Eerst was het agents, nu is het agentic
Agentic AI, agentic workflows, agentic systemen. De term staat op elke conferentie en in elke vendor-demo. En net als bij agents verbergt de hype een vrij concrete techniek.
In onze tweedelige serie over AI agents legden we uit wat een AI agent is, een LLM dat tools aanroept, en waarvoor je ze wel en niet inzet. Een agentic workflow is de logische volgende stap: hoe je meerdere van die stappen aan elkaar knoopt tot een systeem dat een echte taak afmaakt.
Van één agent naar een werkend systeem
Eén LLM-aanroep geeft je een antwoord. Een agent voegt daar tools aan toe, zodat hij ook iets kan dóen. Een agentic workflow voegt structuur toe: meerdere stappen, meerdere tools en controles ertussen, allemaal gericht op het afmaken van een taak.
Het bouwblok eronder is steeds hetzelfde: een model met geheugen, toegang tot data en een set tools. Zet een paar van die blokken achter elkaar, met logica ertussen, en je hebt een workflow.
Eén LLM-aanroep
Je stelt een vraag en krijgt tekst terug. Prima voor een samenvatting of een vertaling. Eén stap, klaar.
Een agent
Hetzelfde model, nu met tools. Hij haalt data op, stuurt een mail of maakt een ticket aan. Een stap wordt een actie in je echte systemen.
Een agentic workflow
Meerdere stappen achter elkaar, met tools en controles ertussen. Classificeren, ophalen, genereren, checken. Het systeem werkt een hele taak af, van begin tot eind.
Een losse agent doet een stap. Een agentic workflow maakt een taak af. Het verschil zit in de structuur die je eromheen bouwt.
Workflow of agent? Dat onderscheid bepaalt je betrouwbaarheid
Binnen agentic systemen lopen twee aanpakken door elkaar, en het onderscheid is belangrijker dan het klinkt.
Bij een workflow lopen de LLM-stappen langs paden die jij van tevoren in code vastlegt. Eerst classificeren, dan de juiste tool, dan een controle. Je weet precies welke route de data aflegt.
Bij een agent bepaalt het model zelf, tijdens het draaien, welke stappen het neemt en in welke volgorde. Je geeft een doel en een set tools, en de agent kiest zijn eigen weg naar het resultaat.
Workflow: jij bepaalt de paden
De stappen liggen vast in code. Voorspelbaar, testbaar, te monitoren. Je weet bij elke run wat er gebeurt en waar het strandt als het strandt.
Agent: het model bepaalt de paden
Flexibel en krachtig bij open taken. De keerzijde is dat je voorspelbaarheid inlevert, want elke run kan een ander pad kiezen.
Voor de meeste bedrijfsprocessen is een vastgelegde workflow de betere keuze, juist omdat je hem kunt verifiëren en vertrouwen. Een echte autonome agent zet je in op het moment dat je de route onmogelijk vooraf kunt uittekenen, bijvoorbeeld bij open research waar je van tevoren niet weet welke bronnen relevant zijn.
We schreven in deel 2 al over het red button probleem: een agent doet wat je zegt, ook als dat iets anders is dan wat je bedoelt. Een vastgelegde workflow heeft daar veel minder last van, omdat de ruimte waarin het model mag bewegen klein en gecontroleerd is.
Hoe meer vrijheid je het model geeft, hoe minder je van tevoren weet wat het gaat doen. Voor de meeste bedrijfsprocessen is voorspelbaarheid meer waard dan vrijheid.
De vijf patronen waarmee je agentic workflows bouwt
Agentic workflows zien er complex uit. Onder de motorkap zijn ze opgebouwd uit een handvol patronen die steeds terugkomen. Wie ze herkent, kijkt door elke agentic-pitch heen.
Ketening (prompt chaining)
Een taak opgeknipt in vaste stappen, waarbij elke LLM-aanroep voortbouwt op de vorige. Een tekst schrijven, de toon laten checken en daarna pas vertalen. Tussen de stappen zet je een controle die stopt zodra er iets niet klopt.
Routeren (routing)
Een eerste stap classificeert de input en stuurt hem naar het juiste vervolg. Binnenkomende supportvragen gaan naar de route voor facturatie, techniek of sales. Elke route is geoptimaliseerd voor zijn eigen type vraag.
Parallelliseren
Meerdere deeltaken tegelijk draaien en de uitkomsten samenvoegen. Een contract op vijf risicopunten tegelijk laten nakijken. Of dezelfde vraag een paar keer stellen en laten stemmen voor een betrouwbaarder antwoord.
Orchestrator en workers
Een hoofdmodel hakt een grote taak in stukken, verdeelt ze over gespecialiseerde workers en voegt de resultaten weer samen. Sterk bij research die over veel bronnen tegelijk gaat.
Evaluator en optimizer
Eén model maakt iets, een tweede beoordeelt het tegen heldere criteria en stuurt het terug voor verbetering. Die lus draait door tot het resultaat door de check komt. Ideaal voor vertalingen of teksten waar kwaliteit telt.
In de praktijk combineer je deze patronen. Een supportsysteem routeert eerst de binnenkomende vraag, ketent daarna een paar stappen en laat een evaluator de uitkomst checken voordat er een antwoord uitgaat.
Het moeilijke zit in het systeem eromheen
De patronen hierboven bouw je in een middag na met n8n, Make of een paar regels code. Dat is het makkelijke deel. Het moeilijke deel begint zodra de workflow elke dag op echte data moet draaien, met schrijftoegang tot je systemen, terwijl de modellen eronder blijven veranderen. Vier lagen rond het model maken dan het verschil, om te beginnen de harness.
De harness
Het systeem rond het model: wat de workflow mag, welke tools hij heeft en wat er gebeurt als een stap faalt. Hier leg je de grenzen vast waarbinnen het model mag bewegen.
Evals
Geautomatiseerde tests die elke stap beoordelen. Ze waarschuwen je als een modelupdate de uitkomst stilletjes verandert. Zonder evals merk je een verslechtering pas als een klant klaagt.
Monitoring
Zicht op wat er in productie gebeurt: welke paden worden gekozen, waar lopen runs vast, wat kost het. Een workflow die je niet kunt zien, kun je niet vertrouwen.
Guardrails
Controles die de workflow binnen zijn boekje houden. Een mens die tekent voor onomkeerbare acties, harde limieten op wat een stap mag doen.
Een agentic demo bouwt iedereen. Een agentic workflow die maandenlang betrouwbaar in productie draait, dat is engineering.
Dit is precies de laag die wij voor klanten bouwen: AI agents en automatisering die ook na de demo blijft werken, dag in dag uit.
Wanneer een agentic workflow loont
Een agentic workflow is krachtig en voor veel taken ook overkill. De vuistregel is kort. Vraagt een stap echt om taalbegrip of een oordeel? Dan past een LLM. Gaat het om data van A naar B verplaatsen volgens vaste regels? Dan is een gewone automatisering sneller, goedkoper en stabieler.
Kies een gewone automatisering
Vaste regels, geen oordeel nodig. Een bestand dat elke nacht wordt gekopieerd, een melding bij een nieuwe order. Een Zapier-flow of een cronjob is genoeg.
Kies een agentic workflow
Er zit taalbegrip, classificatie of een oordeel in de taak. Inkomende mails begrijpen en beantwoorden, documenten samenvatten, ongestructureerde data ordenen.
Begin altijd zo simpel mogelijk. Een extra stap of meer autonomie voeg je pas toe als die zich terugverdient in een beter resultaat. Elke stap die je toevoegt, is er ook één die kan falen.
Conclusie: leg je paden vast, bouw de controle eromheen
Agentic workflows worden begrijpelijk zodra je door de term heen kijkt. Het zijn meerdere AI-stappen die zo gestructureerd zijn dat het geheel een echte taak afmaakt, op een manier waar je op kunt bouwen.
Workflow: jij bepaalt de paden
Vastgelegde stappen in code. Voorspelbaar en testbaar. De juiste keuze voor de meeste bedrijfsprocessen.
Agent: het model bepaalt de paden
Flexibel bij open taken, ten koste van voorspelbaarheid. Inzetten waar je de route echt niet vooraf kunt vastleggen.
De winst zit in het systeem eromheen
Harness, evals en monitoring maken het verschil tussen een demo en iets dat in productie standhoudt.
Begin simpel, leg je paden vast en bouw de controle eromheen voordat je meer autonomie weggeeft. Werkend in een demo is iets anders dan betrouwbaar in productie.
Wat is een agentic workflow?
Wat is het verschil tussen een agentic workflow en een AI agent?
Wat is het verschil tussen een agentic workflow en gewone automatisering?
Welke soorten agentic workflows zijn er?
Wanneer heb ik een agentic workflow nodig?
Een agentic workflow die in productie standhoudt?
Wij bouwen de laag rond het model: de harness, de evals en de monitoring die een workflow betrouwbaar houden terwijl je systemen en de modellen veranderen. Van eerste opzet tot beheer.
