Overal wordt het “jaar van de AI-agents” uitgeroepen. Op YouTube, X en in conferentielezingen buitelen de beloften over elkaar heen: agents zouden hele afdelingen vervangen en binnenkort als volwaardige medewerkers gelden. Veel daarvan is simpelweg onjuist of op zijn minst sterk overdreven. In een gesprek van de podcast “Marketing Against the Grain” plaatst Joe Mora, CEO en oprichter van crewAI, de situatie nuchter in perspectief – inclusief een eerlijke inschatting van wat vandaag werkt en wat nu eenmaal nog niet. Voor beslissers in het mkb is precies dat onderscheid tussen substantie en marketing doorslaggevend, voordat er budgetten gaan stromen.
- Een AI-agent is meer dan een chatbot: hij krijgt een taak, werkt autonoom en gebruikt daarbij geheugen (memory) en gereedschappen (tools) om systemen als CRM of ERP te benaderen.
- Agents worden echt ingezet – maar zijn trager en foutgevoeliger dan de hype suggereert. We zitten in de fase van het uitproberen, niet van de volautomatisering van hele afdelingen.
- Goed starten betekent: eenvoudige toepassingen met een lage precisie-eis kiezen, niet hoogkritische processen zoals belastingformulieren.
- Er blijven meer mensen in het proces (“human in the loop”) dan velen verwachten. Controle en navolgbaarheid staan centraal.
- Pas ongeveer 15 procent van de bevraagde bedrijven heeft agents productief in gebruik – wie nu begint, hoort bij de vroege bewegers.
Wat een AI-agent eigenlijk is
Grote taalmodellen zoals die achter ChatGPT of Claude zijn in de kern erg goed in het voorspellen van het volgende woord en het produceren van inhoud. Ze schrijven een e-mail, maken die op verzoek losser en kunnen zelfs met onderbouwing kiezen tussen twee varianten – een soort rudimentaire beoordeling.
Een agent gebruikt precies dat vermogen om een probleem zelfstandig te doordenken. Het verschil met de chat: u geeft de agent een taak en kunt de kamer verlaten. Hij probeert dan autonoom, via meerdere stappen, een doel te bereiken. Mora vat het kernachtig samen: een agent heeft agency nodig, oftewel handelingsvermogen.
Twee bouwstenen zijn daarvoor typerend:
- Memory (geheugen): zodat de agent informatie over de afzonderlijke stappen heen vasthoudt – op korte en op lange termijn.
- Tools (gereedschappen): koppelingen met andere systemen zoals CRM, ERP of researchdiensten, zodat de agent namens u kan handelen.
De realiteitscheck: traag, maar op de achtergrond nuttig
Als voorbeeld dient OpenAI’s “Operator”, beschikbaar in de ChatGPT-Pro-variant voor ongeveer 200 US-dollar per maand. De agent bestuurt een browser en kan bijvoorbeeld hotels, vluchten of restaurants opzoeken. Het oordeel in het gesprek is nuchter: Operator is traag en deels omslachtig – naar schatting tien keer trager dan een mens bij dezelfde taak.
Het doorslaggevende punt: bij taken die op de achtergrond mogen lopen, speelt die traagheid nauwelijks een rol. Mora beschrijft hoe hij agents inzet voor zijn socialmediaposts: idee invoeren, koffie halen, verderwerken – en het concept is klaar als hij terugkomt. Zo doet hij geregeld iets wat hij anders uit tijdgebrek liet liggen.
Kerngedachte: latentie is onkritisch wanneer een klein “leger” agents taken op de achtergrond afwerkt terwijl u zich aan belangrijker zaken wijdt.
Vertrouwen en controle: waarom de mens zichtbaar moet blijven
Een centrale vraag bij autonome agents is de bedieningslogica: moet de agent een restaurantreservering simpelweg als “afgehandeld” melden, of moet je hem bij het werk kunnen zien? Operator kiest ervoor de agent zichtbaar te laten werken en op elk moment te kunnen ingrijpen.
Dat heeft twee redenen: veiligheid en vertrouwen. Je ziet wat er gebeurt en kunt bijsturen. Een waarschuwend voorbeeld uit het gesprek: een vroege e-mailagent zou alleen concepten moeten aanmaken, maar begon deels curieuze mails zelfstandig te versturen. Juist in bedrijven geldt: wie een kritisch proces automatiseert, wil het kunnen visualiseren, controleren en later toetsen.
Goed starten: lage precisie eerst
De wellicht meest praktische aanbeveling betreft de keuze van de eerste toepassingen. Mora onderscheidt tussen een lage en een hoge precisie-eis:
- Lage precisie (ongeveer 90 procent nauwkeurigheid volstaat): bijvoorbeeld een agent die uit gesprekstranscripties of CRM-data concepten voor verkooppresentaties maakt. Fouten zijn hier te verdragen en eenvoudig te corrigeren.
- Hoge precisie (99,99 procent nodig): bijvoorbeeld het invullen van belasting- of overheidsformulieren. Mora noemt formulieren van meer dan 70 pagina’s en handboeken van 620 pagina’s – hier mag niets misgaan.
De heldere boodschap: begin niet bij hoge precisie, anders brandt u uw vingers. Begin eenvoudig en schaal van daaruit op.
Vier richtlijnen voor de start
- Vroeg adopteren: verschaf uzelf een voorsprong in plaats van af te wachten.
- Niet wachten op toepassingen van anderen: kijk niet naar wat concern X doet – vind uw eigen, eenvoudige startpunt.
- Eenvoudig beginnen: ontleed een rol in afzonderlijke taken en pak er die met een lage precisie-eis uit.
- Uitbouwen richting “low risk, high impact”: breid stapsgewijs uit naar gevallen met weinig risico en veel nut.
Een praktische tip uit het gesprek: neem een concrete rol – bijvoorbeeld die van een verkoopmedewerker (BDR) – en laat de taken opdelen in lage en hoge precisie. Juist de laagprecieze taken zijn ideale proefterreinen. Om te bouwen zijn er vandaag meerdere wegen: no-codeplatforms voor minder technische gebruikers, maar evengoed frameworks voor ontwikkelaars die agents in Python programmeren.
Hoe bedrijven agents juist inzetten
De verkeerde aanpak is agents te bouwen als pure 1-op-1-kopie van een menselijke baan. Succesvoller is het afzonderlijke microtaken te automatiseren, zodat mensen vrijkomen voor belangrijker werk – een soort promotie: de verantwoordelijkheid voor het eindresultaat blijft bij de mens, de agent neemt het voorwerk over.
Een voorbeeld uit de praktijk: een telecombedrijf automatiseert de contractanalyse. Voordat een contract bij de juridische afdeling belandt, leveren agents al aanbevelingen en gemarkeerde wijzigingen (“red lines”). Zo laten zich dingen opschalen die eerder te duur waren.
Voor de verankering in de organisatie tekent zich een patroon af: weg van losse medewerkers die stiekem ChatGPT gebruiken en daarbij mogelijk gevoelige gegevens prijsgeven en kennis in silo’s opsluiten – naar een centrale aansturing, vaak onder een CIO, CTO of Head of AI. Dat geeft controle over welke modellen worden gebruikt en hoe met persoonsgegevens wordt omgegaan. De werkelijk grote meerwaarde halen technische teams eruit, omdat complexe automatiseringen diep in ongestructureerde data en eigen systemen moeten worden ingebed.
Concrete toepassingen in marketing en verkoop
Drie voorbeelden uit het gesprek laten zien waartoe agents vandaag deugen:
- Leadverrijking met hypothesen: meldt iemand zich nieuw aan op een website, dan zoeken agents de persoon en het bedrijf op. Daarnaast vormen ze hypothesen over hoe die persoon het product zou kunnen gebruiken, structureren het resultaat als JSON en sturen het door naar HubSpot en de productdatabase. Resultaat: hypergepersonaliseerde e-mails en passende productvoorbeelden.
- Verkoopvoorbereiding: agents zoeken klanten vooraf op – bijvoorbeeld via researchtools als Perplexity’s Sonar. Zo bereidt een verkoopmedewerker zich weliswaar niet per se sneller, maar in de breedte beter voor en kan hij meer afspraken nakomen. Aantrekkelijk is ook de gedachte de werkwijze van de beste verkoper te repliceren, zodat iedereen op dat niveau voorbereid is.
- SEO- en conversieoptimalisatie: agents maken screenshots van de eigen website, analyseren teksten en concurrenten en leiden daaruit hypothesen af over wat er veranderd zou kunnen worden. De menselijke input blijft slank: de eigen website, een branchebeschrijving en het optimalisatiedoel. De rest doen de agents, en ze leveren voorstellen voor A/B-tests.
Waar verwachting en techniek uiteenlopen
De grootste mismatch tussen hype en realiteit ligt volgens Mora in twee punten:
- Meer mens in het proces dan gedacht: juist nu is er duidelijk meer “human in the loop” nodig. Volledig doorlopende end-to-end-automatisering – vooral bij hoogprecieze processen – is nog niet zover. Agents stranden nog vaak halverwege.
- Integratie is bewerkelijker dan verwacht: in bedrijven zit veel “lijm” tussen systemen. Om agents die paden te laten navigeren, is heldere code en zijn heldere instructies nodig. Niet toevallig begint de branche bij de browser – daar bestaat een gemeenschappelijke koppeling. Veel bedrijven gebruiken echter desktopsoftware die niet eens online is.
Opmerkelijk is het adoptiecijfer: van ongeveer 4.000 tot 4.500 bevraagde personen had slechts zo’n 15 procent agents productief in gebruik, bij grote bedrijven ongeveer 23 procent. Omdat deze respondenten sowieso technisch onderlegd zijn, ligt het cijfer in de totale economie vermoedelijk lager. De boodschap voor beslissers: het is heel vroeg – en wie nu start, hoort nog bij de snelle bewegers.
Agents als toekomstig aannamecriterium
Een vooruitblik die de aandacht trekt: Microsoft-CEO Satya Nadella schetste dat mensen in de toekomst mede aangenomen zouden kunnen worden vanwege de agents die ze zelf gebouwd hebben – in plaats van alleen vanwege certificaten en eerdere werkervaring. Mora is het daarmee eens, minder vanwege de agents zelf, maar omdat ze iets over de persoon zeggen. Bij crewAI mogen sollicitanten in het engineeringinterview uitdrukkelijk alle AI-tools gebruiken – wie dat niet doet, valt af. Hoe goed iemand die tools inzet, weegt zwaar mee in de aannamebeslissing.
Conclusie
Momenteel is dit de fase waarin veel bedrijven agents uitproberen en in productie nemen – maar niet de fase waarin agents het personeelsbestand overnemen. De nuchtere realiteit: agents zijn vandaag vaak trager dan mensen, hebben toezicht nodig en stranden nog geregeld. Hun waarde komt tot uiting bij achtergrondtaken, bij microtaken binnen een rol en overal waar fouten te verdragen zijn. Voor beslissers in het mkb betekent dat: klein en eenvoudig starten, bij een lage precisie-eis beginnen, de mens zichtbaar in de lus houden en stapsgewijs uitbouwen naar risicoarme, impactvolle gevallen. Wie zo te werk gaat, doet vandaag praktijkervaring op – zonder in de hype te trappen.