AI-agents versus Agentische AI: Een Conceptuele Taxonomie, Toepassingen en Uitdagingen

AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenge

May 15, 2025

Auteurs: Ranjan Sapkota, Konstantinos I. Roumeliotis, Manoj Karkee

cs.AI

Samenvatting

Deze studie maakt een kritisch onderscheid tussen AI Agents en Agentic AI, en biedt een gestructureerde conceptuele taxonomie, toepassingsmapping en uitdagingenanalyse om hun uiteenlopende ontwerpfilosofieën en mogelijkheden te verduidelijken. We beginnen met het schetsen van de zoekstrategie en fundamentele definities, waarbij AI Agents worden gekarakteriseerd als modulaire systemen aangedreven door Large Language Models (LLMs) en Large Image Models (LIMs) voor specifieke, taakgerichte automatisering. Generatieve AI wordt gepositioneerd als een voorloper, waarbij AI Agents verdergaan door toolintegratie, prompt engineering en redeneerverbeteringen. Daarentegen vertegenwoordigen Agentic AI-systemen een paradigmatische verschuiving gekenmerkt door multi-agent samenwerking, dynamische taakdecompositie, persistent geheugen en georkestreerde autonomie. Door een sequentiële evaluatie van architecturale evolutie, operationele mechanismen, interactiestijlen en autonomieniveaus presenteren we een vergelijkende analyse van beide paradigma's. Toepassingsdomeinen zoals klantondersteuning, planning en datasamenvatting worden afgezet tegen Agentic AI-implementaties in onderzoeksautomatisering, robotcoördinatie en medische beslissingsondersteuning. We onderzoeken verder unieke uitdagingen in elk paradigma, waaronder hallucinatie, broosheid, emergent gedrag en coördinatiefalen, en stellen gerichte oplossingen voor zoals ReAct-lussen, RAG, orkestratielagen en causaal modelleren. Dit werk beoogt een definitieve routekaart te bieden voor het ontwikkelen van robuuste, schaalbare en uitlegbare AI agent- en Agentic AI-gedreven systemen. >AI Agents, Agent-gedreven, Vision-Language-Models, Agentic AI Beslissingsondersteuningssysteem, Agentic-AI Toepassingen

English

This study critically distinguishes between AI Agents and Agentic AI, offering a structured conceptual taxonomy, application mapping, and challenge analysis to clarify their divergent design philosophies and capabilities. We begin by outlining the search strategy and foundational definitions, characterizing AI Agents as modular systems driven by Large Language Models (LLMs) and Large Image Models (LIMs) for narrow, task-specific automation. Generative AI is positioned as a precursor, with AI Agents advancing through tool integration, prompt engineering, and reasoning enhancements. In contrast, Agentic AI systems represent a paradigmatic shift marked by multi-agent collaboration, dynamic task decomposition, persistent memory, and orchestrated autonomy. Through a sequential evaluation of architectural evolution, operational mechanisms, interaction styles, and autonomy levels, we present a comparative analysis across both paradigms. Application domains such as customer support, scheduling, and data summarization are contrasted with Agentic AI deployments in research automation, robotic coordination, and medical decision support. We further examine unique challenges in each paradigm including hallucination, brittleness, emergent behavior, and coordination failure and propose targeted solutions such as ReAct loops, RAG, orchestration layers, and causal modeling. This work aims to provide a definitive roadmap for developing robust, scalable, and explainable AI agent and Agentic AI-driven systems. >AI Agents, Agent-driven, Vision-Language-Models, Agentic AI Decision Support System, Agentic-AI Applications