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.
