Toyota draait 50 AI-agents in productie

Bij Toyota Motor North America draaien meer dan vijftig AI-agents in de productieomgeving. Een nieuwe agent bouwen kostte er eerst zes maanden en zes engineers. Nu is het vier dagen werk voor één engineer. Dat staat in een casestudy die LangChain op 24 augustus publiceerde, geschreven door Sofia Sulikowski.

Eerst het platform, daarna de agents

Het enterprise AI-team van Toyota telt ongeveer 35 mensen en werkt als centrale doorgang voor alles wat naar productie gaat. Dat team bouwde eerst het onderliggende platform, ToyotaGPT: authenticatie en toegangsrechten over meerdere databronnen, observability, een tool-laag die met MCP overweg kan, een prompt- en modelregister, en guardrails die elke agent overneemt. Pas daarna liet het team het aantal agents oplopen.

Een nieuwe agent is bij Toyota geen apart project meer, maar een configuratiebestand. Het platform genereert daar de LangGraph-structuur uit. Kordel France, director AI engineering, zegt in de casestudy over de periode daarvoor: “We hebben de pijn doorlopen van alles zelf bouwen. Dat kost veel arbeid en veel engineeringtijd.” Zijn collega Ravi Chandu Ummadisetti, director agentic AI en productonderzoek, noemt de Deep Agents-aanpak van LangChain een manier om met één commando een compleet raamwerk per agent te krijgen.

Wat die vijftig agents doen

Twee voorbeelden staan uitgewerkt. GearPal helpt bij storingsdiagnose in de Noord-Amerikaanse fabrieken. R&D GPT ontsluit tientallen jaren aan testdata uit het verfonderzoek, zodat vragen die eerder handmatig uitzoekwerk vergden meteen beantwoord worden. Verder draaien er ontwerpassistenten die bestaande ontwerpen en interne richtlijnen doorzoekbaar maken.

Over het geld is Toyota concreter dan de meeste bedrijven. LangChain noteert per productielijn een jaarlijkse besparing van minimaal zes cijfers, en verwacht op fabrieksniveau bedragen in de miljoenen. Die cijfers komen van Toyota zelf en zijn niet onafhankelijk geverifieerd. Wel valt op dat het bedrijf de opbrengst bijhoudt in LangSmith en aan de financiële rapportage koppelt, in plaats van het bij een pilotverslag te laten.

Volwassen wordende agent-infrastructuur

De casestudy past in een reeks stappen van de afgelopen weken. Google bracht het A2A-protocol onder dezelfde koepel als MCP, AWS liet agents zelf rekeningen betalen en de Verenigde Arabische Emiraten kondigden aan de helft van het overheidswerk door agents te willen laten doen. De standaarden en het beheer eromheen krijgen meer aandacht dan de modellen zelf.

Daar hoort een keerzijde bij. Het Nederlandse NCSC pleitte vorige week voor een noodknop en verplichte sandboxing voor agents die met bedrijfssystemen praten. Toyota beschrijft dat het beveiligingsteam vanaf dag één bij de tool-laag betrokken was, wat in die discussie de meest overdraagbare les van de casestudy is.

Wat betekent dit

De interessante claim is niet het aantal van vijftig, maar de doorlooptijd. Vier dagen per agent betekent dat de kosten van een mislukt experiment laag genoeg zijn om er veel te proberen. Organisaties die per agent nog maanden kwijt zijn, houden zichzelf in de pilotfase vast omdat elke poging te duur is om weg te gooien.

Voor Nederlandse bedrijven met kleinere teams is de volgorde het bruikbare deel: eerst toegangsbeheer, logging en een gedeelde tool-laag inrichten, daarna pas agents stapelen. Wie andersom begint, bouwt vijftig keer dezelfde beveiliging opnieuw.