AI-agents: van buzzword naar businesswaarde

AI is hét buzzword van dit moment. Iedereen praat erover. De hype is enorm, maar wat levert het nu eigenlijk op voor bedrijven? Die vraag stellen veel organisaties zich.

We kennen allemaal de voorbeelden van AI die coole beelden genereert of songteksten schrijft in de stijl van Queen. Leuk, maar wat zijn de concrete usecases die onze processen echt versnellen, verbeteren of slimmer maken?

Daar zit het bedrijfsleven op te wachten. Daarom laten we bij McCoy zien hoe AI daadwerkelijk waarde toevoegt. Niet in de toekomst, maar vandaag.
Dat doen we met onze AI-gedreven operationele inkoopagent.

Wat is een AI-agent eigenlijk?

AI-agents zijn autonome computerprogramma’s die zelfstandig kunnen redeneren en acties uitvoeren. Ze ontvangen informatie, bepalen zelf wat er moet gebeuren en gebruiken de middelen die je ze geeft om dat uit te voeren. Dit markeert het begin van écht autonome AI. Maar waar komen deze agents eigenlijk vandaan?

Evolutie: waar komen deze autonome agents vandaan?

Een korte geschiedenis in 4 tijdperken

De geschiedenis van AI is lang, de eerste vormen verschenen al in de jaren 50 van de vorige eeuw! Toch is de huidige golf van innovatie te herleiden naar vier recente en relevante ontwikkelingen:

1. De geboorte van LLM’s
Voor het eerst kregen we toegang tot computers die menselijke input konden begrijpen, zoals taal. Deze modellen waren voorspellend, maar boden nog geen echte interactie.

2. Het GPT-tijdperk
Gebruikers konden eindelijk écht “praten” met AI. De introductie van interactieve chat (zoals GPT-3.5) zorgde voor een enorme adoptiegolf. Bedrijven als OpenAI (met ChatGPT), Anthropic, Perplexity, Grok, Google en DeepSeek schoten als paddenstoelen uit de grond.

3. De AI-assistent
De eerste chatinterfaces waren rijk aan kennis, maar vaak te algemeen. AI-assistenten kregen de mogelijkheid om context toe te voegen en domeinkennis te combineren. Hierdoor ontstonden taak-specifieke assistenten die antwoorden konden geven die écht relevant zijn voor jouw situatie.

4. De AI-agent
De logische volgende stap: AI die niet alleen meedenkt, maar ook uitvoert. AI-agents combineren contextbegrip met toegang tot tools en systemen. Ze kunnen zelfstandig handelingen verrichten in applicaties en processen aansturen. Daarmee ontstaat een nieuwe generatie autonome software die je echt kunt inzetten binnen je organisatie.

De bouwblokken van een AI-agent

Nu we weten waar AI-agents vandaan komen, is het tijd om te kijken wat je nodig hebt om er zelf een te bouwen. Een AI-agent bestaat uit vier essentiële bouwblokken:

1. Instructies – gedragsregels en doelstellingen
De richtlijnen die bepalen hoe de agent zich moet gedragen. Zie het als een werkinstructie voor je digitale collega: wat mag hij doen, wanneer en hoe?

2. LLM – het brein dat taal begrijpt
Een taalmodel (Large Language Model) vormt het denkvermogen van de agent. Dit model maakt communicatie en informatieverwerking mogelijk. Kies het formaat en de provider die passen bij jouw use-case.

3. Tools – acties uitvoeren in de echte (of digitale) wereld
De koppelingen die nodig zijn om taken uit te voeren. Denk aan API’s richting SAP, Jira, Outlook, HubSpot of websites. Hiermee kan de agent zelfstandig handelingen verrichten.

4. Kennis – context en data voor slimme beslissingen
Toegang tot relevante informatiebronnen zoals businessdata, beleidsdocumenten, contracten of catalogi. Zo kan de agent beslissingen nemen die normaal gesproken menselijk inzicht vereisen.

AI-agent in de praktijk: aan de slag voor Inkoop

Vrije-tekstaanvragen zijn een doorn in het oog van elke inkoopafdeling. In het indirecte inkoopproces ligt de verantwoordelijkheid voor een correcte aanvraag vaak bij honderden of zelfs duizenden aanvragers. Catalogi en formulieren helpen, maar er blijft altijd een aanzienlijke berg vrije tekst over die handmatig moet worden gecontroleerd.

Zou het niet mooi zijn als die controles automatisch konden plaatsvinden in plaats van handmatig?

De oplossing: een AI-gedreven operationele inkoopagent

Bij McCoy hebben we een AI-agent gebouwd met n8n die realtime vrije-tekstaanvragen in SAP S/4HANA controleert op:

• De juistheid van de materiaalgroep

• Aanvragen die eigenlijk via een catalogus hadden moeten verlopen

Deze AI-agent werkt vandaag al met transactionele SAP-data. Het resultaat? Minder handmatige controles, snellere doorlooptijden en meer tijd voor strategische inkoop.

Bovendien kun je zelf bepalen hoeveel controles de agent uitvoert en op welk moment in het proces. De twee checks die onze agent nu doet zijn nog maar het begin. Ze laten zien hoeveel potentie deze technologie heeft voor het automatiseren van operationele inkoop.

Hoe werkt het? De stap-voor-stap workflow

1. Aanvraag indienen
De aanvrager beschrijft de benodigde goederen of diensten in SAP S/4HANA.

2. Goedkeuringstaak ophalen
Via een OData-service wordt de bijbehorende goedkeurtaak opgehaald.

3. Aanvraag ophalen
De vrije-tekstaanvraag wordt opgehaald.

4. AI-beoordeling
De AI-agent controleert de aanvraag op volledigheid en compliance.

5. Advies terugsturen
Het advies van de agent, inclusief onderbouwing, wordt automatisch teruggestuurd naar het systeem.

6. Aanvraag goedkeuren of afwijzen
De beslisser ontvangt heldere feedback en kan de aanvraag goedkeuren of afwijzen.

We hebben inmiddels drie varianten van deze proof of concept:

• Een S/4HANA-variant

• Een SAP Ariba-variant

• Een versie waarbij de AI-agent is gebouwd op Azure

Benieuwd of deze oplossing past bij jouw bedrijfsprocessen? Neem gerust contact op, McCoy denkt graag met je mee!

Hoe nu verder?

We merken dat er veel enthousiasme is om hiermee aan de slag te gaan. Tegelijkertijd roept het ook vragen op bij klanten:

Ben ik hier al klaar voor?
Welke stappen moet ik intern zetten?
Wie moet ik erbij betrekken?

Veel organisaties hebben nog geen concreet plan voor deze nieuwe technologie. In een volgende blog geef ik graag antwoord op deze vragen.