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.