Wat is een AI agent? Uitleg met voorbeelden uit de logistiek

Wat is een AI agent?

Een AI agent is een systeem waarin een taalmodel zelf bepaalt welke stappen nodig zijn om een taak af te maken, en die stappen uitvoert door andere systemen aan te roepen. Het taalmodel (in het Engels een large language model, kortweg LLM) is het deel dat tekst leest en schrijft. De agent is het geheel eromheen: het model, de systemen waar het bij mag en de afspraken over wat het daar mag doen.

Anthropic, de maker van het taalmodel Claude, maakt daarbij een onderscheid. In een workflow ligt de volgorde van de stappen vast in code en vult het model alleen de stappen in. In een agent kiest het model zelf de volgende stap en het systeem dat het daarvoor gebruikt. Anthropic noemt ze samen agentic systems.

Een workflow doet elke keer hetzelfde. Een agent kan van het pad afwijken als de situatie daarom vraagt. Daar zit zijn nut, en daarom heeft hij ook grenzen nodig.

Wat is het verschil tussen een AI agent, RPA en een chatbot?

Regels en RPA volgen een vast pad en een chatbot geeft antwoord in een gesprek. Een AI agent kiest zelf zijn stappen en voert ze uit in je systemen.

Regels en RPA

Klassieke automatisering werkt met regels. Komt de mail van deze opdrachtgever en heet de bijlage zo, zet dan kolom B in het veld artikelnummer. RPA (robotic process automation) doet hetzelfde door op het scherm te klikken zoals een medewerker dat zou doen. Dat werkt goed zolang de invoer er elke keer hetzelfde uitziet. Stuurt een opdrachtgever een nieuw Excel-sjabloon, dan loopt de robot vast en blijft de order liggen tot iemand de regel aanpast.

Een chatbot of AI assistent

Een chatbot of AI assistent beantwoordt vragen in een gesprek. Je typt iets en hij schrijft iets terug. Hij kan een lange mail samenvatten of een conceptantwoord voor een opdrachtgever maken. In je WMS doet hij zelf niets. Jij kopieert het antwoord en jij zet de stap.

Een AI agent

Een agent leest rommelige invoer zoals een taalmodel dat kan, en roept daarna zelf systemen aan. Hij zoekt bijvoorbeeld een artikel op of maakt een concept-order aan. Hier handelt het systeem zelf. Dat is een ander risico dan een systeem dat alleen tekst teruggeeft.

Hoe ziet een AI agent in de logistiek eruit?

Een AI agent in de logistiek doet meestal administratief werk rond de vloer, zoals orderverwerking uit mail en factuurcontrole.

Een agent die een ordermail verwerkt

Een opdrachtgever mailt vroeg in de ochtend een bestelling, half in de mailtekst en half in een PDF. De agent leest beide en herkent de artikelen, ook als de opdrachtgever zijn eigen omschrijving gebruikt. Hij zoekt de artikelcodes op in het WMS en vraagt per regel de beschikbare voorraad op. Is alles er, dan zet hij een concept-order klaar. Mist er voorraad of herkent hij een artikel niet, dan gaat de order naar een wachtrij met een korte notitie over wat er ontbreekt. Hoe zo’n orderstroom loopt, staat in orders uit mail in je WMS.

Factuurcontrole, regel voor regel

Een vervoerder of uitzendbureau stuurt een factuur met tientallen regels. De agent leest elke regel en zoekt de bron erbij: de zending in het TMS, de geklokte uren of het tarief uit de afspraak. Welke bron hij nodig heeft, bepaalt hij per regel. Bij een nachttoeslag kijkt hij naar het tijdstip van de dienst, bij wachturen naar de aankomst op het laadadres. Regels die kloppen markeert hij. Regels die afwijken zet hij op een lijst met het verschil erbij. Betalen doet iemand van de crediteurenadministratie. Hoe dat bij uitzendfacturen werkt, lees je in uitzendfacturen controleren.

Welke grenzen heeft een AI agent in een bedrijfsproces nodig?

Een agent in een bedrijfsproces heeft vier grenzen nodig: welke systemen hij mag lezen en schrijven, waar een mens goedkeurt, een logboek van elke actie en een terugvalroute als hij er niet uitkomt. De OWASP Foundation, die beveiligingsrisico’s van software in kaart brengt, noemt te veel functies, te veel rechten en te veel zelfstandigheid als de gebruikelijke oorzaken wanneer zo’n systeem iets schadelijks doet. De vier grenzen houden die drie klein.

Wat mag de agent lezen en wat mag hij schrijven?

Je geeft een agent per systeem een eigen account met zo weinig rechten als het werk toelaat. De orderagent mag artikelen en voorraad in het WMS lezen en concept-orders aanmaken. Orders vrijgeven of voorraad muteren mag hij niet. Dat leg je vast in de rechten van dat account in het WMS zelf. Een regel in de instructie aan het model houdt in zijn eentje niets tegen.

Waar keurt een mens goed?

Elke stap die geld kost of die je niet makkelijk terugdraait, gaat langs een mens. Denk aan een order vrijgeven voor de vloer, een factuur betalen of een mail naar een opdrachtgever versturen. De agent bereidt voor en de medewerker beslist, met de onderbouwing van de agent ernaast. In het begin keurt iemand alles goed. Pas als de metingen laten zien dat een soort beslissing steeds klopt, laat je die soort zonder goedkeuring doorlopen.

Wordt elke actie vastgelegd?

Ja, en dat spreek je vooraf af. Alles wat de agent leest, opzoekt of aanmaakt, komt in een logboek: wat hij deed, met welke gegevens, op welk moment en op grond waarvan. Belt een opdrachtgever over een verkeerde levering, dan zie je terug of de fout in de mail zat, bij de agent of bij de medewerker die goedkeurde.

Wat gebeurt er als de agent er niet uitkomt?

Dan geeft hij het werk terug via een vaste terugvalroute. De order of de factuur gaat naar een wachtrij met een notitie over waar hij vastliep, en het proces loopt verder zoals het zonder agent liep. Ligt het taalmodel een uur plat, dan werkt je kantoor met de hand door. Het WMS blijft het systeem waarin het werk gebeurt.

Wat gaat er mis met een AI agent en hoe voorkom je dat?

Er gaan vooral drie dingen mis: het model verzint iets dat niet in de bron staat, het roept een systeem aan met de verkeerde gegevens, of het volgt een opdracht die in een mail of document staat. Een bouwer sluit dat nooit helemaal uit. Hij kan het wel opvangen voordat het schade doet.

Het model verzint iets

Een taalmodel schrijft op wat waarschijnlijk is. Staat een artikelnummer half leesbaar in een gescande PDF, dan kan het een nummer invullen dat er net zo uitziet. Dat heet hallucineren. Daarom controleer je elk gegeven dat het model uit een document haalt tegen een systeem dat het antwoord wel weet. Een artikelcode moet in het WMS bestaan en een zendingsnummer in het TMS. Vindt de agent geen match, dan is dat een reden voor de wachtrij. Zelf een gat invullen mag hij niet.

Een verkeerde aanroep

Een agent kan het goede systeem met verkeerde waarden aanroepen, of een functie kiezen die niet bij de taak past. Denk aan een aantal met een nul te veel, of een order onder de verkeerde opdrachtgever. Dat vang je op met vaste controles in code, buiten het model om. Zo’n controle kijkt of een aantal binnen de gewone bandbreedte van deze opdrachtgever valt en of het artikel bij hem hoort. Daarnaast ziet de agent alleen de functies die hij voor deze taak nodig heeft.

Een instructie die in een mail staat

Alles wat de agent leest, kan hem proberen te sturen. Staat er in een mail of een PDF een zin die als opdracht is geschreven, dan kan een model daarop ingaan. OWASP noemt deze prompt injection als een van de oorzaken waardoor een agent iets doet wat niemand wilde. Ook hier helpen de beperkte rechten en de goedkeuringsstap meer dan een slimmere prompt.

Heb je een agent nodig of is een vaste workflow genoeg?

Vaak is een vaste workflow genoeg, en dan is die ook beter. Anthropic raadt zelf aan de eenvoudigste oplossing te kiezen en pas complexer te bouwen als dat nodig blijkt. Komen je orders van drie opdrachtgevers altijd in hetzelfde Excel-formaat, dan volstaat een vaste koppeling. Een agent loont waar de invoer elke keer anders is en een medewerker nu bij elke order moet nadenken over de volgende stap.

Wij beginnen daarom met één proces en een nulmeting van hoe het nu gaat. Pas als die eerste stap aantoonbaar werkt, krijgt de agent meer ruimte of komt er een volgend proces bij, zoals in onze werkwijze staat. Of je met zo’n systeem onder de AI-verordening valt, lees je in de AI Act in de logistiek. Voor vragen van opdrachtgevers over hun zendingen werkt dezelfde opbouw, zie klantvragen automatiseren.

Drie vragen voor wie je agent bouwt

Leg deze vragen voor aan elke leverancier die een agent in je WMS of ERP wil zetten.

1. Met welk account werkt de agent in elk systeem, en wat mag dat account? Kan het orders vrijgeven of voorraad muteren, dan is het te ruim.
2. Welke stappen gaan langs een mens, en wie besluit wanneer dat niet meer hoeft?
3. Waar staat het logboek, en wat gebeurt er met een order als het taalmodel plat ligt?

Begin met werk dat je achteraf kunt nakijken, zoals een ordermail die als concept in het WMS landt en die iemand nog vrijgeeft.