De evolutie van AI
De ontwikkeling van AI kan worden gezien als een reeks generaties, elk met een eigen vorm van intelligentie en mate van autonomie. Forrester (2025) onderscheid daarbij de volgende generaties:

• De eerste generatie, process automation (RPA/DPA), richtte zich op het uitvoeren van vaste regels in voorspelbare omgevingen. Denk aan systemen die facturen verwerken, dossiers aanmaken of data overtypen. Deze aanpak bracht efficiëntie, maar geen aanpassingsvermogen: zodra de context veranderde, liep het systeem vast.
• De tweede generatie, predictive analytics en machine learning, introduceerde statistische intelligentie. Modellen konden patronen herkennen, voorspellingen doen en aanbevelingen genereren op basis van historische data. Een algoritme dat klantverloop voorspelt of fraude detecteert, is daar een voorbeeld van. Toch bleef de intelligentie passief: het systeem kon observeren en adviseren, maar niet zelfstandig handelen of leren.
• De derde generatie, standalone large language models (LLM’s), maakte natuurlijke taal tot interface. Systemen als GPT of Claude kunnen vragen analyseren, teksten schrijven en contextueel redeneren binnen afgebakende domeinen. Ze openen een nieuwe manier van samenwerken tussen mens en machine, maar missen nog het vermogen tot planning, actie en reflectie. Hun wereld blijft verbaal: ze begrijpen taal, maar niet de context waarin die taal betekenis krijgt.
• De vierde generatie, retrieval-augmented generation (RAG), verbindt taalmodellen met externe kennisbronnen. Deze systemen kunnen informatie ophalen, samenvatten en combineren met actuele data. Zo versterken ze het geheugen van een taalmodel en vormen ze de brug tussen kennis en redenering — maar nog niet tussen kennis en actie. De output is informatie, geen gedrag.
• De vijfde generatie, agentic AI, brengt deze elementen samen in systemen die kunnen plannen, coördineren en handelen. Ze combineren taalbegrip, kennisopslag en doelgerichte besluitvorming. Een agent kan een taak opdelen in subtaken, acties uitvoeren via tools of API’s, leren van feedback en zijn strategie aanpassen. Waar RPA zich beperkte tot regels, ML tot patronen en LLM’s tot taal, beweegt agentic AI richting doelgerichte adaptiviteit.

Embodied en physical AI – de volgende generatie?
Volgens Max Welling, hoogleraar machine learning aan de Universiteit van Amsterdam, vormt agentic AI een keerpunt dat vergelijkbaar is met de industriële revolutie. Waar de stoommachine fysieke arbeid verving, neemt AI steeds vaker cognitieve arbeid over. Toch is dit volgens Welling slechts het begin. De volgende stap, of zesde generatie, is embodied AI: systemen die niet alleen softwarematig, maar ook fysiek opereren. Denk aan robots, voertuigen en machines die hun digitale intelligentie koppelen aan tastbare aanwezigheid.

Deze visie sluit aan bij NVIDIA’s ontwikkelpad: van perception AI (waarnemen), via generative AI (creëren) en agentic AI (handelen), naar physical AI (belichamen). In dat model verschuift intelligentie van de cloud naar de fysieke wereld zelf. Een autonome robot in een fabriek, een zelfrijdende bus of een dronesysteem voor rampenbestrijding zijn voorbeelden van die samensmelting van virtuele en fysieke autonomie.

Volgens Welling bepaalt deze stap niet alleen de toekomst van technologie, maar ook van economie en geopolitiek. Bedrijven die de overgang van generatieve naar agentische en vervolgens belichaamde AI missen, verliezen concurrentiekracht. Hij verwijst naar de Duitse auto-industrie, die te laat reageerde op de elektrische revolutie: “Wie te lang vasthoudt aan het bestaande paradigma, wordt ingehaald door wie het nieuwe begrijpt.”

Embodied AI vormt zo de synthese tussen digitale intelligentie en fysieke uitvoering — een wereld waarin denkprocessen niet langer gescheiden zijn van handelen.

Drie perspectieven op agentic AI
Forrester, BCG en McKinsey beschrijven agentic AI elk vanuit een ander niveau: architectuur, organisatie en leiderschap. Samen laten ze zien dat het niet gaat om één technologie, maar om een transformatie op meerdere lagen tegelijk.

Forrester (2025) schetst agentic AI in het rapport Is Rising and Will Reforge Businesses That Embrace It als een systeem van samenwerkende entiteiten die plannen, redeneren en handelen. Het onderzoeksbureau onderscheidt drie ontwikkelingsstadia: complex-flow (autonomie binnen één workflow), multiflow (samenwerking tussen agenten over domeinen heen) en any-flow (volledig autonome ecosystemen). Organisaties evolueren zo naar netwerken waarin intelligentie is verdeeld over mens en machine.

BCG (2025) beschouwt agentic AI in het artikel How Agentic AI Is Transforming Enterprise Platforms als motor van procesversnelling en platformtransformatie. Waar traditionele ERP- en CRM-systemen statisch waren, worden ze met agenten dynamisch en zelfoptimaliserend. Onderzoek toont dat agenten processen tot 50 procent kunnen versnellen en 25 tot 40 procent van repetitieve taken kunnen overnemen. BCG benadrukt het belang van veilige autonomie, met controlemechanismen als kill switches en ethical guardrails die autonomie binnen duidelijke grenzen houden.

McKinsey (2025) plaatst agentic AI in het essay The Change Agent: Goals, Decisions, and Implications for CEOs in the Agentic Age in een leiderschapskader. De overgang verloopt van agentic labor (AI als uitvoerend hulpje) naar de agentic engine, waarin teams van agenten complete processen uitvoeren en mensen vooral sturen, leren en corrigeren. Binnen enkele jaren, voorspelt het bureau, zal een groot deel van de medewerkers dagelijks samenwerken met meerdere agenten. Hun rol verandert: iedereen wordt agent leader, verantwoordelijk voor het begeleiden, trainen en beoordelen van zijn digitale collega’s.

De randvoorwaarden
Agentic AI belooft autonomie, maar vraagt in de praktijk om helderheid. Simone Cicero stelt dat veel organisaties niet precies weten wat ze doen, voor wie en met welk doel. Hij noemt dat semantische schuld: een opeenstapeling van vage definities, overlappende functies en inconsistente taal.

AI legt die onduidelijkheid genadeloos bloot. Systemen die moeten plannen en redeneren, hebben een consistente context nodig. Waar mensen nog kunnen werken met impliciete kennis, raakt AI verdwaald in ambiguïteit. Agentic AI dwingt zo tot explicietheid: wat niet gedefinieerd is, blijft onuitvoerbaar.

Cicero pleit daarom voor organisaties opgebouwd uit capability modules — helder gedefinieerde bouwstenen met gestandaardiseerde interfaces. Net zoals zeecontainers ooit de wereldhandel stroomlijnden, kunnen zulke modulaire eenheden de samenwerking tussen mens en AI versnellen.

Het dwingt organisaties tot zelfkennis: wie zijn we, wat doen we en hoe lopen onze processen werkelijk? Pas wanneer de interne semantiek is opgeschoond, kan agentic AI betrouwbaar functioneren. Zonder die basis blijven experimenten steken in verwarring in plaats van vooruitgang.

Tegelijkertijd wijst de recent gepubliceerde vision paper The Agentic State erop dat deze helderheid niet alleen binnen organisaties, maar ook op maatschappelijk niveau noodzakelijk is. Agentische systemen opereren in netwerken van publieke, private en morele waarden. Zonder duidelijke kaders voor eigenaarschap, verantwoording en menselijke supervisie kan de autonomie van agenten botsen met publieke belangen. Het paper pleit daarom voor een layered governance model, waarin technische autonomie wordt ingebed in sociaal en institutioneel toezicht — van lokale besluitvorming tot mondiale standaarden.

De praktijk
De eerste toepassingen van agentic AI zijn al zichtbaar. Banken gebruiken agenten die transacties monitoren en risicoprofielen bijstellen. In de zorg helpen agenten bij het samenvatten van dossiers, het plannen van afspraken en het voorbereiden van overdrachten. In de industrie beheren ze voorraden, plannen onderhoud en reageren op realtime veranderingen in de toeleveringsketen.

De resultaten zijn veelbelovend maar genuanceerd. McKinsey schat dat huidige agenten jaarlijks 3 tot 5 procent productiviteitsgroei opleveren, met potentieel tot 10 procent wanneer agententeams volledige workflows overnemen. BCG rapporteert 20 tot 30 procent snellere doorlooptijden in financiële processen en 60 procent minder operationele fouten. Forrester verwacht dat multiflow agentic systems binnen vijf jaar standaard zijn in grote ondernemingen, al blijft interoperabiliteit een uitdaging. Efficiëntie brengt nieuwe afhankelijkheden met zich mee: organisaties moeten hun infrastructuur, data en governance gelijktijdig vernieuwen.

Conclusies
De ontwikkeling van AI beweegt van automatisering naar adaptieve intelligentie in de fysieke wereld. Waar RPA en ML draaiden om efficiëntie, brachten LLM’s en RAG kennis en begrip. Agentic AI voegt daar adaptieve intelligentie aan toe; embodied AI voegt fysieke aanwezigheid toe.

Max Welling ziet hierin een historische kans: AI als nieuwe economische motor voor Europa, mits technologie wordt verbonden met publieke waarden als duurzaamheid, gelijkheid en verantwoordelijkheid. Tegelijk benadrukt Simone Cicero dat technologie pas werkt binnen organisatorische helderheid. En zoals het vision paper The Agentic State stelt: echte autonomie kan alleen bestaan binnen systemen die duidelijkheid, vertrouwen en toezicht combineren. De toekomst behoort toe aan organisaties en samenlevingen die hun eigen logica begrijpen en die weten te vertalen naar een gedeelde taal tussen mens en machine. Agentic AI vraagt niet om méér technologie, maar om meer helderheid over wie we zijn, wat we doen en waarom.

Bronnen

• Awad, N., et al. (2025, oktober). How agentic AI is transforming enterprise platforms. Boston Consulting Group (BCG).
• Curran, R., et al. (2025, mei). Agentic AI is rising and will reforge businesses that embrace it. Forrester.
• Derksen, M. (2025, mei). Waarom AI organisaties dwingt tot helderheid over eigen processen. Koneksa Mondo.
• Derksen, M. (2025, augustus). Max Welling: AI als economische motor van grootmacht Europa. Koneksa Mondo.
• Derksen, M. (2025, oktober). The agentic state: Een nieuw mandaat voor digitale overheidstransformatie? Koneksa Mondo.
• Ilves, L., et al. (2025, oktober). The agentic state: Rethinking government for the era of agentic AI.
• Se, K. (2025, januari). From Agentic AI to Physical AI. NVIDIA.
• Singla, A., et al. (2025, oktober). The change agent: Goals, decisions, and implications for CEOs in the agentic age. McKinsey Quarterly.
• Welling, M. (2025, april). AI als economische motor van grootmacht Europa. EW Economie-lezing 2025.