Patroon 6: AI-gerichte mogelijkheden

Ontwerp nieuwe mogelijkheden met agents als de centrale bouwstenen, niet als aanpassingen achteraf op bestaande workflows. Deze mogelijkheden waren niet mogelijk vóór AI. Ze verbeteren in de loop van de tijd door feedback, leren en continue optimalisatie.

In dit patroon werken agenten in waarnemen-beslissen-handelen-lussen: signalen continu monitoren, autonoom beslissingen nemen binnen grenzen, acties uitvoeren en leren van uitkomsten. Deze systemen zijn geen assistenten. Het zijn intelligente systemen die nieuwe bedrijfswaarde creëren.

Note

Dit patroon verschilt van de andere vijf patronen in soort, niet alleen graden. Er is geen bestaand proces om mee te vergelijken, geen uitgangspunt van waaruit verbeterd kan worden en geen bestaande workflow als leidraad voor het ontwerp. U moet alles bouwen, inclusief hoe u succes meet.

Wat dit patroon is

AI-first bedrijfsmogelijkheden beginnen met een vraag die de andere benaderingen nooit stellen: wat kunnen we doen wat we voorheen simpelweg niet konden? Het antwoord is geen snellere versie van het huidige werk. Het is een nieuwe mogelijkheid, vaak een autonome lus die een situatie voelt, beslist en handelt, en dat zichzelf in de loop van de tijd verbetert. Agents zijn de bouwstenen van de functionaliteit, geen uitbreiding die aan een bestaande workflow is vastgeplakt.

Dit patroon is de meest vergaande uiting van de execute-kant van de verschuiving van assist naar execute. Omdat er geen precedent is, moet u het ontwerp, de kaders en de maatregelen bedenken.

Wat agents doen

Agents in dit patroon gaan verder dan het uitvoeren van gedefinieerde werkstromen om autonoom te werken:

  • Engines voor continue optimalisatie: prijzen, inventaris, planning.
  • AI-systeemeigen beslissingslussen: fraudedetectie, anomalierespons, adaptieve routering.
  • Marktdetectieplatforms: concurrentiebewaking, trendanalyse, verkoopkansidentificatie.
  • Voorspellende planningssystemen: vraagprognoses, capaciteitsplanning, risicomodellering.
  • Autonome werkstroomgeneratie: agents die hun eigen processen ontwerpen en optimaliseren.
  • Indeling met meerdere agents: gecoördineerde teams van gespecialiseerde agents die complexe problemen oplossen.

Deze mogelijkheden maken waarde die niet kon bestaan zonder AI. Het zijn geen snellere versies van bestaande processen. Ze zijn echt nieuw.

Wat mensen doen

Mensen fungeren als producteigenaren. Ze definiëren doelstellingen, stellen grenzen in, bewaken resultaten en nemen strategische beslissingen over capaciteitsontwikkeling. Ze doen het werk niet. In plaats daarvan bepalen ze het systeem dat wel doet.

Deze roltransformatie is de meest ingrijpende van alle patronen. Verantwoordelijke mensen zijn verantwoordelijk voor resultaten, zelfs als ze het werk zelf niet uitvoeren. Zij:

  • Definieer succescriteria en metrische resultaatgegevens voor autonome systemen.
  • Stel de grenzen vast waarbinnen agenten opereren (en pas ze aan naarmate het vertrouwen groeit).
  • Leerlussen bewaken om ervoor te zorgen dat de mogelijkheden in de juiste richting worden verbeterd.
  • Neem strategische beslissingen over wanneer u de autonomie van agents wilt uitbreiden.
  • Beheer verantwoorde AI-procedures naarmate de mogelijkheden geavanceerder worden.

Hoe het operationele model werkt

Voor het implementeren van dit patroon zijn wijzigingen in vier dimensies vereist:

Dimensie Voordat Na
People Operators die taken uitvoeren Producteigenaren die capaciteiten aansturen
Agenten Vooraf gedefinieerde stappen uitvoeren autonome waarnemen-beslissen-handelen-lussen
Governance Nalevingscontroles In de levenscyclus ingebedde controles met continue bewaking
Metrics Doorvoer en efficiëntie Strategische optionele waarde + leersnelheid + aanpassingssnelheid

Beoogd volwassenheidsprofiel

Dit patroon vereist een maximaal volwassenheidsniveau bij alle vijf de capaciteitsbepalende factoren. Er zijn geen sneltoetsen.

Vervaldatumprofiel

stuurprogramma voor mogelijkheden Doelniveau Waarom
Technologie en gegevens 500 (efficiënt) De schaalonderbreker. Indeling van meerdere agents, realtime telemetrie en leerinfrastructuur.
AI-strategie en -ervaring 500 (efficiënt) Het vermogen is de strategie, uitgevoerd via voortdurende iteratie.
Bedrijfsstrategie 500 (efficiënt) Een nieuwe bedrijfsmogelijkheid, met adaptieve, autonome processen.
Governance en beveiliging 500 (efficiënt) Voorspellend risicobeheer en continue naleving voor autonome systemen.
Organisatie en cultuur 500 (efficiënt) Een zelfvoorzienende community en een leercultuur die de nieuwe kan uitvinden en bedienen.

Belangrijk inzicht: dit patroon vereist de hoogste volwassenheid voor alle mogelijkheden. Er is geen bestaand proces om mee te vergelijken, geen uitgangspunt van waaruit verbetering kan worden gemeten en geen bestaande werkwijze om het ontwerp richting te geven. Alles moet worden gebouwd, inclusief hoe u succes meet.

Scale-breaker: Technologie en gegevens, met name indeling met meerdere agents, realtime telemetrie en leerinfrastructuur. Zonder een robuuste technische basis worden autonome mogelijkheden onvoorspelbaar en onherstelbaar.

AI-first-mogelijkheden zijn eigendom van producten, omvatten meerdere domeinen en vereisen gedistribueerde productteams die binnen gedeelde standaarden werken. De CoE biedt architectuurpatronen, verantwoorde AI-frameworks en indelingsstandaarden. Het wordt niet centraal geleverd.

Tip

De doorslaggevende rol voor dit patroon is de product owner van de agent. Dit is een product, geen project. Het heeft productmanagementdiscipline nodig: een roadmap, een achterstand, een definitie van succes en een team dat zich inzet voor de ontwikkeling op lange termijn. Zonder deze rol wordt de mogelijkheid eenmaal gebouwd en nooit verbeterd.

Lees meer over structuur, rollen en een risicogebaseerd governancemodel in Build an agentic Center of Excellence.

Wat u nodig hebt en niet nodig hebt

U hebt het volgende nodig:

  • Producteigendom met toegewezen teams: elke mogelijkheid heeft een producteigenaar en een team met het mandaat, de vaardigheden en continuïteit nodig om deze in de loop van de tijd te ontwikkelen. Deze ontwikkeling is geen project dat eindigt.
  • Autonomiegrenzen met continue bewaking: Definieer duidelijke limieten die zich aanpassen als vertrouwensbouw. Begin conservatief en breid uit op basis van bewijs.
  • Doorlopende leerlussen: de mogelijkheid verbetert door elke interactie. Ontwerp voor leren vanaf het begin omdat het veel moeilijker is om het later toe te voegen.
  • Ingesloten verantwoorde AI-procedures: Ethiek en veiligheid moeten worden ingebouwd in de architectuur, niet vastgeschroefd na de implementatie. Deze aanpak omvat het testen van vooroordelen, beoordeling van redelijkheid en het ontwerp van uitlegbaarheid.
  • Experimentatiecultuur met fail-safe controles: Teams hebben toestemming nodig om nieuwe benaderingen uit te proberen en duidelijke vangnetten als er iets misgaat. Culturen die fouten straffen, kunnen geen leersystemen bouwen.
  • Architectuur met meerdere agents: als uw mogelijkheid gecoördineerde agents omvat, ontwerpt u vanaf het begin voor agent-naar-agent-coördinatie. Het achteraf aanpassen van een multi-agentarchitectuur is kostbaar.

U hebt het volgende niet nodig:

  • Incrementele automatisering: dit patroon gaat niet over het sneller maken van bestaande processen 10%.
  • Centrale IT-levering: deze mogelijkheden hebben speciale productteams nodig met domeinexpertise.
  • Bestaande workflows aanpassen: ontwerp vanaf nul voor AI-native uitvoering. Beperkingen voor verouderde werkstromen beperken wat er mogelijk is.
  • Eenmalige builds: deze mogelijkheden moeten continu leren en verbeteren. Een capaciteit die niet leert, gaat na verloop van tijd achteruit.
  • Traditioneel projectmanagement: gebruik productbeheer met experimentcycli. Mijlpalen en producten zijn het verkeerde governancemodel voor leersystemen.

Verantwoorde AI op schaal

AI-gerichte functionaliteiten vormen de voorhoede van autonome AI-werking. Verantwoorde AI-procedures zijn hier vooral kritiek omdat:

  • Agenten functioneren in realtime met een hoge mate van autonomie en onder beperkt menselijk toezicht.
  • Fouten kunnen op machinesnelheid worden doorgegeven voordat mensen kunnen ingrijpen.
  • Leersystemen kunnen onverwacht gedrag ontwikkelen tijdens het optimaliseren.
  • De schaal van de impact, zowel positief als negatief, is groter dan elk ander patroon.

Bouw vanaf dag één verantwoorde AI in uw architectuur:

  • Uitlegbaarheid: Kunt u begrijpen waarom het systeem een specifieke beslissing heeft genomen? Zo niet, dan kunt u drift niet detecteren of corrigeren.
  • Bias monitoring: evalueer continu of leren vooroordelen versterkt of het creëren van ongelijkbare resultaten.
  • Terugdraaimogelijkheid: Kunt u terugkeren naar een eerdere status als een leerupdate fout gaat?
  • Menselijk ingrijpen: Zelfs in volledig autonome systemen moet u de omstandigheden definiëren waaronder een persoon kan ingrijpen en hoe dat ingrijpen wordt uitgevoerd.

Meer informatie over het toepassen van verantwoorde AI-principes.

Metrische gegevens over waarde en succes

Waarde hier is het bestaan van een mogelijkheid die nog niet bestond en de nieuwe resultaten die worden gemaakt. Begin met metingen voor waardecreatie en aanwezigheid, niet met efficiëntiepercentages, omdat er geen eerdere nulmeting is om verbeteringen tegen af te zetten.

Hoe ziet de waarde eruit

  • Nieuwe mogelijkheden die niet mogelijk waren vóór AI.
  • Nieuwe omzet, services of bedrijfsmodellen.
  • Autonome reactie met een snelheid en op een schaal die geen enkel handmatig proces kan evenaren.
  • Een steeds groter wordend voordeel naarmate het vermogen leert en verbetert.

Metrische gegevens voor succes om bij te houden

Categorie Voorbeeldmetingen Wat het u vertelt
Waarde maken (de kop) Nieuwe omzet of bedrijfsmodel gemaakt, bestaan van mogelijkheden ("kunnen we nu X doen"), nieuw bereik ontgrendeld Of de mogelijkheid waarde creëert die nog niet bestond.
Autonomie en de kring Beslissingslatentie van signaal naar actie, autonome voltooiingssnelheid van taken, lusdoorvoer en schaal, eenheidskosten per autonome taak Of de sense-decide-act-cyclus op machinesnelheid en op schaal functioneert.
Kwaliteit en veiligheid Evaluatie, grondheid en veiligheidsscores, escalatie en terugvalsnelheid Of het autonome systeem correct en veilig blijft terwijl het draait.
Doorvoer van innovatie Tijd voor het starten van een nieuwe mogelijkheid, aantal mogelijkheden in productie, hergebruik in scenario's Of je de grens herhaaldelijk kunt bereiken, niet slechts één keer.
Governance Share van agents onder beheerde identiteit, nalevingspercentage van beleid, aantal schaduwagenten Of de autonome omgeving beheerbaar blijft naarmate die groeit.

Hoe te meten

  • Microsoft Foundry-evaluaties en waarneembaarheid brengen het gedrag van agents in kaart en beoordelen kwaliteit en veiligheid, wat vooral belangrijk is wanneer er geen baseline is.
  • Definieer de maat voor succes, omdat de mogelijkheid geen precedent heeft. Bepaal hoe 'goed' eruitziet voordat u start.
  • Microsoft Agent 365 beheert en meet het autonome onroerend goed, inclusief identiteits- en schaduwagentdetectie.

Tip

Beoordeel geen net-nieuwe functie met oude metrische gegevens over efficiëntie. "Hoeveel tijd hebben we bespaard" veronderstelt een proces dat niet bestond. Meet of de functionaliteit nu bestaat, welke nieuwe meerwaarde deze oplevert en hoe veilig de autonome lus draait. Ontwikkel de maatstaf samen met de functionaliteit.

Algemene antipatronen

Mislukkingen op dit vlak komen voort uit het behandelen van baanbrekend werk alsof het een normaal project is.

Antipatroon Hoe ziet het eruit Wat u in plaats daarvan moet doen
Vermomde productiviteit De "net-new"-functionaliteit is eigenlijk een bestaande taak, maar dan sneller. Test het idee: kunt u dit helemaal voor AI doen? Zo ja, het hoort bij een ander patroon.
Oude metrische gegevens over nieuw werk Succes wordt beoordeeld door tijd te besparen op basis van een basislijn die niet bestaat. Definieer aanwezigheids- en waardecreatiemaatregelen vooraf.
Gebouw voordat de basis klaar is Deze capaciteit wordt uitgerold voordat technologie, gegevens en governance voldoende ontwikkeld zijn. De infrastructuur kan de leerlussen, telemetrie en bewaking die nodig zijn niet ondersteunen, dus het systeem is onvoorspelbaar zonder inzicht in waarom het zich gedraagt zoals het doet. Bereik eerst voldoende volwassenheid in technologie, gegevens en governance. Bouw de orkestratie, real-time telemetrie en feedbacklus voordat de functionaliteit er is.
Leren zonder kaders Het systeem leert van operationele gegevens zonder toezicht, het versterken van onbedoelde patronen, het optimaliseren van de verkeerde doelstelling of het versterken van vooroordelen die aanwezig zijn in de gegevens. Definieer wat het systeem moet en mag niet leren voordat u leren inschakelt en bewaak het continu.
Geen uitgevonden kaders Veiligheidsgrenzen worden afgeleid van andere patronen die niet passen. Ontwerp specifiek voor deze functionaliteit randvoorwaarden, omdat daar nog geen precedent voor is.
Verantwoordelijke AI-beoordeling gepland voor na de lancering Het team is van plan om verantwoorde AI aan te pakken zodra de mogelijkheid is bewezen. De architectuur is dan vast en de kosten van wijziging zijn hoog. Neem vanaf het begin verantwoorde AI op.
Project mindset toegepast op een product Het team treft een 'go-live'-mijlpaal en beschouwt het werk dat is uitgevoerd. De mogelijkheid wordt niet gehandhaafd, de leerlussen worden niet bewaakt en het systeem verslechtert na verloop van tijd. Behandel het als een product met onbeperkte beheertoezegging, niet een project dat eindigt bij de lancering.
Ongecontroleerd experimenteren Grensagenten verspreiden zich zonder identiteit of toezicht. Beheer met beheerde identiteit en een register vanaf het begin.

Klantverhalen

Deze gepubliceerde Microsoft-klantverhalen laten zien hoe expertise wordt opgeschaald met onderbouwde agenten met bronvermeldingen, waarbij mensen verantwoordelijk blijven.

Klant Gerapporteerd resultaat
Microsoft (Microsoft vragen) Een systeem met meerdere agents, met gespecialiseerde subagenten op basis van specifieke inhoud, levert maximaal 61% lagere latentie en tot 70% minder menselijke escalaties, met betrokken bezoekers veel meer kans om zich te registreren.
Fujitsu Een samengestelde AI organiseert meerdere gespecialiseerde agents en een orchestratoragent die 'als team' antwoordt. Deze architectuur met meerdere agents, die niet bestond in conventionele generatieve AI, verbetert het maken van voorstellen met 67%.
Quantum Capital Group Breng de planning van veldontwikkelingsscenario’s terug van 3 weken naar 20 minuten met georuimtelijke optimalisatie op Azure en een Copilot Studio-query-agent.
Physics Wallah Ondersteunt twee miljoen studenten met de AI-docent 'Gyan Guru' op Azure OpenAI.
Rolls-royce Verhoogd machinegebruik met 30% met voorspellende AI op Azure Databricks en Microsoft Cloud for Manufacturing.
The Estée Lauder Companies Breng het naar boven halen van consumenteninzichten terug van weken naar minuten met de "ConsumerIQ"-agent in Copilot Studio en Azure OpenAI.

Microsoft agentische mogelijkheden voor dit patroon

In de volgende voorbeelden worden de mogelijkheden gemarkeerd die met name relevant zijn voor ai-first-mogelijkheden. Gebruik deze voorbeelden als uitgangspunt voor het vergelijken van mogelijkheden voor uw scenario's en gebruikerssegmenten en verken vervolgens het agentecosysteem van Microsoft voor het volledige beeld.

De mogelijkheid bouwen

Grond, verbinding maken en observeren

Evalueren en testen voordat u verzendt

Op dit niveau van autonomie en complexiteit is continue evaluatie een kernengineeringsdiscipline, niet een controlelijst voor vooraf starten.

  • Evaluatie van agents in Copilot Studio voert gestructureerde beoordelingen uit waarbij antwoorden worden gescoord op kwaliteitsdimensies zoals nauwkeurigheid, onderbouwing en taakvoltooiing. Gebruik dit om het gedrag van agenten te valideren voor het volledige scala aan invoer, inclusief randgevallen en adversariële scenario’s, vóór en na elke wijziging.
  • Copilot Agent Kit (voorheen bekend als Copilot Studio Kit) breidt de testdekking uit met bulksgewijs testen, geautomatiseerde regressieuitvoeringen en een scoredashboard. Voor AI-first-systemen die na verloop van tijd worden verbeterd, is herhaalbare en controleerbare evaluatie-bewijs essentieel voor het handhaven van vertrouwen naarmate de mogelijkheid zich ontwikkelt.

Hoe u weet dat u klaar bent

Dit patroon is bedoeld voor organisaties die zich op het hoogste volwassenheidsniveau bevinden. Houd er rekening mee wanneer:

  • U hebt geavanceerde teams die autonome systemen kunnen ontwerpen, uitvoeren en verbeteren.
  • U hebt de technische basis: indeling met meerdere agents, realtime telemetrie en een leerlus.
  • U kunt randvoorwaarden en succescriteria bedenken als die nog niet bestaan.
  • U kunt een autonome omgeving beheren met beheerde identiteiten en doorlopende naleving.
  • U voert al een aantal van de andere patronen goed uit.

Volgende stappen 

De gereedheidsevaluatie van de agent uitvoeren

Of ontdek het volledige volwassenheidsmodel voor de adoptie van agentische AI.

Bekijk andere patronen in meer detail:

  • Last updated on