Agentic orchestration: modellen komen en gaan, de regielaag blijft.

Bijna elke organisatie die wij spreken heeft medewerkers die al volop met AI werken. Ze bouwen eigen skills, workflows en kleine agents en doen hun werk daarmee sneller. Toch loopt zo'n experiment zelden door naar productie, naar het moment waarop het echt bij klantdata, orders of productinformatie mag. Zodra een agent bij klantdata, orders of productinformatie moet, stokt het.

Agentic orchestration is de laag die dat oplost. Deze laag bepaalt wat AI-agents mogen doen, met welke systemen ze praten, wat ze kosten en waar een mens meekijkt. Wij denken dat de blijvende waarde van AI in deze regielaag zit. Taalmodellen worden in hoog tempo ingehaald door nieuwe versies, nieuwe aanbieders en nieuwe prijzen. Wie zijn energie vooral in de modelkeuze steekt, investeert in het deel dat het snelst veroudert.

Veel mensen associëren governance met extra regels en een goedkeuring voor alles. In de praktijk zien wij het omgekeerde. Echte bedrijfsdata komt pas binnen bereik als op één plek geregeld is wat een agent mag zien, mag doen en mag kosten. Agentic orchestration geeft medewerkers dus meer ruimte om met AI te werken.

De meeste AI-toepassingen raken de bedrijfssystemen zelf niet, zoals je PIM, ERP of CRM. Een medewerker die met ChatGPT of Claude een offerte opstelt, werkt met wat hij er zelf in plakt. De rest van de organisatie merkt daar weinig van.

Het beeld is bijna altijd versnipperd. Marketing schrijft prompts voor productteksten, klantenservice test een chatbot en development werkt met een eigen code-assistent. Niemand weet wanneer een van die pilots een echt proces wordt.

Volgens Gartner heeft in 2026 pas 17% van de organisaties AI-agents in gebruik, terwijl ruim 60% dat binnen twee jaar verwacht. In gesprekken met verantwoordelijken op IT, commercie of e-commerce, horen we steeds dezelfde uitdagingen:

• "We durven AI niet aan onze live systemen te koppelen."

• "Iedere agent heeft weer eigen koppelingen en we hebben geen zicht op welke agent waarbij kan."

• "We hebben geen goed inzicht in token-gebruik en wat iedere AI-toepassing ons kost."

Organisaties investeren steeds meer in AI, maar een groot deel van de waarde blijft liggen, omdat AI zonder agentic orchestration niet veilig genoeg met de bedrijfsdata kan werken.

Een AI-agent is software die met een taalmodel zelfstandig een taak uitvoert, zoals een productomschrijving schrijven, een order controleren of een klantvraag analyseren. Agentic orchestration is de centrale laag boven die agents. De agent voert de taak uit. De regielaag bepaalt hoe, wanneer, met welke data en onder welke voorwaarden dat gebeurt, en brengt agents, bedrijfssystemen en mensen samen in één beheerst proces.

In het kort: wat doet een orchestration-platform?

Het platform verdeelt taken over agents en roept de juiste systemen aan, zoals je PIM, ERP of CMS. Per agent ligt vast welke data hij mag zien en welke acties hij mag uitvoeren. Een workflow kan wachten tot een mens akkoord geeft en gaat daarna verder waar hij was gebleven. Het platform onthoudt context, test de kwaliteit van de output en legt vast wat elke agent doet, verbruikt en kost. Via een model-router kies je per stap welk taalmodel het werk doet.

Het grote verschil met losse tools als ChatGPT of Claude is dat het om één centrale plek gaat. Individueel gebruik blijft bij die ene medewerker, terwijl een regielaag de regels, koppelingen en inzichten voor de hele organisatie op één plek bundelt.

Veel organisaties hebben ook minder echte agents dan ze denken. In een enquête van VentureBeat Pulse uit augustus 2026 onder 166 organisaties zegt 53% dat hooguit een kwart van hun agents echte multi-agent workflows zijn.

Waarom blijft de regielaag staan als het model wisselt?

Afspraken over wie goedkeurt, welke data een agent gebruikt en wat een proces mag kosten, gelden morgen nog steeds, ook als je dan een ander model kiest. Agentic orchestration is een van de delen van je AI-aanpak die niet bij elke modelrelease verandert.

Modellen verschillen wel degelijk in kwaliteit, snelheid en prijs. Voor een complexe productconfiguratie wil je waarschijnlijk een ander model dan voor het samenvatten van een klantmail. Wij zien de modelkeuze daarom als een instelling per taak. Een eenvoudige controle gaat naar een klein, goedkoop model en een zware analyse naar een frontier-model. Volgens VentureBeat stuurt 20% van de organisaties met orchestration al op deze manier werk door naar goedkopere modellen. Verhoogt een aanbieder zijn tokenprijzen of past hij zijn voorwaarden aan, dan vervang je het model zonder je workflows opnieuw in te richten.

Organisaties die al serieus met agents werken, kiezen ook op die manier. In dezelfde enquête koos maar 2% een orchestration-platform vanwege het onderliggende model. Bij 78% gaven flexibiliteit in modellen en tools, betrouwbaarheid in productie, ontwikkelgemak en controle over agents de doorslag. 67% verwacht dat het orchestration platform (de "control plane", de laag die agents aanstuurt) eind 2026 minstens deels buiten de omgeving van een modelaanbieder ligt, terwijl die aanbieders inmiddels hun eigen agent-platformen verkopen.

Een kanttekening hoort erbij: de deelnemers meldden zich zelf aan en het gaat vooral om Amerikaanse organisaties met meer dan honderd medewerkers. De percentages geven een richting aan. Een Nederlandse benchmark zijn ze niet.

Die richting past bij hoe wij werken. Bij commerce-platformen adviseren we platformonafhankelijk, omdat de keuze moet volgen uit de groeiambitie van een organisatie of merk. Bij taalmodellen doen we hetzelfde.

Elke agent heeft zijn eigen koppelingen nodig, en het is heel complex om in tools zoals Claude of ChatGPT grip te houden op de koppelingen en wat er met de data gebeurt. Zodra een agent bij klantdata, orders of productinformatie moet, liggen er vragen over security, privacy en compliance op tafel. Dat zijn vraagstukken die één medewerker niet zelf kan beantwoorden.

Gartner voorspelde in juni 2025 dat vóór eind 2027 meer dan 40% van de agentic AI-projecten wordt stopgezet, door oplopende kosten, onduidelijke businesswaarde of onvoldoende risicobeheersing. Of die voorspelling uitkomt, is nog maar de vraag. Op elk van die drie oorzaken geeft agentic orchestration wel een antwoord, en geen ervan los je op met een beter model. Budgetten en een rem in de pipeline houden de kosten in de hand. Een koppeling aan een meetbaar bedrijfsresultaat maakt de waarde zichtbaar. Menselijke goedkeuring en logging van elke stap houden het risico beheersbaar.

Een logisch bezwaar is dat agentic orchestration extra governance en kosten oplevert. In de praktijk zien we dat juist die regielaag zorgt dat de potentie van AI beter benut wordt. Daarnaast voorkom je de wildgroei die ontstaat wanneer elk team zijn eigen oplossing kiest, agents ontwikkelt en integraties maakt. Met één regielaag voorkom je dat je dezelfde koppeling met je ERP of PIM drie keer laat realiseren én heb je zicht op wat er gebeurt.

In e-commerce en B2B raken veel processen direct klanten en dus persoonsgegevens. Met agentic orchestration bepaal je per stap welke data naar welk model gaat.

Een architectuur die wij graag toepassen werkt in twee stappen. Eerst ontvangt een lokaal of intern beheerd model het bericht of de dataset en controleert het op persoonsgegevens (Personal Identifiable Information, PII). Die worden gemaskeerd of verwijderd. Pas daarna gaat de informatie naar een krachtiger (extern frontier-)model, dat de analyse doet zonder de oorspronkelijke gegevens te zien.

Agentic orchestration maakt meer toepassingen mogelijk, omdat je per stap kunt bepalen welke data naar welk model gaat. Daardoor kun je persoonsgegevens beschermen en toch het sterkste model laten analyseren. Het effect is dat toepassingen bespreekbaar worden die eerst te riskant leken. Denk aan orders analyseren, klantinformatie verrijken of verkoopdata uit webshop, CRM en ERP combineren. Commerce-organisaties hebben daar veel aan, omdat hun kennis over zoveel systemen verspreid staat.

Wat betekent de AI Act voor agents die met klanten praten?

Sinds 2 augustus 2026 moet je duidelijk maken dat het om AI gaat wanneer een agent rechtstreeks met mensen communiceert. Die verplichting staat in artikel 50 van de Europese AI Act. Wie het niet goed regelt, riskeert een boete tot €15 miljoen of 3% van de wereldwijde jaaromzet.

Heb je meerdere agents die met klanten of inkopers praten, dan wil je die transparantie op één plek regelen en kunnen aantonen wat er is gebeurd. Met logging in de regielaag hoeft niet elk team dat zelf uit te zoeken.

Wat merkt je klant ervan?

Elke workflow verandert uiteindelijk iets in wat de eindklant ervaart. De regie over je agents is daarom ook een commercieel vraagstuk. Welk proces in de klantreis kan beter, sneller of persoonlijker, en wat merkt de klant daarvan?

Dat vraagstuk wordt snel urgenter. Volgens de AI Quarterly Pulse van KPMG over het derde kwartaal van 2026 werkt 25% van de organisaties met multi-agent-systemen, waarin meerdere agents samen een proces uitvoeren. In de twee kwartalen daarvoor was dat 6%. Van de ondervraagden ziet 58% meetbare waarde van AI, het vaakst in productiviteit en snellere besluiten. Hoe meer agents samenwerken, hoe meer die opbrengst afhangt van een laag die bepaalt wat elke agent mag, ziet en kost.

Per type organisatie ziet dat er anders uit. Een consumentenmerk laat productcontent nu vaak per kanaal en taal in verschillende tools maken, met wisselende kwaliteit als gevolg. Werken alle teams met dezelfde centraal beheerde agents en de merkregels als vaste input, zoals bijvoorbeeld in BrandHub, dan hangt die kwaliteit niet meer af van de tool die een team toevallig gebruikt.

Een B2B-organisatie in manufacturing, wholesale of food kan meer selfservice bieden en toch de persoonlijke klantrelatie houden. Agents doen het voorwerk en de accountmanager voert het gesprek. Bij een franchiseformule beheert het hoofdkantoor de gedeelde agents en merkregels, terwijl de ondernemer lokaal de uitvoering in handen houdt. De merkbeleving per vestiging loopt dan niet meer uiteen.

Er komt nog iets bij: inkopers zetten steeds vaker zelf AI-agents in die producten zoeken, vergelijken en configureren. Een regielaag die alleen naar interne efficiëntie kijkt, mist dat de klant aan de andere kant ook met agents werkt.

In je agentic orchestration-platform zie je wat elke agent kost, en daar beslis je welk model voor welke taak wordt gebruikt. Daardoor kun je opschalen zonder dat je afhankelijk wordt van één aanbieder.

Op kostenbeheersing lopen de meeste organisaties nog achter. Volgens VentureBeat ziet 23% van de organisaties die orchestration gebruiken de agent-uitgaven pas achteraf, zonder een manier om een agent realtime te stoppen voordat hij over het budget gaat. Tegelijk stuurt 20% zwaar werk al door naar goedkopere modellen. Een eenvoudige controle kan door een klein model, en een complexe analyse door een frontier-model.

Bij de keuze voor een platform gaat het vrijwel nooit om het model. Slechts 2% van de gebruikers koos een orchestration-platform vooral vanwege het onderliggende model. Flexibiliteit in modellen en tools, betrouwbaarheid in productie, gebruiksgemak voor ontwikkelaars en controle over wat agents doen gaven bij 78% de doorslag. Daarnaast verwacht 67% dat het orchestration platform eind 2026 minstens deels buiten de omgeving van een modelaanbieder ligt.

Deze enquêtes zijn gehouden onder vooral Amerikaanse organisaties met meer dan honderd medewerkers, dus de percentages zijn een richting en geen Nederlandse benchmark. Die richting is wel duidelijk: wie de regie zelf in handen houdt, kan van model wisselen als een aanbieder zijn tokenprijzen verhoogt of zijn voorwaarden aanpast.

Plein: centrale agents voor development

Bij Plein zagen we dat agentic orchestration dichter bij huis kan beginnen dan bij agents voor klanten. De eerste stap zat in het eigen development-proces.

Plein had al jaren een lange backlog met aanpassingen en experimenten voor hun platform. Wij hielpen bij de selectie en implementatie van een agentic orchestration platform, zodat hun team met agentic development aan de slag kon. Agents bereiden nu development-taken voor, analyseren ze en werken ze uit.

De data is minder gevoelig dan klantdata en het team leert werken met rechten, logging en kostenbewaking. Die ervaring is direct bruikbaar zodra agents later bij orders, productinformatie of klantvragen komen.

BrandHub: contentworkflows vanuit één merkbasis

Met BrandHub richten bedrijven zelf agentic workflows in voor contentcreatie. Merkidentiteit en schrijfstijl liggen vast als gestructureerde input. Elke stap, van inzicht en validatie tot creatie en lancering, werkt daardoor vanuit dezelfde merkbasis. Teams produceren sneller en de content blijft on-brand.

Handpicked Agencies: één framework voor de hele groep

Binnen Handpicked Agencies gebruiken we één orchestration-framework om agents centraal te bouwen en te beheren. Vanuit die laag koppelen we agents aan onze systemen, zodat ze werken met de informatie waar het werk echt zit. De AVG borgen we in de regielaag zelf. PII-detectie herkent persoonsgegevens in de data die agents verwerken, en gevoelige gegevens verwerken we waar nodig met lokale modellen binnen onze eigen omgeving. Op die manier hebben we de mogelijkheid om, ook voor organisaties waar we werken met gevoelige informatie, de voordelen van AI te benutten.

Agentic orchestration gaat lonen zodra AI meer wordt dan een persoonlijke productiviteitstool. In onze praktijk herkennen we deze signalen:

• Meerdere teams werken los met AI. Marketing, sales en customer service gebruiken elk hun eigen tools, zonder gedeelde afspraken.

• Je informatie staat in veel systemen. Productdata in je PIM, prijzen in je ERP, klantgegevens in je CRM en orders in je webshop.

• Er is gevoelige data in het spel. Er gaan persoonsgegevens, klantspecifieke prijzen of vertrouwelijke contractinformatie door je AI-toepassingen.

• Compliance weegt zwaar. Dat geldt voor grotere organisaties en zeker voor sectoren met strenge regels, zoals food.

• AI raakt echte processen. Agents bereiden orders voor, ondersteunen sales of nemen terugkerend commercieel werk over.

• De AI-kosten groeien. De AI-rekening groeit en niemand kan precies zeggen waar het budget naartoe gaat.

Herken je er twee of meer, dan haal je met agentic orchestration meer uit elke volgende AI-investering. Een veelgehoord misverstand is dat je eerst al je data op orde moet hebben. Voor sommige pipelines is een kloppend datafundament essentieel, maar er zijn ook agentic workflows die met weinig integraties of data uit de voeten kunnen. Zo'n traject kan zelfs helpen om je data sneller op orde te krijgen.

Begin met één afgebakende workflow met een eigenaar, een budget en een helder zakelijk doel. Breid pas uit als die workflow in productie draait.

1. Breng directie en afdelingen samen rond één AI-roadmap. Spreek af welke processen voorrang krijgen en wie waarvoor eigenaar is, voordat elk team een eigen pilot start. Met onze Agentic Commerce Blueprint doe je dat in één werksessie, met een roadmap met prioriteiten en vervolgstappen als resultaat.

2. Kies één workflow. Wil je direct in de klantreis beginnen, denk dan aan productcontent voor meerdere kanalen, offerteaanvragen of lokale campagnes voor franchisenemers. Koppel het project vanaf de start aan een meetbaar resultaat, zoals doorlooptijd, conversieratio of het aandeel selfservice-orders.

3. Leg de spelregels vast voordat je opschaalt. Bepaal welke data de agent mag gebruiken, wat er wordt gelogd en wat hij mag kosten. Laat in de eerste periode een mens meekijken bij elke beslissing met impact. Van de organisaties in het KPMG-onderzoek werkt 43% met budgetten voor tokens of rekenkracht en gebruikt 70% dashboards die live laten zien wat er gebeurt. Bijna de helft heeft vastgelegd in welke situaties AI niet zelfstandig mag beslissen.

4. Stuur maandelijks bij. Kijk of de workflow het gekozen resultaat verbetert, pak aan wat achterblijft en voeg pas daarna nieuwe pipelines toe.

Hoe wij agentic orchestration aanpakken

Wij koppelen de regielaag aan de commerce-technologie en processen die je al hebt, en blijven daarna betrokken. We werken vanuit onze kennis van digital commerce: klantverwachtingen en de klantreis veranderen, en daarom houden we in elke stap de eindklant voor ogen, zodat het geen puur IT-project wordt.

We combineren daarna het beheer van commerce-platforms, PIM, data-integratie en agentic orchestration. Dat is belangrijk, want de impact op je klant hangt af van de systemen waarmee je agents verbonden zijn. Een agent die productinformatie verrijkt, moet je PIM begrijpen, en een agent die orders analyseert, moet weten hoe je ERP en webshop met elkaar samenwerken.

Na de oplevering nemen we via Bluebird Day Run het beheer en onderhoud over. Daardoor kunnen we ons samen richten op de verandering zelf: bestaande agentic pipelines optimaliseren en nieuwe realiseren die je business verder brengen.

Ons advies is om deze maand één proces te kiezen waar nu het meeste handwerk in zit. Leg vast wie eigenaar is, welk resultaat moet verbeteren en wanneer een mens akkoord moet geven. We implementeren agentic orchestration en de eerste agents. Dat vormt de eerste versie van je regielaag. Die blijft staan, welk model er volgend jaar ook bovenaan staat.