Na de eerste golf van generative AI lijkt het alsof de hele wereld over agents aan het praten is

De woorden agent en agentic zijn nu ineens overal, maar ze hebben een lange geschiedenis en duidelijke betekenissen.

Definiëren wat u nodig hebt is belangrijk

Terwijl het misschien simplistisch lijkt om op definities te focussen is het cruciaal voor dit onderwerp. Waarom? Omdat, er veel verschillende definities van agents en agentsystemen zijn. Als we ooit een samenhangend en verbonden ecosysteem van agents willen maken moeten we beginnen met duidelijkheid en consistentie over de terminologie. Ironisch gezien is de terminologie voor agents één van de oudste en best vastgestelde in de AI-wereld. Het is ook interessant om de achtergrond van mensen en hun interesses te overwegen. Mensen die meer aan de zakelijke kant zitten definiëren een agent op basis van hoe deze effect heeft op de business.

Terwijl technische mensen een agent definiëren op wat deze functioneel gezien kan. Hier definiëren we de sleutelbegrippen om dit onderwerp voor iedereen toegankelijk te maken.

Een agent

Een agent is een entiteit die optreedt namens een andere entiteit en werkt aan het realiseren van strategische doelstellingen, vaak met behulp van specialistische vaardigheden. Agents beschikken over autonomie en bevoegdheid om acties te ondernemen die hun omgeving veranderen.

Een belangrijk aspect van deze definitie is de mogelijkheid om actie te ondernemen – letterlijk keuzevrijheid uitoefenen. AI kan een geweldige assistent zijn, maar als deze niet de vaardigheid heeft om actie te ondernemen kan deze geen agent zijn. Een agent hoeft niet per se AI te gebruiken. Veel non AI-systemen zijn ook agents (een slimme thermostaat is een simpele non AI-agent). En ook niet alle AI-systemen zijn agents Laten we dieper kijken naar wat de sleutelbegrippen zijn rond agentic systemen om beter te begrijpen wat een agent is en wat niet.

Autonomie, bevoegdheid en handlingsvrijheid

  • Autonomie is een maatstaaf voor de mate waarin een entiteit zelfstandig keuzes kan maken.
  • Bevoegdheid verwijst naar de mate waarin een entiteit de capaciteit heeft om die keuzes uit te voeren
  • Handelingsvrijheid verwijst naar de specifieke reikwijdte of beperkingen van de acties die een entiteit kan ondernemen.

Daarnaast is het ook het vermelden waard dat systemen die agents gebruiken soms agentic architecturen of frameworks worden genoemd. Nu dat we veel van de sleutelbegrippen hebben gedefinieerd laten we verdergaan met de hoofdconcepten.

Wereldmodellen

Agents werken binnen een bepaalde “wereld” en representeren de totaliteit vertegenwoordigt van wat ze kunnen waarnemen en waarop ze kunnen reageren. Dit kan een nauwkeurig gedefinieerde softwareomgeving zijn, of de daadwerkelijke, fysieke wereld. Terugkomend op ons voorbeeld van de thermostaat: met een beperkt wereldmodel weet de thermostaat alleen iets over temperatuur. Een geavanceerde thermostaat met een rijker wereldmodel zou inzicht kunnen hebben in bezettingspatronen, weersvoorspellingen, energietarieven en gebruikersvoorkeuren.

Dit uitgebreide begrip stelt het systeem in staat om beslissingen te nemen die intelligent lijken in plaats van puur reactief zoals de verwarming lager zetten voordat je vertrekt of alvast verwarmen vóór je terugkomst en zo vertrouwen opbouwen door een ogenschijnlijk begrip van de context. Een al te simplistisch wereldmodel kan leiden tot slechte prestaties. Als een klantenservice-agent geen goede contextuele informatie heeft over de klant en diens situatie, zal het advies waarschijnlijk van lage kwaliteit zijn. Wereldmodellen zijn iets wat alle mensen hebben, en hoewel ze enigszins kunnen verschillen tussen individuen, stelt ons gedeelde wereldmodel mensen in staat om samen te werken, vooruit te denken en empathie te tonen om taken efficiënt op te lossen.

Wereldmodellen zijn essentieel voor AI om betrouwbaar te kunnen zijn. Ze stellen ons in staat te begrijpen of het succes of falen van de AI te wijten was aan de juiste redenen en niet simpelweg aan een mismatch tussen ons als mensen die instructies geven en het begrip van de omgeving waarin de AI opereert.

Relatie tussen agents en LLMs 

We hebben eerder gezegd dat agents geen AI nodig hebben om te voldoen aan de eerder bovenste definitie van een agent. Dit kan verder worden geëxtrapoleerd door te stellen dat AI-agents niet per se een LLM-kern hoeven te hebben. Agentische en multi-agent systemen hoeven helemaal geen Gen AI te bevatten. Dit is eenvoudig te begrijpen aan de hand van onze eerdere definities van autonomie en agentschap: duidelijk is dat LLM’s niet vereist zijn om een van deze concepten mogelijk te maken.

Vijf additionele dimensies van multi agent systemen (MAS) 

We kunnen nu dieper ingaan op wat een multi-agentsysteem is en hoe we het classificeren. Aan de ene kant kunnen we agents en hun eigenschappen zoals autonomie, agentschap en autoriteit beschrijven. Aan de andere kant kunnen we dimensies van het gehele systeem beschrijven.

Hier leggen we vijf dimensies voor die ons helpen om de multiagentsystemen beter te begrijpen. De eerste dimensie is grootte. Daarna praten we over heterogeniteit. Terwijl homogene systemen bestaan uit agents die vergelijkbare rollen vervullen (vaak aangeduid als zwermen), bevatten heterogene systemen gespecialiseerde agents die complexe taken uitvoeren. Heterogene systemen kunnen zichzelf organiseren en coördineren om een probleem op te lossen, maar vereisen daarvoor geavanceerde coördinatie. Dan overwegen we het concept van centraliseren.

Gecentraliseerde systemen hebben rigide structuren en orkestratie, maar zijn beter controleerbaar en te verklaren. Gedecentraliseerde systemen verdelen besluitvorming over meerdere agents, wat de schaalbaarheid en veerkracht vergroot, maar het moeilijker maakt om samenhang en controle te behouden. Deze drie dimensies lijken misschien positief – hoe meer, hoe beter – maar groetere heterogene en gedecentraliseerde systemen zijn juist moeilijker te beheersen.

Laten we nu een stukje teruggaan naar het beschrijvende aspect van agents in plaats van de gespecialiseerde systemen. Generieke agents vertonen vaak meer autonomie en zijn in staat tot flexibele besluitvorming in uiteenlopende situaties, maar kunnen zelden complexe taken volledig uitvoeren. Gespecialiseerde agents, hoewel zeer vaardig binnen specifieke domeinen, vertonen doorgaans een hogere mate van uitvoeringsvermogen (agency) maar een lagere mate van beslissingsbevoegdheid (authority); ze voeren enkel nauw gedefinieerde taken uit.

Ten slotte is er de mate waarin het systeem deterministisch is of niet. Determinisme beschrijft hoe rigide en voorspelbaar een systeem is. Als je dezelfde taak meerdere keren uitvoert geeft een deterministisch systeem steeds hetzelfde antwoord. Dit is waar we veel verandering zien in door de opkomst van Gen AI. Typisch gezien waren agentic AI systemen altijd erg deterministisch. Als de thermometer 20°C, graden detecteert, dan doet hij de verwarming uit. Daarom zal een volledig deterministisch systeem altijd dezelfde uitkomt leveren met dezelfde input. Hun prestaties zullen altijd hetzelfde zijn, wat zowel goed als slecht is.

Daarentegen kunnen non-deterministische systemen zich aanpassen en hun gedrag over tijd ook aanpassen. Dit staat hen to om te verbeteren over een bepaalde tijd, maar lopen ook het risico dat hen gedrag misschien slechter wordt of misschien wel gevaarlijk. Daarom is het belangrijk om te begrijpen hoe je dit emergente gedrag kunt beheren en het te monitoren om ervoor te zorgen dat het gewenste gedrag wordt bereikt.

Deze dimensies beïnvloeden elkaar op complexe wijze en inzicht hierin is essentieel voor het ontwerpen van multi-agentsystemen met de gewenste prestaties en betrouwbaarheid, binnen uiteenlopende architecturen en toepassingsgebieden. Bezoek Robert Engels zijn blog hier om meer te leren over deze onderwerpen.

Volwassenheidsmodel voor autonome AI ondersteuning

We hebben veel gesproken over wat agents zijn en wat een agentic AI systeem is, maar hoe kunnen we ze beter begrijpen? Inzicht in de mate van handelingsvermogen (agency) en autonomie binnen een systeem is essentieel om zowel de kracht als het risicoprofiel ervan te begrijpen. Als we bijvoorbeeld kijken naar bekende agents die mensen tegenwoordig gebruiken, zoals makelaars, reisagents en verzekeringsagents, kunnen we in kaart brengen hoeveel autonomie en handelingsvermogen (agency) we aan hen toekennen. We kunnen ook begrijpen waarom we hen niet volledige autonomie of agency zouden willen geven.

We willen dat een makelaar zelfstandig is bij het verkopen van onze huizen, maar we willen niet dat de makelaar zonder met ons te overleggen akkoord geeft over de verkoopprijs. We geven reisagents mogelijk handelingsruimte binnen relatief strikte grenzen om namens ons boekingen te doen, maar niet om grote wijzigingen aan te brengen in data of bestemmingen. Verzekeringsagents daarentegen willen we een redelijk hoge mate van autonomie en handelingsvermogen geven; zij kunnen verzekeringen afsluiten, zorgen dat we de juiste dekking hebben en we vertrouwen erop dat zij daar competenter in zijn dan wijzelf.

Als we naar de extremen kijken, zien we een hoog handelingsvermogen (agency) met lage autonomie, zoals bij sportagents. Zij onderhandelen contracten en stemmen voorwaarden af, maar doen dit alleen wanneer de atleet hen toestemming geeft om met iemand te spreken.

Een extreem voorbeeld van zowel hoge autonomie als hoog handelingsvermogen is een geheim agent. Die krijgt een missie, maar beslist volledig zelf hoe hij die uitvoert en heeft volledige vrijheid — zelfs buiten de wet — om te handelen zoals nodig om het doel te bereiken. Hopelijk helpt deze sectie je te beseffen dat de mate van autonomie en handelingsvermogen die we menselijke agents in onze wereld geven, het resultaat is van bewuste keuzes en gewenste uitkomsten. We moeten met dezelfde helderheid nadenken over autonome, agentic AI-systemen. Deze systemen zullen opereren binnen de grenzen die wij stellen en optimaliseren op basis van het doel dat wij hen toewijzen.

Een complex landschap 

Hoewel het gangbare verhaal agentimplementaties vaak beschrijft als een eenvoudig architecturaal patroon, laat onze verkenning van de vele eigenschappen en dimensies van agents zien dat dit onderwerp veel dieper gaat. Autonome systemen en AI-agents zullen een bepalend kenmerk zijn van het technologische landschap van onze toekomst. Inzicht in de kwaliteiten en dimensies van agency helpt ons om deze complexe en spannende toekomst met vertrouwen tegemoet te treden.

Over Capgemini Group AI Lab

Wij zijn het AI Futures Lab – deskundige partners die je helpen om met vertrouwen een betere, duurzame en betrouwbare AI-gedreven toekomst te visualiseren en na te streven.Dat doen we door opkomende trends en technologieën te begrijpen, te anticiperen en te benutten, met als doel het creëren van betrouwbare en verantwoorde AI die je verbeelding prikkelt, je productiviteit verhoogt en je efficiëntie verbetert. We ondersteunen je bij de zakelijke uitdagingen die je nu al kent én bij de opkomende vraagstukken die je in de toekomst moet begrijpen om succesvol te blijven.We maken blogs zoals deze, Points of View (POVs) en demo’s rond deze focusgebieden om het gesprek te starten over hoe AI ons in de toekomst zal beïnvloeden. Voor meer informatie over het AI Lab en het werk dat we hebben gedaan, bezoek deze pagina: AI Lab.