Technische Samenvatting: Organisatorisch Geheugen voor Agentische Bedrijfsprocesuitvoering

Probleemstelling

Hoewel door Large Language Models (LLM)-gebaseerde agenten nieuwe mogelijkheden bieden voor het automatiseren van complexe, meerstaps bedrijfsprocessen die de grenzen van regelgebaseerde systemen (zoals RPA) overstijgen, worden zij geconfronteerd met een kritieke schaalbaarheidsbarrière in enterprise-omgevingen: het gebrek aan organisatie-specifieke kennis. Algemene LLM's zijn niet inherent op de hoogte van bedrijfsbeleid, procesconventies, rolstructuren of procedures voor uitzonderingsafhandeling.

Huidige benaderingen proberen dit gat te overbruggen door specifieke kennis te coderen in individuele agent-prompts of retrieval-opstellingen. De auteurs stellen echter dat dit niet schaalbaar is in grote organisaties. Het creëren van kennis per agent leidt tot:

• Kennis-silo's: Regels worden gereproduceerd over duizenden agenten.
• Inconsistentie: Updates worden ongelijkmatig toegepast, wat leidt tot conflicterende interpretaties.
• Onderhoudslast: Updates van leerprocessen en beleid kunnen niet efficiënt worden gepropageerd.
• Fragmentatie: Relevante kennis bestaat in heterogene, mensgerichte artefacten (BPMN-modellen, SOP's, beleidsstukken, ERP-documentatie) die niet gestructureerd zijn voor consumptie door agenten.

De kernuitdaging is niet de beschikbaarheid van kennis, maar het transformeren van gefragmenteerde, mensgerichte kennis naar een verenigde, door agenten consumeerbare vorm die consistent kan worden aangeboden aan alle agenten en kan evolueren met organisatorische veranderingen.

Methodologie en Architectuur

Het paper stelt Organisatorisch Geheugen voor: een gedeelde, door mensen beheerde en door agenten consumeerbare referentielaag van procedurele kennis. De architectuur is verdeeld in twee complementaire fasen: Geheugencuratie en Geheugenconsumptie.

1. Kernontwerp: Procesatomen

In plaats van ruwe documenten of grote tekstblokken op te slaan, deconstrueert de architectuur kennis in Procesatomen. Elke atoom is een zelfstandige eenheid die precies één regel, beperking of verantwoordelijkheid vastlegt. Een atoom bestaat uit:

• Naam: Een korte identifier voor het gedrag.
• Bron: Een referentie naar het oorspronkelijke artefact (bijv. een specifiek onderdeel van een beleid).
• Inhoud: Een gestructureerde beschrijving met drie delen:
  • Toepasbaarheid: Context (proces, rol, object, voorwaarde).
  • Actie: De specifieke regel of het vereiste gedrag.
  • Doel: De ratio achter de regel.
• Tags: Het verankeren van de atoom in een Enterprise Domain Model (bijv. "inkoop", "inkoopverzoek") om contextbewuste retrieval mogelijk te maken.

2. Geheugencuratie (Creatie & Onderhoud)

Deze fase transformeert heterogene bronnen naar het verenigde geheugen:

• Input: Beleid, SOP's, procesmodellen, systeemdocumentatie en uitvoeringstraces.
• Extractie: Bron-specifieke services extraheren kandidaat-atomen en koppelen deze aan domein-tags.
• Globale Curator: Een actieve entiteit die de volgende taken uitvoert:
  • Kwaliteitscontroles: Ervoor zorgen dat atomen een duidelijke scope en een enkele regel hebben.
  • Conflictdetectie: Het identificeren van overlappingen, redundanties of tegenstrijdigheden met het bestaande geheugen.
• Menselijke Governance: Een menselijke expert beoordeelt de voorgestelde wijzigingen (toevoegingen, verwijderingen, aanpassingen) en lost conflicten op. Dit waarborgt verantwoording en zorgt ervoor dat het geheugen de organisatorische intentie weerspiegelt.

3. Geheugenconsumptie (Runtime)

Deze fase dient agenten tijdens de procesuitvoering:

• Contextverzoek: De agent stuurt een verzoek dat de huidige taakcontext beschrijft (proces, activiteit, rol, invoergegevens).
• Retrieval: Een Retriever-component doorzoekt het geheugen. Het gebruikt een hybride aanpak:
  • Filtering: Gebruik van domein-tags om de scope te verkleinen (bijv. specifieke dochteronderneming of rol).
  • Selectie: Gebruik van semantische of LLM-gebaseerde selectie binnen de gefilterde set om de meest relevante atomen te vinden.
• Executie: De agent ontvangt een compacte set relevante atomen (geen volledige documenten) om de besluitvorming te sturen.

Belangrijkste Bijdragen

Het paper levert vier primaire bijdragen:

1. Conceptdefinitie: Introduceert "Organisatorisch Geheugen" als een verenigde representatie van organisatorische proceskennis, onderscheidend van individuele agent-prompts of lokale geheugens.
2. Vereistenafleiding: Definieert negen specifieke vereisten voor een dergelijk systeem, waaronder integratie van heterogene bronnen, atonische decompositie, conflictdetectie, traceerbaarheid, contextspecifieke retrieval, toegang met lage latentie, adaptieve evolutie, menselijke governance en schaalbaarheid.
3. Architectuurvoorstel: Presenteert een gedetailleerde architectuur die de curatiefasen (extractie, conflictresolutie, menselijke review) en de consumptiefasen (contextuele retrieval) beslaat, gecentreerd rond de "Procesatoom"-abstractie.
4. Proof-of-Concept: Demonstreert de effectiviteit van de architectuur in een inkoopscenario.

Experimentele Resultaten

De auteurs voerden een proof-of-concept uit met een synthetisch "Purchase-to-Pay"-scenario, waarbij een LLM-gebaseerde agent optrad als inkoopassistent.

• Setup: Drie configuraties werden getest:
  • Base: Geen organisatorische kennis.
  • RAG: Standaard Retrieval-Augmented Generation met gebruik van vector-embeddings van documentfragmenten.
  • Memory: Toegang tot het voorgestelde Organisatorische Geheugen (Procesatomen).
• Modellen: Getest op GPT-4.1 en Claude Sonnet 4.5.
• Metriek: Policy Compliance Rate (PCR) – het deel van de scenario's waarin de agent correct een inkoopverzoek creëerde of weigerde op basis van het beleid.
• Bevindingen:
  • Base: 30% compliance (faalde in het toepassen van regels die niet in de parametrische kennis zaten).
  • RAG: 70–80% compliance. Verbeterd ten opzichte van Base, maar faalde op "cross-cutting" regels (bijv. universele kostenplaatsvereisten) die niet semantisch dicht bij het specifieke verzoek lagen.
  • Memory: 88–95% compliance. De hoogste prestatie. Door taakrelevante atomen op te halen in plaats van alleen semantisch gelijkaardige tekstfragmenten, slaagde de agent erin zowel specifieke als algemene restricties toe te passen.
• Geobserveerde Beperkingen: Fouten in de Memory-setup waren primair "over-restricties" veroorzaakt door onnauwkeurig geëxtraheerde atomen (bijv. de toepasbaarheidsscope was te breed), wat benadrukt dat de kwaliteit van de curatie cruciaal is.

Betekenis en Claims

Het paper claimt dat betrouwbare en schaalbare agentische procesuitvoering vereist dat men verder kijkt dan agent-specifieke prompts naar een gedeeld organisatorisch geheugen.

• Schaalbaarheid: De architectuur adresseert de enterprise-uitdaging van het handhaven van consistente kennis over duizenden agenten en heterogene processen.
• Governance: Het integreert expliciet menselijk toezicht, waardoor wijzigingen in de procedurele kennis worden goedgekeurd en traceerbaar zijn, wat volledig geautomatiseerde drift voorkomt.
• Effectiviteit: De proof-of-concept levert een eerste bewijs dat een gestructureerd, op atomen gebaseerd geheugen de beleid-conforme gedragingen verbetert ten opzichte van zowel parametrische kennis als standaard document-retrieval.

De auteurs blijven bescheiden en erkennen dat de proof-of-concept beperkt is tot een enkel synthetisch proces en PDF-gebaseerde bronnen. Zij stellen dat de generalisatie naar complexe, real-world enterprise-omgevingen met conflicterende legacy-systemen en talrijke overlappende beleidsregels nog niet is aangetoond en een doel voor toekomstig werk is.