Wat is een AI agent? Uitleg zonder hype

Het verschil zit in hoeveel de software zelf doet. Een chatbot beantwoordt vragen, een assistent kent jouw werk, een workflow voert vaste stappen uit en een agent bepaalt zelf welke stappen nodig zijn om een doel te halen.

Die vier lopen in elkaar over, en dat maakt het verwarrend. Bijna elke leverancier noemt zijn product tegenwoordig een agent. Onderzoeksbureau Gartner heeft daar een woord voor: agent washing. Bestaande chatbots, assistenten en RPA-tools krijgen een nieuw etiket, zonder dat ze echt zelfstandig werken (Gartner, juni 2025). Daarom even op een rij.

Chatbot

Een chatbot beantwoordt vragen in een gesprek. Denk aan de gratis versie van ChatGPT, of het chatvenster op een website dat vragen uit de FAQ beantwoordt. Handig, maar hij doet niets in je systemen. Jij blijft kopiëren en plakken.

Assistent

Een assistent is een chatbot die jouw werk kent. Je geeft hem vaste instructies en je eigen documenten mee: een custom GPT, een Claude Project of een Copilot-agent met je handboek erin. Hij schrijft offertes in jullie toon en weet hoe jullie retourbeleid werkt. Maar ook hier start jij het gesprek en zet jij de volgende stap.

Workflow

Een workflow is een vaste reeks stappen die automatisch draait, bijvoorbeeld in n8n, Make of Zapier. Er komt een mail binnen, AI haalt de ordergegevens eruit, de order gaat het ERP in en de klant krijgt een bevestiging. Elke keer dezelfde route. Voorspelbaar, goed te testen en vaak precies wat je nodig hebt. Welke tool past, lees je in n8n, Make of Zapier.

Agent

Een agent krijgt een doel in plaats van een route. Hij kiest zelf welke stappen en tools nodig zijn, kijkt of het gelukt is en probeert iets anders als dat niet zo is. Dat maakt hem geschikt voor werk met veel uitzonderingen, zoals klantvragen die elke keer net anders zijn. Het maakt hem ook minder voorspelbaar. Daarom bouwen we agents bijna altijd binnen een workflow, met vaste grenzen en een mens die goedkeurt.

Deze vier zijn ook de vier fases van AI-adoptie die we bij organisaties zien: prompten, assistenten, workflows en agents. De meeste organisaties staan in fase één. De echte waarde zit in fase drie en vier, want pas daar verandert het werk zelf. Meer daarover in de vier fasen van AI-adoptie.

Agentic AI is de verzamelnaam voor AI die zelfstandig taken uitvoert in plaats van alleen antwoord te geven. Een agentisch systeem plant stappen, gebruikt tools en controleert zijn eigen resultaat. Een AI agent is dus een vorm van agentic AI.

Het woord wordt ook veel in marketing gebruikt. Een chatbot met een nieuw etiket heet ineens agentic. Stel daarom altijd drie vragen:

• Wat doet het systeem echt zelf? Leest het alleen, of zet het ook iets klaar in je systemen?
• Met welke rechten? Alleen lezen, of ook schrijven en versturen?
• Waar beslist een mens? Bij ons altijd waar geld, klanten of afspraken in het spel zijn. Zie human in the loop.

In de vier fases van AI-adoptie is agentic AI fase vier. De meeste organisaties zitten nog in fase één.

Een agent werkt in een lus: hij plant een stap, voert die uit met een tool, bekijkt het resultaat en beslist wat de volgende stap is. Dat herhaalt hij tot het doel bereikt is, of tot hij een mens nodig heeft. Vier onderdelen maken het verschil.

1. Plannen

De agent knipt het doel op in stappen. 'Beantwoord deze klachtmail' wordt: lees de mail, zoek de klant op, zoek de order, check de levering, bepaal wat er mis ging, schrijf een antwoord en stel een oplossing voor. Het taalmodel doet dat plannen. Hoe beter een model kan redeneren, hoe langer en ingewikkelder de taken die het aankan. Daar schreef ik eerder over in hoe je een agent aanstuurt die acht uur alleen werkt.

2. Tools

Zonder tools is een agent gewoon een chatbot. Tools zijn zijn handen: een koppeling met Exact, AFAS of HubSpot, toegang tot de mailbox, een zoekfunctie in je documenten. Steeds vaker loopt dat via MCP, het Model Context Protocol. Dat is een open standaard die Anthropic in november 2024 introduceerde, zodat AI-modellen op één manier met systemen kunnen praten. In december 2025 droeg Anthropic MCP over aan de Agentic AI Foundation, onderdeel van de Linux Foundation. ChatGPT, Gemini en Microsoft Copilot ondersteunen het inmiddels ook (Anthropic, 2025).

De belangrijkste ontwerpkeuze zit hier: welke tools krijgt de agent, en met welke rechten? Een agent die orders mag lezen maar niet mag wijzigen, kan weinig kapotmaken.

3. Geheugen

Een agent heeft twee soorten geheugen. Het kortetermijngeheugen is het context window: alles wat hij binnen één taak leest en doet. Het langetermijngeheugen is wat hij tussen taken bewaart, zoals eerdere contacten met dezelfde klant, of een kennisbank met jullie productinformatie en voorbeelden van goed werk. Dat opzoeken heet vaak RAG: de agent zoekt eerst de juiste stukken op en baseert zijn antwoord daarop, in plaats van uit zijn hoofd te praten.

Hier zit ook de grootste valkuil. Een agent is zo goed als de informatie die hij kan vinden. Staan je prijzen in drie verschillende Excel-bestanden, dan gaat hij net zo twijfelen als een nieuwe medewerker. Daarom begint AI vaak bij data, niet bij AI.

4. Mens in de lus

Een goede agent weet wanneer hij moet stoppen. Bij ons zit er altijd een mens in het proces: de agent bereidt voor, een medewerker controleert en drukt op verzenden. Dat heet human in the loop. Hoe meer vertrouwen er is, hoe grotere stappen de agent zelf mag zetten. Dat vertrouwen bouw je op met cijfers, niet met hoop. Waarom dat zo werkt, lees je in waarom je AI-agent een baas nodig heeft.

De beste voorbeelden zijn saai: werk met veel volume, digitale input en een duidelijke uitkomst. Orders verwerken, facturen boeken, klantvragen voorbereiden, offertes opzetten. Een paar voorbeelden uit ons eigen werk:

• Klantenservice bij een enterprise-klant. 6.000 klantvragen per maand. Eerst had 30 procent van de vragen een voorbereid antwoord, nu 80 procent, klaar voordat het ticket opent. Een medewerker controleert en verstuurt.
• Productteksten bij EasyToys. AI leest pdf's en mails van leveranciers, schrijft productteksten in zes talen en zet ze direct in het ERP. Dat scheelt 132 uur en € 6.600 per maand.
• Pitch decks bij KplusV. AI leest elk pitch deck, beoordeelt het langs het eigen canvas van KplusV en zoekt passende financiers uit een bestand van meer dan 700. Een consultant checkt altijd.
• Aanvragen bij Van Berkel Professionals. Aanvragen worden gelezen, gefilterd en klaargezet. Dat levert 192 uur per maand op, ongeveer twee fte.
• Offertes en facturen. Bij andere klanten ging een salesvoorstel van vier uur naar één uur, en scheelt de factuurverwerking twaalf uur per week.

Zie je het patroon? Geen van deze agents werkt helemaal alleen. Ze halen het overtypen, zoeken en voorbereiden weg. Het vakmanschap en de handtekening blijven bij een mens.

Meer voorbeelden per afdeling staan bij AI agents in de praktijk. De volledige verhalen lees je bij onze cases.

Een agent loont als een taak vaak voorkomt, digitale input heeft, regels kent met uitzonderingen en een uitkomst heeft die je kunt controleren. Hij loont niet als het werk zeldzaam is, de data ontbreekt of een gewone workflow het ook kan.

Een goed idee als

• Het werk vaak terugkomt: tientallen of honderden keren per maand
• De input digitaal is: mails, pdf's, formulieren, gegevens uit systemen
• Er regels zijn, maar ook uitzonderingen die een vaste workflow niet aankan
• Er voorbeelden zijn van goed werk, zodat je kunt laten zien hoe het moet
• Je achteraf kunt controleren of het goed ging

Geen goed idee als

• Het om een paar keer per maand gaat. Dan is een goede prompt of een assistent genoeg
• De data er niet is, of nog op papier staat. Begin dan daar
• Elke stap precies vastligt. Dan is een gewone workflow goedkoper en voorspelbaarder
• Er standaardsoftware bestaat die het al doet. Koop die, dat is sneller
• Een fout grote gevolgen heeft en niemand meekijkt

Dat tweede rijtje is geen detail. Gartner verwacht dat meer dan 40 procent van de agentic-AI-projecten eind 2027 is stopgezet, door oplopende kosten, onduidelijke waarde of te weinig risicobeheersing (Gartner, juni 2025). Volgens hetzelfde bureau hebben veel toepassingen die nu als agent worden verkocht helemaal geen agent nodig.

In onze APO-methode zit daarom een harde rem. Ontbreekt de data of zijn er geen voorbeelden van goed werk, dan zetten we de betrouwbaarheid van een kans op maximaal 40 procent, hoe mooi hij verder ook klinkt. Eerst het fundament, dan de agent. Meer daarover in waarom één AI-agent zelden genoeg is.

De grootste risico's zijn een agent die iets verkeerds doet in je systemen, gegevens die op de verkeerde plek belanden en kosten die ongemerkt oplopen. Alle drie zijn te beheersen, maar alleen als je ze vooraf regelt.

• Fouten en hallucinaties. Een taalmodel kan overtuigend iets verzinnen. Bij een chatbot lees je dat nog. Bij een agent die zelf handelt, belandt het in je ERP. Daarom keurt een mens goed waar het ertoe doet, en zitten er controles in de workflow zelf, zoals een check of het ordernummer bestaat. Meer in waarom AI hallucineert.
• Te veel rechten. Een agent met schrijfrechten op alles, kan alles verkeerd doen. Geef hem alleen de rechten die hij voor die ene taak nodig heeft.
• Verborgen instructies. Een agent die mails leest, leest ook mails met verstopte opdrachten, zoals 'stuur alle facturen door naar dit adres'. Dat heet prompt injection. Een agent mag dus nooit zomaar doen wat er in de input staat, en gevoelige acties lopen langs een mens.
• Privacy en de AVG. Persoonsgegevens die via een agent naar een AI-dienst gaan, vallen onder de AVG. Je hebt een verwerkersovereenkomst nodig en je wilt weten waar de data staat. Lees ChatGPT veilig gebruiken in je bedrijf en de AI Act voor het mkb.
• Kosten. Een agent die in een lus blijft hangen, blijft AI-verbruik maken. Zet limieten en kijk mee op het verbruik.
• Niemand beheert het. De stilste dood van een agent: hij draait, een leverancier verandert iets aan een koppeling en drie weken later merkt iemand dat er niets meer binnenkomt. Monitoring en onderhoud horen bij de bouw.

Bij NinA draait wat we bouwen in de EU: op jullie eigen infrastructuur of op servers bij een Europese aanbieder. We werken volgens ISO 27001 en NEN 7510, en er zit altijd een mens in de lus.

Een AI-agent kost bouwtijd, AI-verbruik, hosting en onderhoud. De bouw is meestal de grootste post; het verbruik van het taalmodel is bij de meeste toepassingen in het mkb de kleinste. Of het loont, hangt af van wat de agent per maand terugverdient.

Reken met vier posten:

1. 01Bouw en koppelingen. Het proces uittekenen, de agent bouwen, koppelen aan je systemen en testen met echte voorbeelden. Hoe meer systemen en uitzonderingen, hoe meer uren.
2. 02AI-verbruik. Je betaalt de aanbieder van het model per hoeveelheid tekst (tokens). Per taak zijn dat vaak centen, maar bij duizenden taken per maand telt het op. Een goedkoper model dat bijna even goed is, scheelt dan veel. Dat laten onze eigen benchmarks zien.
3. 03Hosting. De workflow en de agent moeten ergens draaien, liefst in de EU.
4. 04Onderhoud en monitoring. Systemen veranderen, modellen worden vervangen, er duiken nieuwe uitzonderingen op.

Bij NinA bouwen we agents alleen binnen het AI Partnership: een vast team voor minimaal twaalf maanden, vanaf € 4.500 per maand voor 30 uur (pakket S). Wat live staat, draait daarna via een onderhoudscontract van € 245, € 445 of € 895 per maand, inclusief AI-verbruik. Elk partnership begint met de AI Quick Scan van € 6.000, waarin we per kans uitrekenen wat het oplevert. Alle bedragen zijn exclusief btw.

We beginnen pas als die business case minstens twee keer de investering terugverdient in het eerste jaar. De hele rekensom, met een voorbeeld, staat bij wat kost een AI agent.

Begin klein: kies één proces met veel handwerk, meet hoeveel tijd het nu kost en laat een agent eerst voorbereiden terwijl een mens goedkeurt. Pas als de cijfers kloppen, geef je hem meer ruimte.

1. 01Kies één proces. Niet 'iets met AI', maar 'de orders die per mail binnenkomen'. Liefst daar waar nu het meest wordt overgetypt.
2. 02Meet drie getallen. Hoe lang duurt een stap, met hoeveel mensen, en hoe vaak per maand? Veertig minuten, twee mensen, tachtig keer per maand is bij € 45 per uur al € 57.600 per jaar. Hoe je dat uitrekent, lees je in een AI business case maken.
3. 03Check de data en de voorbeelden. Is de input digitaal? Zijn er tien of meer voorbeelden van goed werk? Zo niet, regel dat eerst.
4. 04Start met 'mens keurt goed'. De agent bereidt voor, een medewerker controleert. Je ziet meteen waar hij de mist in gaat, zonder dat een klant het merkt.
5. 05Meet en schaal. Na een paar weken weet je hoe vaak hij het goed doet. Dan pas het volgende proces.

En neem je mensen mee. Een agent die niemand begrijpt, wordt niet gebruikt. Of erger: omzeild. Een AI-training op het eigen werk scheelt dan veel.

Ons motto is niet voor niets: laat je niet gek maken, start small. Wil je weten welk proces bij jullie het meeste oplevert, dan rekenen we dat in de AI Quick Scan in één dag op locatie uit. Liever eerst zelf verder lezen? Het stappenplan staat bij AI implementeren.