AI agent laten bouwen die werk uit handen neemt in plaats van alleen advies geeft

Een gewone automatisering werkt vooral op vaste regels en voorspelbare input. Een AI agent kan ook ongestructureerde input interpreteren, context meewegen en op basis daarvan de volgende stap kiezen. Daardoor is hij bruikbaarder voor e-mails, documenten en variabele aanvragen.

Dat hangt af van het proces dat je wilt automatiseren. Voor leadopvolging met scoring en nurturing is dat de leadopvolging-agent, voor de volledige salescyclus tot afspraak de sales-agent, voor telefoongesprekken de voice-agent, voor het uitlezen en boeken van facturen of formulieren de documentverwerkings-agent, en voor handelingen in een systeem zonder API een RPA-bot met AI-laag. In de intake bepalen we op basis van proces, volume en risico welke variant het meeste rendement geeft. Vaak start je met één use-case en breidt dezelfde architectuur later uit naar de volgende.

Een eerste afgebakende use-case start meestal vanaf €7.500 eenmalig of vanaf €597 per maand bij modulaire procesautomatisering. De exacte investering hangt af van de workflow, databronnen, koppelingen en gewenste controlelagen.

Bij een duidelijke use-case en beschikbare systemen vaak binnen 2 tot 4 weken. We starten meestal met één proces zodat livegang snel kan plaatsvinden en het resultaat direct meetbaar wordt.

Een eerste afgebakende use-case is doorgaans binnen 2 tot 4 weken live: proceskeuze en datastromen in kaart, pilot bouwen, schaduwdraaien en daarna livegang met een lage autonomiedrempel. Daarna volgt een periode waarin we op basis van echte output de drempels stap voor stap verhogen. Een tweede of derde proces gaat meestal sneller live, omdat de koppelingen, logging-infrastructuur en autonomiekaders van de eerste agent herbruikbaar zijn.

Ja, dat is juist vaak de kern van het traject. De agent kan gekoppeld worden aan CRM, mailbox, ERP of andere tools zodat informatie niet in een losse AI-omgeving blijft hangen maar terugvloeit naar je operationele proces.

Precies wat je vooraf vastlegt, niet meer: goede AI-agent architectuur draait om duidelijke grenzen per processtap. Lezen, classificeren en voorbereiden — een e-mail categoriseren, een concept opstellen, een leadscore berekenen — mag doorgaans volledig autonoom, net als schrijfacties onder een bedrag- of confidence-drempel, met logging. Boven die drempel, bijvoorbeeld een factuur boven €500, een korting of een contractmail, levert de agent een voorstel dat een medewerker akkoordeert; bij lage confidence of tegenstrijdige data escaleert hij verplicht. Zo houd je snelheid waar het kan en controle waar het moet.

Voor de meeste zakelijke automatiseringen (e-mailtriage, documentverwerking, CRM-updates) valt een AI agent buiten de hoog-risico-categorieën van de AI Act. Wél geldt vanaf 2 augustus 2026 de transparantieplicht uit artikel 50: communiceert de agent rechtstreeks met klanten, dan moeten die weten dat ze met een AI-systeem te maken hebben. Daarnaast bouwen we betekenisvol menselijk toezicht in via de autonomiekaders en volledige logging, zodat elke agent-beslissing achteraf herleidbaar en corrigeerbaar is.

Standaard bouwen we agents op Claude van Anthropic, omdat dat model betrouwbaar gestructureerde output, function-calling en instructie-opvolging levert — precies wat je nodig hebt zodra een agent in je systemen mag schrijven. Waar een specifieke taak of koppeling een ander model vereist, kiezen we dat gericht, maar Claude is ons uitgangspunt.