De toepassing van agentic AI, waarbij AI-systemen zelfstandig taken en processen kunnen uitvoeren binnen vooraf bepaalde grenzen, neemt toe. Volgens platformgegevens van Salesforce is het gebruik van AI-agents het afgelopen jaar meer dan verdubbeld.

Met de studie State of Agentic AI in the Enterprise onderzocht Salesforce welke factoren samenhangen met succesvolle implementaties en hoe snel ondernemingen rendement realiseren.

Van de 2.025 bevraagde beslissers werkt 30% bij een organisatie die AI-agents al in productie heeft genomen. Nog eens 47% bevindt zich in een testfase terwijl 23% de technologie momenteel evalueert.

Bij de ondernemingen die AI-agents operationeel gebruiken, bedraagt de gerapporteerde gemiddelde tijd tot rendement ongeveer acht maanden. De respondenten melden daarnaast een gemiddelde adoptiegraad van 53% bij medewerkers en een stijging van de klanttevredenheid met gemiddeld 29%.

Het gaat om zelfgerapporteerde resultaten, niet om onafhankelijk geverifieerde financiële prestaties.

Vroege implementatie garandeert geen sneller rendement

Eén van de belangrijkste conclusies is dat organisaties die relatief snel met AI-agents starten, niet noodzakelijk sneller rendement behalen.

De mate van adoptie verschilt bovendien sterk tussen sectoren.

Professionele en zakelijke dienstverlening en supply chain- en logistieke bedrijven behoren tot de sectoren met een relatief beperkte implementatiegraad maar realiseren volgens de studie wel het snelst een betekenisvol rendement.

Binnen de zakelijke dienstverlening bedraagt de gemiddelde tijd tot rendement ongeveer 6,5 maanden.

De high-tech sector behoort daarentegen tot de grootste gebruikers van AI-agents maar heeft met gemiddeld 10,1 maanden de langste gerapporteerde terugverdientijd.

Die verschillen wijzen erop dat implementatiesnelheid en financieel rendement afzonderlijk moeten worden beoordeeld.

Data-kwaliteit belangrijker dan een volledig uniforme data-omgeving

De voorbereiding van bedrijfsdata blijkt een belangrijke factor bij het realiseren van rendement.

Slechts 31% van de bevraagde organisaties wereldwijd had zijn data volledig gestroomlijnd vóór de uitrol van AI-agents. In Europa lag dat aandeel op 22%.

De overige organisaties waren bij de implementatie nog bezig met de integratie van data-bronnen, het oplossen van data-problemen of het verbinden van gefragmenteerde systemen.

Dat verhindert niet noodzakelijk een succesvolle implementatie. Volgens het onderzoek hoeven ondernemingen hun volledige data-infrastructuur niet vooraf te harmoniseren.

Wel moeten de gegevens die een specifieke AI-agent nodig heeft betrouwbaar, toegankelijk en correct interpreteerbaar zijn.

Organisaties die relevante data vóór de lancering samenbrachten, realiseerden gemiddeld na 7,3 maanden rendement. Bij ondernemingen die hun data-infrastructuur pas na de implementatie aanpakten, bedroeg dat 8,8 maanden.

De resultaten ondersteunen een aanpak waarbij bedrijven eerst concrete toepassingen afbakenen en daarvoor de vereiste data voorbereiden, in plaats van onmiddellijk de volledige bedrijfsinformatiestructuur te vernieuwen.

Integratie in bestaande software verhoogt gebruik

Ook de manier waarop AI-agents in de organisatie worden ingezet, heeft invloed op hun gebruik.

De gemiddelde bevraagde onderneming werkt met 58 afzonderlijke bedrijfsapplicaties. Toch heeft slechts 42% AI rechtstreeks in die toepassingen geïntegreerd.

Wereldwijd bedraagt het gerapporteerde gebruik onder medewerkers 55% wanneer AI geïntegreerd is in de bestaande software-omgeving, tegenover 47% wanneer de technologie als afzonderlijk hulpmiddel wordt aangeboden.

In Europa bedraagt dat verschil 52% tegenover 49%.

Daarnaast geeft 94% van de wereldwijde AI-gebruikers aan dat integratie in belangrijke bedrijfsprocessen meer waarde oplevert dan de inzet van afzonderlijke toepassingen. Bij Europese respondenten bedraagt dat aandeel 92%.

Voor ondernemingen betekent dit dat de aansluiting van AI-agents op bestaande ERP-, CRM-, klanten-service- en operationele systemen een belangrijk aandachtspunt vormt.

Het onderzoek toont daarbij een verband tussen integratie en gebruik maar bewijst niet dat integratie op zichzelf de hogere adoptie veroorzaakt.

Minder governance versnelt rendement maar verhoogt risico's

De studie onderzocht eveneens het verband tussen toezicht, controlemechanismen en implementatieresultaten.

Organisaties beschikken bij de start gemiddeld over twee governance-structuren voor AI-agents. Na de implementatie stijgt dat aantal naar drie.

Bedrijven met relatief beperkte governance rapporteren gemiddeld na 7,2 maanden een positief rendement. Bij organisaties met uitgebreidere controlemechanismen bedraagt dat 9,3 maanden.

Dat snellere rendement gaat echter samen met een hoger operationeel risico.

Bij organisaties met benedengemiddelde governance geeft 32% aan dat afwijkend gedrag van een AI-agent pas na een ernstige fout werd ontdekt. Bij bedrijven met bovengemiddelde governance bedraagt dat aandeel 18%.

Het onderzoek wijst daarmee op een afweging tussen implementatiesnelheid, controlekosten en operationele veiligheid.

Duidelijke escalatieprocedures waarbij AI-agents taken of beslissingen aan medewerkers overdragen zodra bepaalde grenzen worden bereikt, kunnen helpen om risico's te beperken.

Meer dan een derde van de respondenten bij organisaties met vertraagde, vastgelopen of mislukte AI-projecten noemt governance en escalatieprotocollen als onderdelen die zij achteraf anders zouden organiseren.

Gevolgen voor investeringsbeslissingen

De onderzoeksresultaten zijn relevant voor ondernemingen die AI-agents willen inzetten voor klanten-service, verkoop, administratie of operationele processen.

Een snelle technologische implementatie vormt op zichzelf geen garantie voor economisch succes. De zakelijke waarde hangt volgens de studie in belangrijke mate samen met de keuze van geschikte toepassingen, de beschikbaarheid van relevante data en de aansluiting op bestaande werkprocessen.

Ook de financiële beoordeling van AI-projecten vraagt aandacht. Naast software- en implementatiekosten moeten ondernemingen rekening houden met data-voorbereiding, opleiding, integratie, monitoring en menselijke tussenkomst.

De resultaten suggereren dat bedrijven met duidelijk afgebakende toepassingen en vooraf bepaalde prestatie-indicatoren hun investeringen gerichter kunnen evalueren.