Wat is een AI-agent? Uitleg met voorbeelden.

Een AI-agent is software die met een taalmodel een taak in meerdere stappen uitvoert in je systemen. De agent leest wat er binnenkomt, beslist welke stap hij daarna zet, gebruikt een tool zoals je CRM, ERP of inbox om die stap uit te voeren en controleert het resultaat. Hij werkt binnen grenzen die jij bepaalt.

Dit artikel is voor managers die het woord steeds horen en willen weten wat het betekent voor hun organisatie. Het is ook voor mensen die op het punt staan hun eerste agent te bouwen in een no-codetool. Die tweede groep leest in het deel over zelf een AI-agent bouwen waar dat werkt en waar niet meer.

Elke agent heeft dezelfde onderdelen, met welke tool of welk framework hij ook is gebouwd:

• Een taalmodel dat de input leest en de volgende stap bepaalt.
• Tools: de specifieke acties die de agent mag uitvoeren, zoals een order opzoeken, een pdf lezen of een antwoord opstellen. Wat zijn tools niet toestaan, kan een agent niet doen.
• Instructies met het doel, je regels en wat de agent doet als een zaak onduidelijk is.
• Status: een verslag van de zaak tot nu toe, zodat de agent verder kan waar hij was gebleven nadat hij op gegevens of een goedkeuring heeft gewacht.
• Grenzen: goedkeuringsstappen, een maximum aan stappen en kosten per run, en een logboek van alles wat hij deed.

Het woord wordt ruim gebruikt, voor chatbots met een zoekfunctie en voor vaste workflows met één modelaanroep in het midden. Een snelle test: kiest de software zelf de volgende stap, en kan ze die stap uitvoeren in een ander systeem? Is het antwoord twee keer ja, dan is het een agent.

Een chatbot beantwoordt vragen in een gesprek. Een automatisering voert elke keer dezelfde vaste stappen uit, volgens regels die iemand heeft opgeschreven. Een AI-agent gebruikt het oordeel van een model om zijn stappen te kiezen, en tools om ze in je systemen uit te voeren. Welke je nodig hebt, hangt af van hoeveel oordeel het werk vraagt.

De meeste echte processen mengen regels en oordeel. Bij een leveranciersfactuur moet iemand bijvoorbeeld lezen en beoordelen of die klopt met de inkooporder. Het boeken daarna volgt stappen die nooit veranderen. We bouwen de vaste stappen als gewone automatisering en geven het model alleen de stappen die om een model vragen, omdat regels minder kosten om te draaien en makkelijker te controleren zijn.

Kun je elke stap van je proces als regel opschrijven, dan heb je geen agent nodig. Onze gids over bedrijfsprocessen automatiseren laat zien hoe je per stap kiest tussen regels en AI.

Agentic AI is de verzamelnaam voor AI-systemen die in meerdere stappen naar een doel toe werken. Ze plannen wat ze doen, gebruiken tools om in andere systemen te handelen en controleren elk resultaat. In het midden zit meestal een generatief AI-model. Een AI-agent is zo'n systeem, gebouwd voor een specifieke taak.

In bedrijven zie je agentic AI vooral terug als agentic workflows: een proces zoals het goedkeuren van facturen, dat een agent over meerdere systemen uitvoert. We bouwen die als een expliciete reeks toestanden, zodat je elke stap kunt nagaan, opnieuw kunt uitvoeren en kunt controleren. Acties met grote gevolgen wachten op een mens. Onze pagina over AI-workflows laat zien wanneer deze aanpak past en hoe we zulke workflows bouwen.

Veel softwareproducten dragen tegenwoordig het label agentic. Doe bij elk product de snelle test uit het eerste deel van dit artikel, voordat je ze met elkaar vergelijkt.

Nuttige agents in bedrijven doen vooral het werk tussen systemen: lezen wat binnenkomt, feiten opzoeken op twee of drie plekken en de volgende actie klaarzetten voor een medewerker. De drie voorbeelden hieronder zijn ter illustratie. Elk is een typisch geval van de processen waarvoor we agents bouwen en laat zien wat de agent doet en wat een mens nog beslist.

Intake: van e-mail met bijlage naar een kloppend record

Een groothandel krijgt bijvoorbeeld inkooporders binnen als pdf-bijlagen, en elke klant gebruikt een eigen opmaak. Iemand opent elke e-mail, typt de regels over in het ERP en neemt contact op met de klant als een artikelnummer niet klopt.

Een agent leest de e-mail en de pdf, haalt de orderregels en de leverdatum eruit en controleert elke regel in het ERP: bestaat het artikel, is de prijs de afgesproken prijs, is er voorraad? Orders die kloppen, zet de agent klaar voor invoer. De rest gaat naar een medewerker, met het probleem benoemd en een conceptvraag aan de klant. Hetzelfde patroon past bij de intake van verwijzingen op een ziekenhuisafdeling.

De gedeelde inbox: sorteren, opzoeken en antwoorden opstellen

In een typische inbox van een klantenservice staan vragen over leveringen, retouren, adreswijzigingen en klachten door elkaar. Voor de meeste antwoorden zijn eerst gegevens uit het ordersysteem of het CRM nodig.

Een agent deelt elke e-mail in op soort vraag en urgentie, haalt de order- of klantgegevens op die nodig zijn en schrijft een conceptantwoord in het ticket in de helpdesk. Een medewerker controleert het, past het aan en verstuurt het. Terugbetalingen en annuleringen zet de agent klaar, en ze gaan pas door na goedkeuring. Blijft het aandeel aangepaste concepten in een categorie laag, dan kan de agent antwoorden in die categorie direct versturen. Klachten blijven bij mensen.

Uitzonderingen: uitzoeken wat er misging

Uitzonderingen zijn de zaken die uit het normale proces vallen: een zending die een mijlpaal mist, een factuur die niet bij de inkooporder past, een betaling die mislukt. Voor elke uitzondering moet iemand door meerdere systemen voordat hij iets kan doen.

Bij een expediteur pakt een agent bijvoorbeeld een vertraagde zending op. Hij controleert de status bij de vervoerder, de douanedocumenten en de leveringsvoorwaarden die met de klant zijn afgesproken, en bepaalt de waarschijnlijke oorzaak. Hij schrijft een conceptbericht voor de klant en doet een voorstel voor een nieuwe boeking. Een planner bekijkt het bewijs en keurt het voorstel goed, past het aan of wijst het af, voordat er iets opnieuw wordt geboekt.

De drie hebben hetzelfde profiel. Het werk komt vaak terug, volgt regels die iemand kan uitleggen, vraagt gegevens uit meerdere systemen en heeft een uitkomst die je kunt controleren. Agents passen slecht als het volume zo laag is dat een goed ontworpen formulier volstaat, of als de regels elke week veranderen en niemand er eigenaar van is.

Je kunt zelf een bruikbare AI-agent bouwen in een no-codetool als de agent leest en concepten opstelt, met één of twee systemen met kant-en-klare connectors werkt, en een mens elk resultaat controleert. Laat de agent bouwen als hij naar bronsystemen schrijft, persoonsgegevens of gevoelige gegevens verwerkt, of tests, auditlogs en een verantwoordelijke bij fouten nodig heeft.

Wat komt er kijken bij het maken van een AI-agent?

De stappen zijn in een no-codetool en in code hetzelfde:

1. 01Kies één proces en schrijf het op. De trigger, de stappen, de regels, de bekende uitzonderingen en hoe een afgeronde zaak eruitziet. Kan niemand zeggen wat er met een uitzondering moet gebeuren, regel dat dan voordat je gaat bouwen.
2. 02Verzamel zaken uit het verleden. Zoek echte voorbeelden op met de uitkomst die een mens heeft bepaald. Ze laten zien hoe gevarieerd de input is, en ze worden je testset.
3. 03Leg de tools vast. Maak een lijst van elke actie die de agent mag uitvoeren, of die actie leest of schrijft, en de grenzen ervan, zoals een maximumbedrag voor een terugbetaling. Geef de agent eigen inloggegevens met alleen die rechten.
4. 04Schrijf de instructies. Het doel, je regels, het formaat van het resultaat en wat de agent doet als een zaak onduidelijk is. Meestal is dat de zaak aan een mens geven.
5. 05Bepaal de goedkeuringsstappen. Geef aan welke acties op een mens wachten, en wat die persoon moet zien om snel te beslissen.
6. 06Test en laat de agent daarna meedraaien met het team. Draai de agent eerst op de zaken uit het verleden. Laat hem daarna concepten maken voor live werk terwijl mensen controleren, en geef hem meer ruimte zolang de resultaten goed blijven.
7. 07Houd de agent in de gaten. Log elke run, kijk waar beoordelaars aanpassen of afwijzen, en draai de tests opnieuw na elke wijziging in de instructies, het model of de tools.

Met onze template voor een AI-agentspecificatie leg je deze keuzes vast in één document voordat de bouw begint.

Wanneer een no-codetool genoeg is

No-codetools voor agents en automatiseringsplatforms met AI-stappen zijn een goed startpunt. Ze passen in deze situaties:

• De agent leest, vat samen, deelt in of schrijft concepten, en een mens handelt op basis van het resultaat.
• Hij werkt met één of twee gangbare systemen die kant-en-klare connectors hebben.
• Het volume is beperkt en een fout resultaat is in een paar minuten gecorrigeerd.
• Iemand in je team is eigenaar van het proces en heeft tijd om het te repareren als een connector verandert.

Een eerste versie die zo is gebouwd, laat ook zien wat het proces nodig heeft. Daardoor is de scope van een latere bouw makkelijker te bepalen.

Wanneer je een AI-agent laat bouwen

Het beeld verandert zodra de agent handelt zonder dat er een mens tussen zit, of zodra het proces een audit moet doorstaan. Laat de agent dan bouwen, door je eigen ontwikkelteam of door een leverancier, in deze situaties:

• Hij schrijft naar bronsystemen zoals je ERP, kernbanksysteem of EPD, of stuurt iets naar klanten.
• Hij heeft systemen nodig zonder kant-en-klare connectors: oudere software, interne databases of bestandsexports.
• Hij verwerkt persoonsgegevens of gevoelige gegevens, en je moet kunnen laten zien waar de gegevens heen gaan en wie wat heeft goedgekeurd.
• Je hebt een testset nodig die voor elke wijziging draait, en logs die een besluit maanden later nog verklaren.
• Het proces heeft zoveel vertakkingen gekregen dat niemand het nog veilig kan aanpassen.

Twijfel je of je organisatie al klaar is voor een agent, dan helpt de AI-readiness-checklist je om het proces, de data en het eigenaarschap te scoren voordat je een route kiest.

Een agent heeft grenzen nodig waar een actie moeilijk terug te draaien is of je organisatie verlaat: betalingen, terugbetalingen, berichten aan klanten en wijzigingen in records. Drie maatregelen doen het meeste werk: tools die beperkt zijn tot wat jij toestaat, goedkeuring vóór acties met grote gevolgen en een logboek per run dat laat zien wat de agent deed en waarom.

• Afgebakende tools. De agent kan alleen de acties aanroepen die jij hem geeft, met grenzen in de tool zelf, zoals een maximumbedrag of een vaste lijst ontvangers. Voor acties die hij nooit mag uitvoeren, bestaat geen tool.
• Goedkeuringsstappen. Acties met grote gevolgen pauzeren en tonen een aangewezen medewerker de voorgestelde actie en het bewijs erachter. Die persoon keurt goed, past aan of wijst af, en het systeem legt het besluit vast.
• Logboek. Elke run legt de input vast, elke model- en toolaanroep en elke goedkeuring, zodat je later vragen over elke zaak kunt beantwoorden.

We laten agents beginnen met concepten maken terwijl mensen controleren, en geven ze meer ruimte als de resultaten dat rechtvaardigen. Ons artikel over human-in-the-loop AI-agents gaat dieper in op goedkeuringsstappen, risiconiveaus, audittrails en terugvalopties.

Test een agent op echte zaken uit je eigen historie voordat hij live werk doet. Neem afgeronde zaken met de uitkomst die een mens bepaalde, laat de agent ze afhandelen en vergelijk: kwam hij tot hetzelfde resultaat, gebruikte hij de juiste tools en gaf hij de zaken door die hij moest doorgeven? Draai dezelfde set opnieuw na elke wijziging.

Een test voor een agent controleert meer dan het eindresultaat:

Neem normale zaken op, bekende uitzonderingen en een paar inputs die zijn geschreven om de agent te misleiden. Draait de agent eenmaal, dan laten de aanpassingen van beoordelaars zien waar hij moeite mee heeft, en elke bevestigde fout wordt een nieuwe testcase. Onze gids over LLM-evaluaties voor elke release legt uit hoe je de testset bouwt, resultaten beoordeelt en een release tegenhoudt die slechter scoort.

Als we AI-agents bouwen voor klanten, komt de testset eerst, gemaakt van de eigen historische zaken van de klant. Geen enkele wijziging in instructies, model of tools gaat live zonder dat ze die testset doorstaat.

Wat kost een AI-agent?

De kosten van een AI-agent hangen vooral af van het aantal systemen waarmee hij werkt, de kwaliteit van hun API's, hoeveel uitzonderingen het proces heeft en hoeveel ervan een controlescherm nodig heeft. Modelgebruik is meestal het kleinere deel. Voor het draaien van de agent komen monitoring en aanpassingen erbij als je proces verandert.

Een agent in een no-codetool kost een abonnement en de tijd van je team. Voor een agent die wij bouwen, spreken we scope en planning af in een schriftelijk plan na de verkenning.

Is een AI-agent veilig?

Een AI-agent is veilig te gebruiken in een bedrijf als de grenzen zijn ingebouwd: tools die beperkt zijn tot wat jij toestaat, goedkeuring voor acties met grote gevolgen, een logboek van elke run en een testset die elke wijziging moet doorstaan. Zonder die grenzen kan een agent handelen op een verkeerde lezing van een document voordat iemand het merkt.

Controleer ook waar het model draait en wat de aanbieder opslaat. We kunnen de verwerking in de EU houden via aanbieders met hosting in de EU of via je eigen cloudaccount.