NinA AI

Blog · AI Agents

AI Agents: wat zijn ze écht (en wat niet)?

Olaf Lemmens, Founder NinA AI Agency · 26 januari 2025 · 7 min leestijd

AI Agents: wat zijn ze écht (en wat niet)?

Waarom iedereen het opeens over 'agents' heeft

Je kunt er haast niet omheen: overal duiken verhalen op over "AI Agents"—systemen die zogenaamd zelfstandig complexe taken uitvoeren, rapporteren en besluiten nemen.

Maar wat is een agent nu eigenlijk? En minstens zo belangrijk: wanneer is het slim om een agent in te zetten, en wanneer juist niet?

Aan de hand van nieuwe inzichten van Anthropic en onze eigen ervaringen bij NinA AI Agency, licht ik graag toe waarom "agents" geen toverwoord zijn, maar wél een interessant hulpmiddel kunnen zijn—mits je ze op de juiste manier inzet.

Onderstaande is verplichte kost voor alle nieuwe medewerkers bij NinA AI en is precies hoe wij klanten op een open en eerlijke manier helpen om echt alles uit AI te halen.

Een Autonomous Agent (bron: Anthropic)
Een "Autonomous Agent" (bron: Anthropic)

Wat maakt een 'agent' anders dan een gewoon LLM-systeem?

Even voor de duidelijkheid: een LLM staat voor Large Language Model, Taalmodel in goed Nederlands. ChatGPT, CoPilot en Claude zijn een paar voorbeelden van taalmodellen.

We maken een helder onderscheid tussen:

  1. Workflows
  2. Agents

Twee soorten agentic systemen

  • ▸
    Workflows: LLM's + tools in een strakke volgorde.
  • ▸
    Agents: LLM's regelen zélf welke tools ze wanneer gebruiken.

Belangrijk: "Agent" kan veel vormen aannemen. De ene organisatie bedoelt er een volledig autonoom, langdurig doorwerkend systeem mee (bijvoorbeeld zo'n "Auto-GPT"-achtig concept).

Een andere organisatie doelt op een flexibelere workflow waarbij het model af en toe zelf beslissingen neemt.

Wanneer (niet) kiezen voor een agent?

Ik raad altijd aan om zo eenvoudig mogelijk te beginnen.

Je hoeft niet altijd een 'intelligente, zelfbeslissende' AI te bouwen.

Een paar vuistregels:

  1. Heb je een repetitieve taak die prima in 1 of 2 LLM-calls kan? Dan voldoet een simpele workflow of zelfs één enkele prompt.
  2. Is je proces voorspelbaar en goed te coderen? Dan is een workflow met vaste stappen vaak betrouwbaarder én goedkoper.
  3. Heb je complexe, open-eindvraagstukken met veel variabelen? Dan kan een agent uitkomst bieden. Je laat het model beslissen hoe vaak het tools aanroept, of het extra input vraagt aan de gebruiker, etc.

Concreet voorbeeld

  • ▸
    Customer support: als je klantvragen hebt die breed kunnen uitwaaieren—soms moet je in de orderhistorie duiken, soms iets refunden, soms een ticket inschieten—dan kan een agent-structuur handig zijn.
  • ▸
    Coding agents: het AI-model splitst zelf de benodigde subtaken op (meerdere bestanden aanpassen), test de oplossingen en komt pas terug als het daadwerkelijk werkt. Hier is de flexibiliteit van een agent goud waard.

Hoe agents (vaak) worden gebouwd

Je zou denken dat je hiervoor allerlei exotische libraries nodig hebt.

Maar in de praktijk komen de meest robuuste systemen vaak neer op simpele, herhaalbare patronen:

Augmented LLM als basis

  • Het LLM krijgt toegang tot tools, retrieval-bronnen (bijv. bedrijfsdocumenten) en geheugen. Het model "weet" dus hoe en wanneer het tools kan oproepen.
Augmented LLM
  • ▸
    Iteratieve loop
  • De agent draait in een lus:
  • Het model plant een actie ("Welke tool heb ik nodig?").
  • Het voert de actie uit (bijv. een stukje code genereren).
  • Het bekijkt de output en beoordeelt of het nog door moet gaan.
  • Bij complexe taken: herhaal stap 1 t/m 3 tot de taak af is.
Iteratieve loop
  • ▸
    Menselijke checkpoints
  • Je kunt ervoor kiezen om je agent tussendoor te laten "stoppen" voor controle of feedback. Zo'n checkpoint is heel verstandig als het risico op fouten groot is, of als de kosten kunnen oplopen.

Let op de valkuilen

  • ▸
    Lagere snelheid en hogere kosten
  • ▸
    Complexere debugging
  • ▸
    Compounding errors
  • ▸
    Over-engineering

Voorbeelden van agent-workflows

  1. Prompt chaining: verdeel je taak in meerdere stappen (bv. eerst een outline, dan controle, dan uitwerking).
  2. Routing: laat de AI eerst classificeren ("Is dit een refund-verzoek, of een gewone vraag?") en vervolgens de juiste prompt of tool kiezen.
  3. Parallelization: meerdere LLM's werken simultaan aan subonderdelen, of meerdere prompts beoordelen dezelfde input en stemmen vervolgens.
  4. Orchestrator-workers: één "orchestrator-AI" deelt subtaken uit aan "worker-AI's", net zoals een projectmanager taken verdeelt.
  5. Evaluator-optimizer: de ene AI genereert tekst, de andere AI beoordeelt en geeft feedback. Zo werk je iteratief aan verfijning.
Voorbeeld van agent-workflows
Voorbeeld van agent-workflows

Agents gaan nog een stap verder, omdat ze zelf beslissen hoeveel workflows of stappen ze nodig hebben.

Drie lessen voor wie met agents aan de slag wil

  1. Houd het simpel Begin niet direct met 15 tools en tig feedback-lussen. Een onnodig complexe opzet leidt sneller tot bugs en is duurder in tokens.
  2. Wees transparant Laat de agent zijn 'denkproces' expliciet delen (desnoods in een verborgen debug-veld), zodat je weet waarom het model bepaalde beslissingen neemt.
  3. Investeer in goede tool-documentatie Net als bij een human-computerinterface heb je voor de AI ook een 'agent-computerinterface' (ACI) nodig. Maak het ontzettend duidelijk hoe de AI je tool kan aanroepen en wat de verwachte input/output is.

Wat betekent dit voor jouw organisatie?

  • ▸
    Heb je vaak open-ended taken? Dan kunnen agents interessante tijdwinst bieden, mits je de extra complexiteit kunt dragen.
  • ▸
    Heb je vooral voorspelbare, terugkerende processen? Dan is een workflowaanpak met vaste stappen meestal sneller, goedkoper en betrouwbaarder.
  • ▸
    Begin klein en meetbaar Bouw een eerste proof of concept rond één afgebakend probleem. Test het grondig in een sandbox (dus niet meteen op live klantdata). Breid pas uit als je échte meerwaarde ziet.

Bij NinA AI Agency helpen we klanten zowel met simpele prompt-chains als met meer flexibele "agentic systems". Maar we zullen je nooit aan een agent-oplossing helpen als een eenvoudige aanpak al volstaat.

Uiteindelijk draait het om waarde leveren: zo min mogelijk toeters en bellen, en precies genoeg intelligentie om je proces écht te verbeteren.

Conclusie

"AI Agents" zijn geen heilige graal die elk bedrijfsprobleem oplost. Het is vooral een manier om je LLM extra vrijheid te geven in het beslissen welke stappen nodig zijn. Voor veel use cases is één (of een paar) slimme LLM-calls voldoende.

Maar heb je écht te maken met complexe, open-einde processen? Dan kan een agentic systeem superkrachtig zijn—mits je voldoende aandacht besteedt aan kosten, veiligheid en tooling.

Tot de volgende!

Olaf Lemmens
Founder, NinA AI Agency

Meer weten? Kom eens langs op nina-ai.nl of plan een kennismaking.