Definitie
Een AI agent is een AI-systeem dat zelfstandig een doel nastreeft via meerdere stappen, in plaats van alleen een enkele vraag te beantwoorden. De agent kan beslissen welke tools te gebruiken (databases raadplegen, e-mails sturen, API’s aanroepen), zijn eigen output evalueren en koers bijstellen tot het doel bereikt is. Een LLM levert het denkwerk, de agent-laag eromheen levert de actie.
Het verschil met een chatbot: een chatbot reageert op een vraag, een agent voert een opdracht uit. Een vraag naar de actuele voorraadstand is chatbot-werk. Een opdracht om voor alle artikelen onder minimumvoorraad een bestelling te plaatsen bij de goedkoopste leverancier is agent-werk: meerdere systemen, meerdere stappen, een eindresultaat.
Waarom het ertoe doet voor MKB
Voor MKB-bedrijven verschuift de belofte van AI met agents van “antwoord geven” naar “werk doen”. Voor processen die voorheen elke stap een mens nodig hadden (offertes opstellen, leveranciers benaderen, dossiers volledig maken) komt automatisering binnen bereik die niet hoeft te wachten op een dure end-to-end automatisering. Agents kunnen op bestaande tools (CRM, ERP, e-mail) opereren via API’s of zelfs via klikken.
Concreet betekent dat ruimte om back-office capaciteit terug te winnen zonder hele systeemvervangingen. Tegelijk vraagt het om strakke afspraken: wat mag de agent zelfstandig doen, wat vraagt om menselijke goedkeuring en hoe houd je audit-trail over autonome beslissingen. Zonder governance zit je voor je het weet met agents die ongewenste acties uitvoeren.
Concreet voorbeeld
Een leverancier van technische installatiematerialen (omzet €25 miljoen, 40 vertegenwoordigers) had een back-office van 8 mensen die elke offerte-aanvraag handmatig oppakten: prijs uit ERP, voorraad uit warehouse-systeem, marges uit een spreadsheet, conditie-afspraken uit het CRM. Gemiddeld 12 minuten per offerte, 350 per dag piek.
Een AI agent koppelt nu ERP, CRM en warehouse via API. De agent leest de inkomende e-mail, maakt de offerte, controleert of de marge boven 22% blijft en stuurt onder die grens vanzelf een goedkeuringsverzoek naar een commercieel manager. 78% van de offertes gaat volautomatisch uit, gemiddelde doorlooptijd 90 seconden. Drie effecten: back-office capaciteit verschoof naar accountmanagement, conversie steeg met 11% (sneller offerte = grotere kans op order) en de marge-afwijkingen die voorheen onopgemerkt bleven worden nu standaard gevangen.
Misverstanden en valkuilen
- “Een agent is gewoon een chatbot met meer prompts.” Een agent voert acties uit op echte systemen. Een verkeerde stap kan een verkeerde bestelling, factuur of e-mail produceren. Dat vraagt om andere veiligheidsmaatregelen dan een chatbot, niet om hetzelfde patroon van prompt-engineering.
- “De agent regelt het allemaal autonoom.” Volledig autonome agents werken in de praktijk slecht. Robuuste implementaties hebben checkpoints, escalatie-grenzen en duidelijke begrenzing van wat de agent mag. Autonoom voor lage stakes, met goedkeuring voor hoge stakes.
- “Eenmaal opgeleverd onderhoudt het zichzelf.” Agents falen op manieren die je niet voorspelt: API verandert, een document heeft een nieuw veld, een gebruiker formuleert iets onverwachts. Zonder monitoring en regelmatige bijsturing degradeert het systeem stilletjes.
- “We bouwen onze eigen agent-framework.” Open frameworks (LangGraph, AutoGen, dergelijke) lossen de meeste basisproblemen al op. Tijd steken in de agent-logica zelf in plaats van in jouw business-context is in 90% van de gevallen weggegooid werk.
Wanneer moet je hiervan wakker liggen, wanneer niet
Wakker liggen: als jouw bedrijf veel terugkerende multi-step processen kent (offertes, dossiervorming, leverancierscommunicatie, klantservice-routing) die nu op handmatige acties leunen. Agents zijn de eerste AI-categorie die hier productief in kan grijpen. Concurrenten die agents inzetten verkorten doorlooptijden en marge per actie op manieren die moeilijk in te halen zijn.
Niet wakker liggen: als je processen vooral creatief, strategisch of klein van volume zijn. Een agent levert pas voordeel bij voldoende herhalingen om de implementatiekosten terug te verdienen. Voor incidentele taken blijft de mens met een AI-assistent vaak efficienter dan een agent-pipeline.
Gerelateerde termen
- LLM: het taalmodel dat het denkwerk achter de agent levert.
- API: de manier waarop een agent met andere systemen praat.
- RPA: een oudere vorm van procesautomatisering die agents deels vervangen of aanvullen.
- Generative AI: de bredere AI-categorie waarbinnen agents opereren.
- Prompt engineering: agents leunen sterk op goed ontworpen instructies per stap.
- Webhook: een veelgebruikte manier om agents te triggeren vanuit andere systemen.