Wat zijn AI agents en wat doen ze voor je bedrijf?

Een AI agent die je offerteaanvragen opvolgt terwijl jij bij een klant staat, klinkt als toekomstmuziek. In oktober 2026 is het een project van een paar weken. Tegelijk sneuvelen veel agent-projecten voordat ze iets opleveren, en het verschil zit zelden in de techniek.

Een AI agent is software die met een taalmodel zelfstandig een doel nastreeft: hij bekijkt de situatie, bepaalt welke stap nodig is, voert die uit met gekoppelde tools zoals je mailbox, agenda of CRM en controleert het resultaat, totdat de taak af is of een mens moet ingrijpen.

Wat zijn AI agents en wat betekent agentic AI?

AI agents zijn programma's die een taalmodel gebruiken als denkkern om zelf stappen te zetten richting een doel. Agentic AI is de verzamelnaam voor deze manier van werken: AI die niet alleen tekst produceert, maar plant, handelt en bijstuurt.

Het verschil met hoe de meeste ondernemers AI nu gebruiken is groot. Je stelt ChatGPT een vraag, krijgt een antwoord en doet daarna zelf het werk. Bij een AI agent valt die laatste stap weg: het taalmodel zoekt via de agent de informatie op, schrijft het concept én zet het klaar in je systeem.

Van antwoorden geven naar taken uitvoeren

Denk aan een AI agent als een taak, niet als een collega. Consultancybureaus praten graag over digitale medewerkers, maar die metafoor wekt verwachtingen die geen MKB-bedrijf waarmaakt. Een agent beheert geen klantrelatie; hij beantwoordt binnen tien minuten een nieuwe lead met de juiste informatie. Dat is kleiner, eerlijker en veel makkelijker te meten.

Die afbakening is ook de reden dat agents nu voor kleinere bedrijven bereikbaar worden. Volgens het CBS gebruikte in 2025 29,8 procent van het Nederlandse midden- en kleinbedrijf AI-technologie, tegenover 13,8 procent van de microbedrijven, waarbij de adoptie bij de kleinste bedrijven in twee jaar verdubbelde. De stap van AI als hulpmiddel naar AI die taken uitvoert is de volgende fase.

ChatGPT agent, Claude en Copilot: wat bieden de bekende platforms?

De grote AI-aanbieders hebben allemaal een agentvariant. Ze zijn bruikbaar als voorbeeld en als bouwsteen, maar geen van allen is automatisch het antwoord voor jouw bedrijf.

• ChatGPT agent: een modus in ChatGPT waarin het model zelf een browser bedient, websites doorzoekt, formulieren invult en bestanden maakt. Handig voor losse opdrachten die jij start, minder geschikt voor een proces dat dagelijks zonder jou moet draaien.
• Claude: Claude, het model van Anthropic, kan via het Model Context Protocol tools en databronnen aanspreken. Daardoor is het een veelgebruikte denkkern in zelfgebouwde agents.
• Microsoft Copilot: laat je agents bouwen binnen Microsoft 365. Logisch als je hele bedrijf al in Outlook, Teams en SharePoint werkt, beperkend als je data elders staat.

Elk platform trekt je richting het eigen ecosysteem. Begin daarom bij de taak en kies het platform pas daarna; dat voorkomt dat je een proces ombouwt om in een tool te passen.

Wat is het verschil tussen een chatbot, een automatisering en een AI agent?

Een chatbot reageert op vragen, een automatisering voert vaste regels uit en een AI agent bepaalt zelf welke stappen nodig zijn om een doel te halen. De termen lopen in de praktijk door elkaar, terwijl het verschil bepaalt wat je bouwt, wat het kost en hoeveel risico je loopt.

Wil je specifiek een chatbot inzetten, dan is dat een eigen project met een eigen aanpak; daarvoor hebben we een aparte gids over een AI-chatbot bouwen voor je bedrijf.

Wanneer volstaat een simpele automatisering?

Veel processen die als agent-project starten, zijn eigenlijk een automatisering. Dat is goed nieuws, want een automatisering is goedkoper, voorspelbaarder en makkelijker te onderhouden.

• De input heeft altijd hetzelfde formaat, zoals een webformulier met vaste velden.
• Je kunt elke beslissing vooraf als regel opschrijven.
• Een fout heeft directe gevolgen en mag nooit voorkomen, zoals bij betalingen.
• Het proces verandert zelden.

Wanneer is een AI agent wél de juiste keuze?

Een agent verdient zich terug waar regels tekortschieten. De vuistregel uit onze projecten: als je medewerker bij elke casus even moet nadenken wat de juiste volgende stap is, is het agentwerk.

• De input is vrije tekst: e-mails, WhatsApp-berichten, notities of pdf's.
• De juiste vervolgstap verschilt per situatie.
• Er moet informatie uit meerdere bronnen worden gecombineerd.
• Een fout is herstelbaar, of een mens kijkt mee voordat er iets naar buiten gaat.

Hoe werkt een AI agent?

Een AI agent werkt in een lus van vier stappen: hij krijgt een doel, neemt de situatie waar, redeneert over de beste volgende stap en voert die uit. Daarna kijkt hij opnieuw, tot het doel bereikt is. Abstract klinkt dat vaag, dus volgen we een lopend voorbeeld: een installatiebedrijf met twaalf medewerkers dat binnenkomende aanvragen voor warmtepompen sneller wil opvolgen.

1. Doel: je geeft de agent een concrete opdracht met grenzen. Bijvoorbeeld: beantwoord elke nieuwe aanvraag binnen vijftien minuten, verzamel de ontbrekende gegevens en plan een adviesgesprek, maar verstuur niets zonder goedkeuring.
2. Waarneming: de agent leest wat binnenkomt. Een aanvraag via het contactformulier: woning uit 1978, interesse in een warmtepomp, geen bouwjaar van de cv-ketel vermeld.
3. Redenering: het taalmodel bepaalt wat er ontbreekt en wat de logische volgende stap is. Zonder isolatiegegevens kan de adviseur geen goed gesprek voeren, dus eerst die vraag stellen en twee vrije momenten uit de agenda aanbieden.
4. Actie: de agent schrijft een persoonlijk concept-antwoord, zet het klaar ter goedkeuring en maakt een lead aan in het CRM met een samenvatting.

Reageert de klant, dan begint de lus opnieuw: nieuwe waarneming, nieuwe afweging, volgende actie. Precies die herhaling maakt het een agent in plaats van een eenmalige AI-opdracht.

De gereedschapskist: tools, geheugen en Model Context Protocol

Een taalmodel kan op zichzelf alleen tekst maken. Het wordt pas een agent door de tools die je eraan koppelt: lezen in de mailbox, kijken in de agenda, een record aanmaken in het CRM. Het Model Context Protocol, kortweg MCP, is een open standaard die die koppelingen uniformeert, zodat een model als Claude via één vaste manier met allerlei systemen kan praten.

Daarnaast heeft een agent geheugen nodig: weten wat hij eerder met deze klant heeft besproken. Zonder dat geheugen stelt hij dezelfde vraag twee keer, wat klanten direct merken.

Waarom de lus ook het risico vormt

Dezelfde zelfstandigheid die een agent nuttig maakt, maakt hem onvoorspelbaar. Elke ronde in de lus kost modelgebruik, en een agent die vastloopt kan rondjes blijven draaien. Stel daarom altijd een maximum aantal stappen per taak in en laat de agent bij twijfel stoppen en een mens waarschuwen. Die ene instelling voorkomt de meeste onaangename verrassingen op de factuur.

Wat doet een AI agent concreet in een bedrijf van 5 tot 50 mensen?

In een MKB-bedrijf neemt een AI agent vooral terugkerende taken over waar nu iemand tussen ander werk door aan zit: leads opvolgen, klantvragen sorteren en planning of administratie bijhouden. Het zijn dezelfde processen waar AI-automatisering voor het MKB doorgaans het eerst iets oplevert.

Drie herkenbare taken voor een AI agent

1. Leadopvolging bij een installatiebedrijf. Het voorbeeld uit de vorige sectie, uitgewerkt tot een werkend proces voor automatische leadopvolging.

• Taak: elke aanvraag lezen, ontbrekende gegevens opvragen, een concept-antwoord en een afspraakvoorstel klaarzetten.
• Waarde: de reactietijd zakt van een halve dag naar minuten, terwijl een adviseur alleen nog op goedkeuren klikt.
• Valkuil: de agent belooft een prijs of levertijd die niet klopt. Verbied dat expliciet in de instructies.

Voor Flowgine bouwden wij een systeem dat precies dit soort werk doet: het koppelt data uit meerdere tools en voert automatisch acties uit zoals follow-up, classificatie en rapportage, zonder handmatige tussenkomst. De les uit dat project: de koppelingen kosten meer tijd dan het slimme deel.

2. Klantvragen afhandelen bij een webshop. Een webshop met een klein team krijgt dagelijks vragen over bestellingen, retouren en maten, het klassieke terrein van klantenservice automatiseren met AI.

• Taak: elke mail classificeren, de bestelstatus opzoeken en een antwoord voorstellen op basis van het retourbeleid.
• Waarde: standaardvragen zijn in één klik afgehandeld, uitzonderingen komen gemarkeerd bovenaan.
• Valkuil: de agent geeft coulance die je niet wilt geven. Leg vast welke beslissingen altijd bij een mens liggen.

3. Planning en administratie bij een adviesbureau. Een bureau met vijftien adviseurs verliest elke week uren aan urenregistratie en planning.

• Taak: agenda's en ingevoerde uren vergelijken, ontbrekende registraties signaleren en een weekrapport per project opstellen.
• Waarde: de projectleider krijgt elke maandag een overzicht in plaats van het zelf te verzamelen.
• Valkuil: de agent corrigeert uren zelfstandig. Laat hem alleen signaleren, nooit aanpassen.

Welke bouwvorm past bij welk voorbeeld?

Hoe je een AI agent bouwt, bepaalt grotendeels wat hij kost. Onderstaande indeling geeft per bouwvorm de kostenposten en de doorlooptijd in relatieve termen (peildatum oktober 2026); exacte bedragen hangen af van volume en koppelingen.

Waarom mislukken zoveel agent-projecten?

Agent-projecten mislukken vooral door oplopende kosten, onduidelijke waarde en te weinig controle, niet door slechte technologie. Gartner voorspelt dat ruim 40 procent van de agentic AI-projecten voor eind 2027 wordt gestaakt om precies die redenen, terwijl volgens dezelfde voorspelling in 2028 een derde van de zakelijke software agentic AI bevat.

Die combinatie is veelzeggend: agents worden overal ingebouwd, maar veel organisaties weten niet wat ze met AI willen bereiken. McKinsey ziet hetzelfde patroon: 62 procent van de organisaties experimenteert met AI-agents, maar slechts 23 procent schaalt ze op in minstens één bedrijfsfunctie.

Drie lessen uit de gestaakte projecten

1. Begin klein: één taak, één afdeling, één meetpunt. Een agent die alles moet kunnen, kan niets betrouwbaar.
2. Eis meetbare waarde: reken de agent af op een taak-KPI, niet op indruk. Leg vooraf een nulmeting vast, zoals de gemiddelde reactietijd op leads of het percentage vragen dat zonder correctie wordt afgehandeld, en vergelijk na vier weken.
3. Houd menselijke controle: laat de agent voorstellen doen die een mens goedkeurt, en verruim dat pas als de cijfers het rechtvaardigen.

Autonomie is een schuifregelaar, geen aan-uitknop

De grootste denkfout is dat een agent óf zelfstandig werkt óf niet. In de praktijk verhoog je de zelfstandigheid per taaktype, stap voor stap.

Het mooie van deze aanpak: je kunt de standaardvraag over bezorgtijden al op niveau 3 hebben terwijl klachten op niveau 2 blijven. Autonomie verdien je per taak, niet per agent.

Welke randvoorwaarden heeft een AI agent nodig?

Een AI agent heeft drie randvoorwaarden nodig: beperkte rechten, een volledig logboek en toegang tot actuele, betrouwbare data binnen de regels van de AVG. Zonder die drie bouw je geen vertrouwen op, hoe goed het model ook is.

Minimale rechten: een eigen mailbox, agenda of testomgeving

De grootste praktijkrisico's komen niet van slechte antwoorden maar van te ruime rechten. Een agent met toegang tot het hoofdaccount van de directeur kan, door één verkeerde redenering, de verkeerde mail naar de verkeerde klant sturen.

• Koppel de agent aan een aparte mailbox, zoals een info- of aanvragenadres, niet aan persoonlijke accounts.
• Geef agenda-toegang tot een gedeelde planningsagenda, niet tot alle agenda's.
• Laat CRM-rechten beperkt blijven tot aanmaken en notities toevoegen; verwijderen staat altijd uit.
• Test nieuwe koppelingen eerst in een testomgeving met nepdata.

Logboek, actuele data en de AVG

Eis dat elke actie wordt vastgelegd: wat de agent deed, wanneer, en op basis van welke informatie. Zonder logboek kun je een fout niet terugvinden en is een steekproefcontrole onuitvoerbaar, en daarmee kun je de schuifregelaar nooit verantwoord verder zetten.

Actuele data verdient net zoveel aandacht. Uit eigen onderzoek van Timmermans Media (juli 2026, 1917 antwoorden over 37 Nederlandse merken) blijkt dat 62% van alle foute AI-antwoorden verouderde informatie bevatte en slechts 11% echt verzonnen was. Voor een agent betekent dat: laat hem prijzen, voorraad en beleid altijd live uit je eigen systemen halen in plaats van uit het geheugen van het model.

Verwerkt de agent persoonsgegevens, dan gelden de regels van de AVG:

• Sluit een verwerkersovereenkomst met elke partij waar data naartoe gaat, inclusief de modelaanbieder.
• Kies waar mogelijk voor verwerking binnen de EU en zet het gebruik van je data voor modeltraining uit.
• Neem de agent op in je verwerkingsregister.
• Laat beslissingen met grote gevolgen voor een persoon, zoals een afwijzing, altijd door een mens nemen.

Hoe bouw je je eerste AI agent?

Je eerste AI agent bouw je het veiligst als agent die alleen leest: hij verzamelt en vat samen, maar verstuurt en wijzigt niets. Zo bewijs je waarde zonder risico, en pas daarna krijgt hij schrijfrechten.

Stappenplan voor een agent die alleen leest

1. Kies één taak met veel tijdverlies: bijvoorbeeld de aanvragenmailbox die elke ochtend iemand een uur kost.
2. Doe een nulmeting: noteer twee weken lang hoeveel tijd de taak kost en hoe lang leads op antwoord wachten.
3. Schrijf de opdracht uit: doel, grenzen en wat de agent nooit mag. Formuleer het zoals je een nieuwe stagiair zou instrueren.
4. Bouw met leesrechten: in n8n of Make koppel je de mailbox, laat je een taalmodel elke mail classificeren en samenvatten, en stuur je één overzicht per ochtend naar het team.
5. Zet het logboek aan: sla per mail de input, de classificatie en de reden op.
6. Meet na vier weken: vergelijk met de nulmeting en controleer een steekproef van de classificaties. Klopt het, dan schuif je door naar niveau 2: concept-antwoorden klaarzetten.

Wil je deze eerste stap inbedden in een bredere aanpak voor AI in je bedrijf implementeren, dan helpt een implementatieplan om vervolgagents te prioriteren.

Wat kost die eerste agent?

Een lezende agent op een no-code platform is de goedkoopste zinvolle start, omdat er weinig uitzonderingen en geen risicovolle acties hoeven te worden uitgewerkt. De kosten bestaan uit drie posten:

• Platform: een abonnement op n8n, Make of Zapier, of zelfgehoste n8n.
• Modelgebruik: je betaalt per verwerkte tekst; bij een paar honderd mails per maand blijft dat beperkt, mits je een maximum aantal stappen instelt.
• Inrichting en onderhoud: de uren voor koppelingen, testen en bijsturen. Dit is meestal de grootste post.

Voor concrete bedragen per type project hebben we een apart overzicht van de kosten van AI-automatisering voor het MKB.

Twijfel je of jouw proces om een AI agent, een simpele automatisering of helemaal niets vraagt? Timmermans Media zoekt dat leverancieronafhankelijk voor je uit in een AI-automatisering-quickscan van 495 euro, met per taak een concreet advies over de juiste bouwvorm. Mail info@timmermansmedia.nl voor een vrijblijvend gesprek.