AI veran­dert niet alleen wat bedrijfs­soft­ware kan, maar ook hoe medewer­kers ermee werken. Waar systemen tradi­ti­o­neel infor­matie vastleggen, analy­seren en medewer­kers onder­steunen, kunnen AI-agents steeds vaker zelf situa­ties beoor­delen, acties voorbe­reiden en binnen vastge­stelde kaders taken uitvoeren. Zodra AI-agents niet alleen adviseren maar ook gaan handelen, ontstaat de volgende uitda­ging: hoe laat je ze over planning, inkoop, productie en logis­tiek heen samen­werken zonder dat hun beslis­singen ongewenste gevolgen hebben?

“Een agent bouwen is niet meer zo moeilijk”, stelt Bart Van der Biest, managing director van SAP Benelux. “De complexi­teit zit vooral in alles wat er omheen nodig is. Denk aan security, autori­sa­ties en gover­nance, maar ook aan een platform waarmee verschil­lende agents gecon­tro­leerd kunnen samenwerken.”

Van signaleren naar handelen

Wat dat in de praktijk betekent, wordt duide­lijk zodra ergens in de supply­chain een versto­ring optreedt. Valt een leveran­cier uit, dan kan een AI-agent niet alleen het probleem signa­leren, maar ook nagaan welke orders worden geraakt, de impact op productie en logis­tiek berekenen en alter­na­tieven voorstellen.

Volgens Marcel Bron, head of supply chain manage­ment bij SAP Benelux, verschuift AI daarbij van adviseren naar handelen. Naarmate agents meer taken zelfstandig uitvoeren, kunnen ze binnen vooraf bepaalde grenzen ook vervolg­ac­ties in gang zetten. Zo ontstaat stap voor stap een autono­mere supply­chain. De rol van medewer­kers verschuift mee: zij sturen niet langer iedere afzon­der­lijke actie aan, maar bepalen de doelen en kaders waarbinnen agents kunnen handelen en grijpen in waar dat nodig is.

Eén beslissing raakt meer dan één proces

Meer autonomie maakt het tegelij­ker­tijd belang­rijk om de impact van beslis­singen over de hele keten te bekijken. Een beslis­sing die binnen één proces logisch lijkt, kan elders in de supply­chain ongewenste gevolgen hebben. “Een agent kan bij een leverings­pro­bleem bijvoor­beeld een leveran­cier voorstellen die goedkoper of sneller is, maar niet over de vereiste certi­fi­ce­ring beschikt”, zegt Bron.

Hij verge­lijkt dat met het bekende bullwhip-effect: een relatief kleine afwij­king aan het begin van de supply­chain kan verderop steeds grotere gevolgen krijgen. Als verschil­lende AI-agents zelfstandig handelen en op elkaars beslis­singen voort­bouwen, kan zo’n effect zich boven­dien sneller door de keten bewegen. Dat maakt het volgens SAP belang­rijk dat agents niet alleen hun eigen taak optima­li­seren, maar ook begrijpen wat hun beslis­singen betekenen voor andere processen.

Van losse agents naar orkestratie

Dat vraagt om meer dan losse agents. De volgende stap is niet ieder onder­deel van de supply­chain voorzien van een eigen AI-agent, maar agents over processen heen laten samen­werken en aansturen. “Als je alleen een stuk planning doet, hoe ga je dan je productie orkestreren? Of als je alleen een stukje trans­port doet, hoe ga je dan je magazijn orkestreren?”, stelt Bron.

Dat vraagt om een end-to-endbe­na­de­ring waarin organi­sa­ties planning, inkoop, productie en logis­tiek niet los van elkaar aansturen. Een veran­de­ring in de planning moet bijvoor­beeld direct in samen­hang kunnen worden bekeken met de gevolgen voor voorraad, produc­tie­ca­pa­ci­teit en trans­port. En omdat supply­chains niet stoppen bij de bedrijfs­muren, kan die samen­wer­king zich ook uitstrekken tot leveran­ciers en andere partners.

Hoeveel vrijheid geef je een agent?

Orkestratie alleen is niet voldoende. Hoe zelfstan­diger agents worden, hoe belang­rijker de vraag wordt welke beslis­singen ze daadwer­ke­lijk zelf mogen nemen. Mag een agent alleen een alter­na­tief voorstellen of ook een vervolg­actie uitvoeren? Wanneer is mense­lijke goedkeu­ring nodig? Tot welke gegevens en systemen krijgt een agent toegang? En wat gebeurt er wanneer agents tot conflic­te­rende conclu­sies komen? Duide­lijke guard­rails, autori­sa­ties en traceer­baar­heid worden daarmee voorwaarden voor meer autonomie. “We moeten alles kunnen terug­tra­ceren van wat er gedaan wordt”, benadrukt Bron.

Ook bedrijfs­con­text speelt daarin een belang­rijke rol. Een agent moet niet alleen over data beschikken, maar bijvoor­beeld ook weten welke contrac­tuele afspraken gelden, welke voorraad beschik­baar is, welke certi­fi­ce­ringen vereist zijn en wie bevoegd is om een bepaalde beslis­sing te nemen.

Volgens SAP ligt daar een belang­rijk verschil tussen algemene AI en enter­prise AI. Enter­prise AI is ingebed in de data, processen en bedrijfs­re­gels van een organi­satie. SAP gebruikt daarvoor onder meer zijn Knowledge Graph, waarmee agents toegang krijgen tot de context binnen bedrijfsapplicaties.

Autonoom betekent niet ongecontroleerd

Voor SAP betekent de autonome supply­chain dan ook niet dat bedrijven zoveel mogelijk beslis­singen aan AI moeten overlaten. De ontwik­ke­ling gaat juist richting een model waarin agents meer opera­ti­o­nele taken kunnen uitvoeren, terwijl bedrijven bepalen binnen welke grenzen dat gebeurt. De mens verdwijnt daarbij niet uit beeld. Die bepaalt de doelstel­lingen, stelt de grenzen waarbinnen agents mogen handelen, beoor­deelt uitzon­de­ringen en blijft uitein­de­lijk verant­woor­de­lijk voor de bedrijfsvoering.

De volgende stap richting een autonome supply­chain draait daarmee niet om zoveel mogelijk AI-agents. De doorslag geeft hoe goed bedrijven die agents over processen heen kunnen laten samen­werken, zonder daarbij de grip op hun supply­chain te verliezen.