Kronehoefstraat 85
5612 HL Eindhoven
BTW NL863902509B01
AI-agent ontwikkeling voor het MKB: vier stappen uitgelegd
qw
vc
mshm
.svg)
Veel ondernemers zien een AI-agent als een slimmere chatbot. Dat klopt niet helemaal. Een chatbot reageert op vragen; een AI-agent neemt zelf initiatief en voert stappen uit in een workflow, van het ophalen van informatie tot het aanmaken van een record in je CRM of het doorsturen van een e-mail naar de juiste persoon.
Het kernverschil: een agent is actiegericht. Hij plant, beslist en handelt, binnen de grenzen die jij instelt.
Een agent die alleen praat maar niets doet, is geen agent, het is een duur antwoordapparaat.
Wil je de achtergrond bij dit begrip uitdiepen, dan legt ons artikel over wat agentic AI is de technologische context helder uit.
Praktisch gezien zien we in het MKB drie typen werk die zich goed lenen voor een agent. Goedkeurings- en escalatieprocessen (wie moet dit document zien?). Dataverzameling en -verrijking (haal klantgegevens op, combineer ze, sla ze op). En periodieke rapportage (trek cijfers uit meerdere systemen, stuur een samenvatting op).
Een agent werkt niet in een vacuüm. Voordat hij iets kan beslissen of uitvoeren, heeft hij informatie nodig over de situatie: wie is de klant, wat is de status van het dossier, welke regels gelden er in dit geval?
Die informatie heet de context. Het is het startpunt van elke agentic workflow.
Een slechte context is de meest voorkomende reden waarom een agent foute beslissingen neemt.
Als de agent niet weet dat een klant een betalingsachterstand heeft, stuurt hij vrolijk een goedkeuringsbericht. Datakwaliteit en toegangsrechten zijn daarom geen technisch detail; ze zijn onderdeel van het ontwerp.
Bij het bouwen van context kijken we altijd naar drie vragen: welke bronnen zijn nodig, wie heeft toegang tot die bronnen, en wat gebeurt er als de data ontbreekt of verouderd is? Dat derde punt, de fallback, wordt in de praktijk het vaakst overgeslagen en zorgt later voor de meeste problemen.
Met de context op orde komt de vraag: hoe neemt de agent een beslissing? Dat is de intelligence-laag. Hier bepalen we welk taalmodel of welke regelset de agent gebruikt om van data naar actie te komen.
Niet elke beslissing heeft een groot taalmodel nodig. Soms volstaat een eenvoudige regelset: als de factuurwaarde boven de 5.000 euro uitkomt, stuur dan naar de financieel directeur. Dat is deterministisch en volledig controleerbaar.
Een groot taalmodel (LLM, oftewel een Large Language Model) voeg je toe wanneer de input variabel en ongestructureerd is: een e-mail interpreteren, een samenvatting maken, een document beoordelen op compleetheid.
De combinatie van een regelset voor de harde grenzen en een LLM voor de flexibele interpretatie geeft de meest betrouwbare agent.
Een cruciaal aandachtspunt bij de intelligence-laag is hallucinatie: het fenomeen waarbij een taalmodel een antwoord verzint dat klinkt als een feit maar dat niet is. Goede agentbouw bevat altijd een evaluatiestap die controleert of de output van het model klopt voordat die doorstroomt naar de volgende actie. Dat noemen we een eval-stap, en het is een vaste deliverable in elk project dat wij begeleiden.
Promptontwerp is de andere kant van de intelligence-laag. De instructies die je aan het model geeft, bepalen grotendeels de kwaliteit van de output. Vage instructies leveren vage beslissingen op. Precieze, gestructureerde prompts geven de agent een helder kader om in te werken.
Een agent die alleen denkt maar niets doet, heeft geen waarde. De automations-laag definieert welke concrete stappen de agent mag nemen in de buitenwereld: een e-mail sturen, een record aanmaken, een goedkeuring aanvragen, een document opslaan.
Elke actie is een tool call: de agent roept een externe functie aan en verwerkt het resultaat. Denk aan het opslaan van data in je CRM, het aanmaken van een taak in je project-managementtool of het doorsturen van een bericht via e-mail of Slack.
Mens-in-de-loop betekent dat de agent op bepaalde momenten stopt en een mens om bevestiging vraagt voordat hij doorgaat. Dit is geen teken van zwakte in het ontwerp, het is een bewuste keuze voor controle en vertrouwen.
Stel dat een agent in een goedkeuringsworkflow werkt. Hij verwerkt inkomende aanvragen, controleert of alle velden zijn ingevuld en stuurt incomplete dossiers automatisch terug met een melding. Volledige dossiers boven een bepaalde waarde legt hij neer bij de verantwoordelijke manager voor een expliciete goedkeuring; onder die drempelwaarde handelt de agent zelfstandig af. Dit is een voorbeeld van hoe je mens-in-de-loop toepast als ontwerpprincipe: niet als noodrem, maar als bewuste splitsing in de workflow op basis van risico.
De vraag is niet óf je mensen in de loop houdt, maar op welke momenten en voor welke beslissingen.
Foutafhandeling verdient een eigen sectie in het ontwerp. Wat doet de agent als een externe API niet bereikbaar is? Wat als de data incompleet is? Wat als het taalmodel een onzeker antwoord geeft? Elk van deze scenario's heeft een afgesproken pad nodig: opnieuw proberen, escaleren naar een mens, of pauzeren en een melding sturen. Zonder dit pad stopt de agent op het eerste obstakel en raakt het werk in een vacuüm.
Een agent die niet gekoppeld is aan de systemen waar het werk plaatsvindt, is een geïsoleerd experiment. Integratie is de laag die de agent verbindt met de werkelijkheid van jouw organisatie: het CRM, de boekhoudsoftware, het e-mailsysteem, de projectmanagementtool.
Koppeling gaat via API's of webhooks. Een API is een gestandaardiseerde manier om gegevens op te vragen of acties uit te voeren in een extern systeem. Een webhook stuurt automatisch een melding naar de agent zodra er iets verandert in een ander systeem.
Authenticatie en rechtenbeleid zijn de meest onderschatte onderdelen van de integratielaag. De agent heeft credentials nodig om bij elk systeem te komen, en die credentials moeten veilig worden beheerd. In ons werk hanteren we altijd het principe van minimale rechten: de agent heeft toegang tot precies wat hij nodig heeft, niet meer.
Het AI Bedrijfsbrein is het model waarmee wij deze vier lagen structureel verbinden voor MKB-bedrijven: context, intelligence, automations en integraties als één samenhangende architectuur, niet als losse experimenten.
Een agent zonder integratie is een half product. De waarde zit in de verbinding.
Een eerlijk tijdsplaatje: de meeste MKB-agentprojecten lopen van 4 tot 10 weken van eerste intake tot live agent, afhankelijk van het aantal koppelingen en de complexiteit van de beslislogica.
McKinsey Global Institute berekende in november 2025 dat AI-agents technisch gezien 44% van de werktaken in de VS kunnen overnemen bij de huidige stand van de technologie (McKinsey Global Institute, Agents, Robots, and Us, 2025). De sleutel zit niet in de technologie alleen, maar in het zorgvuldig ontwerp van de vier lagen die hierboven zijn beschreven.
Na de live-gang begint het onderhoud. Modellen worden bijgewerkt, API's veranderen, bedrijfsprocessen evolueren. Plan structureel tijd in voor monitoring en kleine aanpassingen. De meest succesvolle agentimplementaties die wij zien, hebben een eigenaar binnen de organisatie die de agent regelmatig beoordeelt en terugkoppelt aan het bouwteam.
Kosten voor een AI-agentproject bestaan uit drie componenten: de bouwfase, de infrastructuurkosten en de menselijke tijd die vrijkomt versus de tijd die blijft.
De terugverdientijd hangt af van hoeveel uur per week de agent overneemd en wat die uren intern kosten.
Een goedkeuringsproces dat nu 6 uur per week kost aan handmatige verwerking, en dat een agent voor 80% overneemt, geeft 250 uur terug per jaar. Reken dat door op de uurkosten van de betrokken medewerkers, en de businesscase tekent zich snel af.
Een werkende digitale collega begint met de juiste basis: context, beslislogica, acties en koppelingen op orde. Wij begeleiden dat proces van eerste idee tot live agent.
Bekijk AI-agents & Procesautomatisering
Een werkende AI-agent heeft vier bouwblokken nodig: de juiste context (data uit jouw systemen), een beslislogica (een taalmodel, een regelset, of een combinatie), duidelijk omschreven acties die hij mag uitvoeren, en koppelingen aan de systemen waar het werk plaatsvindt. Ontbreekt er één van deze vier, dan is de agent onbetrouwbaar in de praktijk.
De meeste MKB-agentprojecten lopen van 4 tot 10 weken, van intake tot live agent. De doorlooptijd hangt af van het aantal systeemkoppelingen, de complexiteit van de beslisregels en hoeveel uitzonderingen het proces kent. Een eenvoudig proces met één koppeling is sneller klaar dan een goedkeuringsworkflow die meerdere systemen combineert.
Een klassieke automatisering volgt een vaste reeks stappen en kan niet omgaan met variatie. Een chatbot reageert op vragen maar voert zelf geen acties uit in andere systemen. Een AI-agent combineert beide: hij interpreteert variabele input, neemt zelfstandig beslissingen en voert vervolgens acties uit in echte systemen zoals je CRM of boekhoudsoftware.
Ja, een AI-agent kan fouten maken: een taalmodel kan een verkeerde conclusie trekken, een API kan tijdelijk onbereikbaar zijn, of de inputdata kan incompleet zijn. Goede agentbouw bevat altijd eval-stappen die de output controleren, foutpaden die bepalen wat er bij een probleem gebeurt, en mens-in-de-loop-momenten voor beslissingen met hoge impact.
In principe elk systeem met een API of webhook: CRM-systemen zoals HubSpot of Salesforce, boekhoudsoftware zoals Exact Online of Twinfield, communicatietools zoals e-mail en Slack, projectmanagementsoftware en dataplatforms. Bij systemen zonder standaard API is integratie complexer maar vaak nog steeds mogelijk via tussenliggende tools.
Operationele kosten bestaan uit modelkosten (per verwerkt token, beheersbaar bij goed ontwerp), monitoring en logging, en periodieke aanpassingen wanneer processen of systemen wijzigen. Plan structureel een halve dag per maand in voor beoordeling en kleine aanpassingen; dat is in de meeste gevallen genoeg om de agent gezond te houden.
Een proces leent zich goed voor een agent als het repetitief is, een duidelijke invoer heeft, gebaseerd is op regels of patroonherkenning en de output controleerbaar is. Processen met veel uitzonderingen, hoge emotionele intelligentie of ongestructureerde menselijke interactie zijn minder geschikt als startpunt. Een goede indicatie: als je het proces aan een nieuwe medewerker kunt uitleggen in een stappenplan, is het waarschijnlijk te automatiseren.
.svg){kind=icon}