Ik zag bij een Nederlandse e-commercegroep een AI-agent die klantreviews beantwoordde. Bij een review van vier of vijf sterren schreef hij een antwoord en zette het zelf online.
Bij een review van drie sterren of minder schreef hij een concept. Daarna wachtte hij tot een collega het had goedgekeurd.
Dat is in het kort wat een AI-agent is. Het systeem kiest zelf de volgende stap. Jij bepaalt bij welke stap het moet wachten.
Het woord agent staat in 2026 op bijna elk softwarepakket. Gartner schatte in juni 2025 dat er duizenden leveranciers agents verkopen. Ongeveer 130 daarvan leveren er echt een.
Wat een AI-agent is: het systeem kiest de volgende stap
Een AI-agent is software die een doel krijgt en zelf bepaalt hoe hij daar komt. Hij kiest een stap, voert die uit, kijkt naar het resultaat en kiest de volgende.
Voor die stappen gebruikt hij hulpmiddelen, tools genoemd. Je mailbox lezen, een klant opzoeken in het CRM of een antwoord plaatsen. Zonder tools kan een agent alleen praten.
Anthropic, de maker van Claude, trekt de grens zo. Bij een workflow ligt het pad vast in de code. Bij een agent stuurt het taalmodel zelf zijn proces en zijn tools.
OpenAI zegt het nog scherper. Een simpele chatbot of een losse vraag aan een taalmodel is geen agent, omdat het model de uitvoering dan niet stuurt.
Een agent werkt in een lus. Het model kiest, een tool voert uit, het model leest wat eruit kwam en kiest opnieuw. Tot het doel gehaald is of tot hij vastloopt en een mens erbij haalt.
Hoe een AI-agent werkt: één rondje door de lus
Neem de review-agent. Elk uur op werkdagen haalde hij de nieuwe reviews op. Het aantal sterren bepaalde welke kant hij op ging.
Vier of vijf sterren: hij schreef een antwoord en plaatste het zelf. Eén tot drie sterren: hij haalde de details van de review op, schreef een concept en legde het voor.
Binnen die twee paden koos het model. Welke toon, wat hij noemde, hoe hij de klant aansprak. De splitsing zelf hing niet van het model af. Die lag vast op het aantal sterren.
Strikt genomen is dat een vast pad met een agent erin. Zo zien de meeste agents eruit die in een bedrijf goed werken.
Het model kiest binnen de ruimte die jij geeft. De randen van die ruimte leg je buiten het model vast.
AI-agent, chatbot of automatisering: wie kiest de volgende stap?
De vraag die het verschil maakt is steeds dezelfde. Wie kiest wat er hierna gebeurt?
Een chatbot antwoordt op wat jij vraagt. Daarna kies jij. Je kopieert het antwoord, je past het aan en je verstuurt het zelf.
Automatisering, bijvoorbeeld in n8n of Zapier, volgt een pad dat iemand vooraf heeft getekend. Staat het woord factuur in een mail, dan gaat die naar de boekhouding. Elke keer hetzelfde.
Een AI-agent kiest zelf het pad. Hij leest de mail, besluit dat het een klacht over een factuur is, zoekt de bestelling op en stelt een antwoord voor. Die volgorde lag nergens vast.
In de praktijk is het een glijdende schaal. De meeste systemen die ik tegenkom zijn een vast pad met één of twee stappen waarin het model kiest. De vraag is dus per stap: wie kiest hier?
Dat verschil bepaalt ook het risico. Bij automatisering weet je vooraf wat er kan gebeuren. Bij een agent weet je alleen wat er mag gebeuren. En alleen als je dat hebt vastgelegd.
Wat is agentic AI?
Agentic AI is de verzamelnaam. Anthropic noemt alle systemen waarin een taalmodel met tools werkt agentic systems. Van een workflow met een vast pad tot een agent die zelf zijn stappen kiest.
Het woord wordt ook gebruikt om bestaande producten op te poetsen. Gartner noemt dat agent washing: een chatbot of een oud automatiseringspakket met een nieuw etiket.
Vraag bij een demo daarom één ding. Welke stap kiest het systeem zelf en welke ligt vast? Komt daar geen concreet antwoord op, dan koop je automatisering met een nieuw etiket.
Welke soorten AI-agents er zijn
Grofweg kom je ze in drie vormen tegen.
Agents in software die je al hebt. Microsoft bouwt agents in Microsoft 365 en Salesforce in zijn CRM. Ze werken binnen dat ene pakket, met de rechten die dat pakket je geeft.
Agents in een chat-app. ChatGPT heeft een agent-modus die zelf een browser bedient. Claude doet dat via een extensie in je eigen Chrome.
Je geeft een opdracht en kijkt mee terwijl hij klikt. Handig voor losse taken, minder voor een vast proces.
Agents die voor jouw proces gebouwd worden. Met een platform als n8n of in code, op je eigen systemen en met je eigen sleutels. Meer werk vooraf. Wel bepaal jij precies wat hij mag.
Voor een vast proces in je bedrijf kom je meestal bij de derde vorm uit. De eerste twee zijn een goede manier om te voelen wat een agent doet.
Voorbeelden van AI-agents in een bedrijf
Agents doen het goed op smalle taken waarvan je achteraf kunt zien of ze klopten. Drie voorbeelden die ik herken:
- Reviews en klantvragen beantwoorden. Zoals de agent hierboven. Hij leest, kiest een toon en schrijft een antwoord. Wanneer een mens meekijkt, ligt vast op het aantal sterren.
- Binnenkomende mail sorteren. Een agent leest de mail, bepaalt wat het is, zoekt de klant op en zet een concept klaar voor de juiste collega.
- Code schrijven. Zelf werk ik dagelijks met agents die programmeren. Daar werkt het goed, omdat een test direct laat zien of het klopt.
Klantenservice is ook het bekendste voorbeeld van te ver gaan. De Zweedse betaaldienst Klarna meldde in 2024 dat zijn AI-assistent het werk van 700 medewerkers deed.
In 2025 nam Klarna weer mensen aan, omdat de kwaliteit was gezakt.
Waar het misgaat: een agent met te veel gereedschap
Terug naar die review-agent. Toen ik zijn opzet bekeek, zag ik welk gereedschap hij had meegekregen. Bestanden lezen en wijzigen. Opdrachten uitvoeren op de server. Zoeken op internet.
Dat is de standaardset van het bouwpakket waarmee hij gemaakt was. Een pakket voor agents die code schrijven. Om een review te beantwoorden heb je er niets van nodig.
Niemand had dat bewust zo gekozen. Het stond gewoon aan. Zo gaat het vaak: een agent krijgt de rechten die het makkelijkst in te stellen zijn. Niet de rechten die zijn taak vraagt.
Hoe dat kan aflopen, liet een Amerikaans softwarebedrijf in april 2026 zien. Een programmeer-agent vond een sleutel in een bestand dat niets met zijn taak te maken had.
Met één opdracht wiste hij de productiedatabase en de back-ups. Het duurde 9 seconden. De data was een weekend lang weg.
Pas toen de oprichter de topman van de hostingpartij te pakken kreeg, kwam die binnen een uur terug. Dat was geluk.
De regel dat hij zoiets niet mocht doen, stond in zijn instructies. Een regel in een instructie is geen slot. Wat een agent technisch kan, moet je technisch begrenzen.
De beveiligingsorganisatie OWASP noemt drie oorzaken van een agent die te ver gaat. Te veel functies, te ruime rechten en te veel zelfstandigheid.
Een tweede risico komt van buiten. Een agent die je mailbox leest, leest ook wat een vreemde erin zet. Staat daar een verstopte opdracht in, dan kan hij die uitvoeren. Dat heet prompt injection.
Volgens OWASP is er geen methode bekend die dat sluitend voorkomt. De Autoriteit Persoonsgegevens riep in februari 2026 op om agents als OpenClaw niet te gebruiken op systemen met gevoelige gegevens.
Lees ook: Prompt injection: het beveiligingsrisico van AI dat je niet ziet: hoe een verstopte opdracht in een mail of webpagina je AI overneemt
Hoe betrouwbaar zijn AI-agents nu?
Minder dan de demo's doen vermoeden. Onderzoekers van Carnegie Mellon lieten agents 175 kantoortaken doen in een nagebootst softwarebedrijf. De beste agent rondde in 2025 30 procent zelfstandig af.
Salesforce testte in 2025 agents op taken in een CRM. Bij één vraag lukte 58 procent. In een gesprek over meerdere beurten zakte dat naar 35 procent.
Gartner verwacht dat meer dan 40 procent van de agent-projecten vóór eind 2027 wordt stopgezet. Te duur, onduidelijke waarde of risico's die niemand beheerst.
Dat is een voorspelling van analisten uit juni 2025, geen meting.
Wat ik eruit haal: een agent werkt het best op een smalle taak met een duidelijke uitkomst. Hoe breder de opdracht, hoe vaker hij onderweg een verkeerde afslag neemt.
Wat er om het model heen moet zitten om dat op te vangen, beschrijf ik in wat een agent-harnas is.
Wanneer je wel een AI-agent nodig hebt en wanneer niet
Anthropic en OpenAI zeggen allebei hetzelfde: begin met de simpelste oplossing. Volstaat een vast pad, bouw dan een vast pad. Drie vragen helpen bij die keuze.
1. Ligt het aantal stappen vooraf vast? Dan is automatisering goedkoper en voorspelbaarder. Een agent voegt pas iets toe als je vooraf niet weet welke stappen nodig zijn.
2. Kun je achteraf zien of het goed ging? Een antwoord op een review kun je nalezen. Een betaling die eruit is, haal je niet zomaar terug.
3. Wat mag hij zonder te vragen? Schrijf op welke handelingen hij zelf mag doen en welke op een mens wachten. Wat niet terug te draaien is, wacht altijd.
De review-agent liet zien hoe dat eruitziet. Een positieve review beantwoorden kan weinig kwaad. Een boze klant antwoorden ging eerst langs een collega.
Hoe je zelfstandigheid stap voor stap opbouwt, lees je in waarom autonome AI-agents niet bestaan.
Veelgestelde vragen
Waar je begint
Of een taak in jouw bedrijf een agent vraagt of een vast pad, zie je pas als je het proces uit elkaar haalt. Dat doe ik in een architectuurblueprint. Hoe ik werk lees je op mijn pagina als AI-consultant.