
Er wordt ineens overal over AI-agenten gepraat, van Silicon Valley tot de skipistes van Davos. Maar welke impact zullen ze hebben op Madison Avenue?
Gisteren gaf OpenAI een preview van zijn nieuwe “Operator” AI-agenttool om gebruikers te helpen met webgebaseerde taken zoals het boeken van reizen, het maken van restaurantreserveringen en het kopen van boodschappen. Vroege merkpartners in e-commerce en reizen zijn onder andere eBay, Etsy, Uber, Instacart, Reuters, AP, Priceline, Target en StubHub.
Ondanks het veelvuldig gebruik van het A-woord is het nog te vroeg om AI-agenten te omarmen. Dit betekent dat marketeers zich af moeten vragen waar agenten voor dienen, hoe ze zijn gemaakt, wat ze doen, wat ze zouden kunnen doen (en wat ze niet kunnen doen), inclusief mogelijke reputatierisico’s.
Terwijl techgiganten autonome bots bouwen om de alledaagse taken aan te pakken, moeten marketingteams nadenken over hoe ze agenten kunnen integreren in hun bestaande processen om ‘potentiële klanten’ beter om te zetten in betalende klanten.
Wat zijn AI-agenten?
In tegenstelling tot chatbots, die conversationeel zijn, kunnen AI-agenten namens gebruikers actie ondernemen. Ze kunnen taken voltooien, interacteren met andere softwaresystemen, beslissingen nemen en onafhankelijk handelen.
Bedrijven die AI-agenten bouwen zijn onder andere Accenture , verschillende reclamebureaus en Talkdesk , dat tijdens NRF nieuwe AI-agenten voor retailers introduceerde om te helpen met personalisatie. Een ander voorbeeld is Oracle, dat onlangs een nieuwe sales AI-agent aankondigde die gericht is op het verwijderen van de administratieve complexiteit van het verkoopproces, zodat de IRL-teamleden zich kunnen richten op ” betekenisvolle klantcommunicatie ” .
Verduidelijking van het verschil tussen AI-agenten, copiloten en LLM’s
Agenten en copiloten krijgen allebei veel aandacht, maar ze zijn niet hetzelfde. Copiloten kunnen samenwerken met gebruikers, maar nemen zelf geen beslissingen.
Agenten handelen echter autonoom namens gebruikers.
Ondertussen vormen grote taalmodellen de basis voor agenten; ze zijn slechts een onderdeel van het proces. LLM’s kunnen tekst genereren, talen vertalen, informatie verstrekken en brainstormen over onderwerpen. Ze worden ook gebruikt om AI-agenten aan te sturen en aanvullende softwaretools aan te vullen, die AI-agenten hun werkelijke agency geven.
Wat agenten wel en niet kunnen doen
David DiCamillo, CTO bij Code & Theory, beschreef drie verschillende ‘buckets’ voor AI-agenten, zie hieronder.
- Openlijke agenten helpen bij het nemen van beslissingen en zijn krachtige hulpmiddelen voor chatbots.
- Passieve agenten werken achter de schermen om datasets te begrijpen.
- Data-activeringsagenten helpen vervolgens om inzichten te verzamelen en op basis daarvan acties te ondernemen.
DiCamillo merkte verder op dat het implementeren ervan op een veilige, nauwkeurige en nuttige manier een belangrijke overweging is. Bijvoorbeeld, waar komen de gegevens vandaan, wie beheert ze en hoe zorgen we ervoor dat ze nauwkeurig zijn?
Hij voegde toe: “De agentenkant heeft nu een heel ander blik wormen voor cliënten: Wie houdt deze dingen in de gaten? Wat als ze [cliënten] dollars kosten? Wat is de zakelijke impact hiervan? Dan wordt het gesprek: ‘Wie houdt toezicht op deze agenten?'”
Ook wij hebben jou steun nodig in 2025, gun ons een extra bakkie koffie groot of klein.
Dank je en proost?
Wij van Indignatie AI zijn je eeuwig dankbaar
Welke andere soorten AI-agenten zijn er?
- Doelgerichte agenten evalueren verschillende soorten gegevens en vergelijken benaderingen op basis van doelen.
- Hulpprogrammagebaseerde agenten evalueren acties op basis van mogelijke opties en resultaten.
- Lerende agenten leren op basis van verschillende invoer, feedback en eerdere resultaten.
- Zoekagenten onderzoeken datasets en bestemmingen om informatie te vinden.
- Winkelagenten, zoals Project Mariner van Google dat onlangs werd gelanceerd , helpen mensen bij het kopen van spullen.
Hoe ondersteunen AI-platformen agenten?
Grote cloud- en AI-providers zoals Amazon, Google en Microsoft hebben onlangs updates aangekondigd om bedrijven te helpen agenten te maken en meerdere agenten te laten communiceren.
In december heeft AWS zijn Amazon Bedrock-platform geüpdatet om multi-agent samenwerking te ondersteunen, nauwkeurigheid te verbeteren, snelheden te verhogen en kosten te verlagen. Eerder deze maand introduceerde Google nieuwe agentfuncties voor retailers, terwijl Microsoft nieuwe “autonome acties”-mogelijkheden introduceerde , details gaf voor het berekenen van agentkosten en een manier introduceerde om te “chatten” met AI-agenten met behulp van natuurlijke taal.
Agenten kunnen ook helpen de kennis van AI-modellen uit te breiden, door technieken als retrieval augmented generation te gebruiken om verder te gaan dan de pre-training data van een LLM. Agenten die worden aangestuurd door verschillende LLM’s kunnen ook samenwerken aan verschillende taken, aldus Paul Roberts, director of technology, strategic accounts, bij AWS. Hij gaf een voorbeeld van een consument die een AI-agent gebruikt om producten te onderzoeken, reviews te vergelijken en alternatieve opties te vinden op basis van verschillende criteria, zoals energie-efficiëntie.
Roberts zei: “Stel je een wereld voor waarin er een marktplaats voor agenten ontstaat, waar al deze agenten verschillende taken uitvoeren, en je begint ze binnen te halen om interessante stukken content te krijgen voor verschillende use cases.”
Mogelijke uitdagingen en risico’s?
Het bouwen van AI-agents vereist dat bedrijven hun datastrategieën heroverwegen. Dat kan van alles omvatten, van hoe ze data verzamelen, opschonen en structureren tot het bouwen van nieuwe infrastructuren om te helpen met realtime datastromen en feedbackloops. Bedrijven zullen ook moeten uitzoeken hoe ze agents kunnen integreren in bestaande processen, of ze huidige workflows moeten veranderen en hoe ze agents kunnen integreren met andere AI-tools.
Net als bij andere soorten generatieve AI, zijn er zorgen over onnauwkeurigheden, inconsistenties en onbewezen ROI. Er zijn ook zorgen over hoe agenten nieuwe risico’s kunnen creëren voor gebruikers, bedrijfsgegevens, vooroordelen en de kans dat klantgerichte agenten iets zeggen dat de reputatie van een merk kan schaden.
Bewijzen agenten zich al?
Het is nog erg vroeg, maar sommige bedrijven zeggen dat hun AI-agenten al resultaten laten zien. Een voorbeeld is Twilio, dat een klantenserviceagent bouwde om zijn eigen AI-assistentframework te testen. De agent, genaamd Isa, is nu opgeschaald van het afhandelen van 2% van de marketingleads naar meer dan 50%. Het heeft ook geholpen om marketingstatistieken drie keer te verbeteren, gebaseerd op hoe waarschijnlijk het is dat klanten betalende klanten worden na een gesprek met Isa.
“Ga niet alleen voor het automatiseren van XYZ en kijk naar de impact op de bottom line,” zei Kat McCormick Sweeney, die leiding geeft aan Twilio’s go-to-market team voor opkomende technologie en innovatie. “Wat is de beste klantervaring? Wat is een customer journey die voorheen niet mogelijk was omdat we geen onbeperkte human resources hadden? Nu kun je daadwerkelijk agenten inzetten in je customer journey om een ervaring te creëren die beter is.”
1 gedachte over “WTF zijn AI-agenten?”