Stel, een klant mailt op vrijdagmiddag: "Kunnen jullie een offerte sturen voor 200 stuks?" Normaal pak jij dat op: je zoekt de prijsafspraken erbij, controleert de voorraad, maakt de offerte in je systeem en stuurt hem terug. Met een chatbot wordt dat niet makkelijker. Die kan je hooguit vertellen hoe je een offerte opstelt. Maar een AI agent doet iets anders: die maakt de offerte daadwerkelijk aan, met de juiste prijzen uit jouw systeem, en legt hem klaar voor jouw akkoord. Dat is het verschil waar het in dit cluster om draait.
Een chatbot praat, een agent doet
Een chatbot beantwoordt vragen. Je typt iets, het taalmodel (een LLM, het systeem achter ChatGPT en Claude) genereert een antwoord, en daar houdt het op. Handig voor uitleg, samenvatten of een tekst schrijven. Maar de chatbot zit opgesloten in het chatvenster. Hij kan niets in jouw boekhouding zetten, niets in je agenda plannen en niets in je CRM bijwerken.
Een AI agent gaat een stap verder. Een agent krijgt toegang tot je software en mag daar zelf acties in uitvoeren. Niet alleen "vertel me hoe", maar "regel het". Het verschil zit in twee dingen: de agent kan informatie ophalen uit je systemen, en de agent kan er ook iets in veranderen. Daardoor kan een agent een taak van begin tot eind oppakken in plaats van alleen meedenken.
Een nuance die vaak vergeten wordt: een agent is niet één groot slim brein. Het is een taalmodel dat een paar duidelijke knoppen heeft gekregen om aan te draaien. Elke knop is een actie die jij hebt toegestaan: een offerte aanmaken, een afspraak inplannen, een klantgegeven bijwerken. De agent kiest welke knop op welk moment past. Hoe scherper die knoppen zijn afgebakend, hoe betrouwbaarder de agent werkt.
Hoe een agent toegang krijgt tot je systemen
Een agent kan niet zomaar in je software kijken of klikken. Daar is een brug voor nodig tussen het taalmodel en jouw bedrijfssoftware. De meest gebruikte aanpak op dit moment is MCP (Model Context Protocol), een open standaard om AI veilig aan systemen te koppelen. Je kunt het zien als een tolk: de agent zegt "ik wil de openstaande offertes weten" of "maak een afspraak op dinsdag", en de koppeling vertaalt dat naar een actie in het juiste systeem.
Het belangrijke punt: jij bepaalt welke acties die brug aanbiedt. Mag de agent klantgegevens lezen, maar niet verwijderen? Mag hij een conceptofferte maken, maar niet zelf versturen? Dat leg je vast in de koppeling. De agent kan alleen doen wat jij hem letterlijk hebt toegestaan, niets meer. Hoe dat technisch werkt en waarom je data daarbij in je eigen omgeving blijft, leggen we uitgebreid uit in AI koppelen aan je bedrijfssystemen. Dat artikel is de technische verdieping onder dit verhaal.
Welke taken een agent echt kan overnemen
Het wordt concreet zodra je kijkt naar de klusjes die nu tijd kosten omdat ze tussen systemen heen en weer springen. Een paar voorbeelden van taken die een goed ingerichte agent kan uitvoeren:
- Een offerte opstellen: de agent haalt de prijsafspraken en productgegevens op, vult een concept in je offertesysteem en zet hem klaar voor jouw controle.
- Een afspraak inplannen: "Plan een belafspraak met deze klant volgende week." De agent checkt je agenda, vindt een vrij moment en zet het erin.
- Gegevens bijwerken: na een telefoongesprek noteer je kort wat er besproken is, en de agent werkt het juiste klantdossier in je CRM bij.
- Een rapport maken: "Geef me een overzicht van de omzet per klant van vorig kwartaal." De agent combineert de cijfers uit je boekhouding en levert een leesbaar rapport.
- Opvolgen wat blijft liggen: "Welke offertes staan langer dan twee weken open?" De agent zoekt ze op en kan meteen een conceptmail klaarzetten om ze op te volgen.
De rode draad: dit zijn taken die uit meerdere stappen bestaan en informatie uit verschillende plekken nodig hebben. Precies het soort werk dat normaal blijft liggen of bij één persoon op het bordje belandt. Veel hiervan grenst aan klassieke automatisering. Waar de grens ligt tussen een vaste workflow en een agent die zelf beslist, lees je in automatiseren met AI.
Een agent is zo goed als zijn data
Hier komt het eerlijke deel, want zonder dit gaat het mis. Een agent kan alleen goed werk leveren als de gegevens waar hij uit put kloppen. Staat de prijs van een product verkeerd in je systeem, dan maakt de agent een offerte met die verkeerde prijs. Staan er drie dubbele klantkaarten in je CRM, dan werkt de agent misschien de verkeerde bij. De agent verzint niets en controleert niets dat jij niet hebt laten controleren. Hij voert uit op basis van wat er staat.
Dat betekent dat de waarde van een agent grotendeels wordt bepaald door iets dat saai klinkt: de kwaliteit en orde van je data. In de praktijk is dat vaak het eerste waar we naar kijken. Een agent op een rommelige database is een versneller voor fouten. Een agent op nette, betrouwbare data neemt echt werk uit handen.
Een tweede grens: een taalmodel kan zich vergissen. Het kan een vraag verkeerd interpreteren of een stap overslaan. Daarom laat je een agent niet zonder nadenken alles zelf afmaken. Juist bij acties die iets veranderen of de deur uitgaan, wil je controle inbouwen.
Controle en grenzen inbouwen
De vraag is niet of een agent fouten kan maken, maar wat er gebeurt als hij dat doet. Daar zit het echte vakwerk. Een paar grenzen die we standaard inbouwen:
- Lezen mag, ingrijpen vraagt akkoord. Informatie ophalen en samenvatten kan de agent vrij doen. Maar een offerte versturen, een factuur aanpassen of een klant mailen: dat zet de agent eerst als concept klaar, jij geeft akkoord.
- Duidelijke bevoegdheden. De agent kan alleen bij de systemen en acties die voor zijn taak nodig zijn. Geen toegang tot alles "voor de zekerheid".
- Een spoor van wat er gebeurt. Elke actie wordt vastgelegd, zodat je achteraf kunt zien wat de agent heeft gedaan en waarom.
- Een persoon inschakelen bij wat ertoe doet. Hoe groter de impact van een actie, hoe meer een persoon er nog naar kijkt.
Zo krijg je het beste van twee werelden: de agent neemt het uitzoekwerk en de stappen over, jij houdt de regie over wat er echt naar buiten gaat. Naarmate je merkt dat de agent betrouwbaar werkt voor een bepaalde taak, kun je hem geleidelijk meer ruimte geven.
Hoe wij dit aanpakken
We beginnen nooit met de techniek, maar met één concrete taak die nu te veel tijd kost of vaak blijft liggen. Eén taak, scherp afgebakend. Dat is overzichtelijk, je ziet snel of het werkt en je leert wat de agent in jouw situatie wel en niet aankan.
Voordat we iets bouwen, kijken we naar je data. Welke systemen heb je, hoe betrouwbaar is de data die erin staat, en waar zitten de dubbelingen of gaten? Soms blijkt dat het opschonen van één bron al de meeste winst oplevert, nog voordat er een agent aan te pas komt.
Daarna bouwen we de koppeling tussen het taalmodel en jouw systemen, met de bevoegdheden strak afgebakend. We starten bewust stap voor stap en doordacht: de agent stelt voor, jij beslist. Werkt dat goed en vertrouw je het, dan geven we de agent stap voor stap meer zelfstandigheid voor die ene taak. Pas als die echt loopt, kijken we naar de volgende. Wil je eerst klein testen of een agent in jouw situatie werkt, dan is een proof of concept vaak de slimste eerste stap.
Niet alles hoeft een agent te zijn
Tot slot een nuchtere kanttekening. Niet elke taak is geschikt voor een agent. Een handeling die je twee keer per jaar doet, is de moeite van het inrichten niet altijd waard. En een stap die altijd hetzelfde verloopt, kun je vaak eenvoudiger met gewone automatisering oplossen, zonder taalmodel. Een agent is op zijn plaats waar taken variëren, waar geïnterpreteerd moet worden en waar informatie uit verschillende systemen samenkomt. Daar neemt hij echt werk uit handen.
Benieuwd welke taak in jouw bedrijf zich leent voor een AI agent? We kijken graag vrijblijvend mee, beginnen klein en houden het concreet. Geen groot AI-verhaal, gewoon één taak die je weer ruimte oplevert.
