Techbedrijven en SaaS-aanbieders schuiven op naar slimme assistenten die taken in meerdere apps overnemen. In Europa en Nederland roept dat vragen op over kosten, veiligheid en de Europese AI-verordening (AI Act) gevolgen overheid en bedrijven. Microsoft, Google en Salesforce brengen dit jaar meer “agent”-functies naar kantoorsoftware en ontwikkelplatformen. Doel: minder schakelen tussen schermen, meer automatisering, maar met nieuwe eisen aan privacy en controle.
Assistent vervangt losse apps
De interface verschuift van knoppen en menu’s naar een gesprek met een assistent. Zo’n systeem kan e-mails samenvatten, taken plannen en gegevens ophalen uit CRM en ERP. Het werkt via tools zoals functie-aanroepen: het model zet taal om in API-calls. Daardoor ontstaan workflows over meerdere systemen heen.
Veel leveranciers mikken op een “systeem van actie” bovenop bestaande “systemen van record”. Een systeem van record is de primaire databron, zoals een HR- of boekhoudpakket. De assistent wordt de laag waar de gebruiker werkt. Dat kan losse apps deels overbodig maken.
Integratie is daarbij cruciaal. Met retrieval augmented generation (RAG) leest het model alleen de relevante documenten. Met functie-aanroepen voert het model concrete stappen uit, zoals een order aanmaken. Zo blijft de data in de bron en is de uitvoer herhaalbaar.
Een AI-agent is software die zelfstandig doelen omzet in stappen, externe tools aanroept en de uitkomst controleert, met zo min mogelijk handmatige tussenkomst.
Grote aanbieders bouwen agents
Microsoft breidt Copilot en Copilot Studio uit met agent-achtige functies in Microsoft 365 en Dynamics 365. Via Microsoft Graph kan de assistent agenda’s, mail en documenten koppelen. Voor specifieke taken zijn er plug-ins en connectors. Zo groeit Copilot van chat naar uitvoerende workflows.
Google zet Gemini in voor Workspace en ontwikkelaars, met Vertex AI Agent Builder voor bedrijfsscenario’s. Daarmee kan een organisatie een helpdesk-bot, verkoopassistent of interne knowledge-bot opzetten. Ook kan Gemini externe tools aansturen via function calling. Beheer en datalocatie lopen via Google Cloud-instellingen.
Salesforce versterkt Einstein Copilot en de Einstein Trust Layer rond CRM-processen. ServiceNow levert Now Assist voor IT- en HR-cases. SAP biedt Joule als laag boven S/4HANA en SuccessFactors. OpenAI (ChatGPT, GPT-4o) en Anthropic (Claude 3) leveren de onderliggende datamodellen met tool-use, terwijl ontwikkelaars via de Assistants API of vergelijkbare SDK’s eigen agents bouwen.
Wat werkt nu nog niet
Betrouwbaarheid blijft een zorg. Modellen kunnen hallucineren en context vergeten. Zonder goede validatie en regels kan een agent verkeerde acties doen. Daarom bouwen veel teams harde controles, sandbox-omgevingen en menselijke goedkeuring in.
Integraties zijn kwetsbaar. Elke API-wijziging kan een workflow breken. Robuuste orkestratie, versiebeheer en tests zijn nodig. Ook moet elke stap logbaar en herleidbaar zijn voor audits.
Kosten en snelheid spelen mee. Grote modellen zijn duur en soms traag. Organisaties wisselen daarom tussen lichte en zware modellen per taak. Caching, instructie-opschoning en samenvatten van context verlagen rekenkosten.
AVG en AI Act leidend
De AVG vraagt om dataminimalisatie, duidelijke doelen en versleuteling. Een Data Protection Impact Assessment (DPIA) is vaak nodig bij nieuwe AI-processen. Organisaties moeten vastleggen wie verwerkingsverantwoordelijke is, en wie verwerker. Ook gelden regels voor doorgifte buiten de EU en bewaartermijnen.
De Europese AI-verordening (AI Act) introduceert risicoklassen. HR-screening, kredietbeoordeling en onderwijsbeoordeling kunnen hoog risico zijn. Dan gelden strengere eisen aan datasetkwaliteit, logging, uitlegbaarheid en menselijk toezicht. Leveranciers van general-purpose AI (GPAI) krijgen transparantieplichten voor modelinformatie en testen.
Voor Nederlandse overheden telt extra context. Inkoop moet letten op datalocatie, soevereine cloudopties en exit-clausules. Burgers houden recht op inzage en correctie van gegevens die een agent gebruikt. Bij geautomatiseerde besluiten is menselijke tussenkomst en bezwaar essentieel.
Europese kansen en risico’s
Europese modellen als Mistral Large en Aleph Alpha Luminous richten zich op datalokaal en controle. Dat kan helpen bij sectoren met strikte regels, zoals zorg en overheid. Tegelijk is integratie met bestaande SaaS uit de VS vaak het startpunt. Een hybride aanpak ligt voor de hand.
Nederlandse leveranciers als Exact en AFAS kunnen assistenten toevoegen bovenop hun systemen van record. Low-code platformen zoals Mendix (Siemens) bieden hooks voor AI-workflows. Zo blijft het primaire datafundament Europees, terwijl de assistent taken versnelt. Contractueel kan worden vastgelegd welke modellen worden gebruikt.
Lock-in is een reëel risico. Wie agents bouwt op één cloud en één model, wisselt minder makkelijk. Open standaarden voor tool-calls en promptinterfaces helpen. Ook is export van agent-logs en beslisregels belangrijk voor overstappen.
Praktische stappen voor organisaties
Begin met afgebakende use-cases met laag risico, zoals samenvatten en zoeken. Voeg daarna acties toe met duidelijke safeties, zoals machtigingen en dubbele checks. Houd een mens-in-de-lus waar het om geld, veiligheid of HR gaat. Meet foutpercentages en verbeter stapsgewijs.
Regel governance vroeg. Maak een RAG-architectuur waarbij data in bronapps blijft. Leg prompts, policies en evaluaties vast. Zorg dat elke agent-stap te auditen is en koppel alerts aan afwijkingen.
Koop verstandig in. Eis EU-datalocaties of gelijkwaardige waarborgen. Neem in contracten DPIA-ondersteuning, modelkeuze, kostenplafonds en exit mee. Test met meerdere modellen om lock-in en kosten te beperken.
