Proactieve AI neemt een extra besluit
De meeste AI-workflows beginnen nadat een medewerker of klant iets vraagt. Een dossier komt binnen, iemand stelt een vraag of een systeem start een bekende taak. De opdracht is dan al gegeven.
Een proactieve agent verplaatst het besluit naar voren. Hij ziet bijvoorbeeld een order die waarschijnlijk vertraagt, een servicemelding die dreigt te escaleren of een contractmoment dat nadert. Vervolgens moet hij niet alleen bepalen wat er moet gebeuren, maar eerst of hij zich ermee moet bemoeien en wanneer.
Dat maakt proactieve AI geen gewone automatisering met een vroegere trigger. De agent kiest tussen stil blijven, wachten op meer informatie, een vraag stellen, een voorstel doen of daadwerkelijk handelen. Iedere optie heeft waarde én kosten. Te laat ingrijpen mist de kans. Te vroeg of te vaak ingrijpen veroorzaakt ruis, dubbel werk en afnemend vertrouwen.
Veel signalen zijn geen bewijs van waarde
Een nieuwe wetenschappelijke synthese over proactieve service-agents brengt onderzoek uit onder meer dialoogsystemen, scherminteractie, video, softwareontwikkeling en samenwerking tussen mens en agent samen in één besliskader. De auteurs maken een belangrijk onderscheid: herkennen dat er mogelijk hulp nodig is, bewijst nog niet dat ingrijpen de uitkomst verbetert.
Een offline classificatiescore kan laten zien hoe goed een systeem een risico of kans herkent. In productie telt iets anders: levert de gekozen interventie meer op dan het alternatief? Misschien lost een medewerker het probleem zelf op. Misschien wordt het signaal vanzelf achterhaald. Misschien was één verduidelijkende vraag waardevoller dan een automatische actie.
De publicatie is een survey en besliskader, geen veldexperiment dat één algemeen rendementspercentage voor proactieve AI bewijst. Juist daarom is de kern bruikbaar voor kopers: effect moet per werkproces en per interventie worden aangetoond, niet afgeleid uit modelnauwkeurigheid.
Vergelijk ingrijpen met wachten
De zakelijke meetfout is alleen tellen hoeveel kansen de agent vond of hoeveel taken hij startte. Daarmee beloon je activiteit, ook wanneer niets doen beter was.
Een bruikbare proef vergelijkt daarom verschillende routes bij vergelijkbare situaties:
- Stil blijven: wat gebeurt er zonder interventie?
- Wachten: levert extra context later een betere beslissing op?
- Doorvragen: voorkomt één gerichte vraag een verkeerde aanname?
- Voorstellen: accepteert de medewerker het voorstel en verkort het de doorlooptijd?
- Handelen: verbetert de actie aantoonbaar de operationele uitkomst?
Dit is de praktische betekenis van incrementele interventiewaarde: niet of de agent iets nuttigs kan doen, maar wat zijn tussenkomst toevoegt ten opzichte van het beste realistische alternatief.
Meet ook de rekening in menselijke aandacht
Een proactieve agent kan technisch correct zijn en toch de operatie verslechteren. Tien terechte meldingen per dag zijn geen succes als negen ervan geen actie vragen, medewerkers hun concentratie verliezen en belangrijke signalen tussen de rest verdwijnen.
Meet daarom minimaal vijf zaken: de uitkomstverbetering per interventie, het aandeel onnodige interventies, de tijd tot oplossing, het aantal vragen of overdrachten en de aandacht die medewerkers aan beoordelen en herstellen besteden. Voeg per proces een duidelijke no-action-baseline toe. Zonder die vergelijking is een dashboard met veel agentactiviteit vooral een druktemeter.
Begin met voorstellen, niet met autonome actie
Een veilige en leerzame invoerroute is klein. Kies één terugkerende kans met een zichtbare uitkomst, bijvoorbeeld dreigende ordervertraging of een klantvraag die zonder opvolging blijft liggen. Laat de agent eerst alleen signaleren en een volgende stap voorstellen. Leg ook vast wanneer hij bewust niets voorstelt.
Vergelijk daarna voorstellen met een controlegroep of met periodes waarin de agent stil blijft. Kijk niet alleen naar acceptatie, maar naar gerealiseerde uitkomsten: minder escalaties, kortere doorlooptijd, minder herstelwerk of een hogere oplossingsgraad. Pas wanneer de interventiewaarde stabiel is en uitzonderingen bekend zijn, kan een beperkt deel van de voorstellen doorstromen naar uitvoering.
Daarvoor is één operationele basis nodig. De agent moet actuele context kunnen lezen, een afgebakende methode volgen, via bekende tools een voorstel of actie uitvoeren en via het juiste kanaal terugkoppelen. De relevante beslissing is niet hoeveel autonomie de technologie aankan. Het is welke vorm van initiatief in dit proces aantoonbaar beter werkt.
Stilte is onderdeel van goed agentgedrag
Proactieve AI wordt vaak verkocht als een assistent die altijd vooruitdenkt. In een echte operatie is voortdurend initiatief geen deugd. Een goede agent herkent een kans, maar begrijpt ook de prijs van onderbreken, de waarde van een vraag en de mogelijkheid dat wachten de betere keuze is.
De volwassen KPI is daarom niet hoeveel de agent doet. Het is hoeveel betere uitkomsten hij veroorzaakt nadat ruis, aandacht en onnodige acties zijn meegerekend.
Het idee dat software soms initiatief neemt en soms ruimte laat aan de gebruiker is niet nieuw. Onderzoek naar mixed-initiative interfaces beschreef die ontwerpuitdaging al in 1999. De stap naar operationele agents maakt haar nu bedrijfskritisch: stilte is niet het ontbreken van intelligentie, maar één van de beslissingen die het systeem moet leren onderbouwen.