AI-agents « : » de complete gids om autonome agents te begrijpen », te maken en te gebruiken

AI-agents ":" de complete gids om autonome agents te begrijpen », te maken en te gebruiken
15 min lezen

Een AI-agent is een systeem dat een taalmodel zelf de stappen en tools laat kiezen die nodig zijn om een doel te bereiken, in een lus, totdat de taak voltooid is of een limiet het stopt. Het onderscheidt zich van een geautomatiseerde workflow, waarvan het pad vooraf is geschreven, en van een assistent die alleen op verzoek handelt, beurt voor beurt. Deze gids legt uit hoe het werkt, welk type agent je moet kiezen, hoe je het test en hoe je de toegang en kosten ervan beheerst.

Het woord ‘agent’ wordt tegenwoordig geplakt op zeer verschillende producten, van de eenvoudige chatbot met een webzoekfunctie tot systemen die tientallen acties in een bedrijfssoftware kunnen uitvoeren. Om te beslissen of je er een nodig hebt, en welke, moet je teruggaan naar het mechanisme: wie beslist over de volgende actie, met welke rechten, en wie controleert het resultaat. Dat is de rode draad van deze pagina, die vervolgens doorverwijst naar meer gespecialiseerde gidsen.

Wat is een AI-agent en wat kan het echt doen?

De meest gebruikte definitie in de industrie komt uit de gids Building effective agents gepubliceerd door Anthropic in december 2024. De uitgever scheidt daar twee families van ‘agentische systemen’: de workflows, waar modellen en tools worden georkestreerd door een vooraf gedefinieerd codepad, en de agents, waar het model zelf zijn proces en gebruik van tools stuurt. In de praktijk, zo vat deze tekst samen, is een agent vaak niet meer dan een taalmodel dat tools gebruikt op basis van feedback uit zijn omgeving, in een lus. Om verder te gaan, lees ons artikel ‘Wat is een AI-agent? Definitie, werking en voorbeelden’.

Concreet kan een agent alles doen wat zijn tools toestaan: een database bevragen, op het web zoeken, een document lezen, een ticket aanmaken, een e-mail opstellen en versturen, code uitvoeren of een formulier invullen. Het kan niets doen buiten deze tools en de daaraan verbonden rechten. Het garandeert ook niet de juistheid van wat het produceert: Anthropic benadrukt dat autonomie wordt betaald met hogere kosten en een risico op fouten die zich van stap tot stap opstapelen.

Workflow, uitgeruste assistent, autonome agent: drie gradaties van autonomie

Het nuttige onderscheid is niet tussen ‘AI’ en ‘geen AI’, maar tussen drie manieren om de beslissing te verdelen. De onderstaande tabel vergelijkt ze op de punten die ertoe doen bij de implementatie.

Aanpak Wie beslist over de stappen Voorbeeld Typisch toezicht Hoofdrisico
Deterministische workflow De ontwerper, eenmalig; het model komt alleen tussen in een specifieke stap Elk ontvangen formulier wordt samengevat door een model en vervolgens opgeslagen in de CRM Lezen van de uitvoeringslogboeken Gevallen die niet door het geschreven pad zijn voorzien
Assistent met tools Het model stelt een actie voor, de gebruiker is aanwezig bij elke beurt Een assistent raadpleegt je agenda om een tijdslot voor te stellen De gebruiker leest elk antwoord na Verkeerd begrepen actie maar direct zichtbaar
Autonome agent Het model voert meerdere acties uit tot het doel bereikt is Een wachtrij van klantverzoeken verwerken, van lezen tot archiveren Limieten, menselijke validatie van gevoelige acties, logboeken Fouten in cascade, ongewenste acties, kostenoverschrijding

Deze grenzen zijn poreus: een workflow kan een agentische stap bevatten, en een agent kan worden ingesloten in een sterk gereguleerde workflow. De gedetailleerde vergelijking tussen AI-agent en chatbot, de strikte definitie van wat een AI-agent is en de afweging tussen klassieke automatisering en AI-agent worden elk behandeld in een aparte gids in dit dossier.

Hoe werkt een AI-agent: model, tools, geheugen en actielus

Alle agents steunen op hetzelfde mechanisme, ongeacht de tool die ze host. Vier bouwstenen volstaan om het te beschrijven.

  • Het model: een groot taalmodel leest het doel, de geschiedenis en de reeds behaalde resultaten, en kiest dan de volgende actie. Zijn vermogen om instructies te volgen en tools correct aan te roepen weegt zwaarder dan zijn algemene score; de tool welk AI-model kiezen voor je taak helpt bij het selecteren van kandidaten.
  • De tools: elke tool wordt aan het model beschreven door een naam, een beschrijving en een parameterschema. Het model voert het niet zelf uit: het produceert een gestructureerde aanroepaanvraag, die de applicatie uitvoert voordat het het resultaat terugstuurt.
  • Het geheugen: op korte termijn is dat de geschiedenis bewaard in het contextvenster; op lange termijn zijn dat documenten of notities die de agent opzoekt, vaak via een zoekopdracht in een documentdatabase van het RAG-type, onderwerp behandeld in onze gids over lokale AI en RAG.
  • De lus en zijn limieten: de agent observeert het resultaat van zijn actie, beslist over de volgende, en stopt wanneer het doel bereikt is of wanneer een stopvoorwaarde wordt overschreden (maximaal aantal iteraties, duur, budget).

Deze afwisseling tussen redeneren en handelen werd al in 2022 geformaliseerd door het onderzoeksartikel ReAct, van Shunyu Yao en zijn medeauteurs, dat het model tussenstappen van reflectie en acties op een externe bron liet invoegen. Anthropic benadrukt aan zijn kant twee praktische punten: de agent moet bij elke stap een ‘grondwaarheid’ van zijn omgeving verkrijgen (het werkelijke resultaat van een tool of code), en de beschrijving van de tools verdient evenveel zorg als een interface bedoeld voor mensen.

Rest nog het aansluiten van deze tools. Het Model Context Protocol (MCP), gelanceerd door Anthropic in november 2024 en vervolgens in december 2025 toevertrouwd aan de Agentic AI Foundation, een structuur van de Linux Foundation, standaardiseert de manier waarop een AI-applicatie verbinding maakt met externe diensten. Zijn specificatie, in de versie gedateerd 28 juli 2026, beschrijft servers die tools, bronnen en berichtmodellen beschikbaar stellen; onze gids gewijd aan MCP gaat in op de architectuur ervan. Om verder te gaan, raadpleeg ‘MCP: het Model Context Protocol en zijn toepassingen begrijpen’.

Een terugbetalingsverzoek van begin tot eind verwerkt

Het volgende scenario is illustratief: het toont de lus op een veelvoorkomend geval van klantenondersteuning, een van de twee toepassingen die Anthropic het meest geschikt vindt voor agents samen met softwareontwikkeling. We gaan hierop in in ‘AI-agents in het bedrijfsleven: tien echt nuttige use cases’.

  1. Er komt een e-mail binnen: een klant meldt een beschadigd pakket en vraagt een terugbetaling.
  2. De agent roept de klantzoektool aan en vindt de bestelling terug.
  3. Het raadpleegt het retourbeleid in de documentdatabase en stelt vast dat het verzoek binnen de termijn valt.
  4. Het bereidt de terugbetaling voor, maar de betaaltool is geconfigureerd om menselijke validatie te vereisen: het verzoek gaat naar een adviseur met het bedrag en de rechtvaardiging.
  5. Zodra de validatie is ontvangen, voert de agent de terugbetaling uit, antwoordt de klant en legt elke stap vast in het ticket.

Het sleutelpunt ligt in stap 4: de agent beslist over de opeenvolging, maar de onomkeerbare actie blijft onderworpen aan een mens. Deze instelling, veel meer dan de keuze van het model, bepaalt het risiconiveau.

Welke soorten AI-agents kiezen volgens je behoefte?

Agents onderscheiden zich minder door hun technologie dan door de plaats waar ze worden uitgevoerd en door wat ze triggert. De volgende tabel groepeert de grote families beschikbaar in november 2026.

Familie Trigger Typische toepassingen Punt van aandacht
Verbonden conversatie-assistent Een verzoek van de gebruiker Zoeken, samenvatten, eenmalige acties in verbonden applicaties Rechten overgenomen van het gebruikersaccount
Workflow-agent (n8n, Make, Zapier) Een gebeurtenis: e-mail, formulier, tijdstip Sorteren van verzoeken, verrijken van fiches, voorbereide antwoorden Uitvoering zonder getuige, vandaar het belang van logboeken
Code-agent Een ontwikkeltaak Een bug corrigeren, tests schrijven, code migreren Toegang tot de repository en de geheimen van het project
Navigatie-agent of persoonlijke agent Een missie toevertrouwd door de gebruiker Aanbiedingen vergelijken, formulieren invullen, reserveren Kwaadaardige webinhoud, betalingen
Multi-agent systeem Een orchestrator-agent die delegeert Lange taken opgesplitst in gespecialiseerde subtaken Kosten en traceerbaarheid die zich vermenigvuldigen

Navigatie-agents zijn degene die de relatie met websites en online diensten het meest veranderen. Ons artikel over het agentische web laat zien hoe persoonlijke assistenten namens de gebruiker zouden kunnen kopen, raadplegen en betalen, en waarom grote platforms de toegang ervan zouden kunnen willen vergrendelen. Multi-agent systemen vallen onder een apart onderwerp, multi-agent orchestratie, dat apart behandeld zal worden. Om verder te gaan, lees ons artikel ‘Multi-agent orchestratie: hoe meerdere AI-agents coördineren?’.

De criteria die het verschil maken

Voordat je een type agent kiest, stel je deze zes vragen over de beoogde taak. Hoe meer de antwoorden naar rechts van elke alternatief neigen, hoe meer een eenvoudige workflow of een gesuperviseerde assistent de voorkeur zal hebben boven een autonome agent.

  • Variabiliteit: verschillen de verzoeken sterk van keer tot keer, of volgen ze altijd hetzelfde pad?
  • Aantal stappen: is het onvoorspelbaar, of kun je het van tevoren opschrijven?
  • Omkeerbaarheid: wordt een fout met één klik gecorrigeerd, of brengt het geld, een klant, gegevens in het gedrang?
  • Verifieerbaarheid: kan het resultaat automatisch worden gecontroleerd (tests, regels), of alleen door een expert?
  • Gevoeligheid van gegevens: verwerkt de agent openbare gegevens, of persoonlijke en vertrouwelijke?
  • Volume: komt de taak honderden keren per maand voor, of slechts een paar keer?

Anthropic raadt expliciet aan om te beginnen met de eenvoudigste oplossing en alleen autonomie toe te voegen wanneer het het resultaat meetbaar verbetert. Voor de use cases van AI-agents in het bedrijfsleven en de keuze van de beste AI-agent tools gaan twee gidsen in dit dossier in op voorbeelden en een vergelijking per gebruik. We gaan hierop in in ‘Beste tools om een AI-agent te maken: vergelijking per gebruik’.

Hoe bouw en test je een eerste agent?

Er zijn twee wegen. Visuele automatiseringplatforms (n8n, Make, Zapier Agents) maken het mogelijk een AI-agent te maken zonder te coderen, door een trigger, een model en tools samen te stellen; een tutorial gewijd aan de AI-agent met n8n toont deze montage stap voor stap. De ontwikkelkits van de modeluitgevers bieden meer controle, ten koste van engineeringwerk. In beide gevallen blijft de methode dezelfde. Het onderwerp wordt behandeld in een apart artikel: ‘Een AI-agent maken met n8n: tutorial, kosten en veiligheidsmaatregelen’.

  1. Kies een begrensde taak, frequent en weinig risicovol: binnenkomende verzoeken sorteren in plaats van ‘de ondersteuning beheren’.
  2. Schrijf de definitie van succes: hoe ziet een voltooide taak eruit, en wat mag nooit gebeuren.
  3. Geef het minimum aan tools, aanvankelijk alleen-lezen; voeg schrijfrechten één voor één toe.
  4. Schrijf de instructies: rol, doel, regels, uitvoerformaat, gedrag bij twijfel.
  5. Stel de limieten vast: aantal iteraties, maximale duur, budget per uitvoering. In n8n bijvoorbeeld beperkt de AI Agent-node standaard de agent tot 10 iteraties.
  6. Stel een testset samen op basis van echte gevallen, waarbij je dubbelzinnige, incomplete of valse gevallen toevoegt.
  7. Start een gesuperviseerde pilot, met menselijke validatie van gevoelige acties en logging van elke stap.

De test is de stap die het vaakst wordt verwaarloosd. Onze gids voor het evalueren van AI-agents in het bedrijfsleven herinnert aan een eenvoudige berekening: een agent die een taak 80% van de tijd succesvol uitvoert, heeft slechts ongeveer 33% kans om deze vijf keer achter elkaar te voltooien. De betrouwbaarheid moet daarom gemeten worden op herhaalde uitvoeringen, niet op een succesvolle demonstratie; de methode om een AI-agent te evalueren zal het onderwerp zijn van een specifieke gids in dit dossier.

Wat een eerste agent doet falen

  • Een vaag doel, waardoor het model de missie interpreteert.
  • Te veel tools, of tools met vage beschrijvingen, die verkeerde aanroepkeuzes veroorzaken.
  • Geen stopvoorwaarde, en dus lussen die oproepen verbruiken zonder resultaat.
  • Tests beperkt tot gemakkelijke gevallen, die mislukkingen op atypische verzoeken maskeren.
  • Schrijfrechten toegekend vanaf de eerste dag, voordat het werkelijke gedrag is geobserveerd.

Hoe beveilig je de toegang en beheers je de kosten?

De OWASP, de referentiefoundatie voor applicatiebeveiliging, classificeert ‘excessieve agentiviteit’ onder de tien grootste risico’s van applicaties gebaseerd op taalmmodellen (fiche LLM06:2025). Het identificeert drie oorzaken: onnodige functies (een tool die kan verwijderen terwijl lezen volstaat), te brede permissies (een almachtig serviceaccount in plaats van de rechten van de gebruiker) en te veel autonomie (acties met grote impact zonder validatie). De tegenmaatregelen vloeien rechtstreeks voort uit deze diagnose: gespecialiseerde tools in plaats van generieke, minste privilege, menselijke goedkeuring van hoogimpactacties, en controle van autorisaties in de doelsystemen in plaats van in het oordeel van het model.

Het tweede risico specifiek voor agents is indirecte promptinjectie: een e-mail, een webpagina of een document verwerkt door de agent bevat instructies die zijn gedrag omleiden. De OWASP, die dit het risico nummer één (LLM01:2025) maakt, preciseert dat noch RAG noch het afstemmen van het model volstaat om dit te voorkomen. De MCP-specificatie stelt hetzelfde principe aan de connectorzijde: de hostapplicatie moet de expliciete toestemming van de gebruiker verkrijgen voordat een tool wordt aangeroepen, en toolbeschrijvingen moeten als onbetrouwbaar worden beschouwd zolang ze niet van een vertrouwde server komen. De beveiliging van AI-agents, de governance van agents en de preventie van promptinjectie worden gedetailleerd in aparte gidsen.

Wat betreft geheimen is de regel eenvoudig: een API-sleutel mag nooit voorkomen in de instructies van de agent noch in een gedeeld bestand. Het wordt opgeslagen in de credentialkluis van het platform, beperkt tot één gebruik, en ingetrokken als het lekt.

De kosten inschatten voor de lancering

Een agent verbruikt tokens bij elke luscyclus, en de rekening loopt snel op omdat de context langer wordt naarmate toolresultaten zich opstapelen. De prijslijst van Anthropic herinnert er ook aan dat de tooldefinities die naar het model worden gestuurd meetellen als invoertokens. Om de grootteordes vast te stellen, nemen we een theoretisch voorbeeld met Claude Sonnet 5.5, gefactureerd tegen 2 dollar per miljoen tokens invoer en 10 dollar per miljoen uitvoer (prijzen gecontroleerd in november 2026):

  • 8 aanroepen naar het model per taak, met gemiddeld 6.000 tokens invoer en 400 uitvoer;
  • dus 48.000 tokens invoer (ongeveer 0,096 dollar) en 3.200 uitvoer (ongeveer 0,032 dollar);
  • ongeveer 0,13 dollar per taak, dus ongeveer 64 dollar voor 500 taken per maand, exclusief platformabonnement en exclusief toezichttijd.

Deze aannames variëren enorm van agent tot agent: een nieuwe poging, een omvangrijk document of een subagent kunnen het totaal vermenigvuldigen. De kostenberekenaar voor een AI-agent maakt het mogelijk deze berekening opnieuw te doen met jouw scenario, jouw volumes en jouw model, en de gids over de kosten van een AI-agent zal de verborgen posten detailleren: toezicht, onderhoud, evaluatie.

Wat de AI Act zegt

De Europese AI-verordening (AI Act) redeneert niet per technologie maar per gebruik en risiconiveau: een agent die sollicitaties sorteert heeft niet dezelfde verplichtingen als een agent die een monitoring samenvat. Volgens de pagina van de Europese Commissie gewijd aan de tekst, geraadpleegd in november 2026, heeft de wijzigingsverordening genaamd ‘digitaal omnibus’ (verordening (EU) 2026/1744), in werking getreden op 27 juli 2026, de regels voor hoogrisicosystemen verschoven: ze zullen van toepassing zijn vanaf 2 december 2027 voor de gevoelige domeinen vermeld in bijlage III (werkgelegenheid, onderwijs, biometrie onder meer) en vanaf 2 augustus 2028 voor systemen geïntegreerd in producten. De test om te weten of je onder de AI Act valt geeft een eerste richting, en onze gids van de AI Act in het bedrijfsleven zal de verplichtingen detailleren; geen van deze inhoud vervangt het advies van een jurist. Het onderwerp wordt behandeld in een apart artikel: ‘AI Act: gids voor de verplichtingen en governance van AI in het bedrijfsleven’.

Checklist voor de productie-implementatie

  • Elke tool heeft een unieke rol en minimale rechten, gedocumenteerd.
  • Onomkeerbare acties (betaling, verzending, verwijdering) vereisen menselijke validatie.
  • Externe inhoud verwerkt door de agent wordt als onbetrouwbaar beschouwd.
  • API-sleutels worden opgeslagen in een kluis, nooit in de instructies.
  • Limieten voor iteraties, duur en budget zijn actief.
  • Elke uitvoering wordt gelogd: invoer, toolaanroepen, beslissingen, kosten.
  • Een testset wordt opnieuw uitgevoerd bij elke wijziging van de instructies, het model of de tools.
  • Een persoon is aangewezen om de logboeken na te lezen en de agent indien nodig te stoppen.

Veelgestelde vragen over autonome agents

Kan een AI-agent werken zonder enig toezicht?

Technisch gezien ja, zodra het een trigger en tools heeft. In de praktijk raadt geen serieuze bron dit aan voor hoogimpactacties: zowel Anthropic als de OWASP pleiten voor menselijke controlepuntjes en stopvoorwaarden. Het toezicht kan echter lichter worden na verloop van tijd, door van een systematische validatie over te gaan naar een steekproefcontrole, zodra de betrouwbaarheid is gemeten.

Moet je kunnen programmeren om een agent te maken?

Niet voor een eerste agent: n8n, Make of Zapier Agents bieden visuele editors waar je model, tools en instructies samenstelt. Code wordt nuttig wanneer je op maat gemaakte tools nodig hebt, een fijne integratie met het informatiesysteem of een precieze kostencontrole. In alle gevallen hangt de kwaliteit van de agent meer af van de definitie van de taak en de tests dan van de gekozen tool.

Wat is het verschil tussen een AI-agent en een klassieke automatisering?

Een automatisering volgt geschreven regels: het is voorspelbaar, goedkoop, maar kan een geval dat niet is voorzien niet behandelen. Een agent interpreteert de situatie en kiest zijn acties: het gaat beter om met variatie, ten koste van hogere kosten per uitvoering en minder voorspelbaar gedrag. Veel succesvolle implementaties combineren beide, met een agent beperkt tot de stappen die oordeel vereisen.

Welk model gebruiken voor een agent?

Er bestaat geen universeel beste model. Een agent vereist vooral een goede betrouwbaarheid in het aanroepen van tools en het volgen van instructies; een kleiner en goedkoper model kan volstaan voor sorteertaken, een krachtiger model is nodig voor lange redeneringen. De interactieve modelvergelijker maakt het mogelijk prijs, context en capaciteiten te kruisen, en de vergelijking van de AI-modellen op deze site zal de keuzemethode detailleren.

Hoe weet je of een agent echt werkt?

Door het te meten op een representatieve set gevallen, meerdere keren herhaald: slagingspercentage, percentage foutieve acties, aantal escalaties naar een mens, kosten en duur per taak. Vergelijk deze cijfers met de situatie zonder agent, over dezelfde periode en hetzelfde volume. De beperking van de oefening is bekend: een testset dekt nooit alle echte gevallen, vandaar het belang van regelmatig een steekproef van productie-uitvoeringen na te lezen en elk nieuw falen toe te voegen aan de testset.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x