Google Cloud Agentic AI: De Revolutie in Bedrijfsautomatisering en de Impact op FinOps
Written by Olivia Nolan
juli 24, 2026
Tijdens het recente Google Cloud Next '24 evenement werd een duidelijke strategische verschuiving zichtbaar, weg van de pure generatieve AI-mogelijkheden naar een veel ambitieuzer concept: Agentic AI. Onder leiding van CEO Thomas Kurian presenteerde Google een visie waarin AI niet langer alleen een passieve assistent is die vragen beantwoordt of content creëert, maar een proactieve, autonome medewerker die complexe, meerstaps taken kan begrijpen, plannen en uitvoeren. Deze introductie van Google Cloud Agentic AI markeert een nieuw tijdperk in bedrijfsautomatisering. In plaats van systemen te programmeren om specifieke, vooraf gedefinieerde workflows te volgen, kunnen organisaties nu AI-agenten inzetten die doelen krijgen en zelfstandig de beste route bepalen om deze te bereiken. Deze ontwikkeling belooft de efficiëntie, productiviteit en innovatiekracht van bedrijven fundamenteel te transformeren, maar brengt tegelijkertijd nieuwe, complexe uitdagingen met zich mee, met name op het gebied van financieel beheer en governance.
Een AI-agent onderscheidt zich van traditionele AI-modellen door een combinatie van kerncapaciteiten die het in staat stellen autonoom te opereren. De basis is het vermogen om een complex doel te begrijpen en dit op te delen in een reeks logische, uitvoerbare stappen. Dit plannings- en redeneervermogen, aangedreven door geavanceerde foundation models zoals Gemini, vormt het 'brein' van de agent. Vervolgens moet de agent in staat zijn om 'gereedschappen' te gebruiken om zijn plan uit te voeren. Dit kunnen interne API's, externe softwareapplicaties, databases of zelfs andere AI-modellen zijn. Een agent kan bijvoorbeeld een klantverzoek analyseren, de CRM-database raadplegen voor klantinformatie, een ticket aanmaken in een servicesysteem en vervolgens een API van een logistieke partner aanroepen om een zending te volgen. Cruciaal hierbij is het vermogen om context te onthouden en te leren van interacties, waardoor de agent zijn aanpak kan aanpassen en steeds effectiever wordt in het uitvoeren van zijn taken. Dit zelfsturende en lerende karakter maakt agenten fundamenteel anders dan de meer statische chatbots of script-gebaseerde automatiseringsoplossingen.
De opkomst van Agentic AI is geen toevallige doorbraak, maar het resultaat van een convergentie van technologische ontwikkelingen. De ongekende kracht van de nieuwste generatie Large Language Models (LLM's) biedt het redeneervermogen dat voorheen ontbrak. Tegelijkertijd biedt de moderne cloudinfrastructuur de schaalbare rekenkracht en de connectiviteit die nodig is om deze modellen te trainen en te draaien, en om ze te verbinden met een breed scala aan databronnen en tools via API's. Deze combinatie maakt een nieuw niveau van intelligente automatisering mogelijk, die de beperkingen van traditionele Robotic Process Automation (RPA) overstijgt. Waar RPA uitblinkt in het automatiseren van repetitieve, op regels gebaseerde taken, kunnen AI-agenten omgaan met ambiguïteit, onverwachte situaties en taken die menselijk oordeelsvermogen vereisen. De impact hiervan is potentieel enorm: het stelt bedrijven in staat om niet alleen processen efficiënter te maken, maar om hele bedrijfsonderdelen te herontwerpen rondom een samenwerking tussen menselijke experts en autonome digitale collega's, wat leidt tot een hogere mate van wendbaarheid en strategische differentiatie.
Luister naar dit artikel:
Centraal in de agentic-strategie van Google staat de Vertex AI Agent Builder, een krachtig platform dat is ontworpen om de ontwikkeling en implementatie van AI-agenten te democratiseren. Dit low-code/no-code platform fungeert als een centrale hub waar ontwikkelaars, maar ook business analisten en proceseigenaren, geavanceerde agenten kunnen bouwen zonder diepgaande kennis van AI-modellering. De Agent Builder abstraheert de complexiteit van het orkestreren van de verschillende componenten van een agent. Gebruikers kunnen via een intuïtieve interface het doel van de agent definiëren, specificeren welke tools (API's, databases, applicaties) de agent mag gebruiken, en de onderliggende foundation models configureren. Het platform beheert de complexe interactie tussen het redeneervermogen van het LLM, de toegang tot kennisbronnen en de uitvoering van acties via tools. Dit verlaagt de drempel voor innovatie aanzienlijk, waardoor teams snel kunnen experimenteren met en waarde kunnen creëren uit agent-gebaseerde automatisering voor specifieke use cases, variërend van klantenservice tot complexe operationele workflows.
Een fundamentele voorwaarde voor het succes van een AI-agent binnen een bedrijfscontext is de betrouwbaarheid en relevantie van zijn output. Om dit te garanderen, heeft Google zijn Agent Builder diep geïntegreerd met de 'grounding'-mogelijkheden van Google Search en Conversation. Grounding is het proces waarbij de antwoorden en acties van de agent worden verankerd in verifieerbare, bedrijfsspecifieke informatie. In plaats van te vertrouwen op de algemene kennis van het taalmodel, wat kan leiden tot onnauwkeurigheden of 'hallucinaties', wordt de agent gedwongen zijn informatie te baseren op de eigen kennisbank van het bedrijf. Dit kunnen interne documenten, producthandleidingen, CRM-data, of databases zijn. Deze aanpak zorgt ervoor dat de agent handelt op basis van de 'single source of truth' van de organisatie, wat essentieel is voor het opbouwen van vertrouwen en het garanderen van compliance. Voor elke actie of elk antwoord kan de agent de bronnen citeren, wat transparantie en traceerbaarheid biedt – een cruciale eis in gereguleerde industrieën.
De intelligentie van de agenten wordt aangedreven door Google's meest geavanceerde foundation models, die nu beschikbaar zijn binnen het Vertex AI-platform. De introductie van Gemini 1.5 Pro is hierbij een gamechanger. Dit model beschikt over een contextvenster van maar liefst één miljoen tokens, waardoor een agent extreem lange conversaties, documenten of complexe reeksen van gebeurtenissen kan onthouden en verwerken. Dit is cruciaal voor taken die over een langere periode lopen en waarbij het behouden van context essentieel is voor succes. Voor multimodale toepassingen, waarbij agenten ook afbeeldingen moeten kunnen begrijpen en genereren, is Imagen 3 beschikbaar. En voor taken die gericht zijn op softwareontwikkeling, zoals het schrijven, debuggen of optimaliseren van code, kunnen agenten gebruikmaken van de gespecialiseerde CodeGemma-modellen. Door deze keuzevrijheid kunnen organisaties voor elke specifieke taak het meest geschikte en kosteneffectieve model selecteren, waardoor een optimale balans tussen prestaties en TCO kan worden bereikt.
De meest directe en voelbare impact van Agentic AI zal waarschijnlijk worden gezien in de transformatie van klantenservice. We evolueren van eenvoudige chatbots die veelgestelde vragen beantwoorden naar volledig autonome service-agenten die complete klantentrajecten kunnen afhandelen. Stel je een agent voor die een klantverzoek via chat ontvangt over een defect product. De agent kan de klant authenticeren, de bestelgeschiedenis in het CRM-systeem opzoeken, via een kennisbank een diagnose stellen van het probleem, de retourvoorwaarden controleren, een retourlabel genereren via een API-aanroep naar een logistieke dienstverlener, en een vervangende bestelling plaatsen in het ERP-systeem. Gedurende dit hele proces communiceert de agent empathisch met de klant, houdt deze op de hoogte van de status en legt alle acties vast in het klantdossier. Dit niveau van end-to-end automatisering kan de operationele kosten drastisch verlagen, de klanttevredenheid verhogen door directe 24/7 service, en menselijke medewerkers vrijmaken voor de meest complexe en waardevolle klantinteracties.
Buiten klantcontactcentra opent Agentic AI de deur naar een nieuw niveau van enterprise workflow automation. Deze AI-agenten kunnen functioneren als autonome digitale medewerkers die complexe, dynamische processen beheren. In de supply chain kan een agent bijvoorbeeld voortdurend de voorraadniveaus monitoren, de vraag voorspellen op basis van verkoopdata en externe factoren zoals het weer, en proactief bestellingen plaatsen bij leveranciers wanneer voorraden een kritiek punt bereiken. De agent kan zelfs onderhandelen over prijzen binnen vooraf ingestelde parameters door te communiceren met de systemen van leveranciers. In marketing kan een agent de prestaties van lopende campagnes analyseren, A/B-tests voorstellen, met behulp van Imagen 3 nieuwe visuele content creëren, en de meest effectieve varianten automatisch implementeren op verschillende advertentieplatforms. Dit stelt bedrijven in staat om sneller en intelligenter te reageren op veranderende marktomstandigheden, zonder constante menselijke tussenkomst.
De productiviteit van technische teams, zoals softwareontwikkelaars en IT-operations, zal eveneens een aanzienlijke impuls krijgen. Een ontwikkelaar kan een agent een taak geven als: "Analyseer de prestaties van onze checkout-API, identificeer de bottleneck, en schrijf een geoptimaliseerde versie van de code die voldoet aan onze interne coding standards." De agent gebruikt tools zoals profilers en code-analyse-software, raadpleegt interne documentatie, en genereert met CodeGemma de nieuwe code, inclusief unit tests. Voor IT-operations kan een agent de gezondheid van de cloudinfrastructuur monitoren, bij een prestatiedegradatie automatisch logbestanden en metrieken analyseren om de hoofdoorzaak te vinden, en vervolgens een geautomatiseerd herstelplan (playbook) uitvoeren. Dit verkort de Mean Time To Resolution (MTTR) aanzienlijk en verhoogt de betrouwbaarheid van de systemen, terwijl het de werkdruk op hoogopgeleide engineers vermindert en hen in staat stelt zich te richten op strategische projecten in plaats van op brandjes blussen.
advertenties
advertenties
advertenties
advertenties
De opkomst van Google Cloud Agentic AI introduceert een fundamenteel nieuw paradigma voor cloudkostenbeheer, wat een aanzienlijke uitdaging vormt voor FinOps-professionals. In tegenstelling tot traditionele, voorspelbare cloud-workloads, zijn de kosten van AI-agenten inherent dynamisch en onvoorspelbaar. De totale kosten van een enkele taak die door een agent wordt uitgevoerd, zijn een complexe som van diverse factoren: het aantal en type tokens dat door het onderliggende LLM wordt verwerkt, het aantal API-aanroepen naar verschillende tools, de hoeveelheid data die wordt opgehaald en verwerkt voor grounding, en de onderliggende compute-resources voor de orkestratie. Omdat de acties van een agent niet vooraf zijn gescript maar in realtime worden bepaald op basis van het doel en de context, wordt het voorspellen van het verbruik—en dus de kosten—extreem moeilijk. Een simpele vraag kan in het ene geval leiden tot één API-aanroep, en in een ander, complexer geval tot een cascade van tien acties, met exponentieel hogere kosten tot gevolg. Deze onvoorspelbaarheid vereist een nieuwe benadering van forecasting en budgeting.
Om grip te krijgen op deze nieuwe kostenstructuur, wordt de 'Inform'-pijler van FinOps belangrijker dan ooit. Organisaties moeten investeren in uiterst granulaire monitoring- en taggingstrategieën. Het is niet langer voldoende om kosten toe te wijzen aan een project; men moet de kosten kunnen herleiden tot individuele agenten, specifieke taken, of zelfs de afzonderlijke stappen binnen een taak. Dit maakt gedetailleerde showback en chargeback mogelijk en creëert inzicht in welke agenten of use cases de meeste waarde leveren in verhouding tot hun kosten. Parallel hieraan is robuuste governance essentieel om 'runaway costs' te voorkomen. FinOps-teams moeten, in nauwe samenwerking met engineering en business, duidelijke kaders opstellen. Denk hierbij aan het instellen van strikte budgetten per agent, het implementeren van 'circuit breakers' die een agent deactiveren bij het overschrijden van een kostendrempel, het beheren van een 'allowlist' van goedgekeurde (en kostenefficiënte) tools, en het opzetten van een reviewproces voor de inzet van nieuwe, potentieel dure agent-functionaliteiten.
De 'Optimize'-fase van FinOps evolueert van traditionele methoden zoals rightsizing van VM's naar meer geavanceerde, AI-specifieke strategieën. Een sleutelconcept is 'right-modeling': het selectief inzetten van het meest kosteneffectieve foundation model dat capabel genoeg is voor de betreffende taak. Voor een eenvoudige dataklassificatie is de kracht en de kostprijs van Gemini 1.5 Pro wellicht overbodig, terwijl een kleiner, goedkoper model volstaat. Andere optimalisatietechnieken omvatten het verfijnen van prompts om het aantal verwerkte tokens te minimaliseren, het implementeren van slimme caching-mechanismen voor veelgebruikte data en tool-antwoorden, en het ontwerpen van agent-workflows die de meest efficiënte route kiezen om een doel te bereiken. De 'Operate'-fase vereist continue monitoring van de kosten-prestatieverhouding van elke agent. Dit creëert een feedbackloop waarin FinOps-inzichten direct worden gebruikt om de agenten te verfijnen, wat FinOps tot een integraal en doorlopend onderdeel van de MLOps-levenscyclus voor agentic-systemen maakt.
Olivia Nolan is redacteur bij MSP2Day, waar zij zich richt op het vertalen van complexe IT- en technologische ontwikkelingen naar toegankelijke en inspirerende artikelen. Met haar ervaring als content manager en social media expert weet zij inhoud niet alleen informatief, maar ook aantrekkelijk en relevant te maken voor een breed publiek.
