Van autonome AI-agents naar voorspelbare bedrijfsresultaten: Pega’s aanpak van Agentic AI

AI-agents beloven een nieuwe stap in de automatisering van bedrijfsprocessen. In plaats van alleen informatie te generen of medewerkers te ondersteunen, kunnen agents zelfstandig redeneren, acties uitvoeren en samenwerken met andere agents. Dat opent interessante mogelijkheden. Maar zodra AI een actievere rol krijgt in bedrijfskritische processen, ontstaat ook een belangrijke vraag: hoe geef je AI de ruimte om te redeneren, zonder de controle over het proces te verliezen?

 

De risico’s van volledige autonomie

Volledig autonome agents lijken op het eerste gezicht aantrekkelijk. Je geeft een agent een doel en laat deze vervolgens zelf bepalen welke stappen nodig zijn om dat doel te bereiken. In een bedrijfsomgeving brengt die vrijheid echter risico’s met zich mee. AI-modellen kunnen verschillende uitkomsten geven op basis van dezelfde of vergelijkbare input. Agents kunnen onnodige acties uitvoeren, elkaar blijven aanroepen of keuzes maken die niet passen binnen de geldende bedrijfsregels.

Daar komt nog een praktisch probleem bij: iedere redeneerstap en iedere interactie tussen agents kost rekenkracht en tokens. Wanneer agents zonder duidelijke grenzen met elkaar samenwerken ontstaan er onvoorspelbare processen en onnodige kosten. De uitdaging is dus niet om AI-agents zoveel mogelijk autonomie te geven, maar om te bepalen waar die autonomie waarde toevoegt en waar controle nodig blijft.

 

Pega’s Predictable AI: autonomie met controle

Voor organisaties die AI willen inzetten binnen bijvoorbeeld klantenservice, financiële dienstverlening of andere bedrijfskritische processen is alleen autonomie daarom niet voldoende. Processen moeten voorspelbaar en veilig verlopen én voldoen aan geldende compliance-eisen.

Dit is precies het uitgangspunt achter Pega’s Predictable AI-aanpak. In plaats van AI-agents volledige controle te geven over een bedrijfsproces, combineert Pega de redeneerkracht van AI met de voorspelbaarheid van gestructureerde, deterministische workflows. Zo kunnen organisaties de kracht van AI benutten binnen hun processen, terwijl ze grip houden op de uitvoering en toewerken naar voorspelbare, controleerbare bedrijfsresultaten.

 

AI laten redeneren binnen duidelijke grenzen

De basis van Pega’s aanpak is relatief eenvoudig: laat AI doen waar AI goed in is, maar laat de workflow bepalen hoe het bedrijfsproces verloopt. In plaats van een generatief AI-model volledige controle te geven over een end-to-end proces, zet Pega Predictable AI Agents in voor specifieke taken binnen een vooraf gedefinieerde workflow.

Denk bijvoorbeeld aan een klantverificatie. Het proces zelf kan bestaan uit vaste stappen en bedrijfsregels, maar binnen één van die stappen kan AI worden ingezet om informatie te analyseren, gegevens te vergelijken of een aanbeveling te doen. Pega maakt dit mogelijk met Agent Steps. Hiermee kunnen Predictable AI Agents direct worden opgenomen in specifieke fasen van een gestructureerde case lifecycle. Een agent krijgt binnen zo’n stap een duidelijk afgebakende opdracht en alleen de context, data en tools die nodig zijn om die specifieke taak uit te voeren.

Hiervoor maakt Pega gebruik van het open Model Context Protocol (MCP). Via MCP krijgt de agent toegang tot de informatie en hulpmiddelen die voor zijn taak nodig zijn, zonder dat hij daarmee automatisch controle krijgt over het volledige bedrijfsproces. Dat onderscheid is belangrijk: de AI redeneert, de workflow houdt de regie.

 

Human-in-the-loop

Wanneer een Predictable AI Agent onvoldoende zekerheid heeft over een uitkomst, kan op basis van een ingestelde confidence treshold een alternatief pad worden gevolgd. De workflow kan de taak dan bijvoorbeeld overdragen aan een medewerker voor controle en besluitvorming. Human-in-the-loop is daarmee geen noodoplossing achteraf, maar kan vanaf het begin onderdeel zijn van het procesontwerp. AI neemt repetitief of analytisch werk uit handen, terwijl complexe of onzekere beslissingen onder menselijke controle kunnen blijven.

 

De Conversational Agent in samenwerking met de Application Control Agent

Predictable AI verandert niet alleen wat er achter de schermen gebeurt. Agentic AI kan ook veranderen hoe klanten en medewerkers met bedrijfsapplicaties omgaan. Traditioneel moet een gebruiker weten waar hij iets moet doen. Wie een adres wil wijzigen, zoekt bijvoorbeeld eerst de juiste applicatie, navigeert naar het juiste scherm en vult vervolgens een formulier in. Met een conversationele interface kan dat anders. Een klant kan simpelweg aangeven:

“Ik ben onlangs verhuisd en wil mijn adres wijzigen.”

De gebruiker beschrijft daarmee niet welke stappen het systeem moet uitvoeren, maar welk resultaat het wil bereiken. Binnen Pega speelt de Conversational Agent hierin een belangrijke rol. Deze interpreteert de natuurlijke taal van de gebruiker en begrijpt wat diegene probeert te bereiken. De gebruiker hoeft daardoor niet te weten welke workflow, applicatie of processtappen achter het verzoek zitten.

Vervolgens komt de Application Control Agent in beeld. Deze heeft een andere verantwoordelijkheid dan de Conversational Agent. De Application Control Agent begrijpt welke workflows en capabilities binnen een applicatie beschikbaar zijn en gebruikt een LLM op een gerichte en gecontroleerde manier om het verzoek te interpreteren, de relevante workflow te vinden en de benodigde input te koppelen.

In het voorbeeld herkent de Application Control Agent dat het verzoek moet worden gekoppeld aan de bestaande workflow voor een adreswijziging en start deze workflow met de beschikbare gegevens. Zodra de juiste workflow is gestart, is de rol van de Application Control Agent grotendeels uitgespeeld. De workflow, en niet het taalmodel, neemt de uitvoering over. Bestaande business rules, autorisaties, security, processtatus en controles blijven daarmee van kracht. Dat maakt het mogelijk om de gebruikerservaring flexibeler te maken, zonder dat het onderliggende bedrijfsproces dezelfde vrijheid krijgt.

 

Open standaarden als verbinding tussen AI en workflows

Een belangrijk onderdeel van deze architectuur is dat Pega niet alleen uitgaat van agents die binnen Pega zelf bestaan. Via Model Context Protocol (MCP) kunnen ook compatibele externe agents en applicaties gebruikmaken van capabilities die binnen een Pega-applicatie beschikbaar worden gesteld. Denk bijvoorbeeld aan agents die gebruikmaken van Claude, Gemini of OpenAI-modellen. Zo’n externe agent kan een gewenst resultaat beschrijven, waarna via de Application Control Agent de juiste Pega-workflow kan worden gevonden en gestart.

Daarmee ontstaat een belangrijk onderscheid tussen interoperabiliteit en procescontrole. MCP maakt het mogelijk voor verschillende AI-systemen om met elkaar en met beschikbare tools en capabilities te communiceren. De onderliggende Pega workflow blijft ondertussen verantwoordelijk voor business rules, security, processtatus en auditablity. Een externe AI-agent kan dus toegang krijgen tot een business capability, zonder die agent daarmee automatisch de vrijheid krijgt om zelf het achterliggende bedrijfsproces te bepalen.

 

Agentic Process Fabric: samenwerken over applicaties

Veel bedrijfsprocessen houden niet op bij de grens van één applicatie. Neem het onboarden van een nieuwe medewerker. HR moet de nieuwe medewerker registreren, IT moet accounts installeren en apparatuur verzorgen, identity management moet toegangsrechten toekennen en facilities moet mogelijk toegang tot het gebouw verzorgen. Een manager zou simpelweg kunnen vragen:

“Onboard Emma als nieuwe marketingmanager vanaf volgende maandag.”

Achter zo’n verzoek zitten meerdere workflows en applicaties. Iedere Application Control Agent kent echter alleen de mogelijkheden binnen zijn eigen applicatie. Er is daarom een extra orkestratie laag nodig. Daarvoor introduceert Pega Agentic Process Fabric. Deze laag orkestreert agents en workflows over meerdere applicaties heen. De Fabric bepaalt welke applicaties nodig zijn, bewaakt afhankelijkheden en voortgang en brengt de resultaten uiteindelijk samen.

In het onboardingvoorbeeld kan vervolgens iedere applicatie van de verschillende afdelingen daarbij zijn eigen gecontroleerde workflow uitvoeren, terwijl Agentic Process Fabric de samenwerking tussen die processen coördineert. Om te weten welke workflows en capabilities beschikbaar zijn, maakt de Fabric gebruik van een Intelligent Registry. Via Agent Cards kunnen applicaties beschrijven welke mogelijkheden zij bieden en het open Agent-to-Agent (A2A) protocol ondersteunt de communicatie tussen agents.

 

Van maximale autonomie naar gecontroleerde autonomie

De discussie over Agentic AI gaat vaak over wat agents allemaal zelfstandig kunnen doen. Voor organisaties is minstens zo belangrijk wat een agent niet zelfstandig mag bepalen. Welke business rules moeten altijd worden gevolgd? Welke informatie mag een agent gebruiken? Wanneer is menselijke goedkeuring nodig? En kun je achteraf reconstrueren waarom een bepaalde beslissing of actie heeft plaatsgevonden? Juist wanneer AI meer taken kan uitvoeren, worden governance, security en audibility belangrijker.

Pega’s Predictable AI aanpak kiest daarom niet voor maximale autonomie, maar voor gecontroleerde autonomie. AI wordt ingezet voor taken waar interpretatie en redeneervermogen waarde toevoegen, terwijl gestructureerde workflows verantwoordelijk blijven voor het proces als geheel.

Met Predictable AI Agents en Agents Steps kan AI binnen specifieke processtappen worden ingezet. Met de Conversational Agent en Application Control Agent kunnen gebruikers vanuit natuurlijke taal bestaande bedrijfsprocessen starten. En met Agentic Process Fabric kan diezelfde aanpak worden uitgebreid naar processen die meerdere applicaties en agents omvatten.

 

Conclusie

Daarmee verschuift de vraag van “Hoe autonoom kunnen we onze AI-agents maken?” naar een vraag die voor organisaties uiteindelijk relevanter is: “Hoe kunnen we AI meer laten doen, terwijl we grip houden op de uitkomst?”. Juist die combinatie van intelligentie en voorspelbaarheid kan de stap mogelijk maken van experimenten met Agentic AI naar het verantwoord inzetten ervan in bedrijfskritische processen.

 

Wil je meer informatie over Pega Infinity Studio? Neem gerust contact op met Jimmy, Pega Lead System Architect bij BPM Company. Hij vertelt je graag meer!