AI agents in de praktijk: deel 1
Dit artikel is het eerste deel van AI Agents in de Praktijk, een serie artikelen waarin we alles behandelen wat je moet weten over AI agents. In dit deel leggen we uit wat AI agents zijn en hoe ze technisch werken. In deel 2 beantwoorden we de praktische vraag: waarvoor gebruik je ze wel, en waarvoor juist niet?
Iedereen heeft het over AI agents. Vendors bellen met beloftes over autonome systemen die je hele afdeling kunnen vervangen. LinkedIn staat vol met posts over “AI employees”. Maar wat zijn agents nou écht? En waarom is iedereen er zo enthousiast over?
De simpele definitie
De kern is verrassend eenvoudig: een AI agent is een AI-toepassing die autonoom acties uitvoert. Niet alleen tekst teruggeeft, maar daadwerkelijk dingen doet. Een mail sturen. Data ophalen uit je CRM. Een ticket aanmaken in Jira. Een bestand aanpassen.
Het verschil met ChatGPT? Bij ChatGPT geef je elke keer een opdracht en krijg je tekst terug. Jij bent eigenlijk de agent: jij doet wat ChatGPT zegt. Bij een AI agent draait dat om. De AI doet wat jij zegt.
Dat klinkt misschien subtiel, maar het verschil is fundamenteel. Een chatbot geeft je een recept. Een agent maakt het eten.
Chatbot
Geeft informatie en suggesties. Jij voert de acties uit. 'Je zou een mail kunnen sturen naar Jan met deze tekst...'
AI Agent
Voert acties zelf uit op basis van een doel. 'Ik heb Jan gemaild, het ticket aangemaakt, en de status in het CRM bijgewerkt.'
De vier kenmerken van AI agents
Wat maakt een AI agent een agent? In de literatuur worden vier kernkenmerken genoemd:
Autonomie
Een agent kan zelfstandig beslissingen nemen en acties uitvoeren zonder dat een mens elke stap goedkeurt. Hij krijgt een doel en zoekt zelf uit hoe hij dat bereikt.
Doelgerichtheid
Een agent werkt naar een specifiek doel toe. Hij plant stappen, voert ze uit, en past zijn aanpak aan als iets niet werkt.
Waarneming
Een agent kan zijn omgeving 'waarnemen' via de tools die hij heeft. Hij leest data uit systemen, checkt statussen, en reageert op wat hij vindt.
Aanpassingsvermogen
Als een actie faalt of de situatie verandert, past een agent zijn plan aan. Hij is niet rigide, maar flexibel in hoe hij zijn doel bereikt.
Deze kenmerken onderscheiden agents van simpele automatisering. Een cronjob die elke ochtend een rapport mailt is geen agent. Een systeem dat zelf bepaalt welk rapport relevant is, de data ophaalt, en alleen mailt als er afwijkingen zijn, dat is een agent.
Waar worden AI agents al ingezet?
AI agents zijn geen toekomstmuziek. Ze worden al breed ingezet:
Klantenservice
Bedrijven als Klarna zetten AI agents in om klantvragen te beantwoorden, tickets te routeren, en standaard problemen op te lossen. 24/7 beschikbaar, zonder wachttijd.
Virtuele assistenten
Siri, Google Assistant en Alexa zijn eigenlijk AI agents. Ze begrijpen je vraag, bepalen welke actie nodig is (zoeken, bellen, herinnering zetten), en voeren die uit.
Sales en marketing
Agents die leads kwalificeren, gepersonaliseerde follow-ups sturen, en CRM-data bijwerken. Of die campagne-performance monitoren en alerts sturen bij afwijkingen.
Software development
Code-assistenten zoals Cursor en GitHub Copilot zijn agents die code schrijven, bugs fixen, en refactoring voorstellen. De developer reviewt en keurt goed.
Data-analyse
Agents die automatisch rapporten genereren, trends spotten, en anomalieën detecteren in grote datasets. Van Google Analytics tot financiële data.
Het patroon is steeds hetzelfde: taken die voorheen menselijke aandacht vereisten, maar wel een duidelijke structuur hebben, worden overgenomen door agents.
Van hype naar realiteit
Een paar jaar geleden betekende “agents” iets heel anders. Het was het idee van meerdere LLM’s die met elkaar praten. Een soort virtueel team. “Tom de marketeer” praat met “Jan de developer” en samen komen ze tot een oplossing. Frameworks als AutoGen en CrewAI maakten dit mogelijk.
Die aanpak bestaat nog steeds, maar de focus is verschoven. Moderne modellen zijn slim genoeg om meerdere perspectieven zelf af te wegen. Voor de meeste use cases heb je geen team van agents nodig, één slimme agent met de juiste tools is genoeg.
Wat nu verkocht wordt als agents is eigenlijk iets veel simpelers: function calling.
Hoe function calling werkt
Function calling is het mechanisme waarmee een LLM externe tools kan aanroepen. De AI bepaalt welke tool hij nodig heeft en vult de parameters in.
Jij stelt een vraag
'Wat is het weer in Rotterdam?' of 'Stuur een mail naar het sales team over de nieuwe pricing.'
Het model kiest een tool
Het LLM ziet welke tools beschikbaar zijn (weer-API, mail-API, CRM-API) en kiest de juiste.
Het model vult parameters in
Voor de weer-API: stad='Rotterdam'. Voor de mail-API: ontvanger='sales@bedrijf.nl', onderwerp='Nieuwe pricing', tekst='...'
De tool wordt aangeroepen
De API call wordt uitgevoerd. Data komt terug. Of de actie wordt uitgevoerd.
Het model verwerkt het resultaat
De response wordt teruggekoppeld naar het model, dat het verwerkt tot een antwoord voor jou.
Dat is het. Geen magie, geen bewustzijn, geen echte autonomie. Gewoon een LLM dat slim genoeg is om te bepalen welke API hij moet aanroepen.
MCP: een open standaard
Je hebt misschien wel eens gehoord van MCP: Model Context Protocol. Dit is een open standaard, geïntroduceerd door Anthropic eind 2024, voor hoe AI-modellen communiceren met externe tools en databronnen. Het standaardiseert de hele interactie: hoe de agent ontdekt welke tools beschikbaar zijn, hoe hij ze aanroept, en hoe resultaten terugkomen.
MCP is als een universele adapter. In plaats van voor elke tool een aparte integratie te bouwen, gebruik je één protocol dat steeds meer platforms ondersteunen.
Met MCP kun je relatief makkelijk nieuwe tools toevoegen aan je agent. Google Analytics, Slack, je eigen database, whatever. Zolang er een MCP-server voor bestaat, kan je agent ermee praten. Grote spelers als Microsoft en diverse AI-platforms hebben MCP inmiddels geadopteerd, al heeft elke aanbieder (zoals OpenAI) ook eigen varianten.
Samenvatting
Agents = AI die dingen doet
Niet alleen tekst teruggeeft, maar daadwerkelijk acties uitvoert. Mails sturen, data ophalen, tickets aanmaken.
De techniek is function calling
Een LLM dat externe tools kan aanroepen. Simpeler dan de marketing doet voorkomen.
Bouwen is makkelijk, testen is moeilijk
Met n8n of Make.com bouw je in een middag een agent. Maar hoe weet je of hij doet wat je wilt?
Wat nu?
Nu je weet wat AI agents zijn en hoe ze technisch werken, is de logische vervolgvraag: waar werken ze goed, en waar gaat het mis?
In deel 2: waarvoor wel en waarvoor niet? behandelen we concrete voorbeelden, inclusief het beruchte red button probleem en het context probleem.
Hulp nodig bij je agent-strategie?
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.
