36 praktijkvoorbeelden van AI-agenten

Hoewel AI-agenten wereldwijd in het nieuws zijn, zijn de echte voorbeelden van AI-agenten in het dagelijks leven niet altijd direct zichtbaar.

In dit artikel neem ik je mee langs de verschillende typen AI-agenten, met voorbeelden van elk type.

Houd er wel rekening mee: hoewel deze typen apart worden besproken, bestaan de meeste geavanceerde AI-systemen uit een combinatie van meerdere typen AI-agenten.

Zo worden er in AI-gestuurde toeleveringsketens meerdere typen agenten ingezet om logistiek, voorraadbeheer, bevoorrading en leveringen te optimaliseren. Hetzelfde geldt voor zelfrijdende auto's – daar worden utility-based agents, goal-based agents, model-based reflex agents en learning agents gecombineerd om een complex proces mogelijk te maken.

‍

Maar om te beginnen met de basisprincipes, bekijken we wat elk type agentische AI probeert te bereiken, met enkele voorbeelden van hoe dit al in de praktijk wordt toegepast.

Zelfs als je geen zelfrijdende auto hebt of niet werkt in een AI-gestuurd magazijn, heb je waarschijnlijk al eens te maken gehad met agentische enterprise bots zoals:

• E-commerce AI-agenten die bestellingen plaatsen, verzendupdates geven en gepersonaliseerde productaanbevelingen doen aan gebruikers.
• Klantenservice-chatbots die veelgestelde vragen beantwoorden, terugbetalingen regelen en technische problemen oplossen (zoals in dit voorbeeld van Ruby Labs).
• Leadgeneratie-agenten die gesprekken voeren, leads kwalificeren en afspraken inplannen (zoals in dit voorbeeld van Waiver Consulting Group).
• Sales-chatbots en marketingtoepassingen, zoals AI-leadgeneratie of andere manieren om AI in sales te gebruiken.

Maar niet alle AI-agenten worden gebouwd door technische experts. Met de nieuwste AI-bouwplatforms is het juist heel eenvoudig om je eigen AI-agent te ontwerpen en te lanceren.

Wil je zelf een AI-agent bouwen? Probeer het vandaag nog met onze handleiding voor het bouwen van een AI-agent.

Laten we nu de 9 typen AI-agenten en 36 praktijkvoorbeelden daarvan bekijken.

1. Utility-based agents

In tegenstelling tot eenvoudigere agenten die alleen reageren op prikkels uit de omgeving, beoordelen utility-based agents hun mogelijke acties op basis van de verwachte nut. Ze voorspellen hoe nuttig of voordelig elke optie is in relatie tot hun doel.

Utility-based agents zijn bijzonder geschikt voor complexe besluitvormingsomgevingen met meerdere mogelijke uitkomsten – zoals het afwegen van verschillende risico's bij investeringsbeslissingen, of het beoordelen van bijwerkingen van behandelingen.

De utility-functie van deze intelligente agenten is een wiskundige weergave van hun voorkeuren. Deze functie koppelt de voorkeuren aan de wereld om hen heen en bepaalt welke optie het beste is. Zo kan een utility-agent de optimale actie kiezen.

Omdat ze grote hoeveelheden data kunnen verwerken, zijn ze nuttig in elk vakgebied waar belangrijke beslissingen genomen moeten worden.

Financiële handel

Utility-based agents zijn zeer geschikt voor de aandelen- en cryptomarkt – ze kunnen kopen of verkopen op basis van algoritmes die gericht zijn op het maximaliseren van rendement of het minimaliseren van verlies. Deze utility-functie houdt rekening met zowel historische als realtime marktdata.

Dynamische prijsbepaling

Ooit extra betaald voor een Uber of Lyft tijdens de regen? Dat is een nut-gebaseerde agent aan het werk – ze kunnen prijzen in realtime aanpassen voor vluchten, hotels of ritdiensten, afhankelijk van de vraag, concurrentie of het moment van boeken.

Slimme netwerken (Smart Grid Controllers)

Dit soort intelligente agenten vormen het 'slimme' deel van slimme netwerken: utility-based agents regelen de distributie en opslag van elektriciteit.

Ze optimaliseren het gebruik van middelen op basis van vraagvoorspellingen en energieprijzen, om efficiëntie te verhogen en kosten te verlagen.

Gepersonaliseerde contentaanbevelingen

Je hebt net een film gekeken en Netflix raadt direct drie soortgelijke films aan.

Streamingdiensten zoals Netflix en Spotify gebruiken utility-based agents om gebruikers vergelijkbare content aan te bevelen. De geoptimaliseerde utility hier is de kans dat jij op de aanbeveling klikt.

2. Goal-based agents

Goal-based AI-agenten zijn – zoals de naam al zegt – ontworpen om specifieke doelen te bereiken met kunstmatige intelligentie.

In plaats van alleen te reageren op prikkels, kunnen deze rationele agenten de toekomstige gevolgen van hun acties overwegen en zo strategische keuzes maken om hun doelen te behalen.

In tegenstelling tot eenvoudige reflexagenten, die direct reageren op prikkels via als-dan-regels, evalueren goal-based agents en plannen ze acties om hun doelen te bereiken.

Wat hen onderscheidt van andere intelligente agenten is hun vermogen om vooruit te denken en strategisch te plannen om specifieke resultaten te behalen.

Roomba

Robotstofzuigers – zoals de bekende Roomba – zijn ontworpen met één doel: alle toegankelijke vloeroppervlakken schoonmaken. Deze goal-based agent heeft een eenvoudig doel, en voert dat goed uit.

Alle beslissingen van deze goal-based agent (zoals wanneer draaien) zijn gericht op het behalen van dat doel. De katten die erop zitten zijn slechts een leuke bijkomstigheid.

Projectmanagementsoftware

Hoewel er soms ook een utility-based agent wordt gebruikt, richt projectmanagementsoftware zich meestal op het behalen van een specifiek projectdoel.

Deze AI-agenten plannen vaak taken en delen middelen toe zodat een team optimaal een project op tijd kan afronden. De agent bepaalt het meest waarschijnlijke pad naar succes en voert acties uit namens het team.

AI in videogames

In strategie- en rollenspellen gedragen AI-personages zich als doelgerichte agenten – hun doelen kunnen variëren van het verdedigen van een locatie tot het verslaan van een tegenstander.

Deze geavanceerde AI-agenten overwegen verschillende strategieën en middelen – welke aanval te gebruiken, welke power-up in te zetten – om hun doel te bereiken.

3. Modelgebaseerde reflexagenten

Als je moet inspelen op informatie die niet altijd zichtbaar of voorspelbaar is, zijn modelgebaseerde reflexagenten de juiste keuze.

In tegenstelling tot eenvoudige reflexagenten die alleen reageren op wat ze waarnemen, houden modelgebaseerde reflexagenten een interne toestand bij waarmee ze deels onzichtbare omgevingen kunnen inschatten. Dit is een intern model van het deel van de wereld dat relevant is voor hun taak.

Dit model wordt voortdurend bijgewerkt met nieuwe gegevens uit de omgeving, zodat de AI-agent kan afleiden wat er in niet-zichtbare delen gebeurt en toekomstige situaties kan voorspellen.

Ze beoordelen de mogelijke gevolgen van hun acties voordat ze beslissingen nemen, waardoor ze met complicaties kunnen omgaan. Dit is vooral handig bij complexe taken, zoals autorijden in een stad of het beheren van een geautomatiseerd smart home-systeem.

Dankzij hun vermogen om eerdere kennis te combineren met real-time data kunnen modelgebaseerde reflexagenten hun prestaties optimaliseren, ongeacht de taak. Net als een mens kunnen ze contextbewuste beslissingen nemen, zelfs als de omstandigheden onvoorspelbaar zijn.

Autonome voertuigen

Hoewel deze auto's verschillende typen intelligente agenten combineren, zijn ze een goed voorbeeld van modelgebaseerde reflexagenten.

Complexe systemen zoals verkeer en voetgangersbewegingen zijn precies het soort uitdaging waarvoor modelgebaseerde reflexagenten zijn ontworpen.

Hun interne model wordt gebruikt om in real-time beslissingen te nemen op de weg, zoals remmen wanneer een andere auto door rood rijdt, of snel afremmen als de auto ervoor dat ook doet. Hun interne systeem wordt voortdurend bijgewerkt op basis van input uit de omgeving: andere auto's, activiteit bij oversteekplaatsen, het weer.

Moderne irrigatiesystemen

Modelgebaseerde reflexagenten vormen de kern van moderne irrigatiesystemen. Hun vermogen om te reageren op onverwachte omgevingsfeedback is ideaal voor weersomstandigheden en bodemvochtigheid.

Het interne model van de AI-agent stelt hem in staat om verschillende omgevingsfactoren te representeren en te voorspellen, zoals bodemvocht, weersomstandigheden en de waterbehoefte van planten.

Deze agenten verzamelen continu gegevens van sensoren in het veld, waaronder real-time informatie over luchtvochtigheid, temperatuur en neerslag.

Door deze gegevens te analyseren kan de modelgebaseerde reflexagent weloverwogen beslissingen nemen over wanneer er water moet worden gegeven, hoeveel water er nodig is en welke delen van het veld extra aandacht vereisen. Dankzij deze voorspellende capaciteit kan het irrigatiesysteem het watergebruik optimaliseren, zodat planten precies krijgen wat ze nodig hebben om te groeien (zonder water te verspillen).

Slimme systemen voor thuisautomatisering

Het interne model hier is dat van de thuisomgeving – deze systemen worden continu bijgewerkt met gegevens van sensoren en gebruiken deze informatie om hun beslissingen te nemen.

Een thermostaat detecteert temperatuurveranderingen en past zich aan waar nodig. Of een verlichtingssysteem merkt op dat het buiten donker wordt en schakelt automatisch – omdat deze duisternis kan komen door de nacht of door een onverwachte onweersbui, is er een intelligente agent nodig om zowel te anticiperen als te reageren op verschillen.

4. Lerende agenten

Lerende agenten onderscheiden zich door hun vermogen om zich aan te passen en te verbeteren op basis van ervaring.

In tegenstelling tot meer statische AI-agenten die alleen werken op vooraf ingestelde regels of modellen, kan een lerende agent zijn gedrag en strategieën ontwikkelen. Door dit lerende element worden ze vooral ingezet in veranderende omgevingen.

Fraudedetectie

Fraudedetectiesystemen werken door continu gegevens te verzamelen en zich vervolgens aan te passen om frauduleuze patronen beter te herkennen. Omdat oplichters hun tactieken steeds veranderen, moeten fraudedetectie-agenten zich ook voortdurend aanpassen.

Aanbevelingssystemen voor content

Platforms zoals Netflix en Amazon gebruiken een systeem met een lerende agent om hun aanbevelingen voor films, series en producten te verbeteren.

Zelfs als je profiel aangeeft dat je van horror- en thrillers houdt, passen je aanbevelingen zich aan als je ineens romantische komedies kijkt. Net als wij leren ze voortdurend bij.

Spraakherkenningssoftware

Toepassingen zoals Google Assistant en Siri maken gebruik van een lerende agent om onze soms onduidelijke spraak beter te begrijpen.

Dankzij lerende agenten worden deze systemen steeds beter in het begrijpen van accenten en spreektaal – zodat we Siri dingen kunnen vragen als: "Och, Siri, kun je voor mij de dichtstbijzijnde snackbar vinden? Ik heb enorme trek!"

Adaptieve thermostaten

Zelfs slimme thermostaten – zoals Nest – leren van het gedrag van gebruikers, bijvoorbeeld wanneer mensen meestal thuis of weg zijn en welke temperaturen ze prettig vinden.

Deze informatie verandert voortdurend, dus thermostaten moeten zich in de loop van de tijd kunnen aanpassen – dit maakt ze tot een ander voorbeeld van een lerende agent.

5. Hiërarchische agenten

Hiërarchische agenten onderscheiden zich van andere typen AI-agenten door hun gestructureerde, meerlagige aanpak van problemen.

Hiërarchische agenten lijken op een complexe organisatiestructuur, met verschillende niveaus van besluitvorming. Verschillende agenten binnen het systeem hebben hun eigen specialisatie, waardoor ze efficiënter zijn in het uitvoeren van complexe, meerstaps taken.

Hiërarchische agenten zijn een van de meer complexe manieren om AI-agenten in te zetten, omdat ze bestaan uit meerdere kleinere AI-agenten.

Kort samengevat: een hiërarchische agentstructuur draait om het gestructureerde besluitvormingsproces op verschillende niveaus binnen een systeem.

Productierobots

In geavanceerde productiesystemen coördineren hiërarchische agenten de productielijn.

Hoog-niveauagenten plannen en verdelen taken over het systeem, terwijl laag-niveauagenten specifieke machines aansturen, zoals robotarmen voor assemblagetaken.

Ze kunnen met elkaar communiceren om een soepele productie te garanderen – dat is besluitvorming op meerdere niveaus in de praktijk.

Luchtverkeersleidingssystemen

Deze systemen gebruiken hiërarchische agenten om het luchtverkeer veilig en efficiënt te laten verlopen. Omdat deze taak complex is en meerdere functies omvat, is een hiërarchisch agentensysteem noodzakelijk voor een goede uitvoering.

Hoger-niveauagenten beheren het regionale luchtverkeer, terwijl lager-niveauagenten zich richten op specifieke taken zoals opstijgen, landen en taxiën op individuele luchthavens.

Autonome magazijnrobots

Hiërarchische agenten beheren de voorraad en het pakketbeheer in magazijnen die gebruikmaken van machine learning.

Hoog-niveauagenten optimaliseren de indeling van het magazijn en de verdeling van de voorraad, terwijl laag-niveauagenten individuele robotheftrucks en sorteermachines aansturen om goederen fysiek te verplaatsen en te organiseren.

6. Robotagenten

Dit is precies waar we aan denken bij een intelligente agent: de robotagent.

Met een extra uitvoerend element zijn robotagenten het boegbeeld van kunstmatige intelligentie-agenten. Deze intelligente agenten werken in een fysieke omgeving, in plaats van alleen als softwareagenten te bestaan.

Deze fysieke verschijningsvormen van AI-agenten zijn meestal uitgerust met sensoren zoals camera’s of aanraaksensoren. Dit type AI-agent is vooral nuttig bij taken die gevaarlijk of zeer repetitief zijn – het kan efficiënter en goedkoper zijn om een kunstmatige intelligentie-agent deze taken te laten uitvoeren.

Dit type AI-agent wordt gecombineerd met andere vormen van kunstmatige intelligentie, zodat hij fysieke taken of doelgerichte taken kan uitvoeren, soms binnen multi-agent- of hiërarchische systemen.

Robots op assemblagelijnen

Er zijn veel robots op assemblagelijnen. Deze AI-agenten voeren taken uit zoals lassen, schilderen en onderdelen monteren, allemaal met hoge precisie en snelheid.

Omdat het intelligente agenten zijn, kunnen ze de productietijd optimaliseren en tegelijkertijd een constant prestatieniveau behouden.

Chirurgische robots

Chirurgie is zowel risicovol als nauwkeurig, waardoor het ideaal is voor AI-agenten.

Robotagenten zoals het da Vinci Surgical System ondersteunen chirurgen bij het uitvoeren van precieze en minimaal invasieve ingrepen. Deze AI-agenten voeren operaties niet zelfstandig uit, maar vergroten wel de mogelijkheden van de chirurg.

Landbouwrobots

Robots worden veel gebruikt in de landbouw, van het zaaien van zaden tot het oogsten van gewassen en het monitoren van de veldomstandigheden.

Deze AI-agenten helpen de productiviteit te verhogen, omdat het voor een machine makkelijker is om 10.000 wortelzaadjes te planten dan voor een mens.

Servicerobots

De bekendste servicerobot van allemaal – juist, dat is WALL-E. Een verre tweede zijn de restaurantrobots die je eindeloze bestellingen van all-you-can-eat sushi direct aan tafel brengen.

We gebruiken servicerobots overal: robotstofzuigers, robots die gasten in hotels informeren en robots die goederen bezorgen bij allerlei bedrijven.

7. Virtuele assistenten

Virtuele assistenten werken op basis van natuurlijke taalverwerking en kunstmatige intelligentie – en zijn waarschijnlijk de bekendste voorbeelden van AI-agenten voor het grote publiek.

Deze slimme persoonlijke assistenten begrijpen en verwerken menselijke taal (met natuurlijke taalverwerking) om taken uit te voeren, zoals herinneringen instellen en e-mails beheren.

Dit type AI-agent bevat ook een leerelement: ze leren van gebruikersinteracties, waardoor ze steeds persoonlijker en effectiever worden.

Siri

Siri was een van de eerste grote virtuele assistenten en is geïntegreerd in de meeste Apple-apparaten, zoals iPhones, iPads, Macs en de Apple Watch.

Siri helpt bij allerlei taken, zoals bellen, sms’en, herinneringen instellen, routes geven en algemene vragen beantwoorden.

Alexa

Deze virtuele assistent is beschikbaar op Amazon Echo-apparaten en andere Alexa-producten. Alexa speelt muziek af, bedient slimme apparaten in huis, maakt boodschappenlijstjes en geeft nieuwsupdates. En heeft de naam ‘Alexa’ voor mensen verpest.

Google Assistant

Deze agent ken je van Android-telefoons en Google Home-apparaten. Google Assistant is erg goed in het ophalen van informatie van internet, het plannen van afspraken, het beheren van slimme apparaten en het direct vertalen van gesprekken.

Dankzij de diepe integratie met Google-diensten is deze assistent vooral krachtig voor taken met kaarten, YouTube en zoekopdrachten.

8. Multi-agentsystemen

Het mooie van multi-agent systemen zit in hun diversiteit en de rijke interacties tussen de agenten.

De agenten in deze systemen zijn vaak heel verschillend, variërend van een eenvoudige softwareagent die data filtert tot complexe entiteiten die kritieke functies beheren in slimme energienetwerken of transportsystemen.

Elke agent werkt half zelfstandig, maar is ontworpen om samen te werken met andere agenten. Zo ontstaat een dynamisch ecosysteem waarin collectief gedrag voortkomt uit individuele acties. Voor dit soort agentprogramma’s is samenwerking essentieel.

Verkeersbeheersystemen

Je vindt deze intelligente agenten in verkeersbeheersystemen: meerdere agenten vertegenwoordigen verschillende verkeerslichten, camera’s en informatiesystemen.

Deze AI-agenten werken samen om het verkeer te optimaliseren, files te verminderen en in te spelen op situaties zoals ongelukken of wegwerkzaamheden. Elke agent verwerkt data uit zijn eigen omgeving en stemt de verkeerslichten af met andere agenten – teamwork is dus noodzakelijk.

Slimme energienetwerken

Ook in slimme energienetwerken werken veel AI-agenten samen, elk met controle over een deel van de elektriciteitsverdeling, van energiecentrales tot slimme meters in woningen.

Deze AI-agenten zorgen samen voor een efficiënte balans tussen vraag en aanbod, integreren duurzame energiebronnen en houden het netwerk stabiel.

De coördinatie binnen een multi-agent systeem zorgt voor optimale energiedistributie en kostenbesparing in het netwerk.

Supply chain en logistiek

In supply chain management vertegenwoordigen agenten verschillende partijen, zoals leveranciers, fabrikanten, distributeurs en winkels. Deze agenten stemmen het hele proces op elkaar af, van inkoop tot levering, om efficiëntie te verhogen en kosten te verlagen.

Autonome zwermrobots

Bij verkennings- of reddingsmissies worden soms zwermen robots ingezet.

Elke robotagent werkt deels zelfstandig, maar stemt af met andere AI-agenten om grotere gebieden te bestrijken, sensorgegevens te delen of samen objecten te verplaatsen.

Dit is vooral handig in moeilijke omgevingen – zoals ingestorte gebouwen of planeetoppervlakken – waar samenwerking tussen veel AI-agenten veel meer oplevert dan individuele agenten.

9. Simpele reflexagenten

Een simpele reflexagent is het kleintje van het stel. Het heeft heel beperkte intelligentie en werkt volgens een directe ‘als-dan’-regel.

Deze regelgestuurde agenten zijn niet geschikt voor complexe taken. Maar voor de specifieke taken waarvoor ze zijn ontworpen, zijn ze juist zeer geschikt.

Simpele reflexagenten zijn geschikt voor eenvoudige taken in een voorspelbare omgeving. Hun acties beïnvloeden de omgeving, maar alleen binnen hun specifieke taak.

Thermostaten

Is het 18.00 uur in de winter? Zet de verwarming maar hoger. Is het 12.00 uur ('s middags) in de zomer? Deze eenvoudige reflexagent, met beperkte intelligentie, schakelt dan de airco in.

Automatische deuren

Hoewel hun intelligentie beperkt lijkt, zijn automatische deuren vaak voorbeelden van simpele reflexagenten. Deze AI-agent detecteert een persoon voor de deur en opent hem. Simpel en doeltreffend.

Rookmelders

Deze AI-agent hangt aan het plafond in je keuken. Inderdaad, ook dit is een simpele reflexagent. Hij detecteert rook en laat het alarm afgaan.

Eenvoudige spamfilters

Sommige AI-agenten helpen ons al jaren dagelijks. De spamfilter in e-mail is daar een voorbeeld van. Eenvoudige versies gebruiken geen natuurlijke taalverwerking, maar letten op trefwoorden of de reputatie van de afzender.

Bouw je eigen AI-agent

Er zijn veel soorten AI-agenten, waarvan sommige veel moeilijker te bouwen zijn dan andere.

Maar als je een agentische chatbot wilt bouwen – die acties kan uitvoeren in je dagelijkse systemen, zoals e-mails versturen en afspraken boeken – kunnen wij je helpen.

Ons platform heeft een eenvoudige drag-and-drop interface voor beginners, en eindeloze uitbreidingsmogelijkheden voor professionele ontwikkelaars.

We hebben zelfs een actieve community van meer dan 20.000 botbouwers, als je ondersteuning wilt tijdens het proces.

Begin vandaag nog met bouwen. Het is gratis.

Veelgestelde vragen

Zijn AI-agenten zelfbewust?

Nee, AI-agenten zijn niet zelfbewust. Ze volgen softwareprogramma’s die hun doelen bepalen, maar kunnen wel zelfstandig handelen om resultaten te bereiken.

Hoe nemen AI-agenten beslissingen en voeren ze acties uit?

Verschillende soorten AI-agenten observeren hun omgeving en ondernemen op verschillende manieren acties. Sommige gebruiken modelgegevens, andere gebruiken sensoren. Ze hebben verschillende doelen op basis van hun geprogrammeerde redeneervermogen.

Wat is een modelgebaseerde agent?

Een modelgebaseerde agent is een andere benaming voor een modelgebaseerde reflexagent: een type AI-agent die eerdere gegevens en huidige input combineert om de beste actie te bepalen.