Autonome intelligentie opschalen voor echte groei

Sophie Jansen · 2026-05-15

Bedrijfsleiders moeten verder kijken dan alleen tekst genereren of interne communicatie samenvatten. Die toepassingen leveren weliswaar lokale productiviteitswinst op, maar ze veranderen zelden de kernkosten of inkomstenstructuur van een grote organisatie. Steeds meer bedrijven richten zich nu op systemen die zelfstandig kunnen uitvoeren. Ze willen applicaties die door interne netwerken kunnen navigeren, meerdere stappen logisch kunnen uitvoeren en transacties kunnen afronden zonder dat er constant een mens aan te pas komt. Prakul Sharma, principal en AI & Insights Practice Leader bij Deloitte Consulting LLP, legt uit: "Bij Deloitte zien we dit als de derde fase op een intelligentiematuriteitscurve. Van 'assisted intelligence', waarbij AI en analytics mensen helpen informatie te interpreteren, via 'artificial intelligence', waarbij machine learning menselijke beslissingen ondersteunt, naar 'autonomous intelligence', waarbij AI beslist en uitvoert binnen vastgestelde grenzen." ### Waar staan we nu? De huidige generatieve AI-mogelijkheden, zoals chatbots en conversationele AI, zitten volgens Sharma in het midden van die curve. "Agentic AI fungeert als brug naar autonomie, en daar verschuift het zwaartepunt nu naartoe. Het verschil is 'agency': GenAI produceert een antwoord, terwijl autonome intelligentie een resultaat nastreeft door over een doel te redeneren, tools en data in te zetten, en zich aan te passen naarmate de omstandigheden veranderen. Mensen stellen de kaders, maar sturen niet elke stap." Hij benadrukt dat de echte doorbraak niet zozeer de agent zelf is, maar de omringende governance-architectuur van identiteit en human-in-the-loop-controles. "Dat maakt autonomie veilig om op te schalen." ### Forensische audits voor gerichte margeverbetering Om echte economische waarde te creëren, moeten deze autonome systemen direct worden geïntegreerd in inkomsten genererende of kostbare workflows. Neem bijvoorbeeld inkoop binnen een onderneming: een agentic applicatie kan continu de voorraad in de supply chain vergelijken met live leveranciersprijzen in een ERP-systeem. Het kan vervolgens zelfstandig inkooporders autoriseren binnen vooraf gedefinieerde financiële parameters, en alleen stoppen voor menselijke goedkeuring bij afwijkingen. Het systeem moet echter wel een verifieerbare identiteit hebben in het ERP, prijsdata kunnen lezen die actueel genoeg zijn om contractueel bindend te zijn, en opereren binnen goedkeuringsdrempels die formeel zijn goedgekeurd door juridische en compliance-afdelingen. Als een van deze afhankelijkheden niet is opgelost, stort de businesscase voor autonome uitvoering volledig in. Het bereiken van dit niveau van automatisering vereist daarom een forensisch onderzoek van bestaande operaties voordat er ook maar één compute-resource wordt toegewezen. Sharma schetst de methode die Deloitte gebruikt om deze operationele herziening te starten en gebieden te vinden waar autonomie tastbare omzet kan genereren: > "De eerste stap die we adviseren is te beginnen met een besluitvormingsaudit en het proces. We vragen leiders om een of twee waardeketens te kiezen waar uitkomsten worden geblokkeerd door beslissingen, niet door taken in dat proces, en om in kaart te brengen hoe die beslissingen vandaag worden genomen. We stellen vragen zoals: wie heeft de data, wie heeft de autoriteit, waar lopen de overdrachten vast, welke acties zijn nodig, en waar wordt oordeel toegepast." Door deze vragen te stellen, komen de procesworkflows naar boven waar autonomie echte economische waarde zal creëren. Tegelijkertijd worden eventuele data- en governance-gaten blootgelegd die een pilot kunnen laten mislukken. "Van daaruit helpen we leiders de herbedrading te plannen: de fundamentele lagen opzetten met AI en agentic fabric, data, evaluaties, agent-identiteit en human-in-the-loop-patronen voor die eerste waardeketen, bewijzen dat het werkt, en het dan gebruiken als template om op te schalen." ### De juiste data-infrastructuur integreren Zodra het operationele doel is geïsoleerd, stagneert de technologische uitvoering vaak door upstream-frictie. De onderliggende data-infrastructuur moet op orde zijn. Denk aan schone, gestructureerde data die real-time beschikbaar is en toegankelijk via API's. Zonder die basis blijft elke autonome toepassing steken in een pilotfase. Het is cruciaal om te investeren in een robuuste architectuur die data-integriteit en governance waarborgt, zodat autonome systemen betrouwbaar en veilig kunnen opereren.