Dynamische werkstromen: software die zelf beslist wat de volgende stap is
Stel je een navigatiesysteem voor. Een ouderwetse routebeschrijving op papier zegt: rijd rechtdoor, sla bij het derde stoplicht linksaf, blijf dan negen kilometer op deze weg. Die instructies blijven hetzelfde, wat er ook gebeurt — ook als er een file staat of een weg is afgesloten. Een GPS-systeem doet iets anders: het berekent voortdurend opnieuw wat de beste route is, op basis van actuele verkeersinformatie. Dat verschil — tussen een vast script en een systeem dat meebeweegt met de omstandigheden — is in de kern wat een dynamische werkstroom is in de wereld van software en automatisering.
In bedrijven en organisaties bestaan al decennia lang digitale werkstromen (in het Engels workflows): vaste reeksen van stappen die een aanvraag, bestelling of document doorloopt, bijvoorbeeld bij het goedkeuren van een factuur of het afhandelen van een verzekeringsclaim. Traditioneel liggen die stappen vooraf vast, als een stroomschema. Een dynamische werkstroom breekt met dat idee: de volgorde, de deelnemers en zelfs de stappen zelf kunnen tijdens de uitvoering veranderen, op basis van gegevens, regels of — steeds vaker — beslissingen van kunstmatige intelligentie (AI). Dat maakt processen flexibeler, maar ook lastiger te doorgronden en te controleren.
Wat is het precies?
Om dynamische werkstromen te begrijpen, helpt het om eerst het klassieke alternatief te zien: de statische werkstroom. Die wordt meestal getekend in een standaardnotatie genaamd BPMN (Business Process Model and Notation), met blokjes en pijlen die precies aangeven welke stap na welke komt. Zo'n diagram wordt geprogrammeerd in een workflow-engine, software die ervoor zorgt dat elk geval keurig dezelfde route doorloopt. Dat werkt goed voor voorspelbare processen, maar breekt bij uitzonderingen: elke nieuwe situatie vraagt om een nieuwe versie van het diagram, gemaakt door een ontwikkelaar.
Een dynamische werkstroom voegt beslislogica toe die tijdens de uitvoering bepaalt wat er gebeurt, in plaats van dat alles vooraf vastligt. Dat kan op een paar manieren. De eenvoudigste vorm gebruikt regels: als bedrag groter dan 10.000 euro, stuur dan door naar een extra goedkeurder. Geavanceerdere systemen reageren op gebeurtenissen (event-driven): een sensor, een klant of een ander systeem stuurt een signaal, en de werkstroom past zich daarop aan. De nieuwste generatie gebruikt AI-modellen, met name grote taalmodellen (large language models, LLM's), om tijdens het proces zelf te redeneren over welke stap logisch is — vergelijkbaar met hoe een ervaren medewerker zelf improviseert wanneer een situatie niet in het handboek staat.
Technisch gebeurt dit vaak met een zogeheten orchestrator: een centraal stuksoftware dat taken verdeelt over deelsystemen, de voortgang bijhoudt en bij vertraging of fouten opnieuw kan plannen. Sommige moderne systemen slaan de status van een lopend proces op zodat het na een storing exact kan hervatten waar het gebleven was — een eigenschap die durable execution wordt genoemd. Bij AI-gestuurde varianten wordt dit vaak gemodelleerd als een graaf: een netwerk van mogelijke stappen waarin het systeem zelf een pad kiest, in plaats van een enkele vaste lijn te volgen.
Wat wil men ermee bereiken?
De belofte van dynamische werkstromen is drieledig. Ten eerste flexibiliteit: organisaties willen niet telkens een IT-afdeling inschakelen als een bedrijfsregel verandert. Een dynamisch systeem kan sneller worden aangepast, soms zelfs door de gebruiker zelf. Ten tweede afhandeling van uitzonderingen: in de praktijk verloopt een groot deel van de gevallen niet volgens het standaardpad. Een dynamische werkstroom kan die afwijkingen zelf opvangen, zonder dat er meteen een mens aan te pas hoeft te komen. Ten derde schaalbaarheid van AI: naarmate taalmodellen beter worden in redeneren, willen bedrijven ze niet alleen laten chatten maar ook laten hándelen — e-mails beantwoorden, gegevens opzoeken in meerdere systemen, beslissingen nemen over de vervolgstap. Dat wordt vaak agentic AI genoemd: AI die zelfstandig een reeks acties uitvoert om een doel te bereiken, in plaats van één keer te antwoorden op een vraag.
Belangrijk is dat dit geen doel op zich is, maar een middel: minder handmatig werk, kortere doorlooptijden, en processen die robuuster zijn tegen onvoorziene situaties. Tegelijk brengt het nieuwe risico's met zich mee, zoals verminderde voorspelbaarheid en de vraag wie verantwoordelijk is als een zelfstandig beslissend systeem een fout maakt.
Voorbeelden uit de praktijk
Verschillende bestaande systemen en projecten illustreren hoe dynamische werkstromen er in de praktijk uitzien.
Camunda, een Duits-Amerikaans platform voor procesorchestratie, bracht in 2022 zijn cloud-native versie Camunda 8 uit, die naast klassieke BPMN-diagrammen ook meer gebeurtenisgestuurde en adaptieve processen ondersteunt. Grote gebruikers zijn onder meer Atlassian en Deutsche Telekom, die er interne goedkeurings- en serviceprocessen mee automatiseren.
Temporal, een open source-project dat voortkwam uit werk bij Uber en sinds 2019 als apart bedrijf (Temporal Technologies) verdergaat, biedt zogeheten durable execution: langlopende, dynamisch vertakkende werkstromen die betrouwbaar doorlopen, ook na storingen. Het wordt onder meer gebruikt door Netflix, Snap en Stripe voor processen als betalingsverwerking.
LangGraph, uitgebracht in 2024 door het Amerikaanse bedrijf LangChain, is een softwarebibliotheek specifiek voor het bouwen van AI-agentworkflows: taalmodellen die stap voor stap redeneren, tools aanroepen en op basis van tussentijdse resultaten zelf de volgende stap kiezen, inclusief het herhalen van stappen (lussen) wanneer een taak nog niet is opgelost.
ServiceNow, bekend van IT-servicebeheer, introduceerde in 2024 zogeheten AI-agents binnen zijn platform (onderdeel van de bredere “Now Assist”-lijn) die klantvragen en incidenten dynamisch routeren en gedeeltelijk zelfstandig afhandelen.
Ook UiPath, oorspronkelijk een specialist in Robotic Process Automation (RPA, software die muisklikken en toetsaanslagen van mensen nabootst), voegde vanaf 2023-2024 AI-gestuurde besluitvorming toe aan zijn robots, zodat die niet langer alleen vaste scripts volgen maar op basis van context kunnen afwijken van het standaardpad.
Hoe ver is de techniek?
Het is belangrijk twee lagen te onderscheiden. De onderliggende infrastructuur voor werkstroombeheer — regelmotoren, orchestratie, gebeurtenisverwerking — is volwassen techniek met wortels die teruggaan tot de jaren negentig en de BPMN-standaard uit 2004. Deze systemen draaien betrouwbaar in productieomgevingen bij banken, verzekeraars en overheden.
De laag die nu volop in ontwikkeling is, is het gebruik van AI-modellen om tijdens de uitvoering zelfstandig beslissingen te nemen. Deze technologie is nog relatief jong: de meeste genoemde AI-gestuurde tools en frameworks dateren van 2023 of 2024. Er zijn reële beperkingen. Taalmodellen kunnen fouten maken of dingen verzinnen (hallucineren), wat problematisch is wanneer zo'n model zelfstandig een financiële transactie of medische afspraak beïnvloedt. Onderzoekers en bedrijven werken daarom aan waarborgen, zoals mensen die tussentijds moeten goedkeuren (human-in-the-loop), uitgebreide logging, en beperkingen op wat een AI-agent zelfstandig mag doen.
Op dit moment worden dynamische, AI-gestuurde werkstromen vooral ingezet in afgebakende domeinen: klantenservice, IT-ondersteuning, dataverwerking en interne bedrijfsprocessen. Volledig autonome werkstromen die zonder enige menselijke controle complexe, kritieke beslissingen nemen, zijn eerder uitzondering dan regel. Veel van wat leveranciers als “autonome AI-agents” verkopen, blijkt bij nadere inspectie nog stevig aan regels en menselijke controlepunten gebonden — iets om kritisch naar te blijven kijken temidden van de marketingtaal die dit veld kenmerkt.
Wie werken eraan?
De ontwikkeling van dynamische werkstromen vindt plaats op het snijvlak van bedrijfssoftware en AI-onderzoek, met een sterke concentratie in de Verenigde Staten en Duitsland. Grote techbedrijven als Microsoft (met Power Automate en Copilot Studio), Google, Salesforce en ServiceNow investeren fors in AI-gestuurde procesautomatisering. Gespecialiseerde spelers zijn onder meer UiPath, Camunda (met Duitse wortels, hoofdkantoor inmiddels ook in de VS), Temporal Technologies, LangChain Inc., en de open source-projecten n8n (Duitsland) en Zapier (VS).
Op onderzoeksgebied is het werkveld procesmijnen (process mining) nauw verwant: het analyseren van digitale sporen om te ontdekken hoe werkstromen daadwerkelijk verlopen, als basis voor het bouwen van betere, adaptievere processen. De grondlegger van dit vakgebied, hoogleraar Wil van der Aalst, bouwde zijn reputatie op aan de TU Eindhoven en werkt tegenwoordig aan de RWTH Aachen in Duitsland — een voorbeeld van de sterke Nederlands-Duitse traditie op dit terrein. Het Duitse bedrijf Celonis, opgericht door studenten van de TU München, is wereldwijd marktleider in procesmijn-software en werkt aan het combineren daarvan met dynamische, AI-gestuurde procesbesturing.