U aangeboden door EdgeVerve
Voordat we het hebben over Global Business Services (GBS), moeten we even een stapje terug doen. Kan agent AI, het soort AI dat in staat is actie te ondernemen op basis van doelen, niet alleen GBS veranderen, maar ook elk bedrijf? En is dit gedaan?
Zoals bij veel nieuwe technologieën heeft de retoriek in dit geval de implementatie overtroffen. Hoewel 2025 “het jaar van agent AI had moeten zijn”, is dat volgens Taryn Plumb, redacteur van VentureBeat, misschien niet het geval. Gebaseerd op input van Google Cloud en Integrated Development Environment (IDE)-bedrijf Replit, rapporteerde Plumb in een VentureBeat december 2025-bericht dat wat ontbreekt de fundamenten zijn die nodig zijn om die schaal te bereiken.
Gezien de ervaring met generatieve (gen)AI op basis van het Large Language Model (LLM), is dit resultaat niet verrassend. Uit een onderzoek uitgevoerd in februari 2025 Summit voor Shared Services & Outsourcing Network (SSON).65% van de GBS-organisaties antwoordde dat ze nog geen GenAI-project hadden afgerond. Er kan worden gezegd dat de implementatie van opkomende AI-agenten zich nog in de beginfase bevindt voor bedrijven, waaronder GBS.
Rol van AI-agenten in Global Business Services
Er zijn echter goede redenen om ons te concentreren op het enorme potentieel van agent AI en de toepassingen ervan in de GBS-sector.
Zonder de hype ontgrendelt Agentic AI mogelijkheden in de workflow-orkestratielaag van software die voorheen onpraktisch waren. Het doet dit via een verscheidenheid aan technieken, waaronder (maar niet vereist) een LLM. Hoewel bedrijven misschien niet over bepaalde fundamentele zaken beschikken die nodig zijn om agent-AI op grote schaal in te zetten, liggen deze vereisten niet buiten bereik.
Wat GBS en Global Capability Centers (GCC’s) betreft, deze hebben een verandering ondergaan, van backoffice-uitbreidingen naar steeds strategischere bedrijfspartners. Agentic AI past natuurlijk goed omdat een van de standaardgebruiksscenario’s betrekking heeft op IT-operaties of klantenserviceagenten, functies die al binnen het bestaande stuurhuis van GBS en GCC vallen.
Dus ja, agent AI heeft het potentieel om de GBS-sector te transformeren. Leiders uit de sector kunnen stappen zetten in de richting van grootschalige implementatie door een methodische aanpak te volgen.
Vijf stappen om agent-AI in GBS te implementeren
Agentic AI is niet het enige spel in de stad. Zoals gezegd is er GenAI, dat vooral wordt gebruikt voor het maken van content. Maar om de reikwijdte te verbreden, kunnen we ook verwijzen naar voorspellende AI en document-AI, die respectievelijk worden gebruikt voor prognoses en data-extractie. (Geen LLM vereist.) Reeds bestaande blootstelling aan AI is een goed voorteken voor de toekomst van agent AI.
Ten eerste ondersteunen deze soorten AI elkaar, genest (in plaats van geïsoleerd) in moderne systemen. Vooral Agentic AI is gepositioneerd om andere AI te benutten. Ten tweede kunnen leiders in de industrie, na een snelle GenAI-cyclus, geneigd zijn om een meer afgemeten – en productieve – benadering van agent AI te hanteren.
In plaats van overhaast met proeven aan de slag te gaan, moet de industrie zich zorgvuldig voorbereiden (stappen 1-3). In combinatie met de juiste testprojecten (stap 4) kunnen de volgende acties de weg vrijmaken voor een bredere implementatie van agent AI (stap 5):
Ken uw proces. Bedrijfsvoering kan ingewikkeld zijn. Neem ’s werelds grootste expeditie- en logistieke bedrijf, dat duizenden fulltime medewerkers heeft in zeven GBS-centra die meer dan 80 processen ondersteunen die zeer complexe en handmatig intensieve workflows met grote regionale verschillen met zich meebrengen. Alleen door eerst de bestaande processen en workflows te begrijpen, hebben organisaties als deze de mogelijkheid om die processen en workflows te heroverwegen of te herwerken.
Ken uw gegevens. Nauw verwant zijn de gegevens waarvan de workflow afhankelijk is. Hoe stromen deze gegevens van begin tot eind? Hoe ziet de pijpleiding eruit? Waar is de hoofd-API? Zijn de gegevens gestructureerd of ongestructureerd? Bevatten de bronnen een dataplatform (logsysteem) en een vectordatabase (contextengine), die beide nodig zijn voor een AI-agent om goede beslissingen te nemen? Welke vorm van data governance en beveiliging is van toepassing? Hoe zou dit kunnen veranderen in een AI-agentscenario?
Identificeer het probleem. In het geval van de hierboven genoemde rederij stelden de complexiteit en verscheidenheid van de workflows, evenals de handmatige intensiteit ervan, het bedrijf bloot aan aanzienlijke kosten, afwijkingen in Service Level Agreements (SLA’s), slechte klantervaringen en toegenomen compliance- en juridische risico’s. Zodra een probleem een naam heeft gekregen, wordt het logischerwijs een potentiële use case met verschillende doelen.
Test het bedieningsmodel. Mogelijke opties zijn onder meer consolidatie van de inspanningen binnen Centers of Excellence (COE), democratisering van de ontwikkeling door middel van vanuit de gemeenschap geleide benaderingen, en partnerschappen via het Build-Operate-Transform-Transform-Transfer (BOTT)-model. Zonder structurele duidelijkheid zijn zelfs veelbelovende AI-proefprojecten moeilijk uit te breiden buiten hun oorspronkelijke domein. Het model moet ook de werkelijkheid weerspiegelen. Hoogstwaarschijnlijk zijn er veel parallelle agenten betrokken bij het nastreven van een gecoördineerd doel, en wordt Agentic AI nog steeds beperkt door de omgeving, complexiteit, risico’s en governance.
Schaal het op. Een succesvolle pilot zal de volgende stappen bepalen. Neem de gefragmenteerde ervaring van een grote multinationale bank in Australië. Na het automatiseren van verschillende niet-kernprocessen via Automation COE, realiseerde de bank zich de noodzaak om de meest complexe workflows te analyseren en te verbeteren. Ze kozen het beste softwareplatform waarmee ze in minder dan 14 maanden meer dan 100 ontdekkingsprojecten konden voltooien. Op deze manier kan het pilotprogramma uitgroeien tot een bedrijfsbreed initiatief.
Hoe agent-AI eruit ziet op ondernemingsschaal
Alleen schaalgrootte kan echte impact hebben. De expediteur, met zijn zeven GBS-centra, beschikt over technologie die in staat is datapijplijnen op te bouwen, complexe documenten te digitaliseren, op regels gebaseerde redenering toe te passen over landspecifieke uitzonderingen heen, en het werk tussen teams te organiseren. Die basis resulteerde in AI-first-transformatie in ongeveer 16 initiatieven, exponentiële groei in automatisering en aanzienlijke efficiëntieverbeteringen.
Door gebruik te maken van mogelijkheden op de orkestratielaag – waardoor contextuele perceptie, samenwerking tussen domeinen en autonome acties in lijn met governance mogelijk worden gemaakt – kan agent AI de activiteiten verbeteren, zowel AI als menselijk.
Denk aan het inkoopproces. Hoewel document-AI gegevens uit inkooporders kan extraheren, waardoor bepaalde handmatige controles worden geëlimineerd, kunnen AI-agenten ook leveranciersrisico’s evalueren, vergelijken met nalevingsnormen, de beschikbaarheid van budgetten verifiëren en zelfs onderhandelingen initiëren, terwijl ze auditlogboeken bijhouden voor rapportage over de regelgeving. In een financieel adviesscenario kunnen AI-agenten, terwijl voorspellende AI trends kan analyseren, verdere actie ondernemen en professionals in specifieke bedrijfseenheden helpen bij gerichte strategische investeringen.
Houd er rekening mee dat agenten het menselijk oordeel niet vervangen, maar dit eerder uitbreiden, waardoor beslissingen sneller, consistenter en op grotere schaal worden genomen.
Van selfservice-automatisering naar een agenten-ecosysteem in GBS
GBS bevindt zich in een unieke positie om bedrijven naar het tijdperk van agentische AI te leiden. Door zijn ontwerp bevindt GBS zich op het kruispunt van processen en gegevens over meerdere bedrijfseenheden. Financiën, HR, supply chain en IT stromen allemaal via een gedeeld dienstenmodel. Deze belangrijke gezichtspunten maken GBS tot een ideale basis voor het creëren van een actief AI-ecosysteem.
Ecosystemen verschillen van standalone automatisering. Agenten voeren taken niet geïsoleerd uit. In plaats daarvan werken ze als onderdeel van een onderling verbonden systeem. Ze delen inzichten, leren van elkaar en coördineren om de resultaten op ondernemingsniveau te optimaliseren. Ingezet in GBS of GCC kan Agentic AI hun continue transformatie versnellen, waardoor ze verder kunnen gaan dan incrementele automatisering en kunnen opereren op een end-to-end procesorkestratieniveau.
N. Shashidar is SVP & Global Head, Product Management bij EdgeVerve.
Gesponsorde artikelen zijn inhoud die is geproduceerd door bedrijven die voor de post hebben betaald of die een zakelijke relatie hebben met VentureBeat, en worden altijd duidelijk als zodanig gemarkeerd. Voor meer informatie kunt u contact opnemen met sales@venturebeat.com.
