Wat is agentic AI?
Iedereen roept "agentic AI". Bijna niemand kan het uitleggen aan een category manager.
Agentic AI is AI die zelfstandig stappen zet om een taak te voltooien, zonder dat jij bij elke stap hoeft in te grijpen. Geen tool die wacht tot jij een vraag stelt. Een agent die de vraag oppakt, hem opknipt in deelvragen, de juiste data ophaalt, de analyse uitvoert en het resultaat voor je klaarzet.
Dit artikel legt uit wat dat in de praktijk betekent voor een category manager, wat het verschil is met gewone AI tools, en waarom het voor FMCG leveranciers nu relevant is. Het sluit aan op onze artikelen over agentic category management en waarom een generieke AI assistent niet werkt voor category management.
Het verschil tussen een tool en een agent
De meeste AI tools werken zoals een dashboard of een zoekmachine: jij stelt een vraag, de tool geeft een antwoord. Jij moet weten welke vraag je moet stellen. Jij moet de uitkomst beoordelen. Jij moet de volgende stap bepalen.
Een agent werkt anders. Jij geeft een opdracht. De agent bedenkt zelf welke stappen nodig zijn om die opdracht te voltooien, in welke volgorde, met welke data, op welke manier. Hij voert die stappen uit, checkt tussentijds of de uitkomsten kloppen, en levert het eindresultaat.
Het verschil is als het verschil tussen een rekenmachine en een medewerker. Een rekenmachine doet wat jij invoert. Een medewerker begrijpt wat je wil bereiken en bedenkt zelf hoe hij dat aanpakt.
Hoe een category manager een analyse doet versus hoe een agent dat doet
De beste manier om agentic AI te begrijpen is aan de hand van een concreet voorbeeld. Stel: je wil weten hoe de promotiedruk in jouw categorie zich heeft ontwikkeld bij Albert Heijn in vergelijking met een kwartaal eerder, en wat dat betekent voor jouw merk.
De menselijke workflow: gemiddeld 4 uur
Stap 1: Vraag bedenken. Wat wil ik precies weten? Welke periode? Welk niveau? Merk of categorie?
Stap 2: Dashboard of rapport openen. Inloggen op SIS of 7EVEN. Doorklikken naar de juiste categorie en periode.
Stap 3: Screenshots maken of data exporteren. Per retailer, per periode, per niveau.
Stap 4: Cijfers naar Excel halen uit verschillende bronnen. SIS voor AH, 7EVEN voor Jumbo, Nielsen voor marktcontext. Elk in een ander format, elk met een andere categorisering.
Stap 5: Data valideren. Kloppen de totalen? Zijn de periodes vergelijkbaar? Zijn er EAN-wissels die de trend verstoren?
Stap 6: Grafiek of tabel maken. Kopiëren naar PowerPoint of een mail.
Stap 7: Conclusie trekken en verwerken in de presentatie of het categorieplan.
Gemiddelde tijd: 4 uur. En dan heb je nog geen antwoord op de vraag wat het betekent voor jouw merk.
De agent-workflow: gemiddeld 9 minuten
Stap 1: Vraag stellen. De agent ontvangt de opdracht in gewone taal.
Stap 2: Vraag opknippen. De agent bepaalt zelf welke deelvragen hij moet beantwoorden: wat is de totale promotiedruk in de categorie? Wat is het aandeel van jouw merk? Hoe vergelijkt dat met het vorige kwartaal? Wat is de marktcontext?
Stap 3: Bepalen welke skill van toepassing is. De agent haalt de juiste analysemethode op: de werkwijze die een ervaren category manager zou volgen voor een promotiedruk analyse.
Stap 4: Memory checken. De agent controleert of er relevante organisatiecontext beschikbaar is: was er een boycott, een schapwissel, een productieprobleem dat de cijfers beïnvloedt?
Stap 5: Data ophalen. De agent bevraagt de geharmoniseerde databron: één schone dataset waarin alle retailbronnen al zijn samengevoegd en EAN-wissels automatisch zijn verwerkt.
Stap 6: Validatie. De agent controleert of de uitkomsten consistent zijn en vlaggt afwijkingen als die er zijn.
Stap 7: Analyse uitvoeren en inzichten consolideren. De agent trekt de conclusies op basis van de data en de methode.
Stap 8: Resultaat presenteren. De agent zet de analyse om in een leesbare uitkomst, klaar om mee te nemen naar het retailergesprek.
Gemiddelde tijd: 9 minuten. Met een antwoord dat gebouwd is op de juiste data, de juiste methode en de juiste context.
Mens met machine: jij de strategie, AI de analyse
Agentic AI vervangt de category manager niet. Het verandert wat de category manager doet.
De vraag bedenken, de context kennen, de uitkomst beoordelen en de strategische conclusie trekken: dat blijft mensenwerk. De agent voert de analyse uit, haalt de data op, valideert de uitkomsten en presenteert het resultaat. De category manager start bij de inzichten, niet bij het spreadsheet.
Die taakverdeling is de kern van wat "mens met machine" in de praktijk betekent. Niet AI die beslist. Niet de mens die alles handmatig doet. Maar de mens op de strategie en de relatie, de AI op de analyse en de voorbereiding. Er blijft behoefte aan menselijke controle, een human in the loop. Datakwaliteit blijft het allerbelangrijkst. Het datafundament moet goed zijn.
Die verschuiving heeft ook gevolgen voor de rol van de category manager zelf. Lees meer in ons artikel over hoe de rol van de category manager verandert.
Waarom agentic AI nu relevant is voor FMCG-leveranciers
Bij veel FMCG leveranciers gaat 60% van de beschikbare tijd van category teams op aan het verzamelen, harmoniseren en valideren van data. Wat overblijft is te weinig voor de analyses die retailers verwachten, laat staan voor de strategische voorbereiding van een retailer gesprek.
Agentic AI lost dat probleem op. Niet door de category manager te vervangen, maar door de handmatige stappen te automatiseren zodat de beschikbare tijd naar de inhoud gaat in plaats van naar de voorbereiding.
Dat is ook waarom agentic AI voor FMCG specifiek vraagt om een geharmoniseerde database. Een agent die werkt op losse Excel bestanden uit verschillende bronnen produceert onbetrouwbare uitkomsten, hoe slim het model ook is. De data moet op orde zijn voordat de agent er iets mee kan doen.
Retailers investeren intussen zwaar in AI en bouwen zo een steeds groter kennisvoordeel op. De leverancier die dat gat niet dicht, verliest relevantie aan tafel. Lees meer over deze dynamiek in ons artikel over de data kloof tussen leverancier en retailer.
Hoe Captain agentic AI toepast in category management
Captain is een agentic AI-platform specifiek gebouwd voor category management in FMCG. De agent kent het vak: hij weet hoe een sales development analyse wordt uitgevoerd, hoe promodruk wordt berekend, hoe fair share werkt en hoe de datastructuur van Nederlandse retailer platforms in elkaar zit.
De agent werkt op een geharmoniseerde database: alle retail bronnen samengebracht in één schone dataset, EAN wissels automatisch verwerkt, altijd actueel. Hij onthoudt organisatiecontext via een memory laag: boycotts, schapwissels, afwijkende fiscale jaren, alles wat de data beïnvloedt maar er niet in staat.
Bij Elho groeide het aantal onderbouwde categorieplannen van 10 naar 25+ nadat het handmatige datawerk was geautomatiseerd. Category managers besteedden hun tijd aan retailers gesprekken in plaats van aan spreadsheets. Lees hier de volledige case.
Klaar om te zien hoe een agent jouw analyse uitvoert?
Vraag een strategisch gesprek aan en ontdek hoe Captain de analyse die jij nu in 4 uur doet, uitvoert in 9 minuten, op de juiste data, met de juiste methode en de juiste context.
Article written by
Guus van Heijningen
Veelgestelde vragen
Wat is agentic AI?
Agentic AI is AI die zelfstandig stappen zet om een taak te voltooien. Een agent ontvangt een opdracht, bepaalt zelf welke deelvragen hij moet beantwoorden, haalt de juiste data op, voert de analyse uit en levert het resultaat. Dat is anders dan een gewone AI tool die wacht tot jij een vraag stelt en dan een antwoord geeft zonder verdere actie te ondernemen.
Wat is het verschil tussen agentic AI en een gewone AI tool?
Een gewone AI tool reageert op wat jij invoert: jij stelt een vraag, de tool geeft een antwoord. Jij bepaalt de volgende stap. Een agentic AI agent handelt zelfstandig: hij ontvangt een opdracht, bepaalt zelf de aanpak, voert meerdere stappen achter elkaar uit en levert een eindresultaat zonder dat jij bij elke stap hoeft in te grijpen. Het verschil is als het verschil tussen een rekenmachine en een medewerker.
Wat doet een agentic AI agent precies?
Een agent knipt een opdracht op in deelvragen, bepaalt welke analysemethode van toepassing is, haalt relevante organisatiecontext op uit zijn geheugen, bevraagt de juiste databronnen, valideert de uitkomsten en presenteert het resultaat. Voor een category manager betekent dat: de vraag stellen en negen minuten later een onderbouwde analyse ontvangen in plaats van vier uur zelf in spreadsheets te werken.
Is agentic AI hetzelfde als automatisering?
Niet precies. Automatisering voert een vaste reeks stappen uit die van tevoren zijn geprogrammeerd. Agentic AI past zijn aanpak aan op basis van de opdracht en de context. Een geautomatiseerd rapport geeft altijd hetzelfde rapport. Een agentic AI agent beantwoordt de specifieke vraag die jij stelt, ook als die vraag iedere keer anders is.
Vervangt agentic AI de category manager?
Nee. Agentic AI verandert wat de category manager doet. De agent voert de analyse uit, haalt de data op en valideert de uitkomsten. De category manager bedenkt de vraag, beoordeelt het resultaat, past de context toe die het model niet kent en trekt de strategische conclusie. Mens op de strategie, AI op de analyse. Menselijke controle blijft essentieel.
Hoe begin ik met agentic AI als FMCG leverancier?
Begin bij het datafundament. Een agentic AI agent is zo betrouwbaar als de data waarop hij werkt. Dat betekent alle retail bronnen harmoniseren naar één consistent productmodel, EAN wissels automatisch verwerken en zorgen dat de data actueel genoeg is voor de agent om patronen te herkennen. Pas als dat fundament op orde is, kan een agentic AI agent er betrouwbare analyses op uitvoeren. Begin klein: één retailer, één categorie, één use case. Bewijs de waarde en schaal dan op.
Related posts
AI in retail vergroot het gat tussen leverancier en retailer: wat doe jij eraan?
AI in retail vergroot het gat tussen leverancier en retailer: wat doe jij eraan?
Categorie management in 2026: minder data crunchen naar strategische impact
Categorie management in 2026: minder data crunchen naar strategische impact
Data harmonisatie: hoe ga je om met verschillende categoriseringen in je databronnen?
Data harmonisatie: hoe ga je om met verschillende categoriseringen in je databronnen?
