Wat is een AI-agent? Uitleg voor mkb'ers

Een AI-agent is een AI-systeem dat zelf bepaalt welke stappen het zet om een doel te bereiken, en daarbij zelfstandig gereedschap gebruikt: bestanden lezen en schrijven, software bedienen, dingen opzoeken. Dat woordje "zelf" is het hele verschil. Inmiddels wordt zo ongeveer elke chatbot met een knopje eraan een agent genoemd, dus laat ik het onderscheid concreet maken met drie dingen die bij mij daadwerkelijk draaien — waarvan er maar één een echte agent is.

Chatbot, automation, agent: waar zit het verschil?

Deze drie worden voortdurend door elkaar gehaald, terwijl het onderscheid praktisch nogal uitmaakt voor wat je ervan mag verwachten.

Het belangrijkste gevolg daarvan: een automation is voorspelbaar en een agent niet. Bij een automation kun je de route natekenen en weet je precies wat er gebeurt. Geef je een agent twee keer dezelfde opdracht, dan kan hij twee verschillende routes kiezen. Dat is precies zijn kracht bij taken die je niet kunt uitschrijven, en precies zijn risico bij taken die je wél kunt uitschrijven.

Voorbeeld 1: de automation (geen agent)

Bij mij draait een flow in n8n die facturen maakt. Elke regel in een Google-spreadsheet bevat de details — naam, adres, factuurnummer, datum, bedrag — en die velden zijn gekoppeld aan variabelen in een Google Doc-template. Nieuwe regels toegevoegd, automation draaien, nette facturen eruit.

Dit is geen agent, en dat hoeft het ook niet te zijn. De stappen zijn altijd hetzelfde, ik heb ze zelf uitgetekend, en juist die voorspelbaarheid wil ik hier: bij facturen wil ik geen creatieve interpretatie. Het bouwen kostte een paar uur en het scheelt me elke maand het ritueel van een oude factuur kopiëren. Meer over hoe je dit soort flows opzet staat in marketing automation voor het mkb.

Voorbeeld 2: de agent (deze website)

Deze site wordt beheerd met Claude Code, en dát is wel een agent. Het verschil merk je meteen aan hoe je een opdracht geeft. Ik zeg niet: open bestand X, wijzig regel 47. Ik zeg: dit artikel moet een nieuwe sectie krijgen over onderwerp Y, met een link naar het artikel over Z.

Wat er dan gebeurt heb ik niet vastgelegd. De agent zoekt zelf uit welke bestanden hij nodig heeft, leest ze, bepaalt waar de sectie past, schrijft de code, controleert of de site nog bouwt, en meldt terug wat hij gedaan heeft. Loopt hij ergens tegenaan — een bestand dat anders in elkaar zit dan verwacht — dan verzint hij ter plekke een andere aanpak. Die route staat nergens uitgeschreven.

Een tweede eigenschap die je bij agents ziet: ze kunnen werk uitbesteden aan zichzelf. Bij een grote klus splitst zo'n systeem het op en zet het meerdere deelagenten tegelijk aan het werk, elk met een eigen opdracht, om de resultaten daarna samen te voegen. Dat klinkt spectaculairder dan het voelt — in de praktijk merk je vooral dat een omvangrijke taak sneller klaar is.

Voorbeeld 3: het grijze gebied

Tussen automation en agent zit een tussenvorm die snel groeit: de automation die niet alleen doorgeeft, maar ook interpreteert.

Ik gebruik dat voor het hernoemen van advertentievisuals. Die komen binnen in allerlei formaten met nietszeggende bestandsnamen. Ik heb een flow die ik trigger zodra er nieuwe visuals in een map staan: de AI bekijkt de beelden, hernoemt ze op basis van wat er te zien is, en zet het formaat netjes in de bestandsnaam.

De stappen liggen vast, dus strikt genomen is het een automation. Maar één stap — kijken wat er op een afbeelding staat — kon vroeger simpelweg niet zonder mens. Daar zit voor de meeste mkb'ers de echte winst van dit hele verhaal: niet in volledig autonome agents, maar in bestaande processen waar je nu één menselijke beoordelingsstap uit kunt halen.

Wanneer heb je als mkb'er echt een agent nodig?

Mijn vuistregel is kort: kun je de taak vooraf uitschrijven in stappen, bouw dan een automation. Kun je dat niet, omdat de aanpak per geval verschilt, dan is een agent de logische keuze. Anthropic, het bedrijf achter Claude, geeft ontwikkelaars in eigen documentatie hetzelfde advies: begin bij de simpelste oplossing en pak alleen een agent als de taak echt open einde is. Dat is opvallend nuchter voor een partij die er geld aan verdient.

Vier vragen om af te wegen voordat je aan een agent begint:

• Is de taak complex genoeg? "Haal de titel uit dit document" is geen agentwerk. "Zoek uit waarom deze campagne minder oplevert dan vorige maand" wel.
• Is de opbrengst het waard? Een agent kost meer rekentijd en dus meer geld dan een vaste automation, en doet er langer over.
• Kan AI dit soort werk aan? Wees eerlijk over de taak, niet optimistisch over de technologie.
• Wat kost een fout? Dit is de belangrijkste. Kun je een fout opmerken en terugdraaien, of gaat er iets naar een klant toe dat je niet meer kunt terughalen?

Die laatste vraag bepaalt bij mij vrijwel alles. Bij de site is het risico laag: alles staat in versiebeheer, dus een fout draai ik terug. Bij mijn facturen ligt dat anders — die automation bereidt alles voor, maar ík druk op de knop en kijk ernaar voordat er iets de deur uitgaat. Dat principe, de mens in de lus, houd ik aan bij alles wat klanten raakt.

Zelf een AI-agent maken: waar begin je?

Begin bij het proces, niet bij de tool. Schrijf uit: wat is de input, welke stappen zitten erin, wat is de gewenste output? Die oefening beantwoordt je vraag meestal vanzelf. Lukt het uitschrijven, dan heb je een automation nodig en bouw je die in n8n, Make of Zapier — en dan ben je snel klaar. Lukt het niet, dan is een agent gerechtvaardigd.

Eén technische term die je daarbij tegenkomt en die de moeite waard is: MCP, wat staat voor Model Context Protocol. Dat is een standaard manier om een AI-systeem te koppelen aan externe software — je agenda, je projecttool, je repository. Vóór zo'n standaard moest elke koppeling apart gebouwd worden. Je hoeft er als ondernemer niets van te snappen, behalve dit: het bepaalt waar je agent wel en niet bij kan. En daarmee ook wat er misgaat als het misgaat.

Verder geldt hetzelfde als bij elke automatisering: begin klein, begin bij iets waar een fout geen ramp is, en bouw een controlemoment in vóór het punt waarop iets naar buiten gaat.

Waar de hype te ver gaat

Drie dingen die je vaak hoort en die ik niet zou geloven.

"Zet je hele bedrijf op de automatische piloot." Agents zijn goed in afgebakende taken met een duidelijk doel en een manier om te controleren of het klopt. Een bedrijf runnen is geen afgebakende taak.

"Wij bouwen een agent voor u." Vaak is wat er dan gebouwd wordt gewoon een automation — en dat is prima, want dat is meestal precies wat je nodig hebt. Alleen niet tegen agentprijzen. Vraag altijd door: bepaalt dit systeem zelf zijn stappen, of liggen die vast?

"Dit vervangt een medewerker." Wat ik in de praktijk zie is dat er werk verschuift in plaats van verdwijnt: minder uitvoeren, meer controleren en bijsturen. Dat is geen kleine verandering, maar het is iets anders dan wat er meestal beloofd wordt. Ik schreef eerder over wat dat met je werkdag doet.

Kort samengevat

Een agent bepaalt zelf zijn stappen; een automation volgt de jouwe. De meeste mkb-vraagstukken die ik tegenkom zijn automations — en dat is goed nieuws, want die zijn goedkoper, voorspelbaarder en sneller gebouwd. Het echte agentwerk begint pas waar je niet kunt opschrijven wat er moet gebeuren.

Benieuwd wat er in jouw bedrijf te automatiseren valt en waar dat wel of niet slim is? Neem contact op of doe de gratis AI Quickscan.