Nauwelijks een begrip valt in digitaliseringsgesprekken momenteel zo vaak als n8n – meestal in één adem met „AI-agents“ en het vooruitzicht hele werkgebieden te automatiseren. Er wordt veel beloofd: zelfstandig denkende agents die uw processen overnemen. De werkelijkheid is nuchterder en – voor beslissers in het mkb – duidelijk nuttiger wanneer u drie dingen uit elkaar houdt die graag op één hoop worden gegooid: automatisering, AI-automatisering en AI-agents.
Deze bijdrage plaatst de begrippen in perspectief, laat zien waar het reële nut ligt, en verklaart waarom juist de minst spectaculaire variant in de praktijk vaak de waardevolste is.
- n8n is geen AI-tool, maar een automatiseringsinstrument – enkele van de waardevolste workflows komen volledig zonder AI toe.
- Drie begrippen, drie concepten: automatisering (vaste regels), AI-automatisering (AI als vaste stap in de workflow) en AI-agents (AI bepaalt zelf de stappen).
- AI-agents worden op dit moment overschat: hallucinaties en gecombineerde foutkansen maken ze voor veel toepassingen onbetrouwbaar.
- De praktische sweet spot is de halfautomatische AI-automatisering met „human in the loop“ – een mens geeft op het kritieke punt akkoord.
- Self-hosting (bijv. een eigen server) verlaagt de kosten en geeft volledige controle over data – een duidelijk voordeel ten opzichte van puur cloudgebaseerde tools.
Twee ontwikkelingen die samenkomen
De AI-agents van vandaag zijn het eindproduct van twee parallelle ontwikkelingen van de afgelopen jaren.
1. Betere taalmodellen
AI-taalmodellen als ChatGPT zijn in de kern niets anders dan een statistische voorspelling van hoe een tekst verder zou kunnen gaan – een verfijnde versie van de woordsuggesties die u van uw smartphone kent. Dat verklaart een belangrijke eigenschap: de antwoorden zijn er niet op ingericht om juist te zijn, maar om plausibel te klinken. Inmiddels kunnen deze modellen live research doen en zich verbinden met eigen gegevensbronnen als Notion, agenda of spreadsheets.
2. Eenvoudigere automatisering
Automatisering heeft in eerste instantie niets met AI te maken. Het gaat erom systemen volgens vast gedefinieerde regels te koppelen: betaalt iemand op een website, dan ontvangt hij het product per mail, wordt hij in de nieuwsbrief opgenomen, en krijgt u een melding. Dankzij de low-code- en no-code-instrumenten – Zapier, Make en dus n8n – laten zulke workflows zich vandaag zonder programmeerkennis bouwen.
n8n heeft daarbij een voordeel dat voor bedrijven relevant is: het laat zich zelf hosten. In plaats van mogelijk honderden euro’s per maand betaalt u slechts enkele euro’s voor uw eigen server – en behoudt u de volledige controle over welke data met welke toepassing worden gedeeld.
n8n is niet hetzelfde als AI-agents. Enkele van de waardevolste automatiseringen zijn klassieke, regelgebaseerde processen volgens het patroon „telkens wanneer X, dan Y“.
De drie begrippen netjes gescheiden
Uit de twee ontwikkelingen volgen drie duidelijk te onderscheiden concepten:
| Begrip | Wie bepaalt de stappen? | Voorbeeld |
|---|---|---|
| Automatisering | Vast regelverloop | Nieuwe e-mail binnengekomen → melding op Telegram. |
| AI-automatisering | Vast verloop, afzonderlijke stappen zijn AI | Nieuwe e-mail → AI toetst of het een logincode is → alleen dan een Telegram-bericht. |
| AI-agent | De AI beslist zelf | Invoer erin, uitvoer eruit – de agent kiest zelfstandig tools en volgorde. |
Een AI-automatisering blijft gestructureerd: trigger, dan AI-stap, dan vertakking, dan actie – altijd in die volgorde. Een AI-agent daarentegen krijgt alleen invoer en een doel. Hij beschikt over een taalmodel (het „brein“), een geheugen, een database en een reeks tools – en bepaalt aan de hand van zijn instructie zelf welke instrumenten hij in welke volgorde aanroept. Agents kunnen daarbij meerdere lussen doorlopen en zelfs andere agents als instrument gebruiken („agentzwermen“).
Waarom AI-agents op dit moment worden overschat
Het vermeende voordeel – geen structuur te hoeven voorschrijven – blijkt in de praktijk vaak een nadeel. De redenen zijn tastbaar:
- Hallucinaties zijn niet opgelost. Het taalmodel blijft hetzelfde statistische model dat ook zelfverzekerd onwaarheden beweert. Een andere naam maakt het niet slimmer.
- Fouten vermenigvuldigen zich. Zelfs bij een treffkans van 90 % per stap telt dat over veel aanroepen op: bij zo’n tien AI-stappen ligt de foutkans al rond de 50 %.
- Moeizaam herstel. Loopt een multi-agent-workflow eenmaal de verkeerde kant op, dan komt hij maar moeizaam weer op koers – in het uiterste geval belandt hij in eindeloze lussen die dezelfde aanroep herhalen.
- Verborgen kosten. Ook bij self-hosting blijven de credits voor de AI-aanbieders (OpenAI, Claude, Google) doorlopen – lussen worden duur.
Een groot deel van de hype laat zich niet verklaren door het nut, maar door andere factoren: de term „AI-agent“ klinkt aantrekkelijk, complexe workflows zien er indrukwekkend uit, en het netwerkeffect van sociale media versterkt succesvolle inhoud. Ook het verdienmodel „AI automation agency“ voedt de aandacht – een op zich interessante niche, maar geen snel geld: marketing en verkoop blijven veeleisend.
Wanneer een AI-agent zinvol is
Nutteloos zijn agents geenszins – alleen overschat in verhouding tot de hype. Zodra er duidelijk betrouwbaardere modellen verschijnen, kan dat beeld snel kantelen. Juist n8n-gebruikers profiteren dan, omdat ze het onderliggende model eenvoudig kunnen vervangen. Dat is ook een argument om zich niet aan één enkele AI-aanbieder vast te leggen.
Op dit moment loont een agent vooral in één constellatie:
Een conceptueel eenvoudige, maar combinatorisch complexe toepassing – bijvoorbeeld een pure assistent die uitsluitend met uw e-mailaccount werkt. Hier laat zich een heldere instructie schrijven en een begrensde gereedschapskist meegeven, zonder elke mogelijke volgorde zelf te moeten uitmodelleren.
De eigenlijke sweet spot: halfautomatische AI-automatisering
In vrijwel alle andere gevallen ligt de grootste hefboom in de halfautomatische AI-automatisering. Die bespaart aanzienlijk tijd, zonder de risico’s van zelfstandig handelende agents. Twee beproefde patronen:
- Mens start, AI ondersteunt: U stoot een workflow gericht aan (bijv. via een bericht in Slack), en de AI neemt u deeltaken als research uit handen – sneller, maar onder uw controle.
- Human in the loop: De workflow loopt zelfstandig, maar houdt op het kritieke punt halt en wacht op een menselijke vrijgave voordat het verdergaat.
Tekenend: wie meerdere taken door AI-ondersteunde workflows vervangt, komt in de praktijk vaak toe met eenvoudige, van links naar rechts doorgedefinieerde processen – geheel zonder agentfunctie. Had men in plaats daarvan een agent gebouwd die bijvoorbeeld zelfstandig teksten schrijft, dan waren hallucinaties en onjuiste meldingen voorgeprogrammeerd geweest. Eenvoudiger is vaak beter.
Conclusie
n8n is terecht populair: automatisering is een tijdloos concept, en het tool verlaagt door self-hosting kosten en datarisico’s tegelijk. De hype rond AI-agents daarentegen steunt momenteel deels op de verkeerde gronden. Voor het mkb betekent dat: scheid de begrippen, begin met heldere regelgebaseerde automatiseringen, voeg AI daar als vaste stap in waar ze zekere meerwaarde brengt – en houd via „human in the loop“ op kritieke punten de controle. AI-agents hebben toekomst, maar het betrouwbare nut ligt vandaag in de onspectaculaire, goed doordachte automatisering.
Bron: Was du über den n8n Hype wissen solltest – Niklas Steenfatt (YouTube), in het Duits