goed presteert, is niet dezelfde agent als bij de lancering. Het is de agent die Asymbl stap voor stap beter heeft gemaakt. Lees meer over de transformatie van Asymbl naar agentgestuurde AI →

Vier manieren om je agents te blijven verbeteren

1. Meet de impact, niet alleen of de agent werkt
   Kijk verder dan functionaliteit. Meet adoptie, effectiviteit, prestaties en concrete bedrijfsresultaten. Zonder duidelijke meetpunten weet je niet of een agent vooruitgaat of juist achteruitgaat.
2. Maak iteratie onderdeel van het werk
   De lancering is het begin, niet het eindpunt. Verzamel feedback van gebruikers, analyseer interacties en stuur het gedrag van agents voortdurend bij. Behandel agents zoals je medewerkers begeleidt: trainen, corrigeren en verder ontwikkelen op basis van praktijkervaring.
3. Begin klein en breid gericht uit
   Start met één duidelijke use case en voeg pas nieuwe mogelijkheden toe zodra de agent zijn waarde heeft bewezen. Geef de agent daarbij stap voor stap toegang tot rijkere en beter gestructureerde data. Zo groeien reikwijdte en datakwaliteit samen.
4. Bouw goede vangrails zonder agents klem te zetten
   Zorg voor duidelijke grenzen om fouten te voorkomen, maar leg agents niet zoveel beperkingen op dat innovatie stilvalt. Joe Inzerillo, President of Enterprise and AI Technology, vat die balans vanuit de Customer Zero-ervaring van Salesforce zo samen: “Goed genoeg om van te leren, dát is de maatstaf.” Stel dus duidelijke vangrails in, maar laat voldoende ruimte om te experimenteren en te verbeteren.

Meet wat ROI, adoptie en vertrouwen echt laat groeien

Tijdens de transformatie naar agentgestuurde AI neemt de druk om resultaten aan te tonen snel toe. Gelukkig hoef je de waarde van agents niet op aannames te baseren. Hun impact is zowel kwantitatief als kwalitatief meetbaar, op vrijwel elk niveau dat voor de organisatie relevant is.

Uit The State of Agentic AI in the Enterprise blijkt bijvoorbeeld dat organisaties acht maanden na de implementatie duidelijke resultaten zien: 53% van de medewerkers gebruikt de technologie, de klanttevredenheid stijgt met 29%, de afhandelingstijd daalt met 31% en de operationele kosten nemen met 29% af.

Die cijfers maken de business case concreet en geven organisaties die nog aan het begin staan een duidelijke maatstaf voor wat agentgestuurde AI kan opleveren.

KPI’s om de prestaties van AI-agents te meten

1. Adoptie

Agentforce kan pas waarde opleveren als klanten het daadwerkelijk gebruiken. De adoptiecijfers laten zien in hoeverre klanten de Help Agent inzetten en geven vroeg inzicht in mogelijke dalingen van het aantal supportcases en de bijbehorende kosten.

We kijken onder meer naar:

• Help Portal-sessies: het aantal bezoeken aan Salesforce Help.
• Gesprekken: het aantal keren dat een klant een gesprek met de Help Agent start.

2. Effectiviteit

Zodra klanten de Help Agent gebruiken, volgt de belangrijkste vraag: worden zij er ook echt mee geholpen?

Klantinteracties eindigen meestal op drie manieren: Agentforce lost het probleem op, de klant wordt doorgestuurd naar een supportmedewerker of de interactie wordt afgebroken.

Om te meten hoe goed Agentforce presteert, volgen we onder meer:

• Afbrekingen: het aantal sessies waarin een klant vertrekt voordat er een vraag wordt gesteld.
• Oplossingen: het aantal interacties dat wordt afgerond zonder overdracht aan een medewerker.
• Door de klant bevestigde oplossingen: het aantal interacties waarbij de klant bevestigt dat Agentforce het probleem heeft opgelost.
• CSAT: de klanttevredenheidsscore na een interactie met Agentforce.
• Escalaties: het aantal interacties dat Agentforce overdraagt aan een supportmedewerker.

Samen laten deze support-KPI’s zien in hoeverre Agentforce zorgt voor snellere oplossingen, hogere klanttevredenheid en meer vertrouwen.

KPI’s om de prestaties van AI-agents te meten

Net als medewerkers hebben agents verschillende taken en expertisegebieden. Daarom bestaat er geen standaardset KPI’s die voor iedere agent werkt. Welke meetgegevens het belangrijkst zijn, hangt af van de use case, de rol van de agent en de doelen van je organisatie.

Toch zijn er een aantal indicatoren die bij vrijwel elke inzet van AI-agents relevant zijn:

Hoe Pandora van elke escalatie een datapunt maakte

Pandora wist dat het alleen verantwoord kon opschalen als elke stap meetbaar was. Bij de ontwikkeling van Clara, de klantenservice-agent op Agentforce, volgde het bedrijf daarom nauwgezet de prestaties en breidde het pas verder uit zodra het vertrouwen in de resultaten groeide.

Dat gold ook voor escalaties. Valt een verzoek buiten Clara’s mogelijkheden, dan draagt de agent het over aan een medewerker, inclusief een volledige samenvatting van het gesprek. Daardoor kan de medewerker direct verder en hoeft de klant zijn verhaal niet opnieuw te doen.

Elke escalatie wordt vastgelegd en elke interactie levert nieuwe inzichten op. Inmiddels verwerkt Clara 40.000 gesprekken per maand, handelt de agent 60% van de cases zelfstandig af en is de Net Promoter Score met 10% gestegen. Lees meer over de transformatie van Pandora naar agentgestuurde AI →

Dit is het moment om te beginnen

Een jaar geleden schreven we al dat de bedrijven die het komende decennium de toon zetten niet wachten op perfecte omstandigheden. Na opnieuw een jaar vol praktijkervaring is die overtuiging alleen maar sterker geworden: de mogelijkheden zijn groter dan je denkt.

Joe Inzerillo, President of Enterprise and AI Technology, zegt het heel duidelijk: “Voor het eerst in de geschiedenis van technologie is schaal niet het probleem. Je kunt opschalen zo ver als je middelen toelaten. Wat je je niet kunt veroorloven, is niets doen.”

Juist dat maakt dit moment anders dan eerdere technologische verschuivingen. Organisaties die vroeg zijn begonnen, bouwen hun voorsprong verder uit. Tegelijkertijd ontwikkelt AI zich zo snel dat organisaties die nu instappen hun achterstand veel sneller kunnen inlopen dan vroeger mogelijk was.

Voor wie bereid is te blijven leren en experimenteren, ligt er dus nog volop ruimte om vooruitgang te boeken.

Aan de slag: evalueer de levenscyclus en meet de resultaten

Tot slot nog één oefening. Zoals je hebt gezien, is het werk aan een agent nooit echt af. Gebruik de Agent Development Lifecycle (ADLC) om de voortgang van je agent in kaart te brengen en geef de agent vervolgens per fase een score op basis van de prestaties.

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