Dit document beschrijft de IT-architectuur die ondernemingen de komende 3-5 jaar nodig hebben om de waarde van agentisch personeel volledig te benutten; het schetst de IT-transformatie die nodig is om de grootschalige implementatie van AI-agenten te ondersteunen. Het doel is om een strategische gids en referentiearchitectuur te bieden om CIO's, CDO's en IT-leiders te helpen hun reis naar een Agentic Enterprise te plannen.

Krachtige AI-modellen maken het mogelijk om een agentisch personeelsbestand te creëren dat in staat is om de omgeving te detecteren, te redeneren over gegevens, autonome beslissingen te nemen, taken uit te voeren en effectief samen te werken met menselijke medewerkers. Dit nieuwe personeelsbestand belooft een stapsgewijze verandering in innovatie, productiviteit en flexibiliteit, waardoor waarde wordt gecreëerd voor aandeelhouders en klanten. Om deze visie te realiseren, moeten organisaties een bedrijfs- en IT-transformatie ondergaan om Agentic Enterprises te worden.

Vandaag de dag wordt de traditionele onderneming geconfronteerd met operationele inefficiënties die voortvloeien uit informatiesilo's, werknemers die begraven zijn in handmatig werk, verkeerd uitgelijnde prikkels in organisatiestructuren en onsamenhangende feedbacklussen tussen strategieën en uitkomsten. Deze problemen leiden tot suboptimale klantervaringen, inefficiënte processen en gemiste groeikansen.

De Agentic Enterprise overwint deze beperkingen door een digitaal personeelsbestand van intelligente AI-agenten te integreren met menselijke medewerkers. Met dit nieuwe personeelsbestand met AI kan een organisatie innovatie stimuleren voor groei, operationele uitmuntendheid stimuleren en veerkracht van de onderneming opbouwen met verschillende typen nieuwe zakelijke mogelijkheden.

Nieuwe zakelijke mogelijkheden om innovatie te bevorderen:

• Verbeterde menselijke productiviteit: Door de snelheid, schaal en altijd beschikbare aard van AI-agenten kunnen bedrijven repetitief werk automatiseren en kunnen medewerkers zich richten op waardevollere en creatievere taken.
• Verbetering van adaptieve mogelijkheden: Omdat de redenering van AI-agenten kan worden geobserveerd, kunnen ze dynamisch nieuwe vaardigheden leren en implementeren, waardoor de onderneming de prestaties continu kan verbeteren om bedrijfsdoelen te halen en zich snel kan aanpassen aan nieuwe marktopportuniteiten.

Voorbeeld in actie — De klantervaring innoveren in financiële dienstverlening: Een vermogensbeheerbedrijf kan een AI-agent gebruiken om het clientbetrokkenheidsmodel opnieuw uit te vinden. De agent bewaakt autonoom portefeuilles, identificeert belangrijke momenten voor een beoordeling van een klant en bereidt het pre-callplan voor de adviseur voor, waarbij het plan wordt aangepast wanneer er nieuws naar voren komt. Hierdoor kan de menselijke adviseur een proactieve, gepersonaliseerde klantervaring op schaal leveren, relaties versterken en nieuwe opportunities ontdekken.

Nieuwe zakelijke mogelijkheden om organisatorische veerkracht te beschermen en te waarborgen:

• Elastische personeelscapaciteit: Ondernemingen kunnen hun vermogen om pieken in werkbelasting op te vangen door veranderende bedrijfsomstandigheden snel opschalen, zonder de kosten en vertragingen van het opvoeren van een volledig menselijk personeelsbestand.
• Voorspellende operationele veerkracht: De 24/7 aard van AI-agenten stelt ze in staat om in real-time autonoom te anticiperen op operationele, nalevings- en beveiligingsrisico's en deze te modelleren en te beperken, waardoor de onderneming het Trust van haar klanten en belanghebbenden behoudt.

Voorbeeld in actie — Klantgegevens beschermen: Een grote onderneming kan een agent voor AI Data Governance implementeren om de regelgevingsomgeving te scannen op wijzigingen in wetgeving voor gegevensprivacy, gevoelige informatie te ontdekken en classificeren in ondernemingsgegevenssets en vervolgens het juiste governancebeleid toe te passen. De agent kan verzoeken om toegang tot gegevens beoordelen en uitzonderingen routeren naar een menselijke analist voor beoordeling, waardoor het nalevingsrisico wordt verminderd en gegevens op een vertrouwde manier kunnen worden gebruikt.

Nieuwe zakelijke mogelijkheden die operationele uitmuntendheid optimaliseren:

• Uitvoering van autonoom proces: Digitale medewerkers kunnen 24/7 complexe taken met meerdere stappen uitvoeren op machinesnelheid (met mensen in het gareel), waardoor kosten worden verlaagd en processen efficiënt worden opgeschaald.
• Grensoverschrijdende combinatie: AI-agenten kunnen werken in de informatie- en incentivesilo's die normaal gesproken menselijke medewerkers beperken, wat de flexibiliteit voor interfunctionele processen bevordert.

Voorbeeld in actie — De marketingtrechter in detailhandel optimaliseren: Een marketingteam voor detailhandel kan een AI-agent inzetten om het campagneproces te versnellen in reactie op nieuwe consumententrends. De agent kan marketingplannen genereren, samenwerken met marketing-, product- en verkoopteams ter beoordeling en vervolgens automatisch digitaal onderpand maken en uitvoeren via meerdere kanalen, waarbij de campagne dynamisch wordt aangepast op basis van realtime feedback.

De IT-architectuur van de onderneming kan worden weergegeven met behulp van een laagconstructie. De lagen groeperen logisch gerelateerde technische functionaliteit en faciliteren gestructureerd redeneren, maar impliceren niet noodzakelijk specifieke implementaties of de mate waarin een laag monolithisch of op een meer heterogene manier moet worden ontworpen. In deze laagweergave (figuur 1) bestaat de traditionele IT-architectuur uit vijf hoofdlagen: Infrastructuur, gegevens, integratie, toepassing en omgeving. Twee kruislagen, Beveiliging en IT-activiteiten, bestrijken deze lagen om governance, bewaking en bescherming te waarborgen.

De traditionele IT-architectuur is ontworpen voor een paradigma waarbij de intelligentie van de onderneming berustte bij menselijke medewerkers die acties ondernamen in toepassingen om toegang te krijgen tot gegevens, bedrijfslogica toe te passen, samenwerking te vergemakkelijken en werkstromen uit te voeren. Het is niet ontworpen voor een paradigma waarbij AI-agenten kunnen redeneren en acties kunnen ondernemen voor bepaalde gebruikscases die eerder door mensen zijn gedaan (of helemaal niet zijn gedaan), terwijl mensen toezicht houden op de AI-agenten en zich richten op meer creatieve en ambigue taken.

Hoewel de traditionele architectuur tegenwoordig wellicht implementaties op subschaal van AI-agenten ondersteunt, kan deze niet volledig de hierboven beschreven bedrijfsmogelijkheden van de Agentic Enterprise bieden. Het realiseren van deze mogelijkheden vereist een IT-architectuur die is ontworpen voor brede implementatie van krachtige AI-agenten die zich kunnen richten op brede gebruikscases, in plaats van beperkt te zijn tot beperkte implementaties die zich richten op smalle gebruikscases.

AI-agenten zullen de komende 5 jaar blijven verbeteren en de IT-architectuur zal moeten evolueren om de waarde van krachtigere en intelligentere AI-agenten te realiseren, om toekomstbestendig te worden. Ten eerste zullen agenten intelligenter worden naarmate de onderliggende AI-modellen (zoals multimodale LLM's) en de cognitieve architecturen van agenten zich ontwikkelen (bijvoorbeeld planning in meerdere stappen, taaksamenstelling, enzovoort). Ten tweede zullen AI-agenten verbeterde leer- en aanpassingsmogelijkheden hebben met geheugenverbeteringen, zelfreflectiemogelijkheden en de mogelijkheid om te leren van feedback. Ten derde zullen AI-agenten een grotere mogelijkheid hebben om te communiceren met andere agenten, tools en gegevens, zoals blijkt uit het snel veranderende ecosysteem van open technologiestandaarden (bijvoorbeeld Model Context Protocol, Agent2Agent, enzovoort). Hoewel deze drie technologische trends AI-agenten in staat zullen stellen om krachtiger te zijn bij het uitvoeren van meer abstracte en complexe taken, zal het ook talloze uitdagingen met zich meebrengen voor de hedendaagse IT-architectuur.

Ten eerste vertrouwen AI-agenten fundamenteel op AI-modellen, zowel intern ontwikkeld als extern verkregen, die snel evolueren en geavanceerd, gedeeld en gestandaardiseerd AI/ML-modelbeheer vereisen. Tegenwoordig worden AI-modellen ondersteund voor specifieke gebruikscases in een toepassing, niet als gedeelde mogelijkheden voor hergebruik met gemeenschappelijke tools voor training, implementatie, governance en risicobeheer. In de toekomst zullen bedrijven verschillende AI-modellen moeten kunnen gebruiken voor verschillende agentische gebruikscases die tooling vereisen waarmee agenten onderliggende modellen (bijvoorbeeld basismodel versus domeinspecifiek kleiner model) kunnen verwisselen op basis van de bedrijfscontext. Dit vereist het beheer van intern ontwikkelde of gehoste AI-modellen met uniforme levenscyclustooling om consistentie, herbruikbaarheid, schaalbaarheid en efficiëntie te garanderen. Toegang tot extern gehoste AI-modellen vereist ook een ondernemingsbreed controleframework om optimale prestaties, beveiliging, naleving, beschikbaarheid en betrouwbaarheid te garanderen.

Ten tweede hebben AI-agenten verschillende schaalpatronen en operationele vereisten zoals hosting, ontwikkeling, redeneren, leren, geheugenbeheer en bewerkingen, die een afzonderlijke en speciale architectonische grens voor agenten vereisen. Het rechtstreeks inbedden van deze functionaliteit in de huidige statische en deterministische applicatiearchitectuur zou onnodige architectonische complexiteit en risico's met zich meebrengen. Bovendien moeten AI-agenten samenwerken met bestaande toepassingen via gestandaardiseerde interfaces of berichtenverkeerssystemen voor realtime interactie.

Ten derde moeten AI-agenten kunnen redeneren over verschillende gegevenssets en met elkaar kunnen samenwerken, vaak binnen geïsoleerde toepassingsstapels, maar in de architectuur van vandaag is er geen gemeenschappelijke semantische functionaliteit om deze agenten een gedeeld inzicht te bieden in het redeneren over verschillende gegevenssets. Hoewel agenten voor één doel met succes kunnen worden geïmplementeerd, blijft het moeilijk en riskant om ze op te schalen om in grote aantallen te werken voor complexe, intersilotaken.

Ten slotte ontbreekt het de huidige IT-architectuur van de onderneming aan een effectieve manier om end-to-end bedrijfsprocessen te orkestreren, optimaliseren en besturen, die de dynamische werkstromen omvatten die worden uitgevoerd door krachtigere agenten, die de rol van menselijke medewerkers in dat proces aanvullen en in sommige gevallen vervangen. Tegenwoordig worden automatiseringstools gebruikt voor het beheer van lineaire, deterministische werkstromen die doorgaans een vooraf gedefinieerde volgorde volgen, gedocumenteerd in processpecifieke talen, en die vertrouwen op statische logica die zelden verandert. AI-technologieën kunnen sommige van deze lineaire processen verbeteren (bijvoorbeeld het gebruik van ML-modellen in plaats van hard-coded bedrijfsregels voor het berekenen van goedkeuringsdrempels voor leningen), maar de strategische en uitvoeringsaspecten van de meeste kritieke bedrijfsprocessen blijven inherent dynamisch en flexibel. Taken zoals het ontwikkelen van marketingstrategieën, het oplossen van complexe klantproblemen of het prospecteren van klanten hebben duidelijke doelstellingen (klanttevredenheid, oplossingssnelheid van cases, enzovoort), maar volgen geen vaste, vooraf gedefinieerde uitvoeringsvolgorde.

Momenteel vertrouwen traditionele ondernemingen voornamelijk op mensen voor het coördineren en uitvoeren van deze complexe bedrijfsprocessen (zoals het bepalen van strategie en het beheren van complexe programma's). Naarmate AI-agenten zich de komende 3-5 jaar blijven ontwikkelen (meer mogelijkheden voor intelligentie, leren en interactie), zal hun vermogen om dergelijke dynamische processen autonoom uit te voeren aanzienlijk toenemen, wat complexiteiten en integratieproblemen met zich meebrengt die de mogelijkheden van bestaande integratie- en automatiseringstools ver overtreffen. Het adaptieve en dynamische karakter van AI-agenten creëert een sterke behoefte aan nieuwe doeltreffende combinatiemogelijkheden om controle op ondernemingsniveau, uitgebreide zichtbaarheid en consistente afstemming met strategische doelstellingen voor de hele onderneming te garanderen, met name bij het beheer van complexe, langdurige en uit meerdere stappen bestaande werkstromen die AI-agenten, mensen, automatiseringstools en andere deterministische systemen omvatten.

De IT-architectuur van de Agentic Enterprise vormt een platform voor intelligente acties door menselijke medewerkers, AI-agenten en deterministische systemen naadloos te integreren. Deze architectuur stelt zowel menselijke als AI-agenten in staat om dynamisch toegang te krijgen tot en gebruik te maken van gecombineerde Enterprise Knowledge uit diverse gegevensbronnen, verrijkt met semantische context voor het efficiënt uitvoeren van complexe werkstromen en processen die zijn afgestemd op strategische bedrijfsdoelen. De bestaande IT-architectuur van een set geïsoleerde platforms en puntoplossingen zal evolueren naar een set samenstelbare toepassingsservices, semantische en gegevenstools, en netwerken van AI-agenten die worden beheerd door nieuwe intelligente tools voor doeltreffende combinatie van bedrijfsprocessen.

Deze architectuur stelt agenten in staat om te voelen, te redeneren en te handelen binnen hun respectieve scopes, binnen en tussen bedrijfsdomeinen te werken en continu te leren, te verbeteren en aan te passen. Dit vereist een ontwerp dat is gericht op robuuste mechanismen voor toegang tot gegevens en Knowledge (semantisch inzicht), flexibele en gestandaardiseerde communicatieprotocollen en interfaces (zoals agent naar agent, agent naar deterministische systemen en agent naar mens) en, kritisch, het orkestreren van werkstromen en processen voor agenten, mensen en automatiseringstools en deterministische systemen.

Om de architectonische visie van een platform voor intelligente acties te realiseren, worden de volgende ontwerpprincipes aanbevolen als best practice:

• Composeerbaarheid en modulariteit: Ontwerp architectonische elementen als modulaire componenten met gestandaardiseerde interfaces om een snelle en dynamische assemblage van agentmogelijkheden, werkstromen en oppervlakken voor menselijk gezicht mogelijk te maken. Prioriteer duidelijke interfacecontracten en abstractie om AI-agenten de grootste flexibiliteit te bieden bij het samenstellen van werkstromen.
• Gegevens en semantiek eerst: Zorg voor uitgebreide, nauwkeurige, snelle, veilige en kostenefficiënte toegang tot gegevens, met gedeeld semantisch inzicht zodat agenten effectief kunnen redeneren binnen geïsoleerde systemen. Dit vereist het behandelen van gegevens (en metagegevens) als een product, met tools om kwaliteit, herkomst, governance en toegang te waarborgen, alsmede een manier om semantisch inzicht te bieden dat wordt gedeeld tussen agenten en mensen.
• Ingebedde IT- en bedrijfsobservatie: Bed end-to-end bewakings-, tracerings-, evaluatie- en uitlegbaarheidsmogelijkheden in de gehele architectuur in voor inzicht in de redenering, het gedrag, de systeeminteracties en de impact van agenten op bedrijfs-KPI's om de continue optimalisering van de prestaties van agenten mogelijk te maken. Dit omvat kostenoptimalisering (FinOps), duurzaamheidsmeetgegevens en operationele telemetrie met behoud van Trust, naleving en verantwoord resourceverbruik. Aangezien AI-agenten inherent niet-deterministisch zijn, is observatie van het grootste belang om ervoor te zorgen dat AI-agenten op een vertrouwde, conforme en controleerbare manier kunnen werken met menselijk toezicht.
• Vertrouwen gedurende: Dwing dynamische, fijnmazige machtigingen af op basis van de bedoeling van de taken van de agent (gegevenstoegang, acties, enzovoort) en implementeer uitgebreide beveiligingspraktijken, waaronder rode teaming, geautomatiseerd scannen van CVE's, kwetsbaarheidsdetectie en op risico gebaseerde validatiecontroles. Er is behoefte aan fijnmaziger en dynamischere controles, gezien het risico dat agenten trapsgewijze risico's veroorzaken vanwege hun vermogen om op machinesnelheden te werken. Zorg ervoor dat alle AI-gegenereerde uitvoer (van agenten of modellen) vóór gebruik of levering rigoureus wordt gevalideerd op basis van gedefinieerd beleid voor naleving, veiligheid, toxiciteit en vertekening, hetgeen vastlegging en verklaarbaarheidsmechanismen vereist met verifieerbare controletrajecten voor AI-beslissingen, -acties, -inhoud en -voorspellingen.
• Agent-first met menselijk toezicht: Schakel AI-agenten in als de standaardtool voor het oplossen van zakelijke gebruikscases, met uitzondering van andere overwegingen (zoals kosten, technische geschiktheid) en ontwerp IT-systemen die toegankelijk zijn voor agentische werkstromen. Dit omvat de mogelijkheid voor mensen om elke stap van het proces van een agent te bewaken, erin in te grijpen en te overschrijven. Agenten hebben zelfreflectievermogen nodig om proactief menselijke begeleiding te zoeken als hun vertrouwen in besluitvorming onder de vooraf geprogrammeerde drempelwaarden valt.
• Reactieve en multimodale interactie: Schakel de architectuur in voor de ondersteuning van uitgebreide mechanismen voor het aanroepen en reageren van agenten voor alle interactietypen, inclusief agent-naar-agent-protocollen, menselijke multimodale invoer (spraak, tekst, visueel), bedrijfsevents, systeemsignalen en streaminggegevens. Schakel zowel eventgestuurde als real-time verwerkingsmogelijkheden in om ervoor te zorgen dat agenten tijdig kunnen reageren op elk signaal uit elke bron of indeling.
• Voor AI geschikte infrastructuur: Zorg ervoor dat de infrastructuur elastisch kan worden opgeschaald met ingebouwde redundantie om fluctuerende AI-werkbelastingen aan te kunnen, en integreer ML/LLM-pijplijnen in de gegevens- en toepassingsarchitectuur, terwijl u toch voldoet aan de vereisten voor gegevensverblijf.
• Open ecosysteem: Prioriteer interoperabiliteit en vermijd technologie-insluiting door voorrang te geven aan open standaarden, protocollen en goed gedefinieerde interfaces (API's, events) om te profiteren van het technologische ecosysteem.

Om de agentische transformatie succesvol in te schakelen en te schalen, moeten ondernemingen verder gaan dan alleen het verbeteren van huidige lagen; ze moeten expliciet overwegen om vier extra architectonische lagen (figuur 2) te introduceren die specifiek zijn ontworpen om te voldoen aan de behoeften van AI-agenten.

De agentische laag is gewijd aan de ontwikkeling en het beheer van AI-agenten en omvat cognitieve mogelijkheden zoals planning, redenering, geheugen, inzet van tools, statusbeheer en levenscycluscontrole. Deze laag richt zich op de unieke technische en operationele vereisten van AI-agenten, zorgt voor interoperabiliteit tussen toepassingen en gegevensopslagplaatsen via gestandaardiseerde protocollen en vergemakkelijkt samenwerking tussen agenten. De bestaande toepassingslaag zal evolueren naar toepassingsservices die dynamisch worden samengesteld voor agentische werkstromen.

De semantische laag wordt geïntroduceerd om de ontkoppeling op te lossen tussen ruwe ondernemingsgegevens en het semantische inzicht dat AI-agenten nodig hebben. Het codeert en beheert expliciet bedrijfsentiteiten, concepten, definities en onderlinge relaties, waardoor een ondernemingsontologie en vertegenwoordiging van Business Knowledge ontstaat om gedeeld semantisch inzicht mogelijk te maken dat complexere werkstromen voor meerdere agenten aanstuurt die taken op een hoger niveau uitvoeren. Naast een gegevenscatalogus vertaalt de semantische laag een query met natuurlijke taal naar nauwkeurige query's op specifieke gegevensopslagplaatsen, harmoniseert de resultaten en retourneert een contextueel en rijker antwoord voor de agent. De bestaande gegevenslaag verenigt ondertussen via de acceptatie van gecentraliseerde lakehouses en verbreedt de toegang tot gegevens via een AI-ready gegevensstructuur om principes van het gegevensnetwerk te ondersteunen.

De AI/ML-laag centraliseert het beheer van AI-mogelijkheden voor de onderneming, inclusief grote taalmodellen, grote actiemodellen en domeinspecifieke ML-modellen, waarbij zowel intern ontwikkelde AI-modellen gedurende hun levenscyclus als de gecontroleerde toegang/gebruik tot externe AI-services worden afgehandeld. In tegenstelling tot traditionele architecturen waarin AI-modellen zijn ingebed in toepassingen, maakt deze laag AI-modellen tot eersteklas componenten en gedeelde services in de onderneming. Het richt zich op door de onderneming bestuurde AI-mogelijkheden (niet op AI-mogelijkheden die worden geleverd door externe leveranciers). Deze laag biedt de intelligence voor verschillende agenten en andere AI-werkbelastingen in de onderneming met gestandaardiseerde mechanismen voor Trust, Safety, Compliance en Implementatie.

De Enterprise Orchestration Layer is de functionele abstractie voor het coördineren, beheren en optimaliseren van complexe werkstromen en bedrijfsprocessen met meerdere stappen die AI-agenten, mensen, automatiseringstools en deterministische systemen omvatten. Deze laag maakt gebruik van een gecombineerd doeltreffende combinatiemodel waarmee afzonderlijke agenten en systemen autonoom lokaal gechoreografeerde taken kunnen afhandelen met behulp van open protocollen zoals MCP en A2A, terwijl ze gecentraliseerd end-to-end overzicht en coördinatie van het gehele proces bieden. Voor de implementatie van het blended doeltreffende combinatiemodel vertegenwoordigt deze laag kritieke bedrijfsprocessen in machineleesbare semantisch rijke notaties die zowel de deterministische stappen (gemodelleerd tijdens ontwerptijd) als de dynamische stappen (bepaald door agenten tijdens run-time) van een bedrijfsproces definiëren, waardoor het procesmodel de basis vormt voor governance en optimalisering.

Van oudsher blijven aanzienlijke delen van door de mens gestuurde bedrijfsprocessen ongedocumenteerd of ontoegankelijk in machineleesbare vormen. De gedetailleerde observatie van de activiteiten van AI-agenten, inclusief rijke gegevens en metagegevens over hun taken en acties, maakt het echter mogelijk dynamisch, voorheen ongestructureerde werk vast te leggen, te documenteren en te integreren met deterministische lineaire werkstromen om uitgebreide procesmodellen te maken. De gedetailleerde procesdocumentatie legt voorheen onzichtbare taakafhankelijkheden en uitvoeringstrajecten vast, waardoor de onderneming de operationele efficiëntie continu kan optimaliseren, bottlenecks effectief kan aanpakken en door agenten geïdentificeerde best practices systematisch kan codificeren in herbruikbare bedrijfsbrede draaiboeken. Dit resulteert in een holistische digitale tweeling van afzonderlijke processen en, indien geschaald, de hele onderneming.

Complexe processen zoals het uitvoeren van uitgebreide verkoopstrategieën of het onboarden van nieuwe medewerkers omvatten bijvoorbeeld tal van onderling afhankelijke stappen waarbij de doeltreffende combinatielaag kan zorgen voor de juiste niveaus van menselijke betrokkenheid (bijvoorbeeld uitzonderingsafhandeling), beperkte autonomie voor AI-agenten en naleving kan afdwingen. In al deze processen voegt de top-down doeltreffende combinatielaag voorspelbaarheid en governance toe, volgt en evalueert voortdurend KPI's (Key Performance Indicators), zorgt voor de transactionele integriteit van werkstromen en terugdraailogica, en behoudt zichtbaarheid in elke fase van de werkstroom om te zorgen voor afstemming met overkoepelende bedrijfsdoelstellingen. Voor de implementatie van deze functionaliteit verbruikt deze laag beleidsvormen, regels en vangrails uit de beveiligings- en governance-laag (via policy-as-code) en bedrijfsdoelen en KPI's die zijn opgeslagen in de semantische laag. Gezien de autonome en snelle aard van AI-gestuurde interacties, riskeert alleen het vertrouwen op een gedecentraliseerde choreografie strategische misalignment of nalevingsschendingen, vooral in langlopende werkstromen met meerdere stappen. De gecombineerde doeltreffende aanpak beperkt deze risico's door bedrijfsbrede bedrijfsregels, nalevingscontroles en beleidsafdwinging rechtstreeks in complexe werkstromen in te bedden en menselijk toezicht op kritieke momenten te integreren.

Elk van deze 11 lagen draagt specifieke functionaliteit bij aan het implementeren van AI-agenten op een veilige, vertrouwde en effectieve manier die het volledige potentieel van agentische AI ontsluit om de manier te transformeren waarop werk in een onderneming wordt uitgevoerd. De onderstaande sectie schetst de functie van de laag, nieuwe veranderingen als gevolg van de opkomst van AI-agenten en de belangrijkste technologische mogelijkheden ervan.

Functie: De Omgevingslaag dient als de primaire interface voor menselijke gebruikers en maakt multimodale interactie mogelijk door invoer (tekst, spraak, visueel) vast te leggen en contextueel relevante reacties te leveren op meerdere apparaten. Het geeft de intenties van gebruikers naadloos over aan de Agentische laag voor actie, terwijl het ook de dynamische UI en visualisaties biedt die menselijke escalaties en goedkeuringen binnen agentische werkstromen vergemakkelijken.

Wat is er anders dan vandaag: AI zal traditionele op GUI gebaseerde interfaces aanvullen met natuurlijke taalverwerking, contextueel bewustzijn en proactieve beslissingsondersteuning. AI-agenten kunnen proactief interacties initiëren en gepersonaliseerde, real-time aanbevelingen doen voor alle kanalen en modaliteiten.

Belangrijkste technologische mogelijkheden:

• AI en digitale assistenten voor gesprekken: Schakel de UX standaard in voor AI-assistentie ter ondersteuning van menselijke gebruikers.
• UI voor toekenning en transparantie: Maak antwoorden verklaarbaar in de gebruikersinterface, zoals het tonen van citaten, bronnen van bestanden/systemen en de benadering/rationaliteit van de beslissingen.
• Proactieve en omgevingskennisgevingsservice: Hiermee kunnen agenten proactief insights of waarschuwingen pushen naar gebruikers via het meest geschikte kanaal en de meest geschikte omvang, op basis van de huidige context van de gebruiker.
• Omnichannelomgevingen: Biedt een naadloze, consistente en gecombineerde ervaring voor alle kanalen met journeycontinuïteit, waarbij gesprekken en taken de persoon volgen in plaats van de app.
• Multi-Modal mogelijkheden: Hiermee kunnen mensen interactie hebben met agenten en toepassingen via tekst, spraak, beeld, aanraking, video en AR/VR, zodat agenten informatie kunnen begrijpen en presenteren in de meest efficiënte modaliteit.
• Contextbewuste personalisatie en dynamische UI: Schakelt contextueel bewuste real-time (tijd, locatie, gebruikersacties) gebruikerservaringen in om personalisering in te schakelen, inclusief het direct genereren van UI's.

Functie: De Agentische laag fungeert als de standaard run-time omgeving voor het uitvoeren van werk in de onderneming, waarin AI-agenten taken uit de ervaringslaag verwijderen en taken uitvoeren door werkstromen dynamisch samen te stellen met behulp van tools uit de laag voor toepassingen en appservices en de gegevenslaag. De configuratiestatus van AI-agenten wordt in deze laag opgeslagen en beheerd. Agenten worden geïnstantieerd voor specifieke taken en de specifieke agentexemplaren worden naderhand buiten gebruik gesteld. Met deze implementatie kunnen agenten altijd worden aangeroepen vanuit de nieuwste configuratiestatus op basis van offline optimaliseringen (met behulp van functionaliteit van AI/ML, observatie en doeltreffende combinatielagen). Deze laag is verantwoordelijk voor het uitgebreide levenscyclusbeheer, de coördinatie en het bestuur van de AI-agenten.

Wat is er anders dan vandaag: Deze laag zal de huidige ongelijksoortige set pilots en beperkte agentische implementaties naar voren brengen. Hoewel er op regels gebaseerde bots bestaan, zijn er weinig adaptieve, niet-deterministische en doelgerichte softwareprogramma's die op grote schaal worden geïmplementeerd.

Belangrijkste technologische mogelijkheden:

• Runtime-omgeving van agent: Beheert de levenscyclus, uitvoering en resourcetoewijzing voor AI-agenten.
• Agent Lifecycle Management Suite: Omvat ontwikkelingsframeworks, ontwikkel- en testtooling, en beheersystemen voor agentactiviteiten en versiebeheer.
• Engine voor redeneren van agenten: Een cognitief raamwerk voor agenten om doelen op te lossen, te plannen en te beslissen welke tools moeten worden gebruikt om complexe problemen op te lossen.
• Geheugen- en contextopslag voor agenten: Hiermee kunnen agentexemplaren context over vorige interacties oproepen en onderhouden, wat consistentie en personalisering garandeert.
• Interoperabiliteitsprotocollen voor agenten: Gestandaardiseerde interfaces voor agent-naar-agent communicatie (A2A) en voor agenten om te communiceren met externe systemen (zoals via het Model Context Protocol).
• Toolregister: Een beheerde set interne en extern ondersteunde tools die agenten kunnen aanroepen om een bepaalde taak uit te voeren.
• Agentregister: Een gemodereerd ecosysteem van vooraf samengestelde AI-oplossingen en -agenten dat ontdekking en capaciteitsovereenkomsten ondersteunt.
• Afdwinging van polissen voor gedistribueerde agenten: Maakt governance voor de hele onderneming mogelijk door agenten de mogelijkheid te bieden zelf naleving te controleren voordat ze acties ondernemen.
• Framework voor zelfreflectie en aanpassing van agenten: Biedt een mechanisme voor een agent om zijn eigen prestaties te analyseren en, met menselijke goedkeuring, verbeteringen te activeren of wijzigingen aan zichzelf voor te stellen.

Functie: Deze laag fungeert als een gecentraliseerde intelligencehub en biedt AI-modellen als een set gedeelde services die kunnen worden verbruikt door de Agentic Layer (en toepassingen) om de redeneer- en besluitvormingsmogelijkheden ervan te ondersteunen met ingebouwde veiligheidsframeworks en bewaking.

Wat is er anders dan vandaag: Traditioneel werden AI-modellen ingebed binnen specifieke toepassingen. In de IT-architectuur van de Agentic Enterprise is de AI/ML-laag een eersteklas, gecentraliseerde set services die vele toepassingen en agenten aanstuurt en de gehele levenscyclus van het model ondersteunt, van ontwikkeling tot real-time service op schaal.

Belangrijkste technologische mogelijkheden:

• Vooraf samengestelde basismodellen: Grote ML-modellen getraind op een breed spectrum van gegevens, geschikt voor het uitvoeren van een grote verscheidenheid aan algemene taken.
• Retrieval-Augmented Generation (RAG): Een op AI gerichte pijplijn die basismodellen baseert op ondernemingsspecifieke gegevens om de nauwkeurigheid te verbeteren en hallucinaties te verminderen.
• AI Trust, Safety, & Governance Hub: Een reeks tools die zijn geïntegreerd in de levenscyclus van het model om verantwoorde AI-principes af te dwingen, zoals vertekeningsdetectie, uitlegbaarheid en veiligheidsbewaking.
• Modelgateway: Een routeringsengine die fungeert als één invoerpunt voor alle modelinferentieverzoeken en aanroepen naar verschillende interne en externe modellen beheert om kosten, prestaties en naleving te optimaliseren.
• Werkbank voor modelontwikkeling: Een geïntegreerde ontwikkelomgeving voor datawetenschappers met tools voor gegevensvoorbereiding, modeltraining en experimenten.
• MLOps & Lifecycle Automation Pipeline: De CI/CD-engine voor machine learning, die de volledige levenscyclus van modellen automatiseert, van training tot implementatie en pensionering.
• Modelservice en inferentierun-time: Een schaalbare omgeving met lage latentie voor het implementeren van getrainde modellen als veilige API-eindpunten voor realtime verbruik.
• Model- en activumregister: Een gecentraliseerde, versiebeheerde opslagplaats voor alle AI/ML-activa, inclusief modellen, gegevenssets en broncode, die reproduceerbaarheid en controleerbaarheid garandeert.
• Genereren en beheren van synthetische gegevens: Tooling voor het genereren en beheren van synthetische gegevens die de statistische eigenschappen van echte gegevens behoudt zonder gevoelige informatie bloot te leggen.

Functie: De Enterprise Orchestration Layer is het controlevlak voor end-to-end werk in een agentische onderneming. Het zorgt ervoor dat agentische werkstromen en interacties voldoen aan ondernemingsdoelstellingen en governancebeleid. Het verbruikt telemetrie voor observatie uit andere lagen om uitgebreide bedrijfsprocesmodellen samen te stellen, waardoor optimalisering mogelijk is op basis van KPI's uit de semantische laag. Deze laag biedt de gedeelde context en het langlopende geheugen voor elk nieuw exemplaar van een AI-agent voor kritieke werkstromen.

Wat is er anders dan vandaag: Deze laag biedt uniforme zichtbaarheid van bedrijfsprocessen door machineleesbare modellen te maken die zowel gestructureerde, deterministische stappen als het ongestructureerde, dynamische werk dat door mensen en agenten wordt uitgevoerd, vastleggen. Het gaat verder dan de huidige mensgerichte samenwerkings- en governancemodellen door bedrijfsdoelstellingen en nalevingsregels programmatisch te coderen als beperkingen in agentische werkstromen om het agentische personeel te besturen.

Belangrijkste technologische mogelijkheden:

• Engine voor uitvoering van hybride werkstromen: De kernrun-time die het "blended doeltreffende combinatiemodel" uitvoert, wat gecentraliseerd overzicht biedt terwijl lokale agentchoreografie mogelijk is.
• Engine voor procesbeheer en -beperkingen: Een realtime governance-service die declaratieve bedrijfsregels, beleidsvormen en beperkingen gebruikt en toepast op alle processen tijdens de vlucht.
• Gedeeld geheugen en contextbeheer: Een gedeelde geheugenlaag die toegankelijk is voor alle actoren in een werkstroom om continuïteit en samenhang in meerdere stappen te behouden.
• Process Modeling Studio: Een ontwerpomgeving voor het maken en beheren van machineleesbare, semantisch rijke procesmodellen die zowel deterministische als dynamische, doelgerichte stappen definiëren.
• Procesoptimalisatie en simulatie: Een mogelijkheid die digitale simulaties van bedrijfsprocessen samenstelt voor geavanceerde analyse, wat-als-simulaties en voorspellende optimalisering.
• Procesdetectie en gezondheidsbewaking: Neemt procesmodellen en real-time gegevens op om te rapporteren over bedrijfsmeetgegevens van procesgezondheid.
• Digitale tweelingprocesmodellering: Een real-time spiegel van live werkstromen voor testen, simuleren van wijzigingen en optimaliseren zonder gevolgen voor de productie.

Functie: Deze laag maakt bestaande functionaliteit van bedrijfstoepassingen zichtbaar als samenstelbare en modulaire tools en services die agenten kunnen gebruiken. Het dient ook als de presentatierun-time voor het inbedden van agentische mogelijkheden in de gebruikerservaring. Toepassingen blijven het systeem van records, maar worden opnieuw ontworpen om "headless" mogelijkheden voor agenten te zijn.

Wat is er anders dan vandaag: Toepassingen zullen evolueren van monolithische UI's naar "back-end services" die agenten dynamisch kunnen aanroepen via API's en events. Deze laag zal native worden geïntegreerd met AI-agenten en -modellen, en de proliferatie van codegeneratie-LLM's zal leiden tot een toename van het aantal aangepaste, door agenten samengestelde microtoepassingen.

Belangrijkste technologische mogelijkheden:

• Modulaire toepassingsservices: Ontbonden bedrijfslogica uit traditionele toepassingen, gepubliceerd als machineleesbare acties die agenten kunnen aanroepen.
• Agent SDK's inbedden: Toolkits en bibliotheken waarmee ontwikkelaars agenten veilig rechtstreeks in toepassingsUI's kunnen inbedden.
• Dynamische UI-generatieservices: Services waarmee een AI-agent UI-componenten in real-time kan genereren of wijzigen op basis van gebruikerscontext.
• AI-Native UI Frameworks: Front-end frameworks die zijn ontworpen met ingebouwde ondersteuning voor het afhandelen van AI-gestuurde UI's, zoals het beheer van probabilistische gegevens en streaming tekstresponsen.
• Met agenten geïnfundeerde systemen van betrokkenheid: Enterprise-productiviteits- en samenwerkingstoepassingen die AI-agentmogelijkheden bevatten via visuele componenten.
• AI-uitgebreide ontwikkeling van toepassingen met lage code/geen code: Tools waarmee gebruikers en agenten aangepaste apps en services kunnen maken met natuurlijke taal en aanwijzingen.
• App Vangrails voor Agentgebruik: Besturingselementen aan de toepassingszijde voor agentgebruik, zoals snelheidsbeperking, bereikmachtigingen en telemetrie.

Functie: De semantische laag biedt een gecombineerd inzicht in gegevens en Knowledge in de hele onderneming, waardoor zowel mensen als AI-agenten informatie consistent kunnen interpreteren en ernaar kunnen handelen. Het gebruikt Knowledge representatie tools zoals ontologieën en Knowledge grafieken om query's met natuurlijke taal te vertalen naar nauwkeurige, context-bewuste gegevensquery's.

Wat is er anders dan vandaag: Hoewel de huidige ondernemingen ongelijksoortige opslagplaatsen voor metagegevens hebben, vereist de IT-architectuur van de Agentic Enterprise een gecentraliseerde Enterprise Knowledge Graph (EKG) die gegevens koppelt tussen domeinen met expliciet gedefinieerde semantische relaties. Dit biedt de rijke context die AI-agenten kunnen doorlopen om complexe redeneringen uit te voeren, waardoor vereisten worden gecreëerd voor een set technische mogelijkheden om Knowledge grafieken aan te sturen die meerdere functionele domeinen bestrijken.

Belangrijkste technologische mogelijkheden:

• Metadata Service: Biedt beschrijvende metagegevens, inclusief gegevensafstamming, eigendom en classificaties.
• Bedrijfswoordenlijst en taxonomiebeheer: Een tool voor zakelijke gebruikers om standaard zakelijke voorwaarden te definiëren en overeen te komen.
• Semantisch modelbeheer: Een werkbank voor Knowledge engineers voor het maken, beheren en besturen van semantische modellen en ontologieën.
• Enterprise Knowledge Graph (EKG): Een run-time instantie van de ondernemingsontologie die de relaties tussen bedrijfsentiteiten opslaat en toewijst.
• Engine voor opname en harmonisering van metagegevens: Een geautomatiseerde pijplijn die de Enterprise Knowledge Graph invult en onderhoudt vanuit verschillende bronsystemen.
• Semantische query-engine: Interpreteert query's met natuurlijke taal en stelt gestructureerde query's samen op basis van het ECG om gegevens op te halen uit diverse bronnen.
• Engine voor semantisch redeneren: Analyseert en leidt impliciete Knowledge en verborgen relaties af van het ECG.

Functie: De gegevenslaag is de basisbron van waarheid, en beheert en biedt veilige, gereguleerde toegang tot alle ondernemingsgegevens die de semantische laag moet interpreteren, de AI/ML-laag die moet worden gebruikt voor training, toepassingen die moeten worden gebruikt voor transacties en agenten voor redenering.

Wat is er anders dan vandaag: De gegevenslaag ontwikkelt zich tot een meer uniforme, real-time en governance-gerichte gegevenslaag, vaak gecentreerd op een gegevens-lakehouse op cloudschaal. Het moet een groter volume en een grotere verscheidenheid aan gegevens verwerken en overschakelen van batchgeoriënteerde verwerking naar realtime streaming om reactieve agenten te ondersteunen. Gegevensbeheer en -kwaliteit worden nog belangrijker om te voorkomen dat slechte gegevens onjuiste AI-uitvoer veroorzaken.

Belangrijkste technologische mogelijkheden:

• VectorDB: Een gespecialiseerde database die is geoptimaliseerd voor het opslaan van en uitvoeren van query's op hoogdimensionale vectorinbedding, van cruciaal belang voor RAG.
• Intelligente analytische gegevenspijplijnen: Een geautomatiseerde, metagegevensgestuurde service voor gegevensopname, transformatie en laden (ETL/ELT) in de gegevenslaag.
• Lakehouse voor ondernemingsgegevens: Een centrale opslagplaats voor gestructureerde, semigestructureerde en ongestructureerde gegevens, geoptimaliseerd voor zowel analyses als AI-werkbelasting.
• Gegevensbundeling en -zoekopdracht met nul kopiëren: Technieken voor toegang tot, query's uitvoeren op en zoeken in gegevens binnen meerdere stores zonder fysieke gegevensverplaatsing.
• Natuurlijke taal naar SQL: Een techniek voor het converteren van query's met natuurlijke taal naar SQL.
• Enterprise Data Catalog & Discovery Service: Een gecentraliseerde, doorzoekbare voorraad van alle gegevensactiva binnen de onderneming.
• Hoofd- en verwijzingsgegevensbeheer (MDM): Beheert de "gouden record" voor kritieke bedrijfsentiteiten zoals Klant en Product.
• Adaptieve service voor gegevenskwaliteit: Een service voor continue bewaking die AI gebruikt om Gegevenskwaliteitsproblemen automatisch in real-time te detecteren en te verhelpen.
• Gegevenscontracten: Machineleesbare overeenkomsten tussen gegevensproducenten en consumenten waarin het schema, de semantiek en de SLA's van gegevensuitwisseling zijn vastgelegd.
• AI-gespecialiseerde gegevensopslagplaatsen: Databases die zijn ontworpen voor specifieke AI-gebruikscases, zoals tijdreeks- of grafiekdatabases.
• AI-gereed gegevensweefsel: Een logische gegevensabstractielaag die een gecombineerde, gevirtualiseerde weergave van gegevens biedt over verschillende fysieke systemen.
• Realtime gegevensverwerking: Mogelijkheden voor het continu verwerken en analyseren van multimodale gegevensstromen op machinesnelheden.

Functie: De infrastructuurlaag ondersteunt alle andere lagen en biedt de reken-, opslag-, netwerk- en cloudmogelijkheden die nodig zijn om AI en agentische werkbelastingen op een veerkrachtige en kostenefficiënte manier uit te voeren.

Wat is er anders dan vandaag: AI-werkbelastingen vereisen een grotere schaalbaarheid en elasticiteit om de probabilistische aard van agentische systemen aan te kunnen. De infrastructuur moet snelle levering, gespecialiseerde hardware zoals GPU's en netwerkverkeer met lage latentie en hoge doorvoersnelheid ondersteunen voor communicatie tussen agenten.

Belangrijkste technologische mogelijkheden:

• Infrastructuur als code: Geautomatiseerde levering en beheer van infrastructuur met CI/CD-implementatiepijplijnen.
• Hybride en multi-cloud AI-infrastructuur: Maakt gebruik van elasticiteit van de openbare cloud en gespecialiseerde infrastructuur voor genererende AI-werkbelastingen.
• AI-geoptimaliseerde berekeningen, opslag en netwerken: Wijst dynamisch infrastructuurresources toe en schaalt deze op basis van variabele vraag vanuit AI-werkbelastingen.
• Edge AI-infrastructuur: Hiermee kunnen AI-modellen en -agenten aan de rand van het netwerk worden geïmplementeerd voor gebruikscases met unieke latentie- of privacyvereisten.
• Infrastructuur voor zelfheling: Gebruikt AI voor het beheer van systeemherstel zonder handmatige invoer, wat een hoge beschikbaarheid garandeert.
• Duurzame AI Computing: Energie-efficiënte benaderingen om de milieu-impact van AI-werkbelasting te verminderen.
• Kosten- en CO2-bewuste automatische schaalbaarheid: Gebruikt FinOps en duurzaamheidssignalen om schaalbaarheid en plaatsing van capaciteit te stimuleren.

Functie: De integratielaag dient als universele communicatiestructuur voor alle systemen (verouderd en nieuw) via API's, events, protocollen en middleware om ervoor te zorgen dat agenten naadloos services, gegevens en tools kunnen ontdekken en gebruiken.

Wat is er anders dan vandaag: Integratie moet evolueren om de dynamische, veel-op-veel communicatiepatronen van AI-agenten te ondersteunen, in plaats van alleen vooraf bepaalde, statische interacties tussen een paar bekende systemen af te handelen. Het vereist real-time gegevensverwerking en moet ruimte bieden voor ad-hoc ontdekking en samenwerking tussen agenten.

Belangrijkste technologische mogelijkheden:

• Pijplijn voor operationele gegevensconnectiviteit: Door AI ondersteunde tools voor automatische schematoewijzing, gegevenstransformatie en het genereren van werkstromen, inclusief API-geleide, eventgestuurde en Reverse ETL-mogelijkheden.
• Adaptief API-beheer en Service Mesh: API-gateways en service-meshtechnologie die services dynamisch kunnen registreren, ontdekken en beheren met adaptieve beleidsafdwinging voor agenten.
• Semantische Knowledge Adapters: Een integratiecomponent die een gedeelde woordenlijst en een gedeeld gegevensmodel biedt voor agenten en toepassingen voor consistente interpretatie van gegevens.
• Eventgestuurde integratiestof: Een berichtenverkeer met hoge doorvoer en lage latentie en streaming backbone die ontkoppelde, asynchrone communicatie mogelijk maakt.
• Agent Protocol Gateway: Een gateway voor MCP-services waarmee agenten veilig tools kunnen ontdekken en acties kunnen activeren, waarbij MCP wordt verbonden met interne API's en events.
• Composeerbare vermogenscatalogus en marktplaats: Een gecentraliseerde, beheerde catalogus voor alle ondernemingsmogelijkheden—API's, services, agentvaardigheden, modellen en gegevenssets—geannoteerd met semantische metagegevens voor on-demand samenstelling.

Functie: Deze laag bewaakt en beheert de gezondheid en operationele prestaties van agenten en het gehele systeem (observability embedded principle), en biedt transparantie en controle door insights te genereren om auditing, foutopsporing, uitlegbaarheid, kosten en resourceoptimalisering van het personeel van de onderneming mogelijk te maken.

Wat is er anders dan vandaag: Deze laag wordt nog belangrijker gezien het risico dat AI-agenten fouten maken op machinesnelheid. Het moet verder gaan dan infrastructuurbewaking en het onvoorspelbare gedrag van autonome agenten omvatten, wat nieuwe soorten telemetrie vereist en het vermogen om semantische correctheid te begrijpen, niet alleen technische prestaties.

Belangrijkste technologische mogelijkheden:

• Real-time Monitoring & Observability Platform: Verzamelt continu logboeken, meetgegevens en traceringen in de gehele IT-omgeving, met uitbreidingen voor ML-meetgegevens en agentgedrag.
• FinOps & Cloud Kostenbeheer: Verantwoordelijk voor het bewaken, analyseren en optimaliseren van de infrastructuurkosten die zijn gekoppeld aan AI en agentische werkbelasting.
• Agent- en ML-specifieke bewaking: Legt elke stap van de uitvoering van een agent vast in een onveranderbaar controletraject en profileert voortdurend het gedrag van agenten om afwijkingen van bestaande normen te detecteren.
• AIOps, Incident- en wijzigingsbeheer: Gebruikt AI/ML om potentiële IT-problemen te voorspellen, de hoofdoorzaken te identificeren en herstelwerkstromen te maken.
• Gesloten feedbacklus voor opleidingen: Integreert waarneembare telemetrie van agenten terug in MLOps-pijplijnen, waardoor geautomatiseerde modelhertraining of snelle aanpassing mogelijk is.
• Semantische observatie-engine: Integreert waarneembaarheid met de semantische laag voor contextualisering om de detectie van semantische anomalieën in het gedrag van agenten mogelijk te maken.

Doel: Deze laag verankert Trust en veiligheid in de gehele architectuur door de activa van de onderneming te beschermen tegen bedreigingen, risico's te beheren en naleving van wettelijke vereisten te waarborgen. Het omvat identiteitsbeheer, dreigingsdetectie, GRC en AI-specifieke beveiligingsmaatregelen.

Wat is er anders dan vandaag: De beveiligingslaag moet zich ontwikkelen om nieuwe aanvalsoppervlakken van AI-modellen en -agenten aan te pakken, zoals prompt injectie en modelvergiftiging. Identiteits- en toegangsbeheer moet veranderen van statische, op rollen gebaseerde besturingselementen in dynamische, op intents gebaseerde machtigingen die just-in-time worden verleend en onmiddellijk na gebruik worden ingetrokken.

Belangrijkste technologische mogelijkheden:

• LLM-invoer-/uitvoerbeveiliging en vangrails: Enterprise vangrails toegepast op aanwijzing en reactietijd om onveilige inhoud, PII-lekken en jailbreaks te blokkeren.
• Zero Trust Architectuur met AI-verificatie: Doorlopende authenticatie uitgebreid met op AI gebaseerde gedragsanalyse, met fijnmazige, just-in-time toegang voor agenten op basis van hun specifieke taak.
• Agent Security Framework: Verfijnde machtigingsmodellen, bewaking op schadelijk gedrag en insluitingsmechanismen om agentactiviteiten veilig te onderbreken.
• Beveiliging van AI-model: Een diepgaande strategie met controles in elke fase van de levenscyclus van het model om te beschermen tegen vergiftiging, extractie en vijandelijke aanvallen.
• Privacybeschermende AI: Technieken zoals gebundeld leren en differentiële privacy om gevoelige gegevens te beschermen.
• Met AI uitgebreide GRC: Gebruik van AI-agenten om continu de naleving van IT-architectuur te bewaken met besturingselementen.
• Policy-as-Code Engine: Eén bron van waarheid voor het definiëren van bedrijfsregels en nalevingsbeperkingen in een declaratieve, machineleesbare indeling om vangrails te zetten voor het gedrag van agenten.
• Continu rood-teaming: Geautomatiseerde, doorlopende vijandige tests van AI-modellen en -agenten om kwetsbaarheden te identificeren voordat aanvallers ze misbruiken.

Transformatie naar Agentic Enterprise vereist het volgen van een journey van meerdere fasen door de technologische basis te leggen en tegelijkertijd tastbare bedrijfswaarde te creëren (zie figuur 3 hieronder). Hoewel de precieze routekaart afhankelijk is van de strategie, cultuur, het AI-governancemodel en het uitgangspunt van de IT-architectuur van de onderneming, moeten de meeste organisaties een gefaseerde aanpak volgen, aangezien voortdurende IT-investeringen agenten met een groeiend bereik, complexiteit en waardecreatie aansturen. Salesforce's Agentic Maturity Model biedt een nuttig raamwerk van volwassenheidsniveaus voor ondernemingen om hun transformatie te strategieën. Het schetst hoe de mogelijkheden van agenten kunnen groeien van het ophalen van basale informatie (niveau 1) naar het organiseren van complexere werkstromen met meerdere domeinen (niveau 2 en 3) en agenten (niveau 4). Om deze fasen met succes te doorlopen, moet de IT-architectuur op een gecoördineerde manier evolueren, met gerichte investeringen in verschillende lagen van de architectuur in elke fase om te voldoen aan de behoeften van de complexere en waardevollere implementaties van AI-agenten. Voor elk volwassenheidsniveau worden de specifieke technologiemogelijkheden die nodig zijn voor de 11 architectonische lagen, geïdentificeerd met een reden voor investeringen.

Looptijdniveau 1: Agenten voor het ophalen van informatie

Bedrijfsdoelstelling en waarde: Verbeter de productiviteit van menselijke medewerkers door een vertrouwde, conversationele interface te bieden voor het uitvoeren van query's op Enterprise Knowledge. De primaire waarde ligt in het vergroten van menselijke capaciteiten, niet in het vervangen ervan. Deze agenten helpen mensen door informatie op te halen en acties aan te bevelen.

Architectonische focus: De focus ligt op het opzetten van een veilige, betrouwbare gegevensbasis en de basis AI-componenten die nodig zijn voor het ophalen van informatie. Governance en waarneembaarheid zijn vanaf de eerste dag van cruciaal belang voor het opbouwen van User Trust en het beheersen van kosten.

Belangrijkste technologische investeringen (figuur 4):

In dit stadium moet IT zich richten op het creëren van een betrouwbare gegevens-naar-agent-pijplijn en andere basismogelijkheden. Technologieën in de gegevenslaag, zoals een VectorDB, zijn essentieel voor het inschakelen van de retrieval augmented generation-technieken (RAG-technieken) die agenten voor het ophalen van informatie aansturen. Dit is gekoppeld aan een gecentraliseerde AI/ML-laag die een modelgateway omvat voor veilige, kostengecontroleerde toegang tot basismodellen en een AI Trust, Safety & Governance Hub om te controleren op onveilige uitvoer en naleving te garanderen. Hoofdgegevensbeheer en bedrijfswoordenlijsten in de semantische laag zijn essentieel voor agenten om nauwkeurige informatie op te halen. Agentrun-time en levenscyclusmogelijkheden zijn vereist om ervoor te zorgen dat agenten die in deze fase zijn samengesteld, kunnen worden gewijzigd en uitgebreid voor toekomstige gebruikscases. Voor het leveren van waarde en het opbouwen van vertrouwen bij de gebruiker moet de ervaringslaag een UI Toeschrijving en transparantie bevatten, die reacties van agenten verklaarbaar maakt door citaten en de bronnen van de informatie ervan te tonen. Fundamentele investeringen in waarneembaarheid en beveiliging (bijvoorbeeld zero Trust) moeten beginnen met de implementatie om de weg te effenen voor toekomstige agentische implementaties.

Looptijdniveau 2: Eenvoudige doeltreffende combinatie, agenten met één domein

Bedrijfsdoelstelling en waarde: Automatiseer routinetaken en organiseer werkstromen met een lage complexiteit binnen één bedrijfsdomein. Dit verbetert de operationele efficiëntie en vermindert handmatig werk, waardoor menselijke medewerkers zich kunnen richten op activiteiten met een hogere waarde.

Architectonische focus: De belangrijkste architectonische verschuiving is van alleen-lezen gegevens ophalen naar acties uitvoeren. Dit vereist een langere journey voor het modulariseren van toepassingsfunctionaliteit (vaak blootgesteld als API's) voor agenten om toegang te krijgen, het implementeren van robuuste beveiliging voor agentacties en het samenstellen van semantische en AI-ontwikkelfunctionaliteit om de intelligentie van AI-agenten te bevorderen.

Belangrijkste technologische investeringen (figuur 5):

Investeringen richten zich thematisch op het mogelijk maken van AI-agenten om actie te ondernemen met de juiste governance. De laag Toepassingen en appservices ondergaat een kritieke verandering, omdat monolithische bedrijfslogica wordt ontbonden in modulaire toepassingsservices (API's) die agenten kunnen aanroepen. Deze worden beschermd door app-vangrails om te voorkomen dat agenten systemen overspoelen, met integraties in observatietools. Om deze agenten van stroom te voorzien, moeten investeringen worden gedaan in agentredenering, toolprotocollen (zoals MCP) en registers. Dit brengt nieuwe risico's met zich mee, waardoor een speciaal Agent Security Framework en AI-model en agentbewakingsmogelijkheden essentieel zijn voor governance en beveiliging. Ten slotte kunnen bedrijven hun AI/ML-mogelijkheden voor aangepaste modellen gaan opschalen om deze agenten domeinspecifieke taken te laten uitvoeren.

Looptijdniveau 3: Agenten voor doeltreffende combinatie voor meerdere domeinen

Bedrijfsdoelstelling en waarde: Complexe, end-to-end bedrijfsprocessen automatiseren die organisatorische en functionele grenzen overschrijden (zoals "quote-to-cash", "lead to order"). De waarde zit in het afbreken van silo's, het versnellen van procescyclustijden en het optimaliseren van complete waardeketens binnen het bedrijf. Hogere stapsgewijze veranderingen in de productiviteit van menselijke medewerkers zijn mogelijk nu organisatorische belemmeringen beginnen weg te vallen en mensen zich meer gaan richten op het toezicht op AI-agenten.

Architectonische focus: De architectuur moet nu horizontale technische problemen ondersteunen. Een gedeeld semantisch inzicht in de hele onderneming, een gecentraliseerde doeltreffende combinatie-engine voor governance en een ontkoppelde, door events gestuurde integratiestructuur worden de belangrijkste factoren.

Belangrijkste technologische investeringen (figuur 6):

Technologie-investeringen zijn thematisch gericht op het orkestreren van processen op ondernemingsniveau voor mensen, agenten en deterministische systemen. De Enterprise Orchestration Layer wordt een focus van investeringen, waarbij een hybride werkstroomuitvoeringsengine nodig is voor het coördineren van activiteiten en een proces-governance- en beperkingsengine voor het afdwingen van bedrijfsregels en nalevingsbeleid voor processen tijdens de vlucht, aangezien agenten over meerdere domeinen werken, vaak met verschillende beleidsvormen en semantische definities. Deze interdomeincoördinatie is alleen mogelijk met een volwassen semantische laag die een Enterprise Knowledge Graph (EKG) bevat, die een gedeeld inzicht creëert in de manier waarop bedrijfsentiteiten zich over domeinen verhouden. De integratielaag moet worden geëvolueerd om een Event-Driven Integration Fabric op te nemen, die een streaming backbone gebruikt om systemen te ontkoppelen en de veerkrachtige, asynchrone communicatie mogelijk te maken die kenmerkend is voor langlopende ondernemingsprocessen. Gezien de hogere waarde van deze werkstromen en de bijbehorende risico’s worden extra investeringen in beveiliging en monitoring van groot belang (bijvoorbeeld AIOps, policy-as-code). Ten slotte moet er verder worden geïnvesteerd in de Application and Services Layer (zoals AI-enabled LCNC, meer dynamische en multimodale gebruikerservaringen) nu menselijke gebruikers meer capabele AI-agenten gaan bewaken en ermee gaan samenwerken.

Looptijdniveau 4: Multi-agent, multi-domein doeltreffende combinatie

Bedrijfsdoelstelling en waarde: Herontwerp en optimaliseer bedrijfsactiviteiten binnen domeinen om stapsgewijze veranderingen in productiviteit en efficiëntie te stimuleren. In deze fase wordt gewerkt aan een holistische digitale simulatie (digital twin) van de onderneming voor continue verbetering en strategische planning voor belangrijke bedrijfsprocessen en werkstromen.

Architectonische focus: De laatste fase richt zich op het mogelijk maken van dynamische, opkomende samenwerking tussen agenten. Dit vereist geavanceerde A2A-communicatieprotocollen (Agent-to-Agent), zelflerende mogelijkheden voor agenten, verdere investeringen in de volwassenheid van de lagen Orchestration, Data en Semantic, en een volledig dynamische en zelfherstellende infrastructuur om te voldoen aan de groeiende behoeften van dynamische AI-werkbelastingen naarmate agenten in de hele onderneming worden geschaald.

Belangrijkste technologische investeringen (figuur 7):

Thematische investeringen richten zich op het creëren van een zichzelf verbeterend, autonoom systeem. In de Agentic Layer biedt een Agent Self-Reflection & Adaptation Framework het mechanisme voor een agent om zijn eigen prestatielogboeken te analyseren en verbeteringen te activeren. Dit leren wordt ondersteund door de IT Operations and Observability Layer, die een Gesloten opleidingsfeedbacklus implementeert om automatisch observatiegegevens terug te voeren naar MLOps-pijplijnen voor modelhertraining, die ook gebruik kan maken van het genereren van synthetische gegevens om modelprestaties verder te optimaliseren. Met netwerken van agenten die worden geïmplementeerd binnen verschillende afdelingen, in combinatie met voortdurende inspanningen voor het modulariseren van toepassingen, worden verdere investeringen in beveiliging en cruciaal een samenstelbare capaciteitencatalogus noodzakelijk voor agenten om dynamisch mogelijkheden samen te stellen om meer abstracte en waardevolle taken op te lossen. Deze processen worden allemaal georganiseerd en geoptimaliseerd via een nieuwe Digital Twin Process Modeling-mogelijkheid, die realtime gegevens gebruikt om simulaties te maken voor "wat-als"-analyse en voorspellende optimalisering, waardoor de onderneming veilig nieuwe agentische implementaties kan testen en implementeren.

Conclusie

De roadmap voor een Agentic Enterprise doorloopt een IT-architectonische evolutie. Enterprise architects zullen de cruciale drijvende krachten achter deze transformatie zijn en samen met andere partners in de business en IT de cruciale investeringsbeslissingen aansturen die nodig zijn voor de organisatie om de waarde van de nieuwe zakelijke mogelijkheden van de Agentic Enterprise te realiseren.