Agentic AI in Mendix: wat het is en hoe je het inzet

Agentic AI is een van de meest besproken onderwerpen in enterprise-software, maar de term wordt breed gebruikt. In dit artikel leggen we uit wat het concreet inhoudt, hoe het aansluit op Mendix en waar je als organisatie mee kunt beginnen.

Wat is agentic AI?

Een AI-agent is software die zelfstandig een taak uitvoert: hij verzamelt informatie, neemt beslissingen op basis van die informatie en voert acties uit, totdat het doel bereikt is. Het verschil met een gewone LLM-chatbot is dat een agent meerdere stappen zet, tools aanroept (databases, API's, e-mail) en een werkgeheugen bijhoudt over de sessie.

Een voorbeeld: een agent die inkoopfacturen verwerkt, haalt de factuur op uit je e-mail, zoekt het bijbehorende inkooporder op in je ERP, controleert of de bedragen kloppen en zet het klaar voor goedkeuring. Pas als er een afwijking is, escaleert hij naar een medewerker.

Hoe past agentic AI in Mendix?

Mendix is van origine een low-code platform voor het bouwen van applicaties. Maar de architectuur is geschikt als orkestratie-laag voor AI-agents:

• Microflows en Nanoflows vormen de logica die een agent aanroept
• Mendix-integraties (REST, OData, Kafka) geven de agent toegang tot je bronsystemen
• Mendix governance (rollen, rechten, audit trail) zorgt dat elke agent-actie traceerbaar is

Concreet: je bouwt de agent als een Mendix-module. De AI (een LLM zoals Claude of GPT-4o) neemt de beslissingen; Mendix voert ze uit en bewaakt de grenzen.

Drie use-cases om mee te beginnen

1. Documentverwerking

Facturen, contracten of formulieren automatisch uitlezen, valideren en routeren. De agent vraagt alleen bevestiging bij uitzonderingen.

2. Klantondersteuning

Een agent die veelgestelde klantvragen beantwoordt via je portaal, met toegang tot orderstatus, contractgegevens en FAQ. Complexe vragen gaan naar een medewerker.

3. Interne kennisassistent

Een agent die vragen over interne processen beantwoordt op basis van je eigen documentatie en Mendix-data.

Wat heb je nodig?

Een MVP voor een agentic AI-toepassing bestaat ruwweg uit:

1. Een LLM-koppeling (OpenAI, Azure OpenAI, Anthropic, of een soevereine variant)
2. Tools die de agent kan aanroepen — dit zijn Mendix-microflows die je omschrijft als "capabilities"
3. Een orkestratieloop die de agent laat itereren totdat de taak klaar is
4. Een menselijk goedkeuringsmoment voor acties met hoge impact

// Voorbeeld: een eenvoudige tool-definitie in Mendix Java Action
public class GetInvoiceStatus extends CustomJavaAction<String> {
    private String invoiceId;
 
    @Override
    public String executeAction() throws Exception {
        // Haal factuurstatus op uit ERP via REST
        return InvoiceService.getStatus(invoiceId);
    }
}

Waar te beginnen?

De meeste organisaties starten met een interne use-case (laag risico, hoge herkenbaarheid) en een beperkte scope: één proces, één agent, één goedkeuringsflow. Zo bouw je kennis op en bewijs je de businesscase voordat je opschaalt.

Bij Kobeon starten we altijd met een Discovery-sessie om te bepalen welke use-case de meeste impact heeft en wat de technische randvoorwaarden zijn.