AI-agents in het MKB: wat ze wel en niet kunnen

Wat is een AI-agent eigenlijk, los van de marketing?

Een AI-agent is een systeem dat zelf bepaalt welke stappen het zet om een doel te bereiken, en dat daarvoor tools gebruikt: een zoekfunctie, een agenda, een e-mailprogramma, een boekhoudpakket. Dat is iets anders dan een chatbot, die alleen een vraag beantwoordt, en iets anders dan automation, waarbij een mens de stappen vooraf heeft vastgelegd en het systeem ze alleen uitvoert.

De OESO beschrijft autonomie in AI-systemen als een spectrum: van systemen die volledig onder menselijke sturing werken tot systemen die grotendeels zelfstandig een doel nastreven, met alles daartussenin.¹ Een agent zit rechts op dat spectrum: hij krijgt een doel, niet een script, en vult zelf in hoe hij daar komt — zoeken, een tussenresultaat beoordelen, een volgende stap kiezen, een tool aanroepen, opnieuw beoordelen. Een chatbot en een automation-workflow zitten allebei linkser: de eerste omdat hij geen stappen zet maar alleen antwoordt, de tweede omdat de stappen al vastliggen.

Waarom is 'agent' het meest overschatte woord in de AI-markt?

Omdat het woord geen technische ondergrens heeft. Elke leverancier die een bestaand product opnieuw lanceert, kan het "agent" noemen zonder dat er iets aan de autonomie is veranderd — het is een verkoopcategorie geworden voordat het een heldere technische categorie was.

Dat zie je terug in hoe voorzichtig officiële statistiek nog is met de term. CBS meet AI-gebruik bij Nederlandse bedrijven aan de hand van zeven concrete technologieën — tekst- en spraakherkenning, taalgeneratie, machine learning, beeldherkenning, procesautomatiseringsrobots en autonome voertuigen of robots — en geen daarvan heet "agent".⁶ Wat vandaag als agent wordt verkocht, valt in die indeling meestal onder taalgeneratie of procesautomatisering: bestaande technologie met een nieuw etiket, niet per se een nieuwe klasse systeem.

• Geen voorbeeld van een afgemaakte taak — een demo met een goed antwoord op één vraag bewijst niets over meerdere stappen achter elkaar.
• Geen antwoord op 'wat als het misgaat' — kan de leverancier niet uitleggen wat er gebeurt als een tussenstap fout gaat, dan is er vermoedelijk geen foutafhandeling, alleen een happy path.
• Geen zichtbare tussenstappen — een systeem dat alleen een eindantwoord toont zonder te laten zien welke stappen het nam, is moeilijk te vertrouwen én moeilijk te debuggen.
• Prijs per zetel in plaats van per taak — een agent die per taak een wisselend aantal stappen zet, past slecht bij een vaste maandprijs. Een leverancier die toch zo prijst, heeft waarschijnlijk een chatbot met een nieuwe naam.

Wat heeft een agent nodig voordat hij daadwerkelijk nuttig is?

Drie dingen, en ze moeten alle drie kloppen: een taak met een duidelijke grens, toegang tot bedrijfskennis waar je op kunt vertrouwen, en een omgeving waarin een fout goedkoop is of teruggedraaid kan worden. Mist er één, dan verschuift het risico van 'werkt het' naar 'wat kost een fout'.

1. Een afgebakende taak. 'Handel binnenkomende facturen af' is een taak. 'Help met administratie' is dat niet — een agent die zelf moet bepalen wat er onder een vaag doel valt, kiest net zo makkelijk de verkeerde afbakening als de juiste.
2. Betrouwbare bedrijfskennis om uit te putten. Een agent die moet zoeken in tegenstrijdige of verouderde documenten, formuleert een even zelfverzekerd antwoord op basis van het verkeerde document. Hoe je zorgt dat een AI-systeem uit actuele, eigen bronnen put staat uitgewerkt in AI op je eigen bedrijfsdocumenten — dat fundament ligt er met een agent nog dwingender dan met een chatbot, omdat een agent zelf beslist welk stuk tekst hij gebruikt.
3. Een plek waar een fout goedkoop of omkeerbaar is. Een conceptmail die een collega nog leest, is omkeerbaar. Een mail die al verstuurd is naar een klant, niet. Zet een agent pas in bij het eerste soort taak, niet bij het tweede.

Waar werken agents wel, en waar faalt het structureel, in een bedrijf van 10 tot 150 man?

Agents werken goed bij geordend zoek-, sorteer- en samenvatwerk met een duidelijk eindpunt. Ze falen structureel bij taken met een onduidelijk doel, bij tegenstrijdige bronnen en bij acties die niet terug te draaien zijn — precies de plekken waar een klein bedrijf vaak het minst gestructureerd werkt.

De rode draad in de rechterkolom is niet 'te moeilijk voor de techniek' — het is 'de gevolgen van een fout zijn hier te groot, of het doel is te vaag om als agenttaak te formuleren'. Beide problemen los je niet op met een beter model, maar met een engere taakomschrijving.

Welke acties mogen nooit zonder mens die tekent?

Vier categorieën horen sowieso onder menselijke goedkeuring te blijven: betalingen, contracten, communicatie naar klanten en personeelsbeslissingen. Niet omdat een agent dat technisch niet zou kunnen, maar omdat de gevolgen van een fout hier onomkeerbaar, kostbaar of juridisch gevoelig zijn.

• Betalingen — een agent mag een betaling voorbereiden en klaarzetten, nooit zelf uitvoeren.
• Contracten — een agent mag een concept opstellen op basis van een sjabloon, nooit zelf ondertekenen of akkoord geven op afwijkende voorwaarden.
• Mail naar klanten — een agent mag een antwoord voorstellen, een collega leest het na voordat het verstuurd wordt. Hoe je zo'n antwoord in twee minuten controleert staat in AI-antwoorden controleren.
• Personeelsbeslissingen — werving, beoordeling, promotie en ontslag blijven mensenwerk, ook als een agent er informatie voor aanlevert.

Deze vier grenzen horen niet in een los memo, maar in hetzelfde document waarin je vastlegt welke AI-tools zijn toegestaan en wie voor de output tekent. Hoe je dat opstelt zonder dat het een beleidsnota wordt die niemand leest, staat in een AI-beleid opstellen.

Wat kost het om een agent te laten draaien, en waarom is dat moeilijk te voorspellen?

De kosten zijn moeilijk te voorspellen omdat een agent zelf bepaalt hoeveel stappen een taak nodig heeft, en elke stap — zoeken, een tussenresultaat beoordelen, een tool aanroepen, opnieuw proberen na een fout — apart meetelt. Een vaste licentie per gebruiker per maand past niet goed bij dat gedrag; de meeste agent-producten rekenen daarom per taak, per stap of per gebruikte rekenkracht.

Dat verschilt fundamenteel van software waarvan je vooraf weet wat een gebruiker per maand kost. Een taak die goed gaat, kan drie stappen kosten; dezelfde taak met een lastig te vinden document of een tussenstap die twee keer moet worden overgedaan, kan er tien kosten. Bij honderd vergelijkbare taken per maand loopt dat verschil snel op, en geen enkele leverancier kan je vooraf vertellen hoeveel van de honderd de lastige variant zullen zijn.

Wat betekent het juridisch dat jij als werkgever een AI-agent inzet?

Zodra je een AI-agent onder je eigen verantwoordelijkheid gebruikt, ben je gebruiksverantwoordelijke in de zin van de AI-verordening — de wet definieert dat als iedere natuurlijke of rechtspersoon die een AI-systeem onder eigen gezag inzet, buiten persoonlijk niet-professioneel gebruik.² Zet je een agent in die meebeslist over werving, promotie, ontslag of taakverdeling op basis van individueel gedrag, dan valt dat systeem onder de hoogrisicocategorie van de wet.

Annex III van de AI-verordening noemt dat met zoveel woorden: AI-systemen bedoeld om beslissingen te nemen die de voorwaarden van een arbeidsrelatie raken, de promotie of beëindiging van een arbeidscontract, het toewijzen van taken op basis van individueel gedrag of persoonlijke kenmerken, of het monitoren en beoordelen van iemands prestaties en gedrag, gelden als hoogrisico.³ Voor die categorie gelden zwaardere verplichtingen: menselijk toezicht door iemand met de juiste bevoegdheid en training, doorlopende monitoring van het systeem, en het vooraf informeren van werknemersvertegenwoordigers en de betrokken werknemers voordat het systeem op de werkvloer in gebruik gaat.⁴

Die laatste datum is geen vrijbrief om te wachten. De Digital Omnibus die op 27 juli 2026 in werking trad, heeft de toepassingsdatum van deze specifieke verplichtingen voor Annex III-systemen verschoven naar 2 december 2027 — de classificatie als hoogrisico zelf verandert niet, alleen het moment waarop de bijbehorende plichten afdwingbaar worden.⁵ De algemene AI-geletterdheidsplicht uit artikel 4 geldt intussen al, ongeacht risicocategorie; wat die inhoudt staat in AI-geletterdheid is verplicht.

Hoe zet je een proef van twee weken op die een eerlijk ja of nee geeft?

Kies één afgebakende taak, laat de agent die twee weken naast een mens uitvoeren, en tel hoe vaak ingrijpen nodig was en wat een fout had gekost als die was doorgegaan. Na twee weken heb je een getal in plaats van een gevoel.

1. 1

   Kies één taak, niet een afdeling

   'Facturen categoriseren' is een goede proef. 'De administratie AI-proof maken' is dat niet — een proef met een vage scope levert een vaag antwoord op.

2. 2

   Laat een mens elke uitkomst zien, ook als het goed lijkt te gaan

   Twee weken lang beoordeelt iemand elk resultaat voordat het verder gaat. Dat is meer werk dan de agent los laten, en precies wat je nodig hebt om te meten.

3. 3

   Registreer drie dingen per taak

   Klopte het zonder ingrijpen? Zo niet, wat moest er worden gecorrigeerd? En: als de fout was doorgegaan, wat had dat gekost?

4. 4

   Reken de kosten van de proef door naar de kosten bij honderd taken

   Niet de licentieprijs, maar wat er is verbruikt aan stappen en rekenkracht tijdens de proef, opgeschaald naar het volume dat je er echt doorheen zou halen.

5. 5

   Trek de conclusie uit het percentage, niet uit het beste voorbeeld

   Een agent die negen van de tien keer een perfect antwoord geeft en één keer een geloofwaardige fout, is niet 90 procent goed als die ene fout een klant kost. Weeg de uitschieter, niet het gemiddelde.

6. 6

   Beslis pas na twee weken, niet na de eerste indrukwekkende demo

   Een demo toont het beste geval. Een proef van twee weken laat zien wat er gebeurt op een dag waarop het brondocument rommelig is of de vraag net iets anders geformuleerd wordt.