Agentic AI: wat een agent mag beslissen, wat het kost en wanneer een chatbot volstaat

Bij Business Center Altena laten we AI elke onderhoudsmelding van huurders indelen op categorie en prioriteit, en we noemen dat bewust géén agentic AI. Agentic AI is software die een doel krijgt en daarna zelf bepaalt welke stappen, welke systemen en welke acties nodig zijn om dat doel te halen, in plaats van alleen een antwoord te geven of één vaste beslissing te nemen. Voor de meeste MKB-processen is dat méér autonomie dan je nodig hebt, en meer dan je wilt betalen: Gartner (juni 2025) verwacht dat ruim 40% van de agentic-AI-projecten vóór eind 2027 wordt stopgezet, door oplopende kosten, onduidelijke waarde of ontbrekende risicobeheersing. Dezelfde analisten schatten dat van de duizenden leveranciers die "agents" verkopen er zo'n 130 echt agentic zijn; de rest doet aan agent washing, het herlabelen van chatbots en RPA-bots.

De vraag die een ondernemer moet beantwoorden is dus niet "wat is agentic AI", maar drie andere: welke beslissingen geef je een agent uit handen, wat kost hij per taak in plaats van per bouw, en wanneer is een chatbot of een vaste workflow gewoon genoeg. De beslisrecht-matrix hieronder is het hulpmiddel dat wij daarvoor bij de scoping van agents gebruiken. Hoe je zo'n agent vervolgens bouwt of laat bouwen staat in ons artikel over een AI-agent bouwen; waar agents passen in je bredere automatiseringsplan lees je in de gids over AI-automatisering.

Chatbot, workflow of agent: drie dingen die allemaal "agent" heten#

Het woord agent wordt in 2026 op drie verschillende systemen geplakt. Het onderscheid komt uit de engineering-notitie Building effective agents van Anthropic (december 2024) en is bruikbaarder dan elke marketingdefinitie: een workflow is een systeem waarin een taalmodel en tools via vooraf vastgelegde codepaden worden aangestuurd; een agent is een systeem waarin het taalmodel zelf bepaalt welke stappen en tools het inzet en de regie houdt over hoe het de taak afmaakt.

Een chatbot valt daar nog onder: die geeft antwoorden en handelt niets af. Wie dat onderscheid scherp heeft, herkent agent washing in de eerste demo.

De eerlijke conclusie van diezelfde notitie: begin met de simpelste oplossing die werkt, en maak een agent alleen als flexibiliteit per geval echt nodig is, omdat je daarvoor betaalt met latency, kosten en voorspelbaarheid.

Terug naar het voorbeeld uit de eerste zin. In het huurdersportaal voor Business Center Altena bepaalt AI van elke onderhoudsmelding de categorie en de prioriteit; de verhuurder zet daarna zelf de werkorder uit bij de aannemer. De stappen liggen vast, het model neemt één beslissing op één plek, en de rest is gewone software. Het werkt juist daarom betrouwbaar, en het modelgebruik per melding is één classificatie-aanroep: centenwerk, geen euro's.

Wat mag een agent zelf beslissen? De beslisrecht-matrix#

Een agent mag zelfstandig beslissen zodra een fout binnen een dag intern terug te draaien is en niemand buiten je bedrijf er last van heeft; in alle andere gevallen stelt hij voor en beslist een mens. Dat is de kern van de matrix hieronder. Hij heeft twee assen: hoe herstelbaar een fout is, en wie de schade draagt. De Autonomieladder in het bouw-artikel bepaalt hóe ver een agent per taak mag gaan; deze matrix bepaalt welke taak daar überhaupt voor in aanmerking komt.

Wat dat in de praktijk betekent:

• Inkomende e-mail sorteren en in het juiste ticket zetten: linksboven, de agent doet het gewoon.
• Plaatst de agent een inkooporder bij je vaste leverancier binnen een gezet budget? Dan handelt hij zelf, met een dagelijkse steekproef.
• Een leverdatum of korting toezeggen aan een klant blijft een voorstel dat een mens goedkeurt.
• Sollicitanten afwijzen of kredietlimieten bepalen doe je niet met een agent; onder de EU AI Act is dat bovendien een hoog-risicotoepassing.

De onderste rij is geen voorzichtigheid maar recht. Naar Nederlands recht is een AI-agent geen rechtssubject: wat hij verklaart wordt toegerekend aan het bedrijf dat hem inzet, via de gewone regels over wil, verklaring en gerechtvaardigd vertrouwen in de artikelen 3:33 en 3:35 BW (JuridischAdviesVoorBedrijven, augustus 2026). Een bestelling die jouw agent plaatst bindt jou dus net zo goed als een bestelling via een browser. Voor chatbots ligt de jurisprudentie er al: in Moffatt v. Air Canada (2024) verweerde de luchtvaartmaatschappij zich met het argument dat de chatbot een aparte entiteit was, en verloor.

Twee toezichthouders vullen dat aan. De Autoriteit Persoonsgegevens waarschuwde in februari 2026 expliciet voor agents met brede rechten op systemen met klant-, personeels- of financiële data: leg per agent vast welke rechten en welke data hij krijgt, en houd altijd menselijk toezicht. En zodra een agent zelfstandig beslist over bijvoorbeeld kredietwaardigheid of toegang tot een dienst, komt artikel 22 AVG in beeld, waarbij de vraag niet is óf er een mens meekijkt maar of die tussenkomst betekenisvol is (Sens Juristen, februari 2026). Onze AI Act-checklist zet op een rij wat je per risicoklasse moet regelen.

Wie in de matrix rechtsonder begint "omdat daar de meeste tijd zit", bouwt precies het project dat Gartner in 2027 ziet sneuvelen. Begin linksboven, meet vier weken, en schuif pas een cel op als de foutmarge dat toelaat.

Wat kost agentic AI echt: niet de bouw, maar het draaien#

De bouwkosten van een agent zijn bekend terrein; de bandbreedtes per type staan in het artikel over agents bouwen. De kostenpost die in 2026 verrast is een andere: de rekening per taak.

Een agent redeneert in lussen, roept tools aan, probeert opnieuw en leest tussenresultaten terug. Elke ronde kost tokens. Volgens EY (juni 2026) steeg de prijs van één interactie daardoor van zo'n $0,04 voor een eenvoudige chat in 2023 naar ongeveer $1,20 voor een georkestreerde agent-taak met tools en redeneerstappen in 2026, een factor dertig. Gartner (augustus 2026) verwacht dat de inferentiekosten per agentic workflow tot 2028 nog ruim vervijfvoudigen: de prijs per token daalt, maar het aantal tokens per taak groeit harder.

Wat dat voor een MKB-bedrijf betekent, in een rekenvoorbeeld met onze eigen aannames:

Drie dingen vallen op. Ten eerste zit tussen workflow en agent bij hetzelfde volume ruim een factor tien tot twintig, en die betaal je elke maand. Ten tweede is modelkeuze per stap de grootste knop: laat een klein model sorteren en samenvatten, en zet het dure model alleen in waar het redeneren echt telt. Ten derde adviseert EY wat wij bij elke agent standaard inbouwen: een uitgavenplafond, een maximum aantal aanroepen per taak en een automatische stop, per agent en per proces.

Ter oriëntatie: ons model voor een basis AI-agent is een eenmalige setup plus een vast maandbedrag inclusief modelgebruik, hosting en monitoring. Dat is houdbaar omdat de scope één afgebakende taak is, met een klein model voor de routinestappen, harde limieten en een volume ver onder de 200 taken per dag uit de tabel. Een agent die "alles mag" past niet in een vast maandbedrag, bij niemand.

Wanneer volstaat een chatbot? Drie vragen#

Een chatbot volstaat zodra het gewenste resultaat een antwoord is en geen handeling. Drie vragen, in deze volgorde, brengen je naar het juiste systeem:

1. Moet er iets gebeuren in een systeem, of is een goed antwoord genoeg? Alleen een antwoord: bouw een AI-chatbot op je eigen kennisbank. Die handelt in onze praktijk 60-70% van de standaardvragen af en staat in weken live.
2. Is de volgorde van stappen vooraf bekend? Ja: bouw een workflow. Factuur ontvangen, gegevens eruit halen, matchen met de inkooporder, boeken, en bij afwijking naar een mens. Dat is het overgrote deel van wat MKB-bedrijven "een agent" noemen, en precies de categorie die Gartner agent washing noemt zodra een leverancier er dat etiket op plakt. Hoe je zulke processen vindt en kiest staat in bedrijfsprocessen automatiseren; ligt de nadruk op klik-en-typ-werk in bestaande schermen, vergelijk dan eerst RPA met AI-automatisering.
3. Verschilt de route per geval, en kost een verkeerde autonome actie minder dan wat de agent per dag bespaart? Pas als beide waar zijn, is een agent de juiste keuze. Is het eerste waar maar het tweede niet, dan bouw je de agent met een goedkeurstap: hij stelt voor, een mens klikt.

Het contra-intuïtieve gevolg: hoe belangrijker het proces, hoe minder agentic je oplossing hoort te zijn. Je wilt juist daar de voorspelbaarheid van een workflow.

Wat schiet een MKB-bedrijf er dan wél mee op?#

Het Nederlandse MKB loopt niet achter op AI in het algemeen: volgens het CBS (december 2025) gebruikt 27% van de bedrijven met 10 tot 50 werkzame personen AI en 45% van de bedrijven met 50 tot 250, beide meer dan verdubbeld sinds 2023. Agents zijn daarbinnen nog zeldzaam. In het wereldwijde State of AI-onderzoek van McKinsey (2025) zegt 23% van de organisaties ergens een agentic systeem op te schalen, maar per bedrijfsfunctie is dat nooit meer dan 10%.

Dat is geen achterstand maar een aanwijzing waar de waarde zit: bij één functie, één taak. De patronen die bij MKB-bedrijven het snelst renderen delen drie eigenschappen: hoog volume, lage foutimpact en een resultaat dat je in één zin kunt controleren.

• Inbox en tickets. Classificeren, samenvatten, bij de juiste persoon zetten, standaardgevallen zelf afhandelen. Linksboven in de matrix, vanaf dag één autonoom.
• Documenten naar systemen. Facturen, pakbonnen, formulieren: gegevens eruit, valideren tegen je ERP of boekhouding, boeken. Meestal een workflow; een agent alleen voor de uitzonderingen.
• Leadopvolging. Een aanvraag kwalificeren, verrijken met openbare bedrijfsdata, een conceptmail klaarzetten. Voorstel, mens keurt goed, want de klant draagt de schade van een misser.

Het rekenvoorbeeld dat wij hanteren: een medewerker die dagelijks zo'n drie uur aan repetitief werk kwijt is, kost daaraan ongeveer €23.100 per jaar; een basis agent die dat deel overneemt kost in jaar één €6.700. Dat verschil is de reden om te beginnen, maar alleen bij een taak die in de matrix linksboven of in het midden valt. Wil je dat voor je eigen situatie doorrekenen, dan doet de ROI-calculator dat in twee minuten.

Wat gebeurt er als je niets doet? In de meeste MKB-bedrijven niets dramatisch: het repetitieve werk blijft bij dezelfde mensen liggen en de vacature blijft openstaan. Het risico zit eerder aan de andere kant, bij bedrijven die in 2026 een brede agent kopen omdat de demo indruk maakte, en in 2027 een afgebroken project en een tokenrekening overhouden.

Hoe je begint#

Kies één taak uit de linkerbovenhoek van de matrix, zet er een agent of workflow op met harde limieten, en laat hem vier weken naast het bestaande proces meedraaien voordat hij iets zelfstandig afhandelt. Meet de foutmarge, de kosten per taak en de tijd die je team terugkrijgt. Pas daarna schuif je een cel op.

Twijfel je welke taak dat moet zijn, dan brengt de gratis AI-scan in tien minuten in kaart waar in jouw bedrijf het meeste repetitieve werk zit. Weet je het al, dan lees je op onze dienstpagina AI-agents wat een traject inhoudt en hoe snel een eerste agent draait, of plan je direct een gesprek. Het stappenplan voor de organisatiekant, van proceskeuze tot borging, staat in AI-implementatie in het MKB en in de complete gids over AI-automatisering.