Microsoft stelt dat uitvoeringsklare AI-agenten 26-60 engineer-weken nodig hebben om te bouwen

Titel: Van ondersteuning naar uitvoering: de architecturale verschuiving

Het "Agentic Transformation Patterns"-playbook van Microsoft voor 2026 beschrijft hoe AI-agenten moeten worden herbouwd om de stap te maken van louter het ondersteunen van gebruikers naar het daadwerkelijk uitvoeren van werkzaamheden. Het koppelt een concreet prijskaartje aan de inspanning – tussen de 26 en 60 engineer-weeks voor de kerninfrastructuur voordat er zelfs maar één agent in uitvoeringsmodus kan worden geleverd. Bedrijven die deze verschuiving negeren, riskeren het bouwen van kwetsbare tools die niet veilig zelfstandig kunnen handelen.

Bedrijven experimenteren momenteel met large-language-model (LLM) assistenten die e-mails opstellen, codefragmenten voorstellen of data naar boven halen. Deze agenten blijven in de "assist"-modus: een mens controleert elke output, en een dunne wrapper stuurt een verzoek naar het model en geeft een reactie terug. De architectuur is goedkoop en snel op te bouwen, maar laat besluitvorming en het schrijven van data doelbewust over aan de gebruiker.

Wanneer een organisatie wil dat de agent een volledige workflow uitvoert – een database vullen, een downstream-proces triggeren of een transactie goedkeuren – kan het model niet langer een black box zijn die simpelweg een antwoord overhandigt dat door een mens geverifieerd moet worden. De agent moet fungeren als een autonome service, met een eigen identiteit, een persistente status en ingebouwde veiligheidsmechanismen. Microsoft stelt dat het oude ontwerp dat alleen op ondersteuning is gericht, niet kan worden omgevormd tot een systeem dat klaar is voor uitvoering via eenvoudige patches; het vereist een volledige herontwerp vanaf de basis op basis van zeven architecturale pijlers.

De zeven pijlers van uitvoering-klare AI-agenten

• Authority – De verschuiving van "door de gebruiker gedelegeerde" permissies naar persistente agent-identiteiten met beperkte toegangsrechten (scoped access rights). De agent moet zichzelf authenticeren bij downstream-services zonder de token van een mens te gebruiken.
• Boundaries – Vervang ad-hoc redeneringen van het model voor berekeningen met een hoog risico door deterministische codepaden. Alles wat precisie vereist – financiële wiskunde, compliance-controles – moet draaien in gecontroleerde software en mag niet worden afgeleid uit de output van het model.
• Schemas – De overstap van losjes getypeerde data-uitwisselingen naar een canoniek schema dat wordt beheerd door een aangewezen data steward. Dit voorkomt dat de agent foutieve records schrijft die downstream-systemen niet kunnen verwerken.
• Failure Detection – Ruil menselijk toezicht in voor continue telemetrie en monitoring van bedrijfsresultaten. Het systeem moet automatisch anomalieën signaleren, zoals onverwachte transactievolumes, en de agent stoppen als drempelwaarden worden overschreden.
• State – Vervang kortstondige chatsessies door duurzame, op een specifieke case gerichte status (state) die wordt opgeslagen in een systeem van record. Een uitvoeringsagent moet mogelijk eerdere stappen, audit trails of gebruikersvoorkeuren kunnen herinneren over dagen of weken heen.
• Rollback – Vervang "de prompt opnieuw uitvoeren" door event-sourcing of compenserende transacties die acties betrouwbaar kunnen terugdraaien. Als de agent een fout maakt, moet het platform de neveneffecten herstellen zonder handmatige tussenkomst.
• Auditability – Upgrade van eenvoudige chattranscripten naar logs per actie die elke operatie koppelen aan een specifieke agentversie en -identiteit. Toezichthouders en interne auditors kunnen dan precies traceren wat de agent heeft gedaan, wanneer, en onder welke beleidsregels.

Deze wijzigingen zijn geen optionele extra's; ze vormen een nieuw bedrijfsmodel voor AI-gestuurde automatisering. Microsoft schat dat het bouwen van dit fundament tussen de 26 en 60 engineer-weeks zal kosten.

Waarom de kosten ertoe doen

Het playbook waarschuwt tegen het inzetten van agenten in uitvoeringsmodus voor taken met een lage waarde die slechts enkele minuten uit de workflow van een gebruiker halen. De engineering-investering zou dan groter zijn dan de marginale productiviteitswinst. Richt je op processen met meetbare resultaten – orderverwerking, schadeafhandeling, compliance-rapportage – waarbij autonome uitvoering direct vertaalt naar kostenbesparing of risicoreductie.

Er is politieke autoriteit nodig om eigenaar te zijn van je dataschema's.

Tegenargument: Is alleen ondersteuning voldoende?

Voor veel interne ondersteuningsscenario's – het opstellen van notulen, het naar boven halen van kennisbankartikelen – blijft menselijke verificatie een praktisch vangnet. Het nadeel zijn tragere cyclustijden en een voortdurende afhankelijkheid van menselijke arbeid voor de uiteindelijke beslissing.

De conclusie is duidelijk: het verplaatsen van AI-agenten van een ondersteunende rol naar een autonome rol is geen simpele "feature toggle"; het is een volledige architecturale herschrijving. Bedrijven die de eisen op het gebied van engineering en governance onderschatten, riskeren het lanceren van fragiele bots.