🤖 AI

A Process Harness for Uplifting Legacy Workflows to Agentic BPM: Design and Realization in CUGA FLO

Dit artikel introduceert de "process harness", een mechanisme dat een door beleid gestuurde agentische laag rond bestaande deterministische workflow-engines integreert om Agentic BPM mogelijk te maken, rigoureus gedefinieerd door het Task-Decision-Flow (TDF) model en gerealiseerd in het CUGA FLO-systeem om een balans te vinden tussen structurele naleving en adaptieve, door beleid ingekaderde autonomie.

Oorspronkelijke auteurs: Fabiana Fournier, Lior Limonad

Gepubliceerd 2026-06-26

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Fabiana Fournier, Lior Limonad

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer strikte, ouderwetse fabriekslijn hebt. Deze lijn is gebouwd om perfect te zijn: het volgt een vaste kaart, elke stap is vooraf geprogrammeerd en het maakt nooit fouten. Het is echter ook ongelooflijk rigide. Als er een doos aankomt die niet de standaardmaat heeft, of als er plotseling een nieuwe regel van de overheid verschijnt, stopt de machine, gaat hij kapot of moet een mens naar binnen klimmen om het handmatig te repareren.

Dit is hoe de meeste bedrijfssoftware (genoemd BPM) vandaag de dag werkt. Het is geweldig voor routinetaken, maar verschrikkelijk in het afhandelen van verrassingen.

Stel je nu voor dat je deze fabriek een "slimme supervisor" kunt geven die kan lezen, kan nadenken en oordeelsvorming kan toepassen, maar die niet de lopende band kan aanraken of de tandwielen van de machine kan veranderen. Deze supervisor kan alleen instructies schreeuwen naar de menselijke operators of kleine omwegen voorstellen, maar de machine zelf blijft de leiding nemen.

Dit artikel introduceert een nieuw systeem genaamd CUGA FLO dat precies dit doet. Het noemt dit systeem een "Process Harness" (Proces Tuig).

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. Het kernidee: De Harness (Het Tuig)

Denk aan een paard. Het paard is de motor (het oude workflow-systeem). Het tuig is de uitrusting die je op het paard legt om het te sturen. Je vervangt het paard niet; je voegt er alleen een laag controle bovenop toe.

De oude manier: Om een verrassing op te vangen, moest je de hele fabrieksvloer (de softwarecode) opnieuw ontwerpen voordat de verrassing plaatsvond.
De nieuwe manier (CUGA FLO): Je houdt de fabriek precies zoals hij is. Je legt een "Process Harness" omheen. Dit tuig gebruikt AI (specifiek Large Language Models) om het proces te observeren. Wanneer het proces een specifiek controlepunt bereikt, grijpt de AI in, denkt na over de situatie op basis van een set geschreven regels (policies), en stelt voor wat de volgende stap is.

2. De drie "Slimme Assistenten"

Het artikel stelt dat dit tuig drie verschillende soorten AI-assistenten gebruikt, elk met een specifieke taak. Ze zijn als een team van gespecialiseerde managers:

De Task Agent (De Werker):
- Taak: Het daadwerkelijke werk doen.
- Analogie: Stel dat een taak is: "Controleer de kredietscore van de aanvrager." In het oude systeem deed een computerscript dit. Nu leest de Task Agent de rommelige financiële documenten, begrijpt ze en berekent de score.
- Regel: Het heeft een strikte policy: "Je mag de score berekenen, maar je bent niet toegestaan om 'Goedgekeurd' of 'Afgewezen' te zeggen." Die beslissing behoort toe aan iemand anders.
De Decision Agent (De Verkeersregelaar):
- Taak: Beslissen welk pad te nemen bij een splitsing in de weg.
- Analogie: De assemblagelijn splitst zich in twee paden: "Goedkeuren" of "Afwijzen". De Decision Agent bekijkt de score die de Task Agent zojuist heeft gemaakt. Het controleert de regels (bijv. "Als de score boven de 0,6 ligt, ga dan naar links"). Vervolgens vertelt het de machine welk pad te nemen.
- Regel: Het zorgt ervoor dat de beslissing logisch is en de geschreven policy volgt.
De Flow Agent (De Noodmanager):
- Taak: De kaart aanpassen terwijl het proces loopt.
- Analogie: Dit is de krachtigste van de drie. Stel je een speciale "Hook" (een luik) voor op de assemblagelijn voor. Als een specifieke situatie zich voordoet (zoals een VIP-klant of een regelgevend noodgeval), grijpt de Flow Agent in. Hij kan zeggen: "Sla de volgende drie stappen over", "Stop de lijn" of "Voeg hier een nieuwe stap toe".
- Regel: Hij kan alleen dingen doen die expliciet zijn toegestaan door een "Hook Policy". Hij kan niet zomaar de kaart willekeurig veranderen; hij moet de regels volgen.

3. De "FRAME" (Het Regelboek)

Hoe zorgen we ervoor dat de AI niet doordraait? Het artikel introduceert de FRAME.

Beschouw de FRAME als een groot, voor mensen leesbaar regelboek (geschreven in gewone taal, zoals een Markdown-bestand). Elke keer dat een AI-assistent een beslissing neemt, moet deze eerst het regelboek controleren.

De Task Agent controleert de "Task Rules".
De Decision Agent controleert de "Routing Rules".
De Flow Agent controleert de "Emergency Rules".

Als de AI iets probeert te doen dat niet is toegestaan in het regelboek, wordt het systeem gestopt. Dit zorgt ervoor dat de AI wordt "ingekaderd" (framed) door menselijke regels, in plaats van gewoon dingen te verzinnen.

4. Het voorbeeld van de leningaanvraag

Het artikel bewijst dat dit werkt met een voorbeeld van een Leninggoedkeuring:

De Werker (Task Agent) leest een leningaanvraag en berekent een kredietscore.
De Verkeersregelaar (Decision Agent) ziet dat de score hoog is (0,82) en zegt: "Oké, dit ziet er goed uit, laten we naar het pad 'Goedkeuren' gaan."
De Noodmanager (Flow Agent) ziet dat het ID-nummer van de aanvrager "4321" is. Hoewel de score hoog is, zegt het regelboek: "ID 4321 is verboden vanwege een nieuwe regelgeving."
Het Resultaat: De Flow Agent overrulet de beslissing van de Verkeersregelaar. Hij gebruikt een "Hook" om het proces direct naar het pad "Afwijzen" te springen, waardoor de goedkeuringsstappen volledig worden overgeslagen.

Waarom is dit cool? In het oude systeem had je jaren geleden een speciaal "ID 4321"-pad in de software moeten bouwen. Met CUGA FLO hoef je alleen vandaag het tekstbestand (de policy) bij te werken, en het systeem handelt het direct af zonder de code te herschrijven.

5. Waarom dit ertoe doet (Het "Beste van Beide Werelden")

Het artikel betoogt dat dit een groot probleem oplost:

Oude systemen zijn veilig en gestructureerd, maar kunnen niet adapteren aan nieuwe zaken.
Pure AI kan zich aan alles aanpassen, maar is risicovol, onvoorspelbaar en moeilijk te auditeren.

CUGA FLO combineert ze. De "Motor" (de oude software) garandeert dat de structuur veilig is en de kaart volgt. Het "Tuig" (de AI) voegt het vermogen toe om te adapteren, te redeneren en met verrassingen om te gaan, maar alleen binnen de strikte grenzen van het regelboek.

Samenvatting

Het artikel presenteert CUGA FLO als een manier om oude, rigide bedrijfssoftware te upgraden naar een slim, aanpasbaar systeem zonder de oude software weg te gooien. Dit doet het door de oude software te omwikkelen met een "Process Harness" die drie soorten AI-agents gebruikt (Werker, Verkeersregelaar en Noodmanager) die strikt worden beheerd door een door mensen geschreven regelboek (de FRAME). Dit stelt bedrijven in staat om onverwachte situaties automatisch af te handelen, terwijl ze nog steeds een strikt, controleerbaar verslag van elke beslissing bijhouden.

Technische Samenvatting: Een Process Harness voor het Verheffen van Legacy Workflows naar Agentic BPM

1. Probleemstelling

Conventionele Business Process Management (BPM) systemen, hoewel ze rigoureuze structurele garanties bieden, lijden onder twee fundamentele beperkingen in dynamische omgevingen:

Closed-World Regime: Elke afwijking van het nominale pad moet tijdens de ontwerpfase worden voorzien en expliciet worden gemodelleerd. Onvoorziene situaties (bijv. wijzigingen in regelgeving, nieuwe profielen van aanvragers) dwingen het systeem in fouttoestanden of vereisen menselijke interventie, wat vaak leidt tot "workarounds" die de formele processen omzeilen.
Rigide Taakuitvoering: Service-taken vertrouwen op vaste scripts die niet in staat zijn zich aan te passen aan ongestructureerde inputs, terwijl user-taken doorvoerbeperkingen introduceren. De engine zelf mist het vermogen voor open einde redeneren of contextuele adaptatie.

Hoewel Large Language Models (LLMs) open einde redeneren bieden, zijn huidige integratieparadigma's onvoldoende. Het "AI-augmented" paradigma (LLMs binnen specifieke taken) laat de algehele control flow rigide. Omgekeerd mist het "LLM-as-Planner" paradigma (LLMs die uitvoeringsplannen genereren buiten de engine) mechanismen om structurele conformiteit, controleerbaarheid of naleving van compliance-policies te garanderen. Er is behoefte aan een systeem dat de structurele rigiditeit van deterministische workflow-executie verenigt met de adaptieve redenering van policy-gestuurde agenten zonder de bestaande workflow-engines te vervangen.

2. Methodologie: De Process Harness en het TDF-model

Het artikel introduceert de Process Harness, een mechanisme dat een policy-gestuurde agentic laag over een bestaande deterministische workflow-engine legt. Deze laag onderschept aangewezen controlepunten om redenering, adaptatie en toezicht bij te dragen, terwijl de engine de structurele autoriteit behoudt.

De conceptuele onderbouwing is het Task–Decision–Flow (TDF) model, dat LLM-redenering deelt over drie afzonderlijke, policy-gebonden agent-typen:

TaskAgent: Verantwoordelijk voor kennisintensieve taakuitvoering. Het vervangt hard-coded scripts door policy-gestuurde LLM-executie, waarbij het redeneert binnen een specifieke taak-policy ( $C_T$ ) om domein-outputs te produceren.
DecisionAgent: Verantwoordelijk voor per-case gateway routing. Het vervangt statische conditie-evaluatie door LLM-redenering, begrensd door een beslissings-policy ( $C_D$ ). Cruciaal is dat het een deterministische conditie-evaluatiestap vereist voordat er wordt geredeneerd, om ervoor te zorgen dat de gateway-conditie expliciet wordt beoordeeld.
FlowAgent: Verantwoordelijk voor runtime flow-adaptatie via een principieel hook-mechanisme. Het onderschept aangewezen sequence flows (hooks) en redeneert onder hook-policies ( $C_F$ ) om structurele interventies te bevelen (bijv. skippen, swappen, termineren of de topologie wijzigen).

Governance Framework (FRAME):
Alle agent-redenering wordt begrensd door de FRAME ( $F$ ), een geaggregeerde set menselijk leesbare policy-documenten. Dit zorgt voor "framed autonomy", waarbij agenten opereren binnen expliciete, controleerbare kaders. Een secundaire governance-laag, action_permissions ( $\phi$ ), enumereert expliciet welke typen structurele interventies een FlowAgent mag instrueren, waardoor de LLM-redenering wordt gescheiden van de executiecapaciteiten van de engine.

Architectuur (CUGA FLO):
Het artikel presenteert CUGA FLO als de eerste realisatie van het TDF-model.

Ontkoppeling: De redeneringslaag (FlowAgent en zijn sub-agents) is volledig ontkoppeld van de executielaag (WorkflowEngine) via een Model Context Protocol (MCP) Bridge (geïmplementeerd als een FastMCP-server).
Interactie: De workflow-engine stuurt de executie aan en pauzeert bij controlepunten (taken, gateways, hooks) om callbacks aan te roepen (execute_task, route_gateway, evaluate_hook). De FlowAgent verwerkt deze calls met behulp van ControlPointFlowKnowledge (procesmodel, status, historie) en geeft gestructureerde aanbevelingen terug.
Executie: De workflow-engine handhaaft de structurele conformiteit en past de aanbevelingen van de FlowAgent toe (bijv. het herbedraden van flows voor skip_to of remove_node) zonder de reeds uitgevoerde nodes opnieuw af te spelen.

3. Belangrijkste Bijdragen

Het artikel levert vijf specifieke bijdragen:

Process Harness Paradigma: Introduceert een mechanisme om conventionele workflow-systemen te verheffen naar Agentic BPM, gekenmerkt door structurele conformiteit, policy-verantwoording en runtime adaptiviteit.
Task–Decision–Flow (TDF) Model: Een formele conceptuele decompositie van LLM-redenering in drie agent-typen (Task, Decision, Flow), elk met eigen rollen en policy-beperkingen.
FRAME Instantiatie: Formaliseert de geaggregeerde set policies ( $F$ ) die TDF-processen besturen, en demonstreert hoe het partitioneren van policies over agent-typen zorgt voor een scheiding van verantwoordelijkheden op LLM-niveau.
CUGA FLO Realisatie: Presenteert de eerste implementatie van de process harness, inclusioneel een hook-mechanisme voor runtime adaptatie en een MCP-bridge die de redenering ontkoppelt van de vervangbare workflow-engine.
Empirische Demonstratie: Valideert het model middels een leninggoedkeurings-workflow die alle drie de agent-typen en een regulatorische override-hook test, waarbij wordt aangetoond hoe een hook een gateway-beslissing kan overriden op basis van een ander criterium (bijv. aanvrager-ID) zonder de gateway-policy te wijzigen.

4. Resultaten en Evaluatie

Het artikel demonstreert het systeem via een leninggoedkeurings-workflow case study:

Nominaal Scenario: Een standaard kredietcontrole (TaskAgent) produceert een score; een DecisionAgent routeert op basis van een drempelwaarde; een FlowAgent hook bevestigt de voortzetting.
Regulatorische Override Scenario: Een aanvrager met een hoge score (ID 4321) wordt door de DecisionAgent naar goedkeuring gerouteerd op basis van de score. Echter, een FlowAgent hook onderschept de "yes"-flow, past een regulatorische policy toe (gebaseerd op ID), en instrueert een skip_to interventie naar het afwijzingspad.
Resultaat: Het systeem handelt de "long tail" van zeldzame, contextspecifieke varianten (regulatorische overrides) succesvol af zonder de onderliggende BPMN-modellen te wijzigen. De DecisionAgent en FlowAgent opereren onder afzonderlijke policies, wat garandeert dat de routing-logica en de regulatorische override-logica onafhankelijk controleerbaar zijn.

De resultaten bevestigen dat de process harness de imperatieve vereisten (afgedwongen door de engine) kan verenigen met de normatieve vereisten (afgedwongen door policy-framed agents), wat "open-world" adaptatie mogelijk maakt met behoud van structurele integriteit.

5. Betekenis en Claims

Het artikel claimt dat de Process Harness een nieuwe vorm van instrumentatie voor enterprise AI-systemen vertegenwoordigt. De betekenis ligt in:

Verzoenen van Spanning: Het lost de trade-off tussen structurele rigiditeit en open einde flexibiliteit op door proces-topologie (vast, door engine afgedwongen) te scheiden van proces-adaptatie (dynamisch, door policy gestuurd).
Incrementele Modernisering: Het stelt organisaties in staat om bestaande workflow-systemen incrementeel en omkeerbaar te transformeren naar volledige agentic workflows, zonder de onderliggende engine te vervangen.
Verantwoording: In tegen tegenstelling tot "LLM-as-Planner" benaderingen, waarbij executie-traces mogelijk niet-deterministisch of niet gelinkt zijn aan een model, biedt CUGA FLO een concreet fundament voor verantwoording. Elke LLM-call is gekoppeld aan een regiserende policy-document, en elke interventie wordt geregistreerd in de proces-knowledge gekoppeld aan specifieke proces-elementen, wat auditbaarheid en diagnose van non-compliance mogelijk maakt.
Open-World Adaptatie: Het verschuift exception handling van een design-time, closed-world activiteit (het modelleren van elk mogelijk foutpad) naar een runtime, open-world capaciteit waarbij de set van hanteerbare situaties wordt gedefinieerd door het redeneervermogen van de policy-documenten.

De auteurs positioneren CUGA FLO als de eerste realisatie van het Agentic BPM-manifest, waarbij een pragmatisch kader wordt geboden voor organisaties om te evolueren van agent-augmented BPM naar volledige Agentic BPM, waarbij agents het proces end-to-end besturen.