Begin vandaag nog met het opbouwen van je Agentforce-agents!<\/h2>\n\t\t\t\t\t\t\t
Benut het volledige potentieel van Agentforce door te leren rollen te defini\u00ebren, de mogelijkheden met geavanceerde tools uit te breiden en aan te passen aan de behoeften van je bedrijf. Meld je nu aan voor onze demo’s!<\/p>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t
![\"\"](\"https:\/\/www.salesforce.com\/nl\/blog\/wp-content\/uploads\/sites\/18\/2024\/12\/agentforce-form-conf-og-image.png\")
\t\t<\/div>\n\t<\/div>\n\n\t\n\t<\/div>\n\n\n\nDe AI-antipatronen van bedrijven<\/strong><\/h2>\n\n\n\nVeel ondernemingen zitten vast in een zinloze cyclus en verspillen miljarden aan AI-experimenten zonder schaalbare resultaten. Deze cycli ontstaan door vier veelvoorkomende AI-antipatronen. Herken deze veelvoorkomende valkuilen en zorg dat jouw organisatie ze vermijdt.<\/p>\n\n\n\n
1. Doe-het-zelf-LLM\u2019s: het herhalen van dure mislukkingen <\/strong><\/h3>\n\n\n\nHet idee om een eigen LLM te trainen lijkt aantrekkelijk vanwege het unieke concurrentievoordeel. Maar de technische complexiteit, infrastructuurvereisten en continue afstemming maken dit voor de meeste bedrijven overweldigend en onpraktisch.<\/p>\n\n\n\n
Tenzij je over middelen beschikt zoals OpenAI of Google, wordt het trainen van een eigen LLM al snel een financieel risico. Dit leidt tot teleurstellende prestaties en onvervulde zakelijke behoeften. Zelfs als de technische uitdagingen worden overwonnen, ontstaan onderstaande twee problemen.<\/p>\n\n\n\n
Het probleem van de recentheid van data<\/strong><\/h4>\n\n\n\nLLM\u2019s zijn slechts zo actueel als hun meest recente trainingsdata. In dynamische, datarijke omgevingen zoals een bedrijf, verandert je data voortdurend. Zonder voortdurende hertraining \u2013 een onpraktische en onbetaalbare onderneming \u2013 veroudert het model onmiddellijk, waardoor het in feite nutteloos wordt.<\/p>\n\n\n\n
Denk bijvoorbeeld aan een financi\u00eble dienstverlener die up-to-date risicobeoordelingen van leningen moet verstrekken. Als de LLM niet wordt hertraind om recente marktveranderingen, beleidsupdates of kredietgedrag van klanten weer te geven, zal het verouderde beoordelingen opleveren. Het resultaat? Slechte besluitvorming en aanzienlijke financi\u00eble risico\u2019s.<\/p>\n\n\n\n
Het probleem van databeheer<\/strong><\/h4>\n\n\n\nTraditionele databases slaan data op met gestructureerde schema\u2019s. Hierdoor zijn duidelijke toegangsrechten, zichtbaarheid en consistente oproeping van data mogelijk. Als data daarentegen door een LLM wordt geleerd, wordt deze ingebed in de parameters van het model, waardoor elk concept van \u2018locatie\u2019 of eigendom verloren gaat.<\/p>\n\n\n\n
Deze transformatie cre\u00ebert een heuse beheer-nachtmerrie. Het is namelijk bijna onmogelijk om gedetailleerde toegangsrechten af te dwingen of er specifieke informatie uit te halen die eenmaal door een LLM is geleerd. Deze problemen op het gebied van databeheer vormen ernstige en vaak onderschatte risico\u2019s voor bedrijven, wat compliance-, audit- en risicomanagementprocessen bemoeilijkt.<\/p>\n\n\n\n
Voor de meeste bedrijven is het trainen van een interne LLM in het beste geval onpraktisch en in het slechtste geval ronduit onverantwoordelijk.<\/p>\n\n\n\n
2. De misvatting over copilots<\/strong><\/h3>\n\n\n\nHet concept van een copilot, een digitale assistent die medewerkers helpt, klinkt veelbelovend. In de praktijk slagen copilots er echter niet in om verder te komen dan ge\u00efsoleerde experimenten binnen bestaande toepassingen.<\/p>\n\n\n\n
Satya Nadella, CEO van Microsoft, zei onlangs: \u201cJe kunt copilot zien als de gebruikersinterface voor AI.\u201d Dit onthult de kern van het probleem: copilots voegen een dunne AI-laag toe aan bestaande toepassingen in plaats van de bredere mogelijkheid aan te pakken om autonome, bedrijfsbrede AI-mogelijkheden te cre\u00ebren. Bedrijven hebben een werkelijk ge\u00efntegreerd systeem van data, AI en actie nodig, niet alleen een behulpzame interface. Een transformatieve engine die autonoom taken kan uitvoeren en bedrijfsverandering kan stimuleren, helpt bedrijven vooruit.<\/p>\n\n\n\n
De copilot-aanpak moedigt bedrijven aan om LLM\u2019s oppervlakkig toe te voegen en zich alleen te richten op de interfacelaag voor de gebruikers. Het resultaat? Een cosmetische afleidingsmanoeuvre die het management er misschien van overtuigt dat er wordt ge\u00efnnoveerd, maar waarbij de echte transformatie uitblijft.<\/p>\n\n\n\n
3. Agents in isolatie: het samenspel van het platform ontbreekt<\/strong><\/h3>\n\n\n\nAutonome AI-agents<\/a> worden aangeprezen als transformatief, maar ook zij kunnen tekortschieten wanneer ze ge\u00efsoleerd worden ge\u00efmplementeerd. Wat bedrijven nodig hebben, is een agentisch platform<\/a>. Dit vormt een uniforme omgeving waarin agents<\/a> op diep niveau zijn ge\u00efntegreerd met de data van je bedrijf, bedrijfsprocessen en de apps van je medewerkers. Zonder deze integratie zijn zelfs de meest intelligente AI-agents niet in staat om zinvolle bedrijfsresultaten te cre\u00ebren.<\/p>\n\n\n\nDe markt is nu verzadigd met AI-start-ups die agent-oplossingen aanbieden. De meeste missen echter de infrastructuur om te integreren met belangrijke workflows en data van bedrijven. Om dit te verdoezelen, zullen veel van deze start-ups hun gebrek aan fundamentele infrastructuur verbergen achter \u2018co-development\u2019-pilots, wat eigenlijk betekent dat ze het integratiewerk met professionele dienstverlening doen. Ze zullen proberen genoeg van deze pilots te maken om tijd te winnen, in de hoop dat ze de ontbrekende stukken kunnen bouwen voordat je merkt dat ze ontbreken.<\/p>\n\n\n\n
Hiermee in zee gaan is behoorlijk risicovol. Je kunt je eerste agent van de grond krijgen, maar wat gebeurt er als je je tweede, derde of tiende wilt? Of als je een eenvoudige wijziging wilt doorvoeren aan je agent? Gaan deze start-ups die professionele dienstverlening voor eigen rekening blijven nemen om het integratiewerk te doen? Of zullen ze hun beperkingen toegeven en die kosten doorberekenen aan jou? Zonder echte integratie met je data en bedrijfsprocessen is het vrijwel onmogelijk om op schaal AI te leveren.<\/p>\n\n\n\n
4. Doe-het-zelf-platforms: de valkuilen van het wiel opnieuw uitvinden<\/strong><\/h3>\n\n\n\nVeel IT-managers zullen, na het ervaren van een of alle voorgaande antipatronen, de noodzaak van een compleet AI-platform erkennen. Ze maken echter vaak de fout om het doe-het-zelf-pad te kiezen. Het bouwen van een ge\u00efntegreerd AI-platform is een enorme opgave vol integratie-uitdagingen, technische schuld en kostbare vertragingen.<\/p>\n\n\n\n
De cloudrevolutie heeft ons een belangrijke les geleerd: bedrijven moeten zich richten op waardegenererende activiteiten in plaats van de fundamentele infrastructuur opnieuw uit te vinden. Geen enkel verstandig bedrijf zou vandaag de dag proberen zijn eigen wereldwijde cloudinfrastructuur te bouwen in plaats van gebruik te maken van beproefde leveranciers zoals AWS. Op dezelfde manier moeten organisaties bestaande, solide AI-platforms gebruiken die al de essenti\u00eble elementen bieden: schaalbaarheid, beveiliging en naadloze integratie tussen data, AI en automatisering.<\/p>\n\n\n\n
Slimme bedrijven weten dat investeren in het bouwen van deze fundamentele tools zonde van de tijd is. De focus moet liggen op het ontwikkelen van gedifferentieerde producten en diensten voor hun klanten, in plaats van te verzanden in projecten die hen tientallen jaren terug in de tijd kunnen zetten.<\/p>\n\n\n\n
Waarom vervallen zoveel bedrijven in deze antipatronen?<\/strong><\/h2>\n\n\n\nDe media hebben de hype rond LLM\u2019s aangewakkerd, geobsedeerd door miljarden parameters en opvallende use cases. Het heeft IT-managers afgeleid van het zien van het bredere systeem dat AI vereist. Het resultaat? De misvatting dat een LLM alleen genoeg is en het over het hoofd zien dat een ge\u00efntegreerd AI-systeem nodig is om schaalbare resultaten te behalen.<\/p>\n\n\n\n
Denk hierbij aan de auto-industrie in het begin van de 20e eeuw. Hoewel de verbrandingsmotor revolutionair was, maakte een motor alleen geen auto. Een auto had banden, besturing en een transmissie nodig: allemaal ge\u00efntegreerde componenten die samen een functionerende machine vormden.<\/p>\n\n\n\n
Op een vergelijkbare manier heeft de microprocessor het computergebruik fundamenteel getransformeerd. Zonder integratie met geheugen, I\/O-apparaten en software was het echter slechts een ge\u00efsoleerd onderdeel. De kracht van de microprocessor werd pas gerealiseerd toen deze stukjes samenkwamen tot een compleet computersysteem. Hetzelfde principe is van toepassing op zakelijke AI: LLM\u2019s zijn baanbrekend, maar zonder het bredere systeem zoals dataflows, bedrijfslogica, automatisering en workflowintegratie blijven ze onvolledig.<\/p>\n\n\n\n
Wat is dan de oplossing?<\/strong><\/h2>\n\n\n\nEen succesvol AI-systeem voor bedrijven integreert naadloos data, AI, automatisering en een innovatief ecosysteem. Een tekortkoming in een van deze aspecten brengt de hele strategie in gevaar. Hieronder nemen we ze stuk voor stuk door.<\/p>\n\n\n\n
1. Data: de basis<\/strong><\/h3>\n\n\n\nToegang tot data vormt de basis van een succesvol AI-systeem. De uitdaging gaat echter niet alleen om het waarborgen van de datakwaliteit, maar ook om het bereiken van uitgebreide, realtime datatoegang in de hele organisatie. Datasilo\u2019s zijn de grootste belemmering voor het effectief inzetten van AI. Het is belangrijk dat bedrijven flexibele dataplatforms invoeren die naadloze integratie tussen afdelingen mogelijk maken en die silo\u2019s snel oplossen.<\/p>\n\n\n\n
Platforms zoals Salesforce Data Cloud<\/a> bieden een uniforme, ge\u00efntegreerde fundering voor data die realtime beschikbaarheid van data mogelijk maakt. Data Cloud is open en flexibel, waardoor klanten zero-copy datafederatie kunnen gebruiken om hun bestaande data lakes<\/a>, zoals Snowflake, met elkaar te verbinden. Dit verhoogt de ROI van deze reeds ge\u00efmplementeerde lakes.<\/p>\n\n\n\nZodra het dataplatform is ge\u00efnstalleerd, is de volgende uitdaging het verbinden van data met de LLM\u2019s zonder kostbare hertraining. Hier komt retrieval-augmented generation (RAG)<\/a> om de hoek kijken, in combinatie met vectordatabases die ook ongestructureerde data indexeren en doorzoeken. Hierdoor hebben LLM\u2019s toegang tot de meest relevante informatie zonder volledige hertrainingscycli te ondergaan.<\/p>\n\n\n\nTechnologie\u00ebn zoals de Atlas Reasoning Engine<\/a> van Salesforce maken gebruik van geavanceerde RAG-technieken die zorgen voor een betere hi\u00ebrarchische ophaling en abstractie. Hierdoor is een beter begrip en toegang tot complexe bedrijfsdocumenten mogelijk. Het nettoresultaat? Betere, nauwkeurigere en relevantere resultaten.<\/p>\n\n\n\n2. AI: de motor<\/strong><\/h3>\n\n\n\nMet data op \u00e9\u00e9n locatie wordt AI de motor die de bedrijfstransformatie stimuleert. Maar dit gaat verder dan LLM\u2019s alleen. De gebruikte AI-modellen moeten in staat zijn om te voorspellen, te analyseren en zich aan te passen aan de specifieke behoeften van het bedrijf. Er is geen one-size-fits-all-aanpak; verschillende taken vereisen gespecialiseerde modellen. Sommige bedrijven hebben behoefte aan flexibiliteit, zoals bij het inzetten van verschillende LLM\u2019s in verschillende geografische regio\u2019s om te voldoen aan specifieke regelgeving. De Einstein Trust Layer stelt Salesforce-klanten in staat om elke LLM van hun keuze in te zetten en veilig te gebruiken, waardoor compliance, beheer en beveiliging worden gewaarborgd. Het zorgt ervoor dat het meest geschikte model voor elke specifieke bedrijfscontext ingezet kan worden.<\/p>\n\n\n\n
AI is niet statisch; het leert en past zich realtime aan. Continue feedbackcycli, aangedreven door steeds evoluerende bedrijfsdata, zijn cruciaal om AI relevant en effectief te houden. Deze cycli zorgen ervoor dat modellen zich dynamisch aanpassen aan nieuwe inzichten, marktomstandigheden en operationele veranderingen. Hierdoor kunnen ze op een consistente manier impactvolle bedrijfsresultaten bieden. Dit aanpassingsvermogen transformeert AI van een statische tool in een voortdurend evoluerende transformatiemotor.<\/p>\n\n\n\n
3. Automatisering: autonome actie<\/strong><\/h3>\n\n\n\nDe echte waarde van AI komt niet voort uit inzicht, maar uit actie. Het is niet genoeg voor een LLM om suggesties te genereren; echte waarde voor bedrijven wordt ontleend aan het uitvoeren van die suggesties. Dit vereist een diepe integratie met zakelijke workflowsystemen, API\u2019s en automatiseringstools. Salesforce\u2019s Flow en MuleSoft zijn bijvoorbeeld essenti\u00eble componenten om dit soort autonome acties mogelijk te maken. Flow zorgt voor de automatiseringslaag, terwijl MuleSoft de API-integratie afhandelt. Het resultaat is dat AI-agents naadloos in meerdere systemen kunnen handelen.<\/p>\n\n\n\n
Stel je voor dat een AI-agent niet alleen problemen met de toeleveringsketen identificeert, maar ook autonoom een mitigatieplan ontwikkelt en dit uitvoert in het hele ecosysteem van je bedrijf. Als er bijvoorbeeld een potentieel voorraadtekort wordt gedetecteerd, kan de agent een workflow activeren om resources opnieuw toe te wijzen, inkoopschema\u2019s aan te passen en zelfs in realtime met leveranciers te communiceren.<\/p>\n\n\n\n
Dit soort autonome acties betekent dat AI-agents niet alleen hoogwaardige aanbevelingen geven of vragen beantwoorden, maar ook nieuwe en actieve teamleden worden binnen je bedrijf.<\/p>\n\n\n\n
4. Een ecosysteem van pioniers<\/strong><\/h3>\n\n\n\nMaar technologie alleen is niet genoeg. Laten we onze mensen niet vergeten. Om op grote schaal te slagen met AI, moeten bedrijven een ecosysteem van pioniers cultiveren. Dit betekent dat werknemers, degenen die de nuances van hun specifieke domeinen begrijpen, de tools moeten krijgen die ze nodig hebben om een agent-first bedrijf te worden. De low-code tools van Salesforce, zoals Agent Builder, zorgen ervoor dat iedereen AI-oplossingen kan ontwerpen, bouwen en implementeren.<\/p>\n\n\n\n
Salesforce ondersteunt een ongelooflijke community van deze innovators die we Agentblazers<\/a> noemen. Zij slaan nieuwe AI-paden in binnen hun bedrijf. Deze mensen gebruiken Agentforce niet alleen als een tool, maar ook als een lanceerplatform om opnieuw na te denken over hoe werk wordt gedaan en uiteindelijk om hun carri\u00e8re opnieuw vorm te geven.<\/p>\n\n\n\nMaak kennis met Agentforce, het complete AI-systeem voor bedrijven<\/strong><\/h2>\n\n\n\nTerwijl de aandacht uitging naar de omvang van nieuwe LLM\u2019s, richtte Salesforce zich op het bouwen van een allesomvattend systeem. Net als de afgelopen 20 jaar is het consequent bezig om klanten te helpen andere baanbrekende innovaties binnen hun bedrijf toe te passen, zoals cloud computing, mobiele technologie\u00ebn en voorspellende AI. In plaats van zich te laten meeslepen door de hype, richtte Salesforce zich op het bouwen van Agentforce<\/a>, een AI-oplossing die data, AI, automatisering en mensen werkelijk integreert.<\/p>\n\n\n\nAgentforce is niet zomaar een AI-tool, het is een compleet agent-platform dat ontworpen is om autonome agents in je hele bedrijf te schalen. Het maakt gebruik van de kracht van een LLM en connected data om te identificeren welk werk er moet worden gedaan, een plan op te stellen om het werk uit te voeren en vervolgens het plan volledig autonoom uit te voeren.<\/p>\n\n\n\n
Het omvat alles wat je nodig hebt om agents betrouwbaar te maken voor je bedrijf. Ga snel aan de slag met kant-en-klare agents en pas je eigen agents naar wens aan. Terwijl ze werken, leren en passen ze zich voortdurend aan dankzij een betere dataverzameling. Tegelijkertijd handhaven ze het beveiligingsbeleid van je bedrijf. Ze zijn naadloos ge\u00efntegreerd met je Customer 360 en dragen taken op het juiste moment over aan je medewerkers.<\/p>\n\n\n\n
Het idee om een eigen LLM te trainen lijkt aantrekkelijk vanwege het unieke concurrentievoordeel. Maar de technische complexiteit, infrastructuurvereisten en continue afstemming maken dit voor de meeste bedrijven overweldigend en onpraktisch.<\/p>\n\n\n\n
Tenzij je over middelen beschikt zoals OpenAI of Google, wordt het trainen van een eigen LLM al snel een financieel risico. Dit leidt tot teleurstellende prestaties en onvervulde zakelijke behoeften. Zelfs als de technische uitdagingen worden overwonnen, ontstaan onderstaande twee problemen.<\/p>\n\n\n\n
Het probleem van de recentheid van data<\/strong><\/h4>\n\n\n\nLLM\u2019s zijn slechts zo actueel als hun meest recente trainingsdata. In dynamische, datarijke omgevingen zoals een bedrijf, verandert je data voortdurend. Zonder voortdurende hertraining \u2013 een onpraktische en onbetaalbare onderneming \u2013 veroudert het model onmiddellijk, waardoor het in feite nutteloos wordt.<\/p>\n\n\n\n
Denk bijvoorbeeld aan een financi\u00eble dienstverlener die up-to-date risicobeoordelingen van leningen moet verstrekken. Als de LLM niet wordt hertraind om recente marktveranderingen, beleidsupdates of kredietgedrag van klanten weer te geven, zal het verouderde beoordelingen opleveren. Het resultaat? Slechte besluitvorming en aanzienlijke financi\u00eble risico\u2019s.<\/p>\n\n\n\n
Het probleem van databeheer<\/strong><\/h4>\n\n\n\nTraditionele databases slaan data op met gestructureerde schema\u2019s. Hierdoor zijn duidelijke toegangsrechten, zichtbaarheid en consistente oproeping van data mogelijk. Als data daarentegen door een LLM wordt geleerd, wordt deze ingebed in de parameters van het model, waardoor elk concept van \u2018locatie\u2019 of eigendom verloren gaat.<\/p>\n\n\n\n
Deze transformatie cre\u00ebert een heuse beheer-nachtmerrie. Het is namelijk bijna onmogelijk om gedetailleerde toegangsrechten af te dwingen of er specifieke informatie uit te halen die eenmaal door een LLM is geleerd. Deze problemen op het gebied van databeheer vormen ernstige en vaak onderschatte risico\u2019s voor bedrijven, wat compliance-, audit- en risicomanagementprocessen bemoeilijkt.<\/p>\n\n\n\n
Voor de meeste bedrijven is het trainen van een interne LLM in het beste geval onpraktisch en in het slechtste geval ronduit onverantwoordelijk.<\/p>\n\n\n\n
2. De misvatting over copilots<\/strong><\/h3>\n\n\n\nHet concept van een copilot, een digitale assistent die medewerkers helpt, klinkt veelbelovend. In de praktijk slagen copilots er echter niet in om verder te komen dan ge\u00efsoleerde experimenten binnen bestaande toepassingen.<\/p>\n\n\n\n
Satya Nadella, CEO van Microsoft, zei onlangs: \u201cJe kunt copilot zien als de gebruikersinterface voor AI.\u201d Dit onthult de kern van het probleem: copilots voegen een dunne AI-laag toe aan bestaande toepassingen in plaats van de bredere mogelijkheid aan te pakken om autonome, bedrijfsbrede AI-mogelijkheden te cre\u00ebren. Bedrijven hebben een werkelijk ge\u00efntegreerd systeem van data, AI en actie nodig, niet alleen een behulpzame interface. Een transformatieve engine die autonoom taken kan uitvoeren en bedrijfsverandering kan stimuleren, helpt bedrijven vooruit.<\/p>\n\n\n\n
De copilot-aanpak moedigt bedrijven aan om LLM\u2019s oppervlakkig toe te voegen en zich alleen te richten op de interfacelaag voor de gebruikers. Het resultaat? Een cosmetische afleidingsmanoeuvre die het management er misschien van overtuigt dat er wordt ge\u00efnnoveerd, maar waarbij de echte transformatie uitblijft.<\/p>\n\n\n\n
3. Agents in isolatie: het samenspel van het platform ontbreekt<\/strong><\/h3>\n\n\n\nAutonome AI-agents<\/a> worden aangeprezen als transformatief, maar ook zij kunnen tekortschieten wanneer ze ge\u00efsoleerd worden ge\u00efmplementeerd. Wat bedrijven nodig hebben, is een agentisch platform<\/a>. Dit vormt een uniforme omgeving waarin agents<\/a> op diep niveau zijn ge\u00efntegreerd met de data van je bedrijf, bedrijfsprocessen en de apps van je medewerkers. Zonder deze integratie zijn zelfs de meest intelligente AI-agents niet in staat om zinvolle bedrijfsresultaten te cre\u00ebren.<\/p>\n\n\n\nDe markt is nu verzadigd met AI-start-ups die agent-oplossingen aanbieden. De meeste missen echter de infrastructuur om te integreren met belangrijke workflows en data van bedrijven. Om dit te verdoezelen, zullen veel van deze start-ups hun gebrek aan fundamentele infrastructuur verbergen achter \u2018co-development\u2019-pilots, wat eigenlijk betekent dat ze het integratiewerk met professionele dienstverlening doen. Ze zullen proberen genoeg van deze pilots te maken om tijd te winnen, in de hoop dat ze de ontbrekende stukken kunnen bouwen voordat je merkt dat ze ontbreken.<\/p>\n\n\n\n
Hiermee in zee gaan is behoorlijk risicovol. Je kunt je eerste agent van de grond krijgen, maar wat gebeurt er als je je tweede, derde of tiende wilt? Of als je een eenvoudige wijziging wilt doorvoeren aan je agent? Gaan deze start-ups die professionele dienstverlening voor eigen rekening blijven nemen om het integratiewerk te doen? Of zullen ze hun beperkingen toegeven en die kosten doorberekenen aan jou? Zonder echte integratie met je data en bedrijfsprocessen is het vrijwel onmogelijk om op schaal AI te leveren.<\/p>\n\n\n\n
4. Doe-het-zelf-platforms: de valkuilen van het wiel opnieuw uitvinden<\/strong><\/h3>\n\n\n\nVeel IT-managers zullen, na het ervaren van een of alle voorgaande antipatronen, de noodzaak van een compleet AI-platform erkennen. Ze maken echter vaak de fout om het doe-het-zelf-pad te kiezen. Het bouwen van een ge\u00efntegreerd AI-platform is een enorme opgave vol integratie-uitdagingen, technische schuld en kostbare vertragingen.<\/p>\n\n\n\n
De cloudrevolutie heeft ons een belangrijke les geleerd: bedrijven moeten zich richten op waardegenererende activiteiten in plaats van de fundamentele infrastructuur opnieuw uit te vinden. Geen enkel verstandig bedrijf zou vandaag de dag proberen zijn eigen wereldwijde cloudinfrastructuur te bouwen in plaats van gebruik te maken van beproefde leveranciers zoals AWS. Op dezelfde manier moeten organisaties bestaande, solide AI-platforms gebruiken die al de essenti\u00eble elementen bieden: schaalbaarheid, beveiliging en naadloze integratie tussen data, AI en automatisering.<\/p>\n\n\n\n
Slimme bedrijven weten dat investeren in het bouwen van deze fundamentele tools zonde van de tijd is. De focus moet liggen op het ontwikkelen van gedifferentieerde producten en diensten voor hun klanten, in plaats van te verzanden in projecten die hen tientallen jaren terug in de tijd kunnen zetten.<\/p>\n\n\n\n
Waarom vervallen zoveel bedrijven in deze antipatronen?<\/strong><\/h2>\n\n\n\nDe media hebben de hype rond LLM\u2019s aangewakkerd, geobsedeerd door miljarden parameters en opvallende use cases. Het heeft IT-managers afgeleid van het zien van het bredere systeem dat AI vereist. Het resultaat? De misvatting dat een LLM alleen genoeg is en het over het hoofd zien dat een ge\u00efntegreerd AI-systeem nodig is om schaalbare resultaten te behalen.<\/p>\n\n\n\n
Denk hierbij aan de auto-industrie in het begin van de 20e eeuw. Hoewel de verbrandingsmotor revolutionair was, maakte een motor alleen geen auto. Een auto had banden, besturing en een transmissie nodig: allemaal ge\u00efntegreerde componenten die samen een functionerende machine vormden.<\/p>\n\n\n\n
Op een vergelijkbare manier heeft de microprocessor het computergebruik fundamenteel getransformeerd. Zonder integratie met geheugen, I\/O-apparaten en software was het echter slechts een ge\u00efsoleerd onderdeel. De kracht van de microprocessor werd pas gerealiseerd toen deze stukjes samenkwamen tot een compleet computersysteem. Hetzelfde principe is van toepassing op zakelijke AI: LLM\u2019s zijn baanbrekend, maar zonder het bredere systeem zoals dataflows, bedrijfslogica, automatisering en workflowintegratie blijven ze onvolledig.<\/p>\n\n\n\n
Wat is dan de oplossing?<\/strong><\/h2>\n\n\n\nEen succesvol AI-systeem voor bedrijven integreert naadloos data, AI, automatisering en een innovatief ecosysteem. Een tekortkoming in een van deze aspecten brengt de hele strategie in gevaar. Hieronder nemen we ze stuk voor stuk door.<\/p>\n\n\n\n
1. Data: de basis<\/strong><\/h3>\n\n\n\nToegang tot data vormt de basis van een succesvol AI-systeem. De uitdaging gaat echter niet alleen om het waarborgen van de datakwaliteit, maar ook om het bereiken van uitgebreide, realtime datatoegang in de hele organisatie. Datasilo\u2019s zijn de grootste belemmering voor het effectief inzetten van AI. Het is belangrijk dat bedrijven flexibele dataplatforms invoeren die naadloze integratie tussen afdelingen mogelijk maken en die silo\u2019s snel oplossen.<\/p>\n\n\n\n
Platforms zoals Salesforce Data Cloud<\/a> bieden een uniforme, ge\u00efntegreerde fundering voor data die realtime beschikbaarheid van data mogelijk maakt. Data Cloud is open en flexibel, waardoor klanten zero-copy datafederatie kunnen gebruiken om hun bestaande data lakes<\/a>, zoals Snowflake, met elkaar te verbinden. Dit verhoogt de ROI van deze reeds ge\u00efmplementeerde lakes.<\/p>\n\n\n\nZodra het dataplatform is ge\u00efnstalleerd, is de volgende uitdaging het verbinden van data met de LLM\u2019s zonder kostbare hertraining. Hier komt retrieval-augmented generation (RAG)<\/a> om de hoek kijken, in combinatie met vectordatabases die ook ongestructureerde data indexeren en doorzoeken. Hierdoor hebben LLM\u2019s toegang tot de meest relevante informatie zonder volledige hertrainingscycli te ondergaan.<\/p>\n\n\n\nTechnologie\u00ebn zoals de Atlas Reasoning Engine<\/a> van Salesforce maken gebruik van geavanceerde RAG-technieken die zorgen voor een betere hi\u00ebrarchische ophaling en abstractie. Hierdoor is een beter begrip en toegang tot complexe bedrijfsdocumenten mogelijk. Het nettoresultaat? Betere, nauwkeurigere en relevantere resultaten.<\/p>\n\n\n\n2. AI: de motor<\/strong><\/h3>\n\n\n\nMet data op \u00e9\u00e9n locatie wordt AI de motor die de bedrijfstransformatie stimuleert. Maar dit gaat verder dan LLM\u2019s alleen. De gebruikte AI-modellen moeten in staat zijn om te voorspellen, te analyseren en zich aan te passen aan de specifieke behoeften van het bedrijf. Er is geen one-size-fits-all-aanpak; verschillende taken vereisen gespecialiseerde modellen. Sommige bedrijven hebben behoefte aan flexibiliteit, zoals bij het inzetten van verschillende LLM\u2019s in verschillende geografische regio\u2019s om te voldoen aan specifieke regelgeving. De Einstein Trust Layer stelt Salesforce-klanten in staat om elke LLM van hun keuze in te zetten en veilig te gebruiken, waardoor compliance, beheer en beveiliging worden gewaarborgd. Het zorgt ervoor dat het meest geschikte model voor elke specifieke bedrijfscontext ingezet kan worden.<\/p>\n\n\n\n
AI is niet statisch; het leert en past zich realtime aan. Continue feedbackcycli, aangedreven door steeds evoluerende bedrijfsdata, zijn cruciaal om AI relevant en effectief te houden. Deze cycli zorgen ervoor dat modellen zich dynamisch aanpassen aan nieuwe inzichten, marktomstandigheden en operationele veranderingen. Hierdoor kunnen ze op een consistente manier impactvolle bedrijfsresultaten bieden. Dit aanpassingsvermogen transformeert AI van een statische tool in een voortdurend evoluerende transformatiemotor.<\/p>\n\n\n\n
3. Automatisering: autonome actie<\/strong><\/h3>\n\n\n\nDe echte waarde van AI komt niet voort uit inzicht, maar uit actie. Het is niet genoeg voor een LLM om suggesties te genereren; echte waarde voor bedrijven wordt ontleend aan het uitvoeren van die suggesties. Dit vereist een diepe integratie met zakelijke workflowsystemen, API\u2019s en automatiseringstools. Salesforce\u2019s Flow en MuleSoft zijn bijvoorbeeld essenti\u00eble componenten om dit soort autonome acties mogelijk te maken. Flow zorgt voor de automatiseringslaag, terwijl MuleSoft de API-integratie afhandelt. Het resultaat is dat AI-agents naadloos in meerdere systemen kunnen handelen.<\/p>\n\n\n\n
Stel je voor dat een AI-agent niet alleen problemen met de toeleveringsketen identificeert, maar ook autonoom een mitigatieplan ontwikkelt en dit uitvoert in het hele ecosysteem van je bedrijf. Als er bijvoorbeeld een potentieel voorraadtekort wordt gedetecteerd, kan de agent een workflow activeren om resources opnieuw toe te wijzen, inkoopschema\u2019s aan te passen en zelfs in realtime met leveranciers te communiceren.<\/p>\n\n\n\n
Dit soort autonome acties betekent dat AI-agents niet alleen hoogwaardige aanbevelingen geven of vragen beantwoorden, maar ook nieuwe en actieve teamleden worden binnen je bedrijf.<\/p>\n\n\n\n
4. Een ecosysteem van pioniers<\/strong><\/h3>\n\n\n\nMaar technologie alleen is niet genoeg. Laten we onze mensen niet vergeten. Om op grote schaal te slagen met AI, moeten bedrijven een ecosysteem van pioniers cultiveren. Dit betekent dat werknemers, degenen die de nuances van hun specifieke domeinen begrijpen, de tools moeten krijgen die ze nodig hebben om een agent-first bedrijf te worden. De low-code tools van Salesforce, zoals Agent Builder, zorgen ervoor dat iedereen AI-oplossingen kan ontwerpen, bouwen en implementeren.<\/p>\n\n\n\n
Salesforce ondersteunt een ongelooflijke community van deze innovators die we Agentblazers<\/a> noemen. Zij slaan nieuwe AI-paden in binnen hun bedrijf. Deze mensen gebruiken Agentforce niet alleen als een tool, maar ook als een lanceerplatform om opnieuw na te denken over hoe werk wordt gedaan en uiteindelijk om hun carri\u00e8re opnieuw vorm te geven.<\/p>\n\n\n\nMaak kennis met Agentforce, het complete AI-systeem voor bedrijven<\/strong><\/h2>\n\n\n\nTerwijl de aandacht uitging naar de omvang van nieuwe LLM\u2019s, richtte Salesforce zich op het bouwen van een allesomvattend systeem. Net als de afgelopen 20 jaar is het consequent bezig om klanten te helpen andere baanbrekende innovaties binnen hun bedrijf toe te passen, zoals cloud computing, mobiele technologie\u00ebn en voorspellende AI. In plaats van zich te laten meeslepen door de hype, richtte Salesforce zich op het bouwen van Agentforce<\/a>, een AI-oplossing die data, AI, automatisering en mensen werkelijk integreert.<\/p>\n\n\n\nAgentforce is niet zomaar een AI-tool, het is een compleet agent-platform dat ontworpen is om autonome agents in je hele bedrijf te schalen. Het maakt gebruik van de kracht van een LLM en connected data om te identificeren welk werk er moet worden gedaan, een plan op te stellen om het werk uit te voeren en vervolgens het plan volledig autonoom uit te voeren.<\/p>\n\n\n\n
Het omvat alles wat je nodig hebt om agents betrouwbaar te maken voor je bedrijf. Ga snel aan de slag met kant-en-klare agents en pas je eigen agents naar wens aan. Terwijl ze werken, leren en passen ze zich voortdurend aan dankzij een betere dataverzameling. Tegelijkertijd handhaven ze het beveiligingsbeleid van je bedrijf. Ze zijn naadloos ge\u00efntegreerd met je Customer 360 en dragen taken op het juiste moment over aan je medewerkers.<\/p>\n\n\n\n
Traditionele databases slaan data op met gestructureerde schema\u2019s. Hierdoor zijn duidelijke toegangsrechten, zichtbaarheid en consistente oproeping van data mogelijk. Als data daarentegen door een LLM wordt geleerd, wordt deze ingebed in de parameters van het model, waardoor elk concept van \u2018locatie\u2019 of eigendom verloren gaat.<\/p>\n\n\n\n
Deze transformatie cre\u00ebert een heuse beheer-nachtmerrie. Het is namelijk bijna onmogelijk om gedetailleerde toegangsrechten af te dwingen of er specifieke informatie uit te halen die eenmaal door een LLM is geleerd. Deze problemen op het gebied van databeheer vormen ernstige en vaak onderschatte risico\u2019s voor bedrijven, wat compliance-, audit- en risicomanagementprocessen bemoeilijkt.<\/p>\n\n\n\n
Voor de meeste bedrijven is het trainen van een interne LLM in het beste geval onpraktisch en in het slechtste geval ronduit onverantwoordelijk.<\/p>\n\n\n\n
2. De misvatting over copilots<\/strong><\/h3>\n\n\n\nHet concept van een copilot, een digitale assistent die medewerkers helpt, klinkt veelbelovend. In de praktijk slagen copilots er echter niet in om verder te komen dan ge\u00efsoleerde experimenten binnen bestaande toepassingen.<\/p>\n\n\n\n
Satya Nadella, CEO van Microsoft, zei onlangs: \u201cJe kunt copilot zien als de gebruikersinterface voor AI.\u201d Dit onthult de kern van het probleem: copilots voegen een dunne AI-laag toe aan bestaande toepassingen in plaats van de bredere mogelijkheid aan te pakken om autonome, bedrijfsbrede AI-mogelijkheden te cre\u00ebren. Bedrijven hebben een werkelijk ge\u00efntegreerd systeem van data, AI en actie nodig, niet alleen een behulpzame interface. Een transformatieve engine die autonoom taken kan uitvoeren en bedrijfsverandering kan stimuleren, helpt bedrijven vooruit.<\/p>\n\n\n\n
De copilot-aanpak moedigt bedrijven aan om LLM\u2019s oppervlakkig toe te voegen en zich alleen te richten op de interfacelaag voor de gebruikers. Het resultaat? Een cosmetische afleidingsmanoeuvre die het management er misschien van overtuigt dat er wordt ge\u00efnnoveerd, maar waarbij de echte transformatie uitblijft.<\/p>\n\n\n\n
3. Agents in isolatie: het samenspel van het platform ontbreekt<\/strong><\/h3>\n\n\n\nAutonome AI-agents<\/a> worden aangeprezen als transformatief, maar ook zij kunnen tekortschieten wanneer ze ge\u00efsoleerd worden ge\u00efmplementeerd. Wat bedrijven nodig hebben, is een agentisch platform<\/a>. Dit vormt een uniforme omgeving waarin agents<\/a> op diep niveau zijn ge\u00efntegreerd met de data van je bedrijf, bedrijfsprocessen en de apps van je medewerkers. Zonder deze integratie zijn zelfs de meest intelligente AI-agents niet in staat om zinvolle bedrijfsresultaten te cre\u00ebren.<\/p>\n\n\n\nDe markt is nu verzadigd met AI-start-ups die agent-oplossingen aanbieden. De meeste missen echter de infrastructuur om te integreren met belangrijke workflows en data van bedrijven. Om dit te verdoezelen, zullen veel van deze start-ups hun gebrek aan fundamentele infrastructuur verbergen achter \u2018co-development\u2019-pilots, wat eigenlijk betekent dat ze het integratiewerk met professionele dienstverlening doen. Ze zullen proberen genoeg van deze pilots te maken om tijd te winnen, in de hoop dat ze de ontbrekende stukken kunnen bouwen voordat je merkt dat ze ontbreken.<\/p>\n\n\n\n
Hiermee in zee gaan is behoorlijk risicovol. Je kunt je eerste agent van de grond krijgen, maar wat gebeurt er als je je tweede, derde of tiende wilt? Of als je een eenvoudige wijziging wilt doorvoeren aan je agent? Gaan deze start-ups die professionele dienstverlening voor eigen rekening blijven nemen om het integratiewerk te doen? Of zullen ze hun beperkingen toegeven en die kosten doorberekenen aan jou? Zonder echte integratie met je data en bedrijfsprocessen is het vrijwel onmogelijk om op schaal AI te leveren.<\/p>\n\n\n\n
4. Doe-het-zelf-platforms: de valkuilen van het wiel opnieuw uitvinden<\/strong><\/h3>\n\n\n\nVeel IT-managers zullen, na het ervaren van een of alle voorgaande antipatronen, de noodzaak van een compleet AI-platform erkennen. Ze maken echter vaak de fout om het doe-het-zelf-pad te kiezen. Het bouwen van een ge\u00efntegreerd AI-platform is een enorme opgave vol integratie-uitdagingen, technische schuld en kostbare vertragingen.<\/p>\n\n\n\n
De cloudrevolutie heeft ons een belangrijke les geleerd: bedrijven moeten zich richten op waardegenererende activiteiten in plaats van de fundamentele infrastructuur opnieuw uit te vinden. Geen enkel verstandig bedrijf zou vandaag de dag proberen zijn eigen wereldwijde cloudinfrastructuur te bouwen in plaats van gebruik te maken van beproefde leveranciers zoals AWS. Op dezelfde manier moeten organisaties bestaande, solide AI-platforms gebruiken die al de essenti\u00eble elementen bieden: schaalbaarheid, beveiliging en naadloze integratie tussen data, AI en automatisering.<\/p>\n\n\n\n
Slimme bedrijven weten dat investeren in het bouwen van deze fundamentele tools zonde van de tijd is. De focus moet liggen op het ontwikkelen van gedifferentieerde producten en diensten voor hun klanten, in plaats van te verzanden in projecten die hen tientallen jaren terug in de tijd kunnen zetten.<\/p>\n\n\n\n
Waarom vervallen zoveel bedrijven in deze antipatronen?<\/strong><\/h2>\n\n\n\nDe media hebben de hype rond LLM\u2019s aangewakkerd, geobsedeerd door miljarden parameters en opvallende use cases. Het heeft IT-managers afgeleid van het zien van het bredere systeem dat AI vereist. Het resultaat? De misvatting dat een LLM alleen genoeg is en het over het hoofd zien dat een ge\u00efntegreerd AI-systeem nodig is om schaalbare resultaten te behalen.<\/p>\n\n\n\n
Denk hierbij aan de auto-industrie in het begin van de 20e eeuw. Hoewel de verbrandingsmotor revolutionair was, maakte een motor alleen geen auto. Een auto had banden, besturing en een transmissie nodig: allemaal ge\u00efntegreerde componenten die samen een functionerende machine vormden.<\/p>\n\n\n\n
Op een vergelijkbare manier heeft de microprocessor het computergebruik fundamenteel getransformeerd. Zonder integratie met geheugen, I\/O-apparaten en software was het echter slechts een ge\u00efsoleerd onderdeel. De kracht van de microprocessor werd pas gerealiseerd toen deze stukjes samenkwamen tot een compleet computersysteem. Hetzelfde principe is van toepassing op zakelijke AI: LLM\u2019s zijn baanbrekend, maar zonder het bredere systeem zoals dataflows, bedrijfslogica, automatisering en workflowintegratie blijven ze onvolledig.<\/p>\n\n\n\n
Wat is dan de oplossing?<\/strong><\/h2>\n\n\n\nEen succesvol AI-systeem voor bedrijven integreert naadloos data, AI, automatisering en een innovatief ecosysteem. Een tekortkoming in een van deze aspecten brengt de hele strategie in gevaar. Hieronder nemen we ze stuk voor stuk door.<\/p>\n\n\n\n
1. Data: de basis<\/strong><\/h3>\n\n\n\nToegang tot data vormt de basis van een succesvol AI-systeem. De uitdaging gaat echter niet alleen om het waarborgen van de datakwaliteit, maar ook om het bereiken van uitgebreide, realtime datatoegang in de hele organisatie. Datasilo\u2019s zijn de grootste belemmering voor het effectief inzetten van AI. Het is belangrijk dat bedrijven flexibele dataplatforms invoeren die naadloze integratie tussen afdelingen mogelijk maken en die silo\u2019s snel oplossen.<\/p>\n\n\n\n
Platforms zoals Salesforce Data Cloud<\/a> bieden een uniforme, ge\u00efntegreerde fundering voor data die realtime beschikbaarheid van data mogelijk maakt. Data Cloud is open en flexibel, waardoor klanten zero-copy datafederatie kunnen gebruiken om hun bestaande data lakes<\/a>, zoals Snowflake, met elkaar te verbinden. Dit verhoogt de ROI van deze reeds ge\u00efmplementeerde lakes.<\/p>\n\n\n\nZodra het dataplatform is ge\u00efnstalleerd, is de volgende uitdaging het verbinden van data met de LLM\u2019s zonder kostbare hertraining. Hier komt retrieval-augmented generation (RAG)<\/a> om de hoek kijken, in combinatie met vectordatabases die ook ongestructureerde data indexeren en doorzoeken. Hierdoor hebben LLM\u2019s toegang tot de meest relevante informatie zonder volledige hertrainingscycli te ondergaan.<\/p>\n\n\n\nTechnologie\u00ebn zoals de Atlas Reasoning Engine<\/a> van Salesforce maken gebruik van geavanceerde RAG-technieken die zorgen voor een betere hi\u00ebrarchische ophaling en abstractie. Hierdoor is een beter begrip en toegang tot complexe bedrijfsdocumenten mogelijk. Het nettoresultaat? Betere, nauwkeurigere en relevantere resultaten.<\/p>\n\n\n\n2. AI: de motor<\/strong><\/h3>\n\n\n\nMet data op \u00e9\u00e9n locatie wordt AI de motor die de bedrijfstransformatie stimuleert. Maar dit gaat verder dan LLM\u2019s alleen. De gebruikte AI-modellen moeten in staat zijn om te voorspellen, te analyseren en zich aan te passen aan de specifieke behoeften van het bedrijf. Er is geen one-size-fits-all-aanpak; verschillende taken vereisen gespecialiseerde modellen. Sommige bedrijven hebben behoefte aan flexibiliteit, zoals bij het inzetten van verschillende LLM\u2019s in verschillende geografische regio\u2019s om te voldoen aan specifieke regelgeving. De Einstein Trust Layer stelt Salesforce-klanten in staat om elke LLM van hun keuze in te zetten en veilig te gebruiken, waardoor compliance, beheer en beveiliging worden gewaarborgd. Het zorgt ervoor dat het meest geschikte model voor elke specifieke bedrijfscontext ingezet kan worden.<\/p>\n\n\n\n
AI is niet statisch; het leert en past zich realtime aan. Continue feedbackcycli, aangedreven door steeds evoluerende bedrijfsdata, zijn cruciaal om AI relevant en effectief te houden. Deze cycli zorgen ervoor dat modellen zich dynamisch aanpassen aan nieuwe inzichten, marktomstandigheden en operationele veranderingen. Hierdoor kunnen ze op een consistente manier impactvolle bedrijfsresultaten bieden. Dit aanpassingsvermogen transformeert AI van een statische tool in een voortdurend evoluerende transformatiemotor.<\/p>\n\n\n\n
3. Automatisering: autonome actie<\/strong><\/h3>\n\n\n\nDe echte waarde van AI komt niet voort uit inzicht, maar uit actie. Het is niet genoeg voor een LLM om suggesties te genereren; echte waarde voor bedrijven wordt ontleend aan het uitvoeren van die suggesties. Dit vereist een diepe integratie met zakelijke workflowsystemen, API\u2019s en automatiseringstools. Salesforce\u2019s Flow en MuleSoft zijn bijvoorbeeld essenti\u00eble componenten om dit soort autonome acties mogelijk te maken. Flow zorgt voor de automatiseringslaag, terwijl MuleSoft de API-integratie afhandelt. Het resultaat is dat AI-agents naadloos in meerdere systemen kunnen handelen.<\/p>\n\n\n\n
Stel je voor dat een AI-agent niet alleen problemen met de toeleveringsketen identificeert, maar ook autonoom een mitigatieplan ontwikkelt en dit uitvoert in het hele ecosysteem van je bedrijf. Als er bijvoorbeeld een potentieel voorraadtekort wordt gedetecteerd, kan de agent een workflow activeren om resources opnieuw toe te wijzen, inkoopschema\u2019s aan te passen en zelfs in realtime met leveranciers te communiceren.<\/p>\n\n\n\n
Dit soort autonome acties betekent dat AI-agents niet alleen hoogwaardige aanbevelingen geven of vragen beantwoorden, maar ook nieuwe en actieve teamleden worden binnen je bedrijf.<\/p>\n\n\n\n
4. Een ecosysteem van pioniers<\/strong><\/h3>\n\n\n\nMaar technologie alleen is niet genoeg. Laten we onze mensen niet vergeten. Om op grote schaal te slagen met AI, moeten bedrijven een ecosysteem van pioniers cultiveren. Dit betekent dat werknemers, degenen die de nuances van hun specifieke domeinen begrijpen, de tools moeten krijgen die ze nodig hebben om een agent-first bedrijf te worden. De low-code tools van Salesforce, zoals Agent Builder, zorgen ervoor dat iedereen AI-oplossingen kan ontwerpen, bouwen en implementeren.<\/p>\n\n\n\n
Salesforce ondersteunt een ongelooflijke community van deze innovators die we Agentblazers<\/a> noemen. Zij slaan nieuwe AI-paden in binnen hun bedrijf. Deze mensen gebruiken Agentforce niet alleen als een tool, maar ook als een lanceerplatform om opnieuw na te denken over hoe werk wordt gedaan en uiteindelijk om hun carri\u00e8re opnieuw vorm te geven.<\/p>\n\n\n\nMaak kennis met Agentforce, het complete AI-systeem voor bedrijven<\/strong><\/h2>\n\n\n\nTerwijl de aandacht uitging naar de omvang van nieuwe LLM\u2019s, richtte Salesforce zich op het bouwen van een allesomvattend systeem. Net als de afgelopen 20 jaar is het consequent bezig om klanten te helpen andere baanbrekende innovaties binnen hun bedrijf toe te passen, zoals cloud computing, mobiele technologie\u00ebn en voorspellende AI. In plaats van zich te laten meeslepen door de hype, richtte Salesforce zich op het bouwen van Agentforce<\/a>, een AI-oplossing die data, AI, automatisering en mensen werkelijk integreert.<\/p>\n\n\n\nAgentforce is niet zomaar een AI-tool, het is een compleet agent-platform dat ontworpen is om autonome agents in je hele bedrijf te schalen. Het maakt gebruik van de kracht van een LLM en connected data om te identificeren welk werk er moet worden gedaan, een plan op te stellen om het werk uit te voeren en vervolgens het plan volledig autonoom uit te voeren.<\/p>\n\n\n\n
Het omvat alles wat je nodig hebt om agents betrouwbaar te maken voor je bedrijf. Ga snel aan de slag met kant-en-klare agents en pas je eigen agents naar wens aan. Terwijl ze werken, leren en passen ze zich voortdurend aan dankzij een betere dataverzameling. Tegelijkertijd handhaven ze het beveiligingsbeleid van je bedrijf. Ze zijn naadloos ge\u00efntegreerd met je Customer 360 en dragen taken op het juiste moment over aan je medewerkers.<\/p>\n\n\n\n
Autonome AI-agents<\/a> worden aangeprezen als transformatief, maar ook zij kunnen tekortschieten wanneer ze ge\u00efsoleerd worden ge\u00efmplementeerd. Wat bedrijven nodig hebben, is een agentisch platform<\/a>. Dit vormt een uniforme omgeving waarin agents<\/a> op diep niveau zijn ge\u00efntegreerd met de data van je bedrijf, bedrijfsprocessen en de apps van je medewerkers. Zonder deze integratie zijn zelfs de meest intelligente AI-agents niet in staat om zinvolle bedrijfsresultaten te cre\u00ebren.<\/p>\n\n\n\n De markt is nu verzadigd met AI-start-ups die agent-oplossingen aanbieden. De meeste missen echter de infrastructuur om te integreren met belangrijke workflows en data van bedrijven. Om dit te verdoezelen, zullen veel van deze start-ups hun gebrek aan fundamentele infrastructuur verbergen achter \u2018co-development\u2019-pilots, wat eigenlijk betekent dat ze het integratiewerk met professionele dienstverlening doen. Ze zullen proberen genoeg van deze pilots te maken om tijd te winnen, in de hoop dat ze de ontbrekende stukken kunnen bouwen voordat je merkt dat ze ontbreken.<\/p>\n\n\n\n Hiermee in zee gaan is behoorlijk risicovol. Je kunt je eerste agent van de grond krijgen, maar wat gebeurt er als je je tweede, derde of tiende wilt? Of als je een eenvoudige wijziging wilt doorvoeren aan je agent? Gaan deze start-ups die professionele dienstverlening voor eigen rekening blijven nemen om het integratiewerk te doen? Of zullen ze hun beperkingen toegeven en die kosten doorberekenen aan jou? Zonder echte integratie met je data en bedrijfsprocessen is het vrijwel onmogelijk om op schaal AI te leveren.<\/p>\n\n\n\n Veel IT-managers zullen, na het ervaren van een of alle voorgaande antipatronen, de noodzaak van een compleet AI-platform erkennen. Ze maken echter vaak de fout om het doe-het-zelf-pad te kiezen. Het bouwen van een ge\u00efntegreerd AI-platform is een enorme opgave vol integratie-uitdagingen, technische schuld en kostbare vertragingen.<\/p>\n\n\n\n De cloudrevolutie heeft ons een belangrijke les geleerd: bedrijven moeten zich richten op waardegenererende activiteiten in plaats van de fundamentele infrastructuur opnieuw uit te vinden. Geen enkel verstandig bedrijf zou vandaag de dag proberen zijn eigen wereldwijde cloudinfrastructuur te bouwen in plaats van gebruik te maken van beproefde leveranciers zoals AWS. Op dezelfde manier moeten organisaties bestaande, solide AI-platforms gebruiken die al de essenti\u00eble elementen bieden: schaalbaarheid, beveiliging en naadloze integratie tussen data, AI en automatisering.<\/p>\n\n\n\n Slimme bedrijven weten dat investeren in het bouwen van deze fundamentele tools zonde van de tijd is. De focus moet liggen op het ontwikkelen van gedifferentieerde producten en diensten voor hun klanten, in plaats van te verzanden in projecten die hen tientallen jaren terug in de tijd kunnen zetten.<\/p>\n\n\n\n De media hebben de hype rond LLM\u2019s aangewakkerd, geobsedeerd door miljarden parameters en opvallende use cases. Het heeft IT-managers afgeleid van het zien van het bredere systeem dat AI vereist. Het resultaat? De misvatting dat een LLM alleen genoeg is en het over het hoofd zien dat een ge\u00efntegreerd AI-systeem nodig is om schaalbare resultaten te behalen.<\/p>\n\n\n\n Denk hierbij aan de auto-industrie in het begin van de 20e eeuw. Hoewel de verbrandingsmotor revolutionair was, maakte een motor alleen geen auto. Een auto had banden, besturing en een transmissie nodig: allemaal ge\u00efntegreerde componenten die samen een functionerende machine vormden.<\/p>\n\n\n\n Op een vergelijkbare manier heeft de microprocessor het computergebruik fundamenteel getransformeerd. Zonder integratie met geheugen, I\/O-apparaten en software was het echter slechts een ge\u00efsoleerd onderdeel. De kracht van de microprocessor werd pas gerealiseerd toen deze stukjes samenkwamen tot een compleet computersysteem. Hetzelfde principe is van toepassing op zakelijke AI: LLM\u2019s zijn baanbrekend, maar zonder het bredere systeem zoals dataflows, bedrijfslogica, automatisering en workflowintegratie blijven ze onvolledig.<\/p>\n\n\n\n Een succesvol AI-systeem voor bedrijven integreert naadloos data, AI, automatisering en een innovatief ecosysteem. Een tekortkoming in een van deze aspecten brengt de hele strategie in gevaar. Hieronder nemen we ze stuk voor stuk door.<\/p>\n\n\n\n Toegang tot data vormt de basis van een succesvol AI-systeem. De uitdaging gaat echter niet alleen om het waarborgen van de datakwaliteit, maar ook om het bereiken van uitgebreide, realtime datatoegang in de hele organisatie. Datasilo\u2019s zijn de grootste belemmering voor het effectief inzetten van AI. Het is belangrijk dat bedrijven flexibele dataplatforms invoeren die naadloze integratie tussen afdelingen mogelijk maken en die silo\u2019s snel oplossen.<\/p>\n\n\n\n Platforms zoals Salesforce Data Cloud<\/a> bieden een uniforme, ge\u00efntegreerde fundering voor data die realtime beschikbaarheid van data mogelijk maakt. Data Cloud is open en flexibel, waardoor klanten zero-copy datafederatie kunnen gebruiken om hun bestaande data lakes<\/a>, zoals Snowflake, met elkaar te verbinden. Dit verhoogt de ROI van deze reeds ge\u00efmplementeerde lakes.<\/p>\n\n\n\n Zodra het dataplatform is ge\u00efnstalleerd, is de volgende uitdaging het verbinden van data met de LLM\u2019s zonder kostbare hertraining. Hier komt retrieval-augmented generation (RAG)<\/a> om de hoek kijken, in combinatie met vectordatabases die ook ongestructureerde data indexeren en doorzoeken. Hierdoor hebben LLM\u2019s toegang tot de meest relevante informatie zonder volledige hertrainingscycli te ondergaan.<\/p>\n\n\n\n Technologie\u00ebn zoals de Atlas Reasoning Engine<\/a> van Salesforce maken gebruik van geavanceerde RAG-technieken die zorgen voor een betere hi\u00ebrarchische ophaling en abstractie. Hierdoor is een beter begrip en toegang tot complexe bedrijfsdocumenten mogelijk. Het nettoresultaat? Betere, nauwkeurigere en relevantere resultaten.<\/p>\n\n\n\n Met data op \u00e9\u00e9n locatie wordt AI de motor die de bedrijfstransformatie stimuleert. Maar dit gaat verder dan LLM\u2019s alleen. De gebruikte AI-modellen moeten in staat zijn om te voorspellen, te analyseren en zich aan te passen aan de specifieke behoeften van het bedrijf. Er is geen one-size-fits-all-aanpak; verschillende taken vereisen gespecialiseerde modellen. Sommige bedrijven hebben behoefte aan flexibiliteit, zoals bij het inzetten van verschillende LLM\u2019s in verschillende geografische regio\u2019s om te voldoen aan specifieke regelgeving. De Einstein Trust Layer stelt Salesforce-klanten in staat om elke LLM van hun keuze in te zetten en veilig te gebruiken, waardoor compliance, beheer en beveiliging worden gewaarborgd. Het zorgt ervoor dat het meest geschikte model voor elke specifieke bedrijfscontext ingezet kan worden.<\/p>\n\n\n\n AI is niet statisch; het leert en past zich realtime aan. Continue feedbackcycli, aangedreven door steeds evoluerende bedrijfsdata, zijn cruciaal om AI relevant en effectief te houden. Deze cycli zorgen ervoor dat modellen zich dynamisch aanpassen aan nieuwe inzichten, marktomstandigheden en operationele veranderingen. Hierdoor kunnen ze op een consistente manier impactvolle bedrijfsresultaten bieden. Dit aanpassingsvermogen transformeert AI van een statische tool in een voortdurend evoluerende transformatiemotor.<\/p>\n\n\n\n De echte waarde van AI komt niet voort uit inzicht, maar uit actie. Het is niet genoeg voor een LLM om suggesties te genereren; echte waarde voor bedrijven wordt ontleend aan het uitvoeren van die suggesties. Dit vereist een diepe integratie met zakelijke workflowsystemen, API\u2019s en automatiseringstools. Salesforce\u2019s Flow en MuleSoft zijn bijvoorbeeld essenti\u00eble componenten om dit soort autonome acties mogelijk te maken. Flow zorgt voor de automatiseringslaag, terwijl MuleSoft de API-integratie afhandelt. Het resultaat is dat AI-agents naadloos in meerdere systemen kunnen handelen.<\/p>\n\n\n\n Stel je voor dat een AI-agent niet alleen problemen met de toeleveringsketen identificeert, maar ook autonoom een mitigatieplan ontwikkelt en dit uitvoert in het hele ecosysteem van je bedrijf. Als er bijvoorbeeld een potentieel voorraadtekort wordt gedetecteerd, kan de agent een workflow activeren om resources opnieuw toe te wijzen, inkoopschema\u2019s aan te passen en zelfs in realtime met leveranciers te communiceren.<\/p>\n\n\n\n Dit soort autonome acties betekent dat AI-agents niet alleen hoogwaardige aanbevelingen geven of vragen beantwoorden, maar ook nieuwe en actieve teamleden worden binnen je bedrijf.<\/p>\n\n\n\n Maar technologie alleen is niet genoeg. Laten we onze mensen niet vergeten. Om op grote schaal te slagen met AI, moeten bedrijven een ecosysteem van pioniers cultiveren. Dit betekent dat werknemers, degenen die de nuances van hun specifieke domeinen begrijpen, de tools moeten krijgen die ze nodig hebben om een agent-first bedrijf te worden. De low-code tools van Salesforce, zoals Agent Builder, zorgen ervoor dat iedereen AI-oplossingen kan ontwerpen, bouwen en implementeren.<\/p>\n\n\n\n Salesforce ondersteunt een ongelooflijke community van deze innovators die we Agentblazers<\/a> noemen. Zij slaan nieuwe AI-paden in binnen hun bedrijf. Deze mensen gebruiken Agentforce niet alleen als een tool, maar ook als een lanceerplatform om opnieuw na te denken over hoe werk wordt gedaan en uiteindelijk om hun carri\u00e8re opnieuw vorm te geven.<\/p>\n\n\n\n Terwijl de aandacht uitging naar de omvang van nieuwe LLM\u2019s, richtte Salesforce zich op het bouwen van een allesomvattend systeem. Net als de afgelopen 20 jaar is het consequent bezig om klanten te helpen andere baanbrekende innovaties binnen hun bedrijf toe te passen, zoals cloud computing, mobiele technologie\u00ebn en voorspellende AI. In plaats van zich te laten meeslepen door de hype, richtte Salesforce zich op het bouwen van Agentforce<\/a>, een AI-oplossing die data, AI, automatisering en mensen werkelijk integreert.<\/p>\n\n\n\n Agentforce is niet zomaar een AI-tool, het is een compleet agent-platform dat ontworpen is om autonome agents in je hele bedrijf te schalen. Het maakt gebruik van de kracht van een LLM en connected data om te identificeren welk werk er moet worden gedaan, een plan op te stellen om het werk uit te voeren en vervolgens het plan volledig autonoom uit te voeren.<\/p>\n\n\n\n Het omvat alles wat je nodig hebt om agents betrouwbaar te maken voor je bedrijf. Ga snel aan de slag met kant-en-klare agents en pas je eigen agents naar wens aan. Terwijl ze werken, leren en passen ze zich voortdurend aan dankzij een betere dataverzameling. Tegelijkertijd handhaven ze het beveiligingsbeleid van je bedrijf. Ze zijn naadloos ge\u00efntegreerd met je Customer 360 en dragen taken op het juiste moment over aan je medewerkers.<\/p>\n\n\n\n4. Doe-het-zelf-platforms: de valkuilen van het wiel opnieuw uitvinden<\/strong><\/h3>\n\n\n\n
Waarom vervallen zoveel bedrijven in deze antipatronen?<\/strong><\/h2>\n\n\n\n
Wat is dan de oplossing?<\/strong><\/h2>\n\n\n\n
1. Data: de basis<\/strong><\/h3>\n\n\n\n
2. AI: de motor<\/strong><\/h3>\n\n\n\n
3. Automatisering: autonome actie<\/strong><\/h3>\n\n\n\n
4. Een ecosysteem van pioniers<\/strong><\/h3>\n\n\n\n
Maak kennis met Agentforce, het complete AI-systeem voor bedrijven<\/strong><\/h2>\n\n\n\n