Wat is een AI agent? (En wat kan die voor jouw bedrijf doen?)

AI agent is in 2026 het modewoord van het jaar. Iedereen heeft er een — en bijna niemand bedoelt hetzelfde als hij het zegt. Dit artikel legt uit wat een AI agent technisch en praktisch is, hoe hij verschilt van een chatbot, RAG-systeem of LLM, welke patronen we in de praktijk zien werken, en — minstens zo belangrijk — wanneer je géén agent moet bouwen.

We schrijven dit als softwareleverancier die AI agents in productie zet voor Nederlandse middelgrote bedrijven. We hebben agents gebouwd die marketingcampagnes opzetten, juridische documenten classificeren en huurcontracten analyseren. We hebben er ook regelmatig nee tegen gezegd, omdat een eenvoudige workflow of een SaaS-tool de betere keuze was.

Wat is een AI agent precies?

Een AI agent is een softwareprogramma dat een doel krijgt, zelf een plan maakt, en zelfstandig stappen uitvoert om dat doel te bereiken — meestal door beslissingen te nemen op basis van een large language model (LLM) zoals Claude of GPT, en door tools (API's, databases, andere systemen) aan te roepen.

De drie kenmerken die een agent onderscheiden van eerdere AI-toepassingen:

• Doelgericht: je geeft een opdracht ("verwerk deze inkomende factuur"), niet een script.
• Tool-gebruik: de agent kan zelf bepalen welk systeem hij aanroept om iets uit te zoeken of te doen.
• Iteratief: hij kan stap voor stap werken, tussenresultaten beoordelen en zijn aanpak bijstellen.

AI agent vs chatbot vs RAG: wat is het verschil?

Deze drie termen worden vaak door elkaar gebruikt, ook door verkopers die het verschil zelf niet kennen. Hier is een nuchter overzicht:

RAG (Retrieval-Augmented Generation) is een techniek, geen product. Een agent kan RAG gebruiken als één van zijn tools — dan heet dat een agentic RAG-systeem. Een chatbot is meestal het simpelste van de drie en vaak prima voor wat een bedrijf nodig heeft.

De vier patronen die we in de praktijk zien

Niet elke agent ziet er hetzelfde uit. We werken meestal met deze vier patronen, oplopend in complexiteit.

1. Single-purpose agent

Doet één ding goed. Voorbeeld: onze Document Classifier verwerkt 50.000+ documenten per maand voor een Nederlandse zakelijke dienstverlener. Eén taak — inkomende PDF binnenhalen, classificeren naar 12 types, juiste metadata extraheren, in het juiste systeem plaatsen. Geen gesprek, geen interface. Hij draait, hij werkt, hij is goedkoop.

2. Multi-step workflow agent

Voert een keten van stappen uit waarbij elke stap kan afhangen van de uitkomst van de vorige. Voorbeeld: onze Marketing Automation Agent neemt een kort briefing aan, doet onderzoek, genereert varianten van advertentieteksten, plaatst ze in het juiste advertentieaccount, en monitort de eerste resultaten. Eén klant draait hierdoor circa 10× zoveel campagnes met hetzelfde marketingteam.

3. Agentic RAG

Een agent die documenten kan doorzoeken, maar zelf bepaalt welke zoekopdracht hij gebruikt, of hij meerdere keren moet zoeken, en hoe hij het antwoord opbouwt. Voorbeeld: onze Lease Document Analyzer leest een huurcontract van 80 pagina's, beslist welke clausules hij wil controleren, vergelijkt ze met een interne juridische standaard, en levert een afwijkingsrapport op. Een gewone RAG-bot kan dat niet — hij kan alleen reageren op vragen die jij stelt.

4. Customer-facing agent

De zichtbaarste, en meestal de moeilijkste. Een agent die met klanten praat en namens jouw bedrijf actie onderneemt — bijvoorbeeld een afspraak inplannen, een offerte opstellen, of een case in je CRM aanmaken. Hier moet je veel meer aandacht besteden aan toon, fouttolerantie en escalatie naar mensen. Begin hier niet — bouw eerst interne agents om de risico's te leren kennen.

Wanneer je géén agent moet bouwen

Dit is het deel dat de meeste leveranciers overslaan. Een agent is duurder, trager en minder voorspelbaar dan een gewoon stuk software. In drie situaties is hij gewoon de verkeerde keuze:

• Als een deterministisch systeem volstaat. Een agent die altijd hetzelfde moet doen, is een dure manier om iets eenvoudigs te bouwen. Een n8n-workflow kost een fractie en faalt voorspelbaarder.
• Als je geen data hebt. Agents werken op basis van context. Geen kwalitatieve historische data, geen documentatie van je proces, geen voorbeelden van goed werk: dan kan ook de slimste agent er niets van maken.
• Als compliance het verbiedt. In gereguleerde scenario's (medische diagnose, kredietbeslissingen, juridische adviezen aan eindklanten) verbiedt de EU AI Act of sector-specifieke regelgeving autonome AI-beslissingen. Dan moet er altijd een mens in de lus — en is een agent vaak niet de meest efficiënte vorm.

Een agent-project scopen: vijf vragen

Voordat we een agent bouwen, beantwoorden we met de klant deze vijf vragen. Als één antwoord vaag blijft, bouwen we niet — of we beginnen met een discovery van twee weken om het scherp te krijgen.

1. Welk besluit of welke actie moet de agent uiteindelijk nemen? Niet "hij moet helpen met X" — letterlijk welke output verwacht je.
2. Wat is de meest gebruikelijke happy path, en wat zijn de drie meest voorkomende fouten die we moeten verwachten?
3. Welke systemen moet de agent kunnen lezen en wijzigen? CRM, ERP, mailbox, document store?
4. Wie krijgt het antwoord als de agent twijfelt of vastloopt? Eén persoon, een team, een queue?
5. Hoe meten we dat hij goed werkt? (Hierop komen we hieronder terug.)

Hoe meet je of een agent goed werkt?

Een agent is geen klassiek stuk software waar tests slagen of falen. Hij maakt waarschijnlijkheids-beslissingen. Daarom moet je hem op een andere manier evalueren:

• Een evaluatieset met 50–200 voorbeelden van echte input + de gewenste uitkomst. Voor elke release draaien we de agent over deze set en kijken hoeveel hij goed doet.
• Productiemonitoring: elke run logt de stappen, gebruikte tools, tussenuitkomsten en uiteindelijke output. We kijken wekelijks naar uitschieters en mislukkingen.
• Menselijke review op een steekproef van 5–10% van de runs in de eerste maanden. Dat is niet leuk, maar het is hoe je echte fouten vindt die je evaluatieset niet had.
• Duidelijke escalatieregels: wanneer trekt de agent zelf aan de bel en zegt "dit kan ik niet"?

Veelgestelde vragen

Heb ik een eigen LLM nodig?

Bijna nooit. Voor 95% van de use cases werkt een API-call naar Claude of GPT prima. Een eigen LLM trainen of fine-tunen kost honderden duizenden euro's en is alleen relevant als je echt unieke data of compliance-eisen hebt.

Kan een agent mijn medewerkers vervangen?

Soms een deel van het werk, zelden een hele rol. De meeste succesvolle agents in 2026 nemen het saaie repetitieve deel over zodat mensen zich op uitzonderingen en oordelen kunnen richten. Verwacht dat — niet ontslagen.

Wat kost een AI agent bouwen?

Een eenvoudige single-purpose agent: €15K–€40K. Een multi-step workflow agent met integraties: €40K–€120K. Een productie-klaar customer-facing agent: €80K–€250K. Plus 15–25% per jaar onderhoud, omdat modellen veranderen, prompts kapot gaan en je proces evolueert.

Hoelang duurt het?

Onze typische agent-projecten lopen 6 tot 16 weken van discovery tot productie. Korter is meestal te snel; langer betekent meestal dat de scope te breed was.

Hoe wij agents bouwen

Wij bouwen AI agents voor middelgrote Nederlandse bedrijven. We beginnen vrijwel altijd met een discovery van 2–3 weken om de bovenstaande vijf vragen scherp te krijgen, een evaluatieset op te zetten en een prototype te tonen. Daarna pas een fixed-price build. Meer over onze aanpak vind je op onze service-pagina voor AI agents.

Wil je sparren over een concrete use case? Beschrijf in een paar zinnen welk proces je wilt automatiseren via ons contactformulier — we reageren binnen één werkdag met of een richtprijs of een uitnodiging om dieper te kijken.