De term AI-agent lijkt uitgegroeid tot de volgende hype in kunstmatige intelligentie. En eerlijk is eerlijk, het klinkt ook indrukwekkend. Alsof je een soort virtuele medewerker in dienst neemt. Maar in de praktijk zie je vaak dat wat mensen een AI-agent noemen, eigenlijk een AI-workflow of zelfs doodnormale automatisering is. Geen ramp natuurlijk, maar de verschillen zijn wél belangrijk om te kennen. En dat brengt ons meteen bij een nieuw begrip dat je de laatste tijd misschien ook bent tegengekomen: RAG (Retrieval-Augmented Generation).
Automatisering: gewoon een vast recept
Laten we beginnen met het meest eenvoudige voorbeeld: automatisering. Het draait hier vaak om regelgebaseerde processen, een beetje alsof je een recept volgt. Je weet precies welke stappen je gaat doorlopen, en zolang er geen onverwachte ingrediënten in de pan belanden, werkt het als een zonnetje.
- Sterke punten: Automatiseringen zijn snel, betrouwbaar en lekker voorspelbaar.
- Zwakke punten: Ze laten weinig ruimte voor improvisatie. Zo’n vaste workflow kan niet omgaan met onverwachte omstandigheden.
Denk bijvoorbeeld aan het automatisch versturen van facturen of het bijwerken van klantdata in je CRM-systeem. Prima klussen om te automatiseren, maar je wilt er geen grote beslissingen in vastleggen die nog alle kanten op kunnen gaan.
AI-workflows: automatisering met een slim tintje
Daarna heb je AI-workflows. Je kunt het zien als een kruising tussen klassieke automatisering en machine learning. Hierbij gebruik je bijvoorbeeld taalmodellen als ChatGPT of Claude om bepaalde taken in die workflow uit te voeren, zoals het herkennen van patronen of het samenstellen van automatische antwoorden.
- Sterke punten: Het proces blijft in de basis voorspelbaar, maar er zit een laagje ‘intelligentie’ op. Ideaal voor taken waarbij je nét wat meer flexibiliteit nodig hebt dan een standaard script.
- Zwakke punten: AI-workflows blijven uiteindelijk beperkt tot een vooraf bedachte structuur. Bovendien kan het trainen en debuggen van die AI-stap best wat hoofdbrekens opleveren.
Voor veel bedrijven is een AI-workflow al een gigantische stap vooruit. Je kunt klantvragen automatisch categoriseren, teksten samenvatten en rapporten opstellen. Al die zaken waar je net wat rekenkracht of patroonherkenning voor nodig hebt, maar niet direct een zelfdenkende alleskunner.
AI-agents: de digitale medewerker
Echte AI-agents zijn een ander verhaal. Dit zijn programma’s die zó zijn ontworpen dat ze niet alleen een scriptje volgen, maar zelf kunnen bijsturen en nieuwe scenario’s kunnen verkennen. Het is alsof je een digitale medewerker in dienst hebt die taken volkomen zelfstandig kan aanpakken, zonder dat je alles tot in de puntjes hoeft voor te kauwen.
- Sterke punten: Geweldig voor situaties waar je van tevoren niet kunt vastpinnen wat er gaat gebeuren. Denk aan complexe, creatieve projecten of onvoorspelbare marktomstandigheden.
- Zwakke punten: AI-agents kunnen onvoorspelbaar zijn, ze kosten vaak veel rekenkracht en je moet maar net vertrouwen dat ze niet halverwege op hol slaan.
Hoewel er heel veel geroepen wordt dat je een AI-agent nodig hebt, blijkt in de praktijk dat de meeste organisaties prima uit de voeten kunnen met een simpele automatisering of een AI-workflow. Het is dus vooral belangrijk om voor jezelf te bepalen of je echt een “denkende” digitale sidekick nodig hebt, of dat een wat bescheidener oplossing prima voldoet.
RAG (Retrieval-Augmented Generation): je eigen GPT bouwen
Naast de drie bovenstaande begrippen komt er nu nóg een interessant concept bij kijken: RAG, oftewel Retrieval-Augmented Generation. Met RAG kun je een taalmodel, zoals ChatGPT, verrijken met je eigen data. Denk bijvoorbeeld aan alle documenten, FAQ’s of productinformatie die je in huis hebt.
Door RAG te gebruiken, breid je een bestaand model uit met jouw eigen kennisbronnen. Zo kun je als het ware je eigen GPT maken, gericht op jouw domein. Dit kan in de praktijk betekenen dat je ChatGPT toegang geeft tot een speciale database of kennisbank. Wanneer je hem dan een vraag stelt, zoekt hij eerst in jouw dataset naar relevante informatie en verwerkt dat in zijn antwoord.
- Voordelen: Je krijgt antwoorden die veel beter aansluiten op jouw specifieke bedrijfscontext, zonder dat je helemaal zelf een model hoeft te trainen.
- Nadelen: Er is wel wat technische kennis nodig om de koppeling tussen ChatGPT en je eigen datasystemen in te richten. Bovendien blijf je afhankelijk van de kwaliteit van je data én de robuustheid van de AI zelf.
RAG’s bij het AI Proeflokaal
Een mooi voorbeeld van RAG-toepassingen in de praktijk vind je bij het AI Proeflokaal van de Hogeschool Utrecht. Hier werken we onder meer aan de ontwikkeling van chatbots die studenten en docenten op maat kunnen helpen. Al deze chatbots maken gebruik van RAG om de meest relevante informatie te “retrieven” uit bronnen zoals lesmateriaal, FAQ’s en studiehandleidingen, voordat ze een antwoord genereren. Het resultaat is een slimme, context-specifieke chatbot die perfect aansluit op de vragen en behoeften van de gebruikers. Hierdoor zien we hoe krachtig RAG kan zijn: je gebruikt de technische power van een taalmodel, maar voegt daarbij je eigen kennisbronnen toe om tot een oplossing te komen die direct in de onderwijspraktijk toepasbaar is.
Kies de juiste oplossing voor jouw uitdaging
De kern van dit verhaal is dat je altijd moet kijken naar de aard van het probleem dat je op wilt lossen.
- Is de taak volledig voorspelbaar? → Dan is regelgebaseerde automatisering (gewoon een workflow zonder AI) vaak de simpelste en meest betrouwbare keuze.
- Moet er wel wat “intelligentie” bij, maar werk je nog binnen een redelijk vastomlijnd proces? → Overweeg een AI-workflow.
- Is de uitkomst onzeker en moet het systeem zelfstandig kunnen bijsturen? → Alleen dan is een AI-agent de juiste kandidaat.
- Wil je een taalmodel voeden met eigen data? → Kijk dan eens naar RAG, zodat je bijvoorbeeld je eigen GPT-toepassing kunt bouwen met ChatGPT.
Het is echt geen schande om gewoon te kiezen voor een beproefde, stabiele oplossing als een AI-workflow of oude vertrouwde automatisering. De bedoeling is immers dat je problemen oplost – en dat kan net zo goed met een simpele robot als met een hypermoderne “AI-agent” of een RAG-oplossing.
Tot slot
Het is fantastisch dat we nu zoveel mogelijkheden hebben om ons werk slimmer te maken met AI. Maar laat je niet gek maken door de hype: een AI-agent is niet de heilige graal die elke klus oplost. Soms is een basisautomatisering of AI-workflow meer dan genoeg. Heb je wél behoefte aan een persoonlijke GPT voor jouw organisatie? Dan is RAG misschien het stukje technologie dat je zoekt om je favoriete taalmodel met je eigen databronnen te verrijken.