Je hebt agents gebouwd. Nu is het tijd om een organisatie te creëren waarin mensen en agents zij aan zij samenwerken.

Je hebt vol ingezet op agentische AI en dat heeft zijn vruchten afgeworpen. Je eerste agents zijn inmiddels ingezet. Terwijl je ze blijft verbeteren, opnieuw implementeert en monitort, zie je concrete, meetbare resultaten. Wat we in het vooruitzicht stelden in onze eerste AI-handleiding, Word een onderneming met agents: een stapsgewijze gids, is nu werkelijkheid geworden: je eerste agents zijn succesvol in gebruik genomen en functioneren naar behoren. 

Maar je succes roept ook nieuwe vragen op. 

• Hoe hou je het momentum vast? 
• Hoe zet je het succes van een paar agents om in een transformatie van je hele bedrijf? 

Daar komt opschalen om de hoek kijken.

We hebben de grenzen van menselijke capaciteit bereikt

Twintig jaar lang liepen vrijwel alle bedrijven tegen dezelfde beperking aan: de hoeveelheid werk die een team van mensen aankan. Hoeveel klantvragen kan één servicemedewerker afhandelen, hoeveel deals kan één accountmanager beheren en hoeveel supporttickets kan één engineer op een dag oplossen? De manier waarop moderne bedrijven zijn georganiseerd, van teams en sprints tot escalatieprocedures, kwartaalplannen en evaluaties, is er volledig op gericht om zoveel mogelijk productiviteit uit de beperkte capaciteit van medewerkers te halen.

Die grens is nu bereikt.

Joe Inzerillo, President Enterprise & AI Technology bij Salesforce, verwoordt het helder: “We hebben de grenzen van menselijke capaciteit bereikt. Nu kunnen we AI inzetten om de onderliggende processen te herontwerpen die ons tot nu toe hebben tegengehouden.”

Dit is een andere kijk op de toekomst van werk, die volgens ons door teams in elke sector moet worden overwogen en besproken. Het doel van AI-agents is niet om mensen te vervangen, maar om eindelijk de processen aan te pakken die zijn gebaseerd op menselijke capaciteit en die ongemerkt druk leggen op alle bedrijfsafdelingen. Door simpelweg meer agents toe te voegen aan processen die niet goed werken, kun je als bedrijf niet verder opschalen. Wat wel werkt? De onderliggende processen opnieuw inrichten, zodat mensen en agents ieder kunnen doen waar ze het beste in zijn. Zo maak je verdere groei mogelijk.

Hoe je dit e-book gebruikt

Gebruik je al AI-agents en loop je tegen de eerste groeipijnen aan? Dan ben je hier aan het juiste adres. Wil je liever meteen naar het hoofdstuk over de uitdaging waar je nu voor staat? Ook dat kan met deze gids. Ben je nog niet klaar om op te schalen, zit je nog in de testfase of wil je de basiskennis opfrissen en met je teams delen? Begin dan met ons eerste e-book: Word een onderneming met agents:een stapsgewijze gids.

De hoofdstukken in deze gids bevatten:

Je begint met het samenstellen van een team dat in het tempo van agentische AI kan werken, in functies die drie jaar geleden nog niet bestonden. Vervolgens leer je hoe je de processen en systemen waarop je agents draaien opnieuw inricht, zodat je bij het opschalen niet telkens helemaal opnieuw hoeft te beginnen. Daarna ontdek je hoe je de eerste successen uitbouwt tot een systeem waarin agents elkaar zelfstandig vinden, met elkaar communiceren en taken aan elkaar overdragen, zonder dat jij steeds hoeft in te grijpen. Tot slot krijg je een realistisch beeld van wat je te wachten staat, zodat je vandaag al kunt bouwen aan wat je morgen nodig hebt. Het resultaat is een solide basis die als centrale bron van betrouwbare informatie dient en waarmee iedereen in je organisatie zelf oplossingen kan ontwikkelen.

Klaar om agentische AI in je hele organisatie op te schalen?

Stel een team van ontwikkelaars samen

Linda A. Hill van Harvard Business School onderzoekt al dertig jaar wat organisaties werkelijk innovatief maakt. Dat onderzoek resulteerde in haar nieuwste boek, Genius at Scale: How Great Leaders Drive Innovation. Haar onderzoek naar leiders op het gebied van innovatie, van Pixar en Pfizer tot ons eigen AI-onderzoeksteam bij Salesforce, leidde tot een verrassend eenvoudige conclusie: “Innovatie stimuleren is niet een kwestie van mensen in jouw visie meenemen. Je zorgt voor een omgeving waarin ze die toekomst samen met jou vormgeven.” Die andere kijk op leiderschap is nu relevanter dan ooit. In een tijd waarin elk bedrijf eenvoudig toegang kan krijgen tot de meest geavanceerde AI, zit het blijvende concurrentievoordeel niet in de AI die je inzet, maar in de mensen die je kansen biedt.

Om het meest geavanceerde systeem ter wereld voor het orkestreren van AI-agents te bouwen, heb je mensen nodig. Natuurlijk om het systeem te ontwerpen, te monitoren en te beheren, maar ook om nauw betrokken te blijven bij de dagelijkse uitvoering. Mensen die met je agentische systeem samenwerken, terwijl AI zich razendsnel blijft ontwikkelen. Zoals we in Hoofdstuk 2: Team voorbereiden van onze eerste gids bespraken, betekent dit onder meer dat je medewerkers tijdig vertrouwd maakt met AI. Je moet een omgeving creëren waarin ze agents zien als een versterking van hun eigen mogelijkheden, niet als een bedreiging, en bepalen hoe mensen en agents succesvol kunnen samenwerken. Maar er is nog een andere kant: je moet ook mensen aannemen voor dit specifieke werk, in functies die drie jaar geleden nog niet eens bestonden. We weten dat dit niet makkelijk is. Ook wij bouwen aan een organisatie waarin AI vooropstaat, en de meeste bedrijven zoeken hun weg hierin terwijl ze al bezig zijn. Uit ons recente rapport The State of Agentic AI in the Enterprise blijkt dat 89% van de organisaties die al AI-agents inzetten, hun personeelsmodel opnieuw onder de loep neemt of aanpast om AI-agents daarin een formele plek te geven. Geen enkele organisatie gaf aan hier geen plannen voor te hebben.

In dit hoofdstuk lees je hoe je een team samenstelt dat AI tot een succes maakt. We laten zien hoe Salesforce rollen invult door hier direct voor te werven. We staan stil bij wat er verandert wanneer je een werkomgeving ontwerpt die vanaf het begin is gebouwd voor agents, in plaats van die vaardigheden achteraf bij bestaande functies onder te brengen. Ook bekijken we wat er echt nodig is om leiding te geven aan een team dat met AI moet kunnen werken. 

IT legt de basis

Misschien herken je dit wel: vóór onze transformatie naar agentische AI was IT van begin tot eind verantwoordelijk voor alles, zonder gedeelde infrastructuur. Inmiddels ziet de wereld er heel anders uit. We geven teams uit alle disciplines de tools om zelf te bouwen wat ze nodig hebben. Maar eerst moesten we ons afvragen: “Hoe laten we iedereen zelf oplossingen bouwen, terwijl we alles beschermen wat ertoe doet om een bedrijf op schaal te laten draaien?” 

Onze oplossing: IT blijft verantwoordelijk voor de bronsystemen, data-integriteit, SOX, betrouwbaarheid en compliance. De complexe technische basis blijft onder beheer van IT, zodat iedereen veilig kan bouwen. Zo kunnen onze teams vrij experimenteren zonder dat alles wat ze ontwikkelen eerst langs IT hoeft. De teams blijven zelf verantwoordelijk voor wat ze bouwen. Door die verantwoordelijkheid neer te leggen bij de mensen die het dichtst bij het probleem staan, kunnen we steeds sneller werken. 

Ontwikkelen is nu teamwork 

Een team samenstellen waarin mensen en AI-agents samenwerken, vraagt om meer dan alleen nieuwe medewerkers aannemen en functies herzien. We hebben geleerd dat hiervoor ook een gedeelde werkomgeving nodig is, waarin medewerkers samen met AI-agents als teamgenoten kunnen ontwikkelen en werken. Voor ons is die gedeelde werkomgeving Slack. Met Slack Code kan iedereen daar bouwen, rechtstreeks in de workflow.

Waar technische ontwikkeling vroeger vooral solowerk was dat specialistische kennis vergde, is Slack Code toegankelijk voor iedereen, ongeacht het kennisniveau. Teams kunnen er rechtstreeks in een Slack Code-kanaal samen een agent ontwikkelen. Is een agent eenmaal live, dan kun je deze gewoon @-vermelden, net als een menselijke collega, en samen aan de slag. Het draait bovendien op dezelfde beveiliging en toegangsrechten als de rest van Slack, zodat een medewerker altijd het laatste woord heeft voordat iets in gebruik wordt genomen.

De functies die je organisatie nog niet kent

Als je agents hebt geïmplementeerd, weet je dat het werk is veranderd. Agents maken andere fouten dan traditionele software. Als software crasht, kan dat ertoe leiden dat ontwikkelaars midden in de nacht moeten ingrijpen. Maar als een agent fouten maakt, gaat er niet automatisch een alarm af. De agent blijft gewoon vol overtuiging zijn werk doen, totdat een klant boos klaagt op social media of een medewerker ontdekt dat de agent onjuiste informatie geeft.

Om dit probleem vanaf het begin aan te pakken, heeft Salesforce een framework ontwikkeld: de Agent Development Lifecycle (ADLC). Misschien herinner je je dit nog uit onze eerste handleiding, in Hoofdstuk 6: Blijf altijd verbeteren.

De ADLC vereist vanaf de eerste werkdag van een agent voortdurend menselijk toezicht. Maar succesvol agentbeheer draait minder om traditionele functietitels en meer om het beheersen van specifieke taken (‘jobs to be done’, JTBD).

Hoe deze taken worden verdeeld, hangt af van twee factoren: de omvang van je bedrijf en de omvang van de taak. Een flexibele startup kan misschien alle negen functies laten vervullen door één of twee specialisten in agentische AI. Een groot bedrijf kan voor elke functie een apart team hebben. Een kleinere organisatie die een complexe agent voor kritieke taken implementeert, moet misschien tijdelijk een groot team inzetten om de implementatie te ondersteunen. Maar alle functies zijn essentieel voor een succesvolle ADLC.

Op basis van onze ervaring met het op grote schaal ontwikkelen en implementeren van agents hebben we tien essentiële taken (JTBD) vastgesteld die elke organisatie moet uitvoeren:

Ontwikkelfuncties

• Agentarchitectuur: het ontwerpen van het technische framework, inclusief de mogelijkheden en grenzen van agents en het aanbrengen van ‘deterministische vangrails’ rond redeneren op basis van waarschijnlijkheid.
  
• Agentontwikkeling: het vertalen van de architectuur naar werkende functionaliteit door onderwerpen, acties en integraties met maatwerkcode in te richten.
  
• Kennisbeheer: het beheren van de data- en contentstrategie, waaronder CRM-records en kennisbankartikelen, die agents de feitelijke basis bieden om nauwkeurig te kunnen redeneren.

Verbeterfuncties

• Effectiviteitsanalyse: kwaliteitscijfers en sessiegegevens analyseren om verbeterpunten te vinden en de prestaties van agents te beoordelen.
  
• Ervaringsbeheer: gespreksstructuren en ‘functieomschrijvingen’ in natuurlijke taal ontwerpen, zodat interacties met agents intuïtief en consistent verlopen.

Aansturende functies

• Bedrijfsverantwoordelijkheid: bedrijfsdoelen en ROI-doelstellingen vaststellen en bepalen welke taken (JTBD) het beste door agents kunnen worden uitgevoerd.
  
• Productmanagement: de ontwikkelplanning en prioriteiten van agents beheren. Bedrijfsstrategie en gebruikersfeedback vertalen naar nieuwe functionaliteiten, per ontwikkelfase succescriteria bepalen en de brug slaan tussen bedrijfsdoelen en ontwikkeling.
  
• Agentmanagement: menselijk toezicht houden, live sessies monitoren en direct ingrijpen bij problemen of escalaties.
  
• Programmamanagement: de ADLC tussen multidisciplinaire teams coördineren en planningen, afhankelijkheden en voortdurende bijsturing beheren.
  
• Verandermanagement en adoptie: trainingen en communicatie met belanghebbenden organiseren om agents in nieuwe workflows te integreren en gebruikers te helpen anders te werken.

Organisaties die hierin vooroplopen, vullen deze cruciale functies doelgericht in en zorgen ervoor dat ze allemaal vertegenwoordigd zijn bij de besluitvorming.

Het draait om het team 

Een cultuur waarin medewerkers zelf AI-toepassingen ontwikkelen, wordt na verloop van tijd hechter. Zoals we in dit hoofdstuk hebben laten zien, werkt een aanpak op meerdere fronten: AI-talent aantrekken via een gericht wervingsprogramma, ervaren medewerkers aannemen en functies aanpassen aan de verschillende fasen van de ADLC en beide groepen een gedeelde werkomgeving bieden, zoals Slack.

Hoe je je team samenstelt, hangt af van je bedrijf. Belangrijk is dat je talent aantrekt dat direct aan de slag kan, investeert in de ontwikkeling van ambitieuze medewerkers en een werkomgeving creëert waarin iedereen openlijk kan experimenteren met nieuwe manieren van werken. Daarbij staan de bedrijfsdoelen altijd centraal.

Probeer deze oefening: doelgericht bouwen 

Beantwoord de onderstaande vragen om een team samen te stellen dat jouw AI-ambities kan waarmaken. 

 

Werk in het tempo van AI-agents

Nog maar drie jaar geleden werd het werktempo bepaald door de capaciteit van een team. Hoeveel verschillende disciplines kan één persoon beheersen? En hoeveel overdrachtsmomenten kan een team aan voordat het werk vastloopt? Maar dit soort beperkingen verdwijnen langzaam. We betreden een nieuwe wereld van werk, waarin het niet meer uitmaakt hoe diep de expertise van één persoon reikt, of hoeveel overdrachten een team kan coördineren voordat het vastloopt.

Door AI raken zelfs de woorden waarmee we snelle teams beschreven achterhaald. Wendbaar betekende vroeger dat een team binnen een sprint van twee weken iets kon opleveren. Met agentische AI kan dat nu in twee dagen. Robbie Birbeck, VP Business Technology bij Salesforce, formuleert het zo: “De ontwikkelcycli worden steeds korter. We experimenteren met cycli van een week, maar ik denk dat vrijwel elke dag inmiddels een cyclus op zich wordt.”

Teams komen nog steeds samen voor iets wat lijkt op een agile scrum- of stand-upmeeting, maar hun werk wordt bepaald door wat er gisteren is opgeleverd, niet door wat twee sprints geleden is gepland. Als je het werk een of twee weken vooruit probeert te plannen, loop je al snel achter de feiten aan, omdat het team de vorige dag meer heeft bereikt dan werd verwacht.

Sommige medewerkers floreren bij dit nieuwe tempo, terwijl anderen moeite hebben om bij te blijven, soms binnen hetzelfde team. Salesforce zocht niet naar één oplossing voor iedereen. In plaats daarvan keken we welke medewerkers al in dit tempo werkten, wat bij hen goed ging en hoe we die aanpak binnen het hele bedrijf konden toepassen.

Dit hoofdstuk gaat over die nieuwe werkwijze. Je ontdekt hoe Salesforce de nieuwe snelheid benut en welk model voor kleine teams we daarvoor hebben ontwikkeld: de Rapid Innovation Squad (RIS). Ook lees je hoe we de resultaten kritisch beoordelen en hoe je zelf een RIS kunt opzetten.

Verken onontgonnen terrein 

De snelheid waarmee agents resultaten leveren, is indrukwekkend. Maar om echt waarde toe te voegen, hebben ze duidelijk omschreven problemen nodig. In hoofdstuk 3 van onze eerste handleiding bespraken we hoe je de ideale eerste toepassing voor AI kiest. Nu we opschalen, kunnen we ambitieuzer worden en onontgonnen terrein verkennen. 

Met onontgonnen terrein bedoelen we gebieden waar problemen nog nauwelijks of helemaal niet zijn opgelost. Hier liggen volop kansen om met minder risico nieuwe initiatieven te ontwikkelen. Andy White, SVP Salesforce voor Salesforce Technology, benadrukt hoe belangrijk het is om die kansen te benutten: “Wie binnen je bedrijf durft op te staan en te zeggen dat er dingen radicaal anders moeten? Want daar hebben we het hier over: ingrijpende verandering.”

Twee van onze eerste voorbeelden zijn: Salesforce Help en onze Engagement Agent. Bij Salesforce Help, onze klantenservice, steeg het aantal klantcases jaarlijks met 20%. We hadden een duurzamere aanpak nodig. Daarom ontwikkelden we Agentforce, zodat we klantvragen op grote schaal kunnen afhandelen. Bij sales kreeg 75% van de leads helemaal geen opvolging. Daarom besloten we het risico te nemen om onze Engagement Agent leads te laten opvolgen die medewerkers nog niet hadden opgevolgd.

Maak kennis met RIS: de ’testkeuken’ voor agentische AI bij Salesforce

Als onontgonnen terrein het speelveld is, zijn onze Rapid Innovation Squads (RIS) de teams die voor de winst gaan. De RIS is ons model waarbij kleine teams software ontwikkelen met agents, in plaats van volgens een traditionele bedrijfsroadmap. Het team is bewust klein en bestaat uit drie mensen: een bedrijfsleider, iemand met een productgerichte ontwikkelmentaliteit en een geïntegreerde engineer. Joe Inzerillo, President of Enterprise and AI Technology, hielp RIS uit te breiden van enkele teams naar bijna vijftig die parallel werken. Hij legt uit waarom de teams zo klein zijn: “Een gemiddeld team bestaat uit twee tot vier, soms vijf mensen. Mensen en agents werken nauw samen, juist omdat het team zo klein is.” 

Voor teams die dit model gebruiken, worden de zakelijke en technische kant één geheel. Overdrachtsmomenten verdwijnen en beslissingen worden tien keer sneller genomen. Doordat feedback binnen enkele dagen beschikbaar is in plaats van maanden, zie je sneller welke oplossingen het waard zijn om op te schalen. 

Hoe de RIS-aanpak traditionele sprints naar een hoger niveau tilt

De juiste mentaliteit voor een RIS 

Bij het samenstellen van een RIS zoekt Salesforce naar mensen die graag experimenteren en goed kunnen omgaan met onzekerheid. Seth Roe kijkt niet of iemand een uitgewerkt plan voor de komende zes maanden heeft, maar of diegene kan werken zonder precies te weten wat er gaat gebeuren. Volgens hem draait het om mensen die zien wat ze nú kunnen doen en daarmee aan de slag gaan, zonder op een volledig uitgewerkt plan te wachten.

Zakelijk inzicht is daarbij net zo belangrijk als technische kennis. Seth legt dit uit aan de hand van een pioniersmodel. Bedrijven hebben pioniers nodig die bereid zijn onontgonnen terrein te verkennen en niet alleen leidinggeven, maar ook zelf de handen uit de mouwen steken. “De tijd dat je uitsluitend manager kon zijn, loopt snel ten einde”, zegt hij. Over wie het best in deze rol past, zegt hij: “De beste teams die we tot nu toe hebben gezien, bestaan uit engineers met zakelijk inzicht en mensen uit het bedrijfsleven met gevoel voor productontwikkeling.”

RIS in de praktijk: SMB Signals 

De resultaten van Seth laten beter dan welk framework ook zien hoe effectief dit model is. In zijn eerste maand bij Salesforce ontwikkelde zijn RIS binnen drie weken Small Business Signals (SMB Signals).

SMB Signals lost een eenvoudig probleem op waarvoor tot nu toe geen snelle oplossing bestond. Verkopers in het mkb hadden hun leads, binnenkomende klantgegevens en algemene klantinformatie verspreid over verschillende systemen, van Slack en e-mail tot Tableau. Daardoor waren ze uren kwijt aan het zoeken naar klantsignalen die ze eigenlijk automatisch hadden moeten ontvangen, zoals kansen voor licentie-upgrades of patronen in verlaten winkelwagens. 

Met de RIS-aanpak ontwikkelde het team SMB Signals. Verkopers krijgen relevante acties rechtstreeks in Slack te zien, gerangschikt op prioriteit en voorzien van alle benodigde context. Vervolgens kunnen ze met één klik actie ondernemen, bijvoorbeeld een gesprek registreren of een verkoopkans aanmaken. De gegevens zijn al ingevuld.

SMB Signals doorliep de vier validatiefasen van het RIS-model die we eerder beschreven: 

1. Wenselijkheid
2. Haalbaarheid
3. Waarde
4. Marktintroductie 

In elke fase werd het prototype getest met een iets grotere, representatievere groep verkopers. Daarbij werden de gebruikersinterface, datatoegang en beveiliging steeds verder verbeterd voordat het team meer investeerde. Belangrijk was dat iemand uit het kernteam voor productontwikkeling van Slack vanaf dag één bij het project betrokken was en niet pas bij de overdracht werd ingeschakeld. Dat was een van de belangrijkste lessen uit de eerste maand: bepaal waar een oplossing op de lange termijn wordt ondergebracht en betrek het team dat er verantwoordelijk voor wordt vanaf het begin bij de beslissingen. Zo kan de RIS de oplossing uiteindelijk aan hen overdragen voor beheer en opschaling.

De resultaten volgden vrijwel direct. Bij de eerste gebruikersgroep behaalde SMB Signals een adoptiepercentage van 100%, verstuurde het meer dan 1.600 signalen en bracht het voor ruim $461.000 aan openstaande verkoopkansen aan het licht die verkopers anders volledig hadden gemist.

Probeer deze oefening: stel je eigen RIS samen 

De RIS-aanpak is er voor iedereen. Dankzij AI kunnen we allemaal zelf toepassingen ontwikkelen. Met deze oefening stel je je eigen RIS samen. Bepaal eerst of je team er klaar voor is en kies vervolgens een geschikt probleem om als eerste aan te pakken. 

Schaal je agents op zonder opnieuw te hoeven beginnen

Als het gaat om het opschalen van agents, beginnen organisaties al in de beginfase te experimenteren. Uit ons recente rapport State of Agentic AI in the Enterprise blijkt dat organisaties gemiddeld 10,4 agents tegelijk testen. 

Je zou denken dat het opschalen begint zodra je een tweede agent in gebruik neemt. Maar meer agents inzetten betekent niet automatisch dat je opschaalt. Waarom niet? Stel je voor hoeveel werk het kost om tientallen agents te bouwen als je telkens helemaal opnieuw moet beginnen. Voor elke agent moet je afzonderlijk dataverbindingen, vangrails en foutafhandeling ontwikkelen. Zo maak je steeds opnieuw dezelfde opstartkosten. Opschalen draait om de volgorde waarin je agents ontwikkelt, zodat elke agent de bouw en implementatie van de volgende makkelijker maakt. Organisaties die hierin slagen, bouwen systemen waarin agents elkaar kunnen vinden, met elkaar kunnen communiceren en taken aan elkaar kunnen overdragen, zonder dat mensen dit handmatig hoeven te regelen. 

In dit hoofdstuk lees je wat er nodig is om zo’n systeem te bouwen, waarbij gespecialiseerde agents samenwerken in plaats van allemaal afzonderlijk te opereren.

Van afzonderlijke inzet naar gecoördineerde samenwerking

Zoals je wellicht hebt gelezen in Word een onderneming met agents: een stapsgewijze gids, bestaat het Agentic Maturity Model van Salesforce uit vijf niveaus: van eenvoudige chatbots (niveau 0) tot de orkestratie van meerdere agents (niveau 4). 

Veel organisaties die dit lezen, bevinden zich al op niveau 3: complexe orkestratie over meerdere domeinen. Ben je nog niet zover? Raadpleeg dan onze eerste handleiding om aan de slag te gaan.

Op dit niveau werken agents samen over afdelingen heen, zoals sales, klantenservice en finance. Daarbij maken ze gebruik van één geïntegreerde gegevensbron in plaats van gegevens uit afzonderlijke silo’s. 

Dit hoofdstuk gaat over de stap van niveau 3 naar niveau 4: agents die zelfstandig meerdere workflows coördineren op basis van geïntegreerde data uit verschillende domeinen. Denk bijvoorbeeld aan een agent die complexe processen tussen afdelingen afhandelt, zoals het beheren van verkoopkansen en het combineren van data uit verschillende bronnen om een volledig klantbeeld te creëren.

De drie belangrijkste factoren om van niveau 3 naar niveau 4 te groeien:

Om niveau 4 te bereiken, moet je vastleggen hoe agents met elkaar communiceren en elkaar vinden. Ook moet je voorkomen dat gerichte samenwerking tussen agents (‘any-to-any’) uitmondt in onbeperkte samenwerking (‘any-to-everything’), waarbij agents ook niet-relevante agents inschakelen en mogelijk gevoelige informatie met hen delen. 

Drie technische pijlers helpen je deze doelen te bereiken:

1. Gemeenschappelijke communicatielaag

Agents die niet met elkaar kunnen communiceren, kunnen ook geen taken aan elkaar overdragen. Ze hebben een gedeelde manier van communiceren nodig; een gemeenschappelijk protocol om berichten uit te wisselen, aan te geven wat ze afzonderlijk kunnen, en om volgens dezelfde regels samen met een andere agent meerstaps-taken te coördineren. Dat protocol moet werken met technologie van verschillende leveranciers en agents in staat stellen zichzelf eenvoudig aan elkaar voor te stellen, zodat ze elkaar via hetzelfde systeem kunnen vinden en met elkaar kunnen communiceren.

Een gemeenschappelijk protocol maakt informatie-uitwisseling mogelijk, maar betekent niet dat agents automatisch alles kunnen. Het stelt ze op zichzelf niet in staat om afspraken te maken, elkaars beweringen te controleren of te bepalen wanneer ze een taak moeten overdragen aan een mens. Organisaties die naar niveau 4 willen groeien, hebben zowel een protocollaag nodig die communicatie tussen agents mogelijk maakt, als een vertrouwenslaag die ervoor zorgt dat ze veilig en betrouwbaar kunnen samenwerken aan belangrijke taken.

2. Dynamische detectie van agents 

Zodra een organisatie beschikt over agents die door verschillende teams op verschillende platformen zijn gebouwd, moet er iemand zijn die ook echt weet wat elke agent doet, met welke data hij in aanraking komt, en of er niet net vijf teams dezelfde agent hebben gebouwd onder vijf verschillende namen. Zonder een systeem dat dit automatisch bijhoudt, wordt het overzicht van beschikbare agents al snel een spreadsheet die af en toe wordt bijgewerkt (want dat heeft meestal geen hoge prioriteit). 

Je hebt daarom een systeem nodig dat nieuwe en bijgewerkte agents automatisch detecteert zodra ze in gebruik worden genomen. Het moet voldoende gedetailleerde informatie verzamelen om vast te stellen wat elke agent kan en tot welke gegevens hij toegang heeft. Daarnaast moet het dubbele agents herkennen voordat ze zich vermenigvuldigen en een voortdurend bijgewerkte, doorzoekbare catalogus bieden die zowel medewerkers als andere agents tijdens het uitvoeren van taken kunnen raadplegen.

3. Controle en governance 

Zodra agents taken aan elkaar overdragen tussen verschillende systemen, volstaat één toegangscontrole niet meer. De toegangsrechten moeten bij elke stap in het proces worden gecontroleerd. Eén zwakke schakel kan er al toe leiden dat een agent iets doet waarvoor hij geen toestemming heeft.

Hiervoor zijn drie zaken nodig:

• Identiteit die behouden blijft: als een agent namens een gebruiker handelt, blijven de identiteit en toegangsrechten van die gebruiker gelden bij elke volgende stap. Handelt een agent zelfstandig, dan moet ook zijn eigen identiteit volledig traceerbaar zijn. 
• Toegang volgens het principe van minimale rechten: agents krijgen alleen toegang tot wat ze voor een specifieke taak nodig hebben, niet standaard tot alles wat ze wellicht ooit gaan gebruiken. 
• Centrale handhaving van regels: zorg dat dezelfde regels gelden, ongeacht of een verzoek binnenkomt via een API, een gebruikersinterface of een andere agent. Leg bovendien alle handelingen vast, zodat achteraf precies kan worden gereconstrueerd wat er is gebeurd. 

Het platform van Salesforce laat in de praktijk zien hoe dit als één geheel kan werken, in plaats van als afzonderlijke, achteraf toegevoegde lagen. Identiteit en toegangsrechten worden bij elke stap van een agentworkflow tussen verschillende systemen doorgegeven. De toegang tot gegevens wordt centraal geregeld, ongeacht hoeveel systemen of agents erbij betrokken zijn. En elke interactie wordt vastgelegd voor audits. Het resultaat: identiteitsbeheer, datagovernance, API-toegangscontrole en vertrouwen in AI functioneren als één geïntegreerd systeem in plaats van vier afzonderlijke onderdelen.

Twintig agents, één gemeenschappelijke basis

SaaStr beheert de grootste community ter wereld voor oprichters van SaaS-bedrijven, met slechts drie vaste medewerkers en meer dan twintig AI-agents. Die agents vervullen uiteenlopende rollen, onder andere in sales, marketing en evenementenorganisatie, maar maken allemaal gebruik van dezelfde kennis. 

Om dit mogelijk te maken, koos SaaStr Sales Cloud als centraal registratiesysteem. Negen jaar aan klantinteracties, evenementregistraties, betrokkenheidssignalen en accountgegevens werden samengebracht in één betrouwbare gegevensbron. Vervolgens gebruikte SaaStr de AIforce-architectuur van Salesforce om alle agents, ook die buiten Salesforce zijn ontwikkeld, rechtstreeks toegang te geven tot dezelfde klantgegevens. Het resultaat? Voor agent nummer twintig hoefde niet opnieuw te worden gebouwd wat voor de eerste tien al beschikbaar was. Elke nieuwe agent heeft vanaf dag één toegang tot jaren aan klantgeschiedenis, evenementgegevens en betrokkenheidssignalen, zonder aangepaste integraties, nieuwe koppelingen of dubbel werk. 

Het duidelijkste bewijs dat deze aanpak werkt, is Hexi, de SDR-agent van SaaStr. Hexi benadert meer dan 3.000 leads die eerder niet reageerden en behaalt daarbij een openingspercentage van 72%. Dat is het hoogste openingspercentage van alle AI-toepassingen van SaaStr. Hoe dat komt? Hexi gebruikt hetzelfde voortdurend bijgewerkte klantprofiel waaraan alle andere agents bijdragen, in plaats van met versnipperde gegevens te werken. Lees hier meer over het succes van SaaStr met agentische AI.

Van afzonderlijke successen naar een samenhangend systeem 

Het verschil tussen een verzameling losse agents en een samenhangend systeem is dat agents elkaar kunnen vinden, met elkaar kunnen communiceren en taken aan elkaar kunnen overdragen, zonder dat jij steeds hoeft in te grijpen. Maar om zo’n systeem te bouwen, heb je mensen nodig die het ontwerpen. Dat kun je niet zomaar overlaten aan iemand die toevallig wat tijd over heeft. Je hebt er een speciaal samengesteld team voor nodig. Dat is de volgende stap.

Probeer deze oefening: ben je klaar voor niveau 4? 

Ontdek of jouw agentische onderneming klaar is voor de volgende stap in het volwassenheidsmodel. Stel jezelf de onderstaande vragen aan de hand van de drie technische pijlers die nodig zijn om niveau 4 te bereiken.

De volgende stap? Samenwerking tussen mens en AI.

Er vinden tegelijkertijd twee ontwikkelingen plaats die onlosmakelijk met elkaar verbonden zijn. 

• Mensen worden ontwikkelaars, coaches en kwaliteitsbewakers binnen hun eigen organisatie. 
• Agents worden steeds meer op de achtergrond actief, passen zich aan en kunnen voortdurend leren en zich verder ontwikkelen.

Het bijzondere is dat deze ontwikkelingen niet zonder elkaar kunnen. Agents zonder menselijk beoordelingsvermogen produceren op grote schaal overtuigend klinkende onzin. Zonder de mogelijkheden van agentische AI blijven mensen beperkt tot wat een team zonder agents kan bereiken.

Bij Salesforce werken we elke dag aan het opschalen van onze eigen organisatie, zodat we kunnen meegroeien met een bedrijfswereld die zichzelf elk kwartaal opnieuw uitvindt. We hebben enkele van de beste AI-onderzoekers ter wereld aangetrokken. Hieronder delen we onze visie op de toekomst en op de manier waarop mensen en agents zich samen verder zullen ontwikkelen.

De belangrijkste skills zijn de skills die agents niet kunnen nabootsen

Als je leidinggevenden die dagelijks met AI-agents werken vraagt waar ze zich de meeste zorgen over maken, krijg je telkens ongeveer hetzelfde antwoord: het probleem is niet dat agents het werk niet kunnen doen. Het probleem is dat ze vol overtuiging fouten kunnen maken. Een agent die een niet-bestaande beleidsregel verzint, een klant verkeerd doorverwijst of een prachtig geformuleerde e-mail schrijft op basis van een verkeerde inschatting van de situatie, lijkt niet slecht te functioneren. Hij komt juist heel bekwaam over. Zogeheten ‘AI slop’ is in het beste geval een lange lap tekst met weinig inhoud of toegevoegde waarde, en in het slechtste geval ronduit onjuist. Het is een probleem waar we vóór de komst van generatieve AI nooit rekening mee hoefden te houden. Daarom is een van de belangrijkste menselijke vaardigheden binnen een agentische onderneming niet het schrijven van prompts. Het gaat om gevoel voor kwaliteit, beoordelingsvermogen, deskundigheid die voortkomt uit eigen inzicht, nieuwsgierigheid en ervaring. De beste medewerkers in een agentische onderneming kunnen een overtuigend klinkend antwoord van een agent beoordelen en zeggen: “Dit klopt niet en ik zal uitleggen waarom.” 

Dat is wat een goede redacteur doet bij het beoordelen van een concepttekst, een ervaren softwareontwikkelaar bij een codecontrole en een doorgewinterde verkoper wanneer een lead veelbelovend lijkt, maar er toch iets niet klopt. Joe Inzerillo verwoordt het eenvoudiger: “AI kan je maar tot op zekere hoogte helpen. Wat je nu nodig hebt in je team, zijn mensen met diepgaande kennis en een uitstekend gevoel voor kwaliteit.”

AI-vaardigheid is de sleutel tot vooruitgang

Beoordelingsvermogen is een individuele vaardigheid, maar AI-vaardigheid versterkt die binnen de hele organisatie. En de cijfers laten duidelijk zien waar de grootste kansen liggen.

Uit onderzoek van Salesforce naar de toekomst van werk blijkt dat managers met vertrouwen in AI 20% meer kans hebben om leiding te geven aan AI-vaardige teams. Dat vertrouwen bepaalt in sterke mate hoe goed teams innoveren, resultaten boeken en talent behouden tijdens de transitie. Dat betekent dat de investering met het hoogste rendement, waar de meeste bedrijven nu niet in investeren, het vertrouwen van leidinggevenden is. Zij bepalen immers de toon voor iedereen die aan hen rapporteert.

Om dat vertrouwen op te bouwen, moeten alle medewerkers standaard toegang krijgen tot agentische tools, zonder die eerst te hoeven aanvragen. Ook hebben ze een gedeelde werkomgeving nodig waarin ze zien hoe collega’s met die tools werken en gerichte begeleiding bij de veranderingen in hun eigen functie. Niet in algemene termen, maar concreet: wat verandert er dit kwartaal in hun werk? Als dit je bekend in de oren klinkt, is dat niet vreemd. Het vormt namelijk de basis van het 4R-framework.

Wij en sommige van onze klanten zien op de werkvloer een ontwikkeling die aandacht verdient nu we AI steeds breder inzetten: een vorm van schijnvaardigheid in AI. Medewerkers sturen de output van een agent ongelezen door naar collega’s, alsof een eerste concept al een volledig doordacht eindresultaat is. Meestal is dit geen kwestie van gemakzucht, maar van een natuurlijke neiging om te vertrouwen op een tool die lijkt te weten wat hij doet. Toch is het belangrijk dit bespreekbaar te maken, want het kan de inzet van agentische AI én de tevredenheid van medewerkers belemmeren. Een open gesprek hierover moet worden aangemoedigd. Het helpt teams te begrijpen wat echte AI-vaardigheid inhoudt: snelheid combineren met beoordelingsvermogen, niet snelheid ten koste van beoordelingsvermogen.

Nog even over het 4R-framework

In onze eerste gids, Een agentische onderneming worden, introduceerden we de 4 R’s:

– Redesign: herzie hoe het werk wordt uitgevoerd.
– Reskill: ontwikkel de vaardigheden van je medewerkers.
– Redeploy: zet talent in op groeigebieden.
– Rebalance: benut de sterke punten van mensen en agents.

Dat framework vormt nog steeds de basis voor de manier waarop Salesforce de transformatie van het personeelsbestand aanpakt en is nog altijd bijzonder relevant. Als je dit nog niet met je team hebt doorgenomen, bekijk dan Hoofdstuk 2: Stel je teams van medewerkers en AI samen.

Wat sinds de publicatie is veranderd, is vooral de praktijk: de concrete voorbeelden van hoe de 4 R’s in het dagelijkse werk worden toegepast. Naarmate agents breder worden ingezet binnen de organisatie, zullen de taken van medewerkers onvermijdelijk veranderen. De 4 R’s blijven leidinggevenden op alle afdelingen houvast bieden om op één lijn te blijven en gezamenlijke doelen na te streven.

Agentische AI leren gebruiken: stap voor stap

Je wordt niet in één training een expert in agentische AI. Organisaties die optimaal profiteren van agents, zien de ontwikkeling van AI-vaardigheden als een bergbeklimming: een gestage tocht in etappes, waarbij elke stap voortbouwt op de vorige. Eerst krijgen medewerkers toegang tot de tools. Daarna ontdekken ze hoe ze AI in hun eigen functie kunnen inzetten. Vervolgens ga je dieper in op hoe de functie zelf verandert. Op de top verschuift de aandacht van individuen naar teams: hoe kleine, multidisciplinaire en door AI ondersteunde teams samenwerken.

De uitdaging is te bepalen welke volgende stap medewerkers nodig hebben en hen daarbij te ondersteunen tijdens hun dagelijkse werk. Gebruik de onderstaande checklist om te zien hoe ver je organisatie is en waar je de volgende stap kunt zetten om verder te komen.

Probeer deze oefening: check of je klaar bent voor de volgende ontwikkelfase 

Ga na of je medewerkers daadwerkelijk vooruitgang boeken in hun AI-vaardigheden, of nog in het basiskamp zitten met tools die ze niet goed weten te gebruiken. Stel jezelf daarvoor de volgende vragen over de vier ontwikkelfasen.

Welkom in het tijdperk van de onderneming die zichzelf blijft ontwikkelen

Iets meer dan 100 jaar geleden maakte de Franse kunstenaar Jean-Marc Côté een reeks lithografieën onder de titel ‘En L’An 2000’ (In het jaar 2000). Daarin voorspelde hij hoe het dagelijks leven er rond de eeuwwisseling uit zou zien. Hij baseerde zich op de technologie die hij kende: koperen telefoonapparatuur en machines met handslingers. Toch kwam hij opmerkelijk dicht bij de werkelijkheid.

In dit hoofdstuk doen we iets vergelijkbaars. Niemand kan de toekomst voorspellen, ook Salesforce niet. Maar we kunnen wel terugvallen op tien jaar onderzoek. Salesforce AI Research publiceert al meer dan tien jaar onderzoek naar AI voor bedrijven en ontwikkelt praktische toepassingen. Onze modellen en datasets zijn al ruim 250 miljoen keer gedownload via Hugging Face. Die ervaring, samen met wat we bij onze klanten in de praktijk zien, geeft ons een goed beeld van wat ons te wachten staat.

De basis voor agentische AI die je vandaag legt, maakt de volgende stap mogelijk.   

Dit is hoe wij de ontwikkelingen zien verlopen en wat je nu al kunt doen om je erop voor te bereiden.

Drie ontwikkelingen om te volgen

1. Hoe we technologie gebruiken: de agent wordt de interface

De smartphone in je broekzak is in bijna twintig jaar nauwelijks veranderd. Nog steeds zie je een raster met appiconen, waarbij je elke app afzonderlijk moet openen. Stel je een toestel voor met slechts twee apps om met vrienden en collega’s te communiceren, bijvoorbeeld iMessage en Slack. Al het andere, van je agenda en bankzaken tot je aankopen, wordt op de achtergrond geregeld door een persoonlijke agent die overal toegang toe heeft en die je voornamelijk aanstuurt via spraak. 

Met Slackbot zetten we al de eerste stappen naar dit model, door iedere Slack-gebruiker een persoonlijke AI-collega te bieden. Ook Apple en Google werken achter de schermen aan nieuwe apparaten die deze kant op gaan. De gebruikersinterface zoals we die de afgelopen dertig jaar kennen, verdwijnt langzaam naar de achtergrond. Persoonlijke agents gaan een steeds centralere rol spelen in de uitvoering van ons werk. 

Zo bereid je je voor: kijk waar medewerkers en klanten nog vastlopen bij traditionele gebruikersinterfaces. Gebruik hun feedback om te bepalen hoe agents de gebruikerservaring kunnen vereenvoudigen. Dit zijn waarschijnlijk de eerste gebieden waar persoonlijke agents hun intrede doen. 

2. Hoe we beslissingen nemen: van giswerk naar vooruitzien

De afgelopen twintig jaar draaide business intelligence vooral om terugkijken. Dashboards, rapporten, kwartaalevaluaties. Agents verleggen de aandacht naar de toekomst. Niet alleen het analyseteam, maar iedereen binnen de organisatie krijgt steeds meer mogelijkheden om vooruit te kijken: scenario’s doorrekenen, uitkomsten vergelijken en weloverwogen keuzes maken uit opties die een mens alleen niet op tijd in kaart had kunnen brengen.

Een groeiend deel van die beslissingen wordt bovendien autonoom genomen. Volgens ons recente rapport State of Agentic AI in the Enterprise 2026 verloopt 36% van de agentische workflows autonoom. Dat betekent niet dat er geen menselijk overzicht meer is. Mensen blijven betrokken bij het werkproces en houden toezicht op de beslissingen die agents nemen. Deze ontwikkeling noemen we operationele intelligentie: intelligentie die in de hele bedrijfsvoering is verweven en die beslissingen op elk niveau ondersteunt en steeds vaker zelfstandig neemt.

Dit betekent niet dat mensen buitenspel worden gezet bij het nemen van beslissingen Voor elke agent is minstens één persoon eindverantwoordelijk. Wie verantwoordelijk is voor de agent, is dat ook voor zijn beslissingen. Wat verandert, is dat mensen die aan het roer staan er steeds meer op vertrouwen dat agents zelfstandig beslissingen nemen, zonder eerst om toestemming te vragen.

Zo bereid je je voor: bepaal welke beslissingen binnen je bedrijf nu veel tijd kosten, steeds terugkeren of blijven liggen door een gebrek aan capaciteit. Dit zijn de eerste kandidaten voor autonome besluitvorming, waarbij mensen verantwoordelijk blijven en toezicht houden.

3. Hoe we innovatie stimuleren: agents die zichzelf verbeteren

De derde ontwikkeling heeft grote gevolgen voor hoe bedrijven in de toekomst innoveren. Agents beginnen continu te leren en zichzelf te ontwikkelen via een methode die recursieve zelfverbetering heet. De meest geavanceerde AI-modellen helpen nu al hun eigen opvolgers te ontwerpen en te ontwikkelen, in een tempo dat mensen niet kunnen bijhouden. Binnen bedrijven betekent dit dat agents niet alleen vaste taken uitvoeren, maar bij elk gebruik beter worden. Daarbij benutten ze bedrijfseigen kennis, workflows, integraties en gegevens uit alle eerdere interacties die ze hebben gehad.

Dit is wat een verzameling agents verandert in een organisatie die zichzelf blijft ontwikkelen. De organisatie zelf wordt de bron van intelligentie, niet alleen de onderliggende AI-modellen. Omdat elk bedrijf over unieke gegevens beschikt, groeit die intelligentie uit tot een concurrentievoordeel dat anderen niet zomaar kunnen kopiëren.

Zo bereid je je voor: breng je bedrijfseigen gegevens in kaart, vooral de ongebruikte ‘dark data’, zoals transcripties, loggegevens, interacties en bedrijfslogica. Die vormen de brandstof waarmee je zelflerende agents zich verder ontwikkelen.

Samen met jou bouwen we aan de volgende fase

Het draait nu vooral om de snelheid waarmee alles verandert. Waterfall, de stapsgewijze aanpak waarbij alles vooraf wordt gepland, ontstond in de jaren zeventig in de maakindustrie en werd kort daarna toegepast op softwareontwikkeling. Het duurde zo’n dertig jaar voordat deze aanpak de standaard werd binnen bedrijven. Agile verdeelde die planning in sprints van twee weken, zodat klanten sneller werkende software kregen. Maar ook deze methode had na het manifest uit 2001 nog twintig jaar aan certificeringen, coaching en reorganisaties nodig om echt ingeburgerd te raken.

Agentische AI had geen dertig of twintig jaar nodig. Het brak binnen enkele maanden door. De frameworks en draaiboeken voor verandermanagement die bedrijven door de vorige twee transities hielpen, waren bedoeld voor een wereld die minder snel veranderde en waarin je een kwartaal kon plannen, een pilot uitvoeren en een commissie samenstellen zonder achter de feiten aan te lopen. Nu ligt het tempo heel anders: de cyclus van idee tot werkende software die leert en zich verder ontwikkelt, duurt soms nog maar enkele dagen.

We merken dat er veel onzekerheid heerst in de sector. Wij kiezen voor een andere aanpak. Wij zien dit als een tijd waarin mensen meer mogelijkheden krijgen. Een kans om iedere medewerker toegang te geven tot middelen die voorheen slechts voor enkele afdelingen beschikbaar waren. Organisaties te creëren waarin mensen zich richten op waar zij het beste in zijn, terwijl agents de rest voor hun rekening nemen.

Met deze handleiding willen we onze samenwerking met jou als partner onderstrepen. Hij is bedoeld om mee te groeien. We blijven hem bijwerken naarmate we meer leren, de transformatie van het personeelsbestand concreter wordt, de zichzelf ontwikkelende organisatie van onderzoek naar productie gaat en onze klanten ons patronen laten zien die we nog niet kenden. Ook wij maken deze ontwikkeling door. En we blijven je bij elke stap ondersteunen.

Nog bezig met het testen van AI-agents of wil je je basiskennis opfrissen? Lees eerst deze stapsgewijze gids