Efficiëntie verhogen met Agentic Automatisering

Sinds haar ontstaan is het verhaal van automatisering een van lineaire vooruitgang. Van robotische procesautomatisering (RPA) tot intelligent document processing (IDP), heeft elke nieuwe innovatie bedrijven productiever, winstgevender, en agieler gemaakt.

Maar nu gebeurt er iets groters. Een nieuwe technologie - agentic automatisering - verstoort deze cyclus van incrementele verbetering, en ontgrendelt workflow-hervinding zoals we die nooit gezien hebben.

In plaats van te focussen op individuele taken, benut agentic automatisering robots, AI, en orchestratie om gehele workflows van start tot finish aan te pakken. In het hart van agentic automatisering zitten AI-agents - autonoom software-entiteiten die hun omgeving kunnen percepiren, onbekend territoir kunnen navigeren, en beslissingen op de vlakte kunnen nemen.

De blueprint voor het vangen van agentic automatisering's waarde was het thema van onze recente kwartaalwebcast, UiPath Live: The Path to Agentic Automatisering. We hadden het voorrecht de breinen te pikken van een all-star panel - AI-wetenschappers, automatiseringsexperts, en een enterprise-leider - over wat deze transformatie betekent voor bedrijven nu en in de toekomst.

De meeste leiders hebben de schaal van agentic automatisering's potentieel nog niet gegrasp. Maar de selecte few die dat wel hebben, zijn geprimeerd en klaar om de grootste beloning te oogsten van deze game-changing technologie.

Drie gebieden waar agentic automatisering herschrijft hoe werk gedaan wordt

Terwijl traditionele automatisering vitaal blijft voor gestructureerde, regel-gebaseerde taken, bloeit agentic automatisering waar onvoorspelbaarheid heerst. Hier is hoe het gaten overbrugt die eens onoverbrugbaar leken.

1. Van regels naar redeneren

Hoeveel van uw bedrijfsprocessen vertrouwen op inputs in variërende formaten? Wat over minder-dan-perfecte data?

Voor de meeste organisaties is het antwoord veel te veel.

Historisch worstelde automatisering met datainconsistenties. Als informatie niet in een gestructureerde, gestandaardiseerde verpakking aankwam, moesten werknemers instappen - data vertalen tussen systemen, discrepanties opschonen, en bestanden handmatig herformatteren. Terwijl hun tijd beter elders besteed kon worden, lieten deze onregelmatigheden hen geen andere optie. Dat is, tot AI-agents het plaatje binnenkwamen.

AI-agents bloeien in ambiguïteit. Ze hebben geen perfecte data nodig om te functioneren. Dr. Edward Challis, Hoofd AI-Strategie bij UiPath, legde uit aan UiPath Live-hosts Mary Tetlow en Geoff Anderson dat "agents een echt krachtige manier bieden om taken aan te pakken waar data constant verandert." In plaats van te vereisen dat werknemers elke input handmatig structureren, kunnen AI-agents een hoog-niveau doel nemen en de beste manier bepalen om rommelige, onvolledige, of inconsistente data te verwerken.

Deze vaardigheid is met name waardevol in industrieën waar dataformaten wijd variëren. Neem WEX, een wereldwijde financiële technologie-provider die een massaal volume gezondheidsclaims per dag verwerkt. Gestructureerde claims - schone digitale inzendingen met gestandaardiseerde velden - worden gemakkelijk afgehandeld door RPA. Maar veel anderen arriveren in rommeligere formaten, zoals handgeschreven artsnotities of vervaagde formulieren. In het verleden moesten werknemers handmatig zin van deze chaos maken voordat claims verwerkt konden worden, wat leidde tot frustratieve vertragingen voor klanten en hogere kosten voor WEX.

Nu hanteren AI-agents deze variabiliteit automatisch. Ze extraheren sleuteldetails, controleren ze tegen compliance-vereisten, en escaleren alleen de meest complexe gevallen naar menselijke teams.

2. Van taakautomatisering tot workflow-hervinding

Varierende inputs zijn niet de enige barrière voor wijdverspreide enterprise-automatisering. Er is ook overweldigende procescomplexiteit. Te veel conditionele "als" statements, te veel variaties, te veel uitzonderingen... op een bepaald punt wordt het proberen om workflows als deze met traditionele methoden te automatiseren onwieldig. "Het is gewoon te tijdrovend om het proces te definiëren dat automatisering voor elk scenario zou moeten uitvoeren," merkte Dr. Challis op.

Agentic automatisering neemt een fundamenteel andere benadering. In plaats van een script te volgen, redeneren agents door problemen heen - bepalend wat er toe doet, wat aandacht nodig heeft, en wat autonoom verwerkt kan worden.

Maar ze werken niet in isolatie. AI-agents zijn op hun best wanneer ze onderdeel zijn van een ecosysteem dat menselijke intuïtie, robotische precisie, en agentic aanpasbaarheid mengt. Bijvoorbeeld, kan een agent een complexe workflow opsplitsen in subtaken: RPA-bots hanteren datainvoer, APIs halen real-time marktprijzen op, en mensen lossen edge cases op.

Dr. Challis vergelijkte dit proces met een taart bakken. "Wanneer je dat recept uitvoert, heb je veel keus over welke boter je gaat gebruiken, hoe je de boter krijgt, welke kom je gaat gebruiken," zei hij. "Dus, er is die flexibiliteit tussen agency en een gedefinieerde routine van hoe dat proces gedaan gaat worden."

Deze balans tussen structuur en aanpasbaarheid past goed bij een aantal persistente enterprise-uitdagingen. Anti-money laundering (AML) systemen zijn bijvoorbeeld een essentieel onderdeel van financiële instellingen's beveiligingsframeworks. Maar ze zijn ver van perfect - traditionele tools hebben de neiging om compliance-teams te verdrinken in false alerts. In sommige gevallen kunnen deze zo hoog oplopen als 90%, wat teams dwingt om door veel noise te zeven om echte risico's te identificeren.

AI-agents blinken in het filteren van false positives om echte dreigingen te identificeren. Ze doen dit door zowel gestructureerde als ongestructureerde data te analyseren - patronen te spotten zoals kleine, herhaalde overboekingen die echte risico's signaleren. Zoals Live-gast Craig Le Clair, Vice President en Principal Analyst bij Forrester, uitwierp, hebben agents getoond false positives in dit proces met 60% te reduceren. Dit heeft compliance-teams vrijgemaakt om te focussen op high-priority onderzoeken in plaats van vast te zitten in onnodige reviews.

3. Van coderen naar collaboreren

Om hun volledige waarde als collaboratieve partners te realiseren, moeten werknemers in staat zijn om met AI-agents in natuurlijke taal te communiceren. Large language models (LLMs) zoals ChatGPT zouden dit soort partnership moeten ontgrendelen, maar voor non-programmeurs is de realiteit ingewikkelder.

Hoewel LLMs reageren op plain-language prompts, vereist het krijgen van de juiste resultaten wat programmeerkennis - namelijk, een diep begrip van probleemdecompositie en codevalidatie. Simpel gezegd, weten wat te vragen is maar half de slag. U moet ook weten of wat u terugkrijgt correct is.

"Ik ben een programmeur, dus als een LLM me 100 regels code teruggeeft, kan ik dat lezen en uitvinden of dat eigenlijk doet wat ik wil dat het doet. Aan de andere kant, als mijn non-programmeur-vriendin hetzelfde probeert, is het echt lastig om uit te vinden of de output eigenlijk is wat ze wilde. Je hebt veel expertise nodig om zelfs te checken."

Dr. Sarah E. Chasins, Principal Applied Scientist bij UiPath

Agentic automatisering lost deze barrière op. Werknemers kunnen hun doelen beschrijven - zelfs als ze vaag zijn - en agents laten die directives in actie vertalen. Dit is transformationeel geweest voor WEX, omdat teams niet langer bedrijfsvereisten in rigide logica hoeven te vertalen.

"In plaats van weken te besteden aan het doorlopen van elk deterministisch scenario, kan ik mijn ontwikkelaars het doel communiceren dat ik wil. Wat is deze business-output waar ik naar zoek? En dan kan ik eigenlijk zien hoe deze dingen samenwerken. Dus het heeft deze openheid gecreëerd tussen product- en tech-teams die we niet hadden in traditionele coding in het verleden."

Emily Krohne, Enterprise Automation Principal bij WEX

Deze capaciteiten zijn indrukwekkend... maar hoe kan ik zeker weten dat AI-agents niet rogue gaan?

Laten we de olifant in de kamer aanpakken: met de capaciteit om over systemen en processen te functioneren, hoe kan ik zeker weten dat agents doen wat ik wil dat ze doen?

Het is een geldige zorgen. Agents zijn non-deterministisch, en hun inherent onvoorspelbaarheid is deel van wat ze zo krachtig maakt. Agentic automatisering veilig implementeren vereist de juiste guardrails om ervoor te zorgen dat agents betrouwbaar, veilig, en transparant opereren.

Mensen in de lus houden

Agents opereren met een zekere mate van autonomie, maar dat betekent niet dat ze unchecked moeten draaien. In de meeste enterprise-use-cases zullen ze dienen als decision-support-tools in plaats van volledig autonoom actors. Dr. Challis maakte dit duidelijk: "Voor de komende paar jaar zullen agents wat onderzoek doen en voorstellen maken, maar een mens moet het reviewen. Voordat grote veranderingen gemaakt worden, zullen we een menselijke checkpoint hebben."

Continu monitoring

Zichtbaarheid is alles. Om te garanderen dat AI-agents functioneren zoals bedoeld, hebben organisaties real-time monitoring nodig tijdens zowel design als runtime.

Zach Eslami, Senior Manager of Product Management bij UiPath, versterkte dit punt: "[transparantie is] een sleutelaspect van het zorgen dat uw agent goed werkt in een geïsoleerde omgeving alsook de buitenwereld." Organisaties hebben zichtbaarheid nodig in hoe agents beslissingen nemen zodat ze hun prestaties over tijd kunnen verfijnen en ervoor zorgen dat ze afgestemd blijven op bedrijfsdoelstellingen.

AI-agents koppelen met deterministische RPA-bots is een van de beste manieren om controle te behouden. Terwijl agents aanpassen en context-gedreven beslissingen nemen, volgen RPA-bots strikte, regel-gebaseerde logica - creërend een balans tussen flexibiliteit en voorspelbaarheid. "We geloven dat onze agents een nieuw niveau van gecontroleerde agency demonstreren omdat ze niet alleen interacteren met tools en applicaties," legde Eslami uit. "Ze komen niet met plannen op eigen houtje. Ze kunnen mensen en robots benutten om een nieuw niveau van determinisme in hun output te creëren en ervoor te zorgen dat ze opereren op de manier die onze gebruikers en klanten verwachten."

Samenwerken met vertrouwde vendors

Vertrouwen is de fundering van effectieve enterprise-automatisering. Niet alleen vertrouwen in de technologie, maar in de partnerships die het tot leven brengen. Krohne noemde dat WEX's "geschiedenis met UiPath RPA-tools ons liet sneller agents schalen."

Wanneer AI-agents geïntroduceerd worden bovenop een bestaande automatiseringsinfrastructuur, voelen ze niet verstoorend. In plaats daarvan worden ze een natuurlijke uitbreiding van wat bedrijven al doen - workflows verbeterend zonder ze overhoop te halen. Eslami versterkte dit punt: "uiteindelijk zien we agents in staat zijn om op te bouwen op het bestaande UiPath Platform™. Dat betekent dat ze in staat zijn om al de geweldige automatiseringstools die we beschikbaar hebben te benutten."

Maar het leggen van de grondwerk is slechts de eerste stap. Om het volle potentieel van agentic automatisering te ontgrendelen, hebben enterprises een manier nodig om AI-agents op schaal te bouwen, deployen, en managen.

UiPath Agent Builder geeft teams de tools om agents te ontwerpen die voldoen aan hun bedrijfsbehoeften. Met ingebouwde monitoring en governance, kunnen enterprises AI-agents met vertrouwen deployen - wetend dat ze vanaf dag één zullen werken zoals bedoeld. Sluit u aan bij de Agent Builder wachtlijst vandaag om onder de eersten te zijn die het volgende tijdperk van automatisering verkennen.

En, voor een nog diepere duik in het heden en de toekomst van agentic automatisering, bekijk de volledige UiPath Live: The Path to Agentic Automatisering episode, nu beschikbaar on demand.