AI agents in de praktijk: deel 2
Dit artikel is onderdeel van AI Agents in de Praktijk, een serie waarin we alles behandelen wat je moet weten over AI agents. In deel 1 leggen we uit wat AI agents zijn en hoe ze technisch werken. In dit deel beantwoorden we de praktische vraag: waarvoor gebruik je ze wel, en waarvoor juist niet?
De belofte van vendors is groot: agents die hele afdelingen vervangen, autonome systemen die je business runnen. De praktijk is genuanceerder. Na veel experimenteren hebben we een helder beeld van waar agents excelleren en waar ze falen.
Wat AI agents heel goed kunnen
AI agents blinken uit in taken waar ze data moeten verzamelen, combineren en analyseren. Ze zijn geduldig, maken geen typefouten in API calls, en kunnen in seconden door hoeveelheden data gaan waar een mens uren over doet. De kracht zit in het combineren van bronnen en daar iets zinnigs over zeggen.
Data ophalen en analyseren
Google Analytics + LinkedIn + CRM data combineren en trends spotten. Wekelijks een rapport genereren inclusief afwijkingen. Daar blinken ze in.
Gestructureerde, repetitieve taken
Inbox monitoren en automatisch tickets aanmaken. Meeting transcripts samenvatten. Data synchroniseren. Processen met een duidelijk begin en eind.
Expert-ondersteuning
De beste use case: een agent als tool voor een expert. De marketeer die data laat crunchen maar zelf conclusies trekt. De developer die code laat schrijven maar zelf reviewt.
Creatieve brainstorm-ondersteuning
In het creatieve proces maakt het minder uit of de agent 'fout' zit. Alles in een brainstorm kan een aanknopingspunt zijn. De mens blijft degene die beslist.
Waarom werkt dit zo goed? Omdat deze taken gestructureerd zijn. De bronnen zijn bekend, het resultaat is verifieerbaar. En cruciaal: een mens kan het resultaat snel beoordelen.
Waar AI agents minder geschikt voor zijn
Agents falen zodra de opdracht te open wordt. “Verbeter onze marketing” of “Maak een Q2 plan” zijn doelen waar duizend wegen naartoe leiden. De agent kiest er één, maar jij hebt geen zicht op welke alternatieven hij heeft overwogen of waarom hij deze keuze maakte. De output ziet er overtuigend uit, want AI-modellen zijn letterlijk getraind om overtuigend te zijn.
Vage, open doelen
Te veel mogelijke paden, en jij hebt geen zicht op welke keuzes hij maakt. De output ziet er goed uit, maar is het wat je bedoelde?
Keys to the castle
Een agent toegang geven tot je database of CRM zonder restricties is vragen om problemen. Onwaarschijnlijk dat het misgaat, maar het kan wel.
Expertise vervangen
Een agent zonder expert erbij is gevaarlijk. Als je de kennis niet hebt om te beoordelen of de output klopt, heb je een probleem.
Vertrouwen op 'nieuwer is beter'
Model 5.2 is niet per se beter dan 5.1 voor jouw use case. Elke model-update kan betekenen dat je agent anders gaat functioneren. Zonder systematische testing weet je niet of dat beter of slechter is.
Het red button probleem
Dit probleem illustreert waarom open doelen gevaarlijk zijn. Stel: je hebt een volledig autonome robot met als opdracht “druk op de rode knop aan de overkant van de kamer”. Jij gaat tussen de robot en de knop staan. Wat gebeurt er?
De robot rijdt om je heen. Of duwt je opzij. Of, in het ergste geval, rijdt dwars door je heen. Want jij hebt gezegd: druk op die knop. Je hebt niet gezegd: druk op die knop, maar rijd niet over mensen heen, duw niemand omver, en neem de kortste route alleen als die veilig is.
Bij LLM-agents is dit subtieler maar net zo reëel. Geef een agent het doel “genereer meer leads” en hij genereert leads. Misschien koopt hij emaillijsten. Misschien spamt hij LinkedIn. Technisch haalt hij zijn doel. Praktisch is het een ramp.
Agents doen wat je zegt, niet wat je bedoelt. Het verschil daartussen is waar de problemen ontstaan.
Het context probleem
Een tweede fundamenteel probleem: agents weten niet wat jij weet. Jouw organisatie heeft een manier van werken, impliciete regels, historische context. Dat zit allemaal in hoofden van mensen, niet in systemen.
Neem een simpel voorbeeld: je vraagt een agent om Google Ads data te analyseren. Maar weet hij welk account hij moet gebruiken als je er meerdere hebt? Weet hij dat campagne X experimenteel is en campagne Y je core business? Weet hij dat vorige maand een storing was waardoor de data onbetrouwbaar is? Weet hij wat vandaag de datum is, of denkt hij dat het drie jaar geleden is omdat zijn training data daar stopt?
Elk stukje missende context is een potentiële fout. En het vervelende: de agent weet niet dat hij context mist. Hij maakt aannames en gaat door. De output ziet er compleet uit, maar is gebouwd op een fundament van gaten.
Conclusie: bottom-up werkt, top-down strandt
De rode draad door alle succesvolle agent-implementaties die we zien: ze zijn bottom-up gebouwd. Niet “de agent runt onze marketing”, maar “de agent maakt elke maandag dit specifieke rapport”. Niet vervanging van expertise, maar versterking ervan.
Bottom-up: specifieke taak, expert aan het stuur
De expert weet wat de output moet zijn en kan beoordelen of het klopt. De agent versnelt het werk, de mens blijft verantwoordelijk.
Top-down: vage doelen, agent als black box
Niemand weet precies wat de agent doet of waarom. Output ziet er goed uit maar is niet te verifiëren. Strandt op de vraag: werkt dit eigenlijk?
Voordat je in agents investeert, stel jezelf deze vraag: heb je de expertise in huis om te beoordelen of de agent goed werk levert? Als het antwoord nee is, heb je een groter probleem dan “we hebben nog geen agent”.
Wil je weten of agents voor jou werken?
We helpen bedrijven om te bepalen waar AI agents zinvol zijn en waar niet. Eerlijk advies, geen verkooppraatje. In een gratis consult van 1,5 uur bespreken we je situatie en geven concrete aanbevelingen.
