AI-agent bouwen: no-code, framework of maatwerk?

In 2024 was een AI-agent bouwen voorbehouden aan tech-giganten met dedicated ML-teams. In 2026 bouwt een MKB-bedrijf met twee developers een agent die 80% van de klantvragen afhandelt. Dat is geen marketingclaim — het is het directe gevolg van open-source frameworks, betaalbare LLM-API's en een ecosysteem dat in twee jaar tijd van experimenteel naar productiegereed is gegroeid. Volgens Intuz heeft 68% van de enterprise-ontwikkelteams in 2026 de stap gemaakt van passieve AI-assistenten naar autonome agentsystemen die plannen, redeneren en taken uitvoeren.

In het Nederlandse MKB loopt dat achter. De KvK (2025) meet dat 2 tot 3 procent van de bedrijven AI structureel heeft ingebed, terwijl het CBS (AI Monitor 2024) meldt dat 22,7 procent ermee experimenteert. Die kloof tussen proberen en inbedden is precies waar de keuzes in dit artikel over gaan.

Dit artikel gaat over zelf bouwen: welke route past bij je situatie, welk framework kies je, wat kost het, hoeveel autonomie geef je de agent en hoe voorkom je dat hij onzin uitkraamt tegen je klanten. Wil je het liever uitbesteden, dan lees je op onze dienstpagina AI-agents wat dat inhoudt en kost — dit artikel is dan het technische startpunt voor dat gesprek. In onze complete gids over AI-automatisering staat hoe een agent past in je bredere automatiseringsstrategie.

Na het lezen weet je:

• Welke van de drie bouwroutes past bij je budget en technische situatie
• Welk framework je kiest en waarom
• Wat een agent realistisch kost, eenmalig en per maand
• Hoeveel autonomie je verantwoord kunt geven
• Wat de AI Act-transparantieplicht concreet van je vraagt

Wat betekent een AI-agent bouwen in de praktijk?#

Een AI-agent is software die zelfstandig taken uitvoert door waarneming, redenering en actie te combineren. In de praktijk komt dat neer op drie componenten die je bouwt en aan elkaar koppelt.

De LLM als denkmotor. Het taalmodel (Claude, GPT-4, Gemini of een open-source variant) interpreteert invoer, redeneert over de volgende stap en formuleert output. Je kiest en configureert het model, schrijft de systeemprompts en bepaalt de parameters.

Tools en integraties. De agent heeft handen nodig: API-koppelingen met je CRM, ERP, e-mailsysteem of database. Zonder tools is een agent niet meer dan een chatbot. De kwaliteit van je integraties bepaalt of een agent taken kán uitvoeren of alleen tekst genereert. Lees meer over dat integratiewerk in ons artikel over API-koppelingen laten maken.

Orchestratielogica. De lijm: code die bepaalt wanneer de agent welke tool aanroept, hoe foutafhandeling werkt, wanneer er wordt geëscaleerd naar een mens en hoe het geheugen tussen sessies wordt beheerd. Frameworks als LangGraph modelleren dit als een directed graph; CrewAI organiseert het als een team van specialisten.

Het verschil met een gewone chatbot zit dus niet in het taalmodel — dat is hetzelfde. Het zit in de orchestratielaag en de toolintegraties eromheen. Heb je alleen een gespreksinterface nodig die vragen beantwoordt zonder in systemen te schrijven, dan bouw je geen agent maar een AI-chatbot: minder bouwwerk, sneller live, en voor veel klantvragen ruim voldoende.

Eén terminologische nuance voordat je begint te bouwen: "AI-agent" en "agentic AI" zijn niet hetzelfde. Agentic AI is het principe — AI die zelfstandig een doel nastreeft door te plannen, uit te voeren, te evalueren en bij te sturen in een reasoning-loop (in de vakliteratuur de ReAct-cyclus: observeren, redeneren, handelen, evalueren). De AI-agent is de concrete software-implementatie daarvan.

Dat onderscheid bepaalt hoeveel je bouwt. Een taakgerichte agent voert één afgebakende opdracht uit ("classificeer dit ticket en routeer het"). Een volledig agentic systeem krijgt een doel ("los tickets binnen twee uur op") en bepaalt zelf de stappen, tools en escalaties. Hoe verder je richting dat tweede model schuift, hoe zwaarder je orchestratielaag, foutafhandeling en guardrails moeten zijn.

Welke typen AI-agents zijn relevant voor het MKB?#

Niet elke AI-agent is even complex. De keuze hangt af van het proces dat je automatiseert en de mate van autonomie die je nodig hebt.

Klantenservice-agents beantwoorden vragen, zoeken orderstatussen op en escaleren naar een medewerker wanneer het buiten hun kaders valt. Relatief eenvoudig te bouwen omdat de scope afgebakend is en er doorgaans een kennisbank als databron dient. Komen die vragen telefonisch binnen, dan bouw je in plaats van een chatinterface een AI-voice-agent die het gesprek voert.

Dataverwerking-agents lezen facturen, classificeren documenten, extraheren gegevens uit ongestructureerde bronnen en voeren ze in je systemen in. De complexiteit zit in de variatie van inputformats en de validatielogica.

Salesondersteuning-agents kwalificeren leads, verrijken contactgegevens met externe data, stellen gepersonaliseerde follow-ups op en plannen afspraken. Vereisen koppelingen met CRM en agenda-systemen. In onze aanpak heet zo'n agent een AI-sales-agent.

Workflow-automatisering-agents orkestreren complete bedrijfsprocessen: van orderintake tot facturatie, van klacht tot oplossing. De meest complexe categorie, omdat ze meerdere systemen aansturen en met uitzonderingen moeten omgaan.

Welke bouwroute kies je: no-code, framework of maatwerk?#

De bouwroute bepaalt je kosten, doorlooptijd en hoeveel controle je houdt. Kies te licht en je agent loopt vast op je uitzonderingen; kies te zwaar en je betaalt voor flexibiliteit die je nooit gebruikt.

No-code builders zoals Lindy, Zapier, Make of het open-source n8n laten je een agent visueel samenklikken. Je koppelt je systemen, uploadt een kennisbank en test in een middag. Wil je een AI-agent maken met Claude, Copilot, ChatGPT of Gemini, dan zit je in dezelfde categorie: de agentfuncties ín die chat-assistenten zijn no-code en blijven binnen de tool tot je ze aan je eigen systemen koppelt. Ideaal om te leren wat een agent voor je kan doen, en prima voor afgebakende taken. De beperking: zodra je proces veel uitzonderingen of diepe integraties kent, loop je tegen de grenzen van het platform aan.

Frameworks zoals LangGraph, CrewAI of de Claude Agent SDK zijn code-gebaseerd. Ze geven een ontwikkelaar volledige controle over orchestratie, foutafhandeling en integraties, zonder alles vanaf nul te schrijven. Dit is de route voor agents die echt onderdeel worden van je bedrijfsproces.

Maatwerk zonder framework is de zwaarste route: alles zelf bouwen voor maximale controle of unieke eisen. Zelden nodig voor het MKB, tenzij je een agent als product verkoopt.

Ons advies is vrijwel altijd om met een no-code proof-of-concept te beginnen, ook als de eindoplossing maatwerk wordt. Je leert in twee weken meer over je eigen proces dan in twee maanden vergaderen.

Hoe vergelijk je de belangrijkste frameworks?#

Kies je de framework-route, dan bepaalt de frameworkkeuze hoeveel controle je hebt, hoe steil de leercurve is en hoe gemakkelijk je agent in productie draait. Hieronder de vijf meest relevante opties in 2026, beoordeeld op criteria die voor MKB-projecten het zwaarst wegen.

LangGraph is de opvolger van LangChain's agent-module en modelleert workflows als directed graphs. Elke node is een functie of subagent, elke edge een transitie. Het biedt de meeste controle maar vereist ook de meeste technische kennis. LangGraph heeft het rijkste ecosysteem: via LangChain zijn er honderden voorgebouwde tool-integraties beschikbaar.

CrewAI neemt een andere aanpak: je definieert agents als teamleden met een rol, achtergrondverhaal en specifieke taken. Dat maakt het intuïtiever voor niet-technische stakeholders om mee te denken over de agentarchitectuur. De beperking zit in flexibiliteit bij niet-standaard workflows.

Claude Agent SDK van Anthropic biedt een compacte SDK waarmee je agents bouwt die direct beschikken over ingebouwde tools voor bestandsbeheer, code-uitvoering en meer. De officiële documentatie beschrijft het als een library die de agent-loop binnen je eigen proces draait — geen apart proces of server nodig.

Vuistregel: voor de meeste MKB-projecten is CrewAI het snelste startpunt. Heb je complexe, stateful workflows met veel vertakkingen? Dan loont LangGraph. Werk je al in het Anthropic-ecosysteem? Dan is de Claude Agent SDK de meest pragmatische keuze.

Met welke use-case begin je?#

Kies als eerste use-case een taak die veel voorkomt, duidelijk is afgebakend en een lage foutimpact heeft. Dat is de combinatie waarmee je snel waarde bewijst zonder een risico te nemen dat je niet kunt overzien. Begin nooit met je meest kritische of meest zichtbare proces — daar is de tolerantie voor kinderziektes het laagst.

Goede eerste kandidaten in het MKB: inkomende e-mail classificeren en routeren, gegevens uit facturen of formulieren halen, veelgestelde klantvragen beantwoorden vanuit een kennisbank, of leads verrijken en kwalificeren. Wat die taken delen: het resultaat is controleerbaar, de scope is klein, en een fout kost je een correctie, geen klant.

Waarmee je juist níét begint: alles wat direct geld verplaatst, klantcommunicatie zonder controle, of beslissingen met juridische gevolgen. Die kunnen later, als je governance op orde is.

Een handige toets: kun je in één zin uitleggen wat "goed" en "fout" is voor deze taak? Zo niet, dan is de use-case nog te vaag om een agent op los te laten. Zoek je die eerste use-case breder dan alleen agents, lees dan hoe je bedrijfsprocessen automatiseren aanpakt — daar staat de inventarisatie waarmee je kandidaten vindt en scoort.

Hoe ziet het bouwproces van een AI-agent eruit?#

Een AI-agent bouwen volgt zes stappen die deels overlappen met reguliere web-app-ontwikkeling en met het bredere AI-implementatie stappenplan, maar op cruciale punten afwijken — met name bij testen en monitoring.

Stap 1: Scope en doelbepaling (week 1)#

Definieer precies welk proces de agent overneemt, welke systemen hij nodig heeft en waar de grens ligt tussen autonoom handelen en menselijke escalatie. Hoe specifieker, hoe beter.

"Een HR-assistent" is te vaag. "Een agent die verlofaanvragen afhandelt door het saldo te checken, de manager te notificeren en de goedgekeurde aanvraag in het HR-systeem te boeken" is een werkbare scope. Volgens Blis Digital is een specifiek en meetbaar probleem de belangrijkste succesfactor.

Stap 2: Route, framework en modelkeuze (week 1-2)#

Kies je bouwroute en framework op basis van de tabellen hierboven. Kies je LLM op drie factoren: taalkwaliteit in het Nederlands, kosten per API-aanroep en de snelheid die je nodig hebt. Voor zakelijk Nederlands scoren Claude Sonnet en GPT-4o het beste op de balans tussen kwaliteit en kosten.

Stap 3: Integraties bouwen (week 2-4)#

Hier zit het meeste ontwikkelwerk. Elke tool die je agent kan aanroepen — CRM-lookup, e-mail versturen, database-query, documentgeneratie — vereist een API-koppeling met foutafhandeling, authenticatie en rate limiting. Plan hiervoor minimaal de helft van je ontwikkelbudget in.

Stap 4: Prompt engineering en orchestratie (week 3-5)#

Schrijf de systeemprompts die het gedrag van je agent definiëren. Dit is geen eenmalige handeling: je itereert tientallen keren op basis van testresultaten. De orchestratielogica bepaalt de volgorde van stappen, de fallback-paden en het geheugenmanagement.

Stap 5: Autonomiegrenzen, guardrails en testen (week 4-6)#

Leg vast wat de agent zelf mag afhandelen en wanneer hij escaleert (zie de Autonomieladder hieronder). Hier wijkt AI-ontwikkeling fundamenteel af van klassieke software: naast functionele tests heb je evaluatietests nodig die controleren of de agent correcte, consistente en veilige output genereert.

AWS beschrijft vier technieken om hallucinaties te voorkomen: Graph-RAG voor feitelijke grounding, semantische toolselectie, neurosymbolic guardrails voor bedrijfsregels en multi-agent validatie waarbij agents elkaars output controleren. Test minimaal honderd scenario's voordat je live gaat — inclusief randgevallen en bewust foute invoer.

Stap 6: Deployment, monitoring en beheer (week 5 en verder)#

Een AI-agent is nooit "af". Draai eerst mee náást je bestaande proces (shadow-modus), meet de foutmarge, en breid de autonomie pas uit als de cijfers kloppen. Na livegang monitor je responstijden, foutpercentages, escalatiefrequentie en de kwaliteit van gegenereerde output.

Plan structureel 10-15% van het oorspronkelijke budget per jaar voor onderhoud, modelupdates en prompt-optimalisatie. Dat is de post die het vaakst wordt vergeten en het vaakst de reden is dat een agent na een half jaar stilletjes wordt uitgezet. Heb je die capaciteit niet structureel in huis, dan is managed AI het alternatief: monitoring, modelupdates en bijsturing als doorlopende dienst in plaats van een project dat na oplevering stilvalt.

Wat mag een AI-agent zelfstandig doen?#

Een AI-agent mag zelfstandig handelen naarmate de impact van een fout kleiner en beter herstelbaar is — en menselijke controle blijft nodig zodra er klant-, geld- of juridische gevolgen aan een actie hangen. Een agent zonder grenzen is geen efficiëntiewinst maar een risico: taalmodellen kunnen hallucineren, en dat gebeurt onaangekondigd.

Om die afweging concreet te maken gebruiken we de Autonomieladder: vier niveaus die je per taak toekent, zodat je bewust kiest hoeveel je uit handen geeft.

De praktische regel: begin elke nieuwe taak op niveau 1 of 2, en klim pas een trede hoger als de meetcijfers dat rechtvaardigen. Voor alles met klant- of financiële impact bouw je een human-in-the-loop-stap in — een moment waarop een mens goedkeurt.

Leg daarnaast elke actie vast in een audit-log, zodat je achteraf kunt herleiden wat de agent deed en waarom. Zonder die traceerbaarheid is opschalen onverantwoord — en straks ook niet meer toegestaan.

Wat betekent de EU AI Act voor je AI-agent?#

Sinds 2 augustus 2026 moet je gebruikers duidelijk laten weten wanneer ze met een AI-systeem communiceren. Dat is de kern van de transparantieplicht uit artikel 50 van de EU AI Act, en die geldt ongeacht het risiconiveau van je toepassing — dus ook voor een eenvoudige klantenservice-agent.

Concreet betekent dat het volgende. Een chatbot of AI-telefoonassistent moet bij het eerste contact melden dat de gebruiker met een machine praat, bijvoorbeeld met een openingszin als "je chat met een AI-assistent". Een aparte pop-up is niet nodig, maar de melding moet direct zichtbaar zijn. De uitzondering: het hoeft niet als het voor een normaal oplettende persoon al overduidelijk is.

Realistische AI-gegenereerde beelden, video en deepfakes moeten herkenbaar zijn als kunstmatig; de meeste bewerkte tekst hoeft dat niet, tenzij het om publieke aangelegenheden gaat.

Voor het gros van de MKB-agents is dit volgens branchebronnen zoals WerkenmetAI (2026) "een middag werk, geen groot compliancetraject". Bouw de disclosure bij het ontwerp al in, dan is het geen los eindje achteraf.

Let op: gebruik je een agent voor HR-selectie of kredietbeoordeling, dan val je in de categorie hoog risico met zwaardere eisen. Bij twijfel is de vuistregel simpel: wees eerlijk dat er AI in het spel is.

Wat kost een AI-agent bouwen?#

De kosten hangen af van drie variabelen: complexiteit van het proces, aantal integraties en de gewenste mate van autonomie — want meer autonomie vraagt meer testwerk en guardrails. Onderstaande tabel geeft realistische bandbreedtes op basis van Nederlandse markttarieven.

Volgens OpenKlauw beginnen eenvoudige implementaties vanaf €1.500, maar stijgen de kosten snel zodra je meerdere systemen koppelt of complexe beslislogica nodig hebt.

De maandelijkse API-kosten zijn vaak een verrassing. Ze liggen doorgaans rond €0,01 tot €0,10 per aanroep — verwaarloosbaar bij lage volumes, maar bij een agent die dagelijks honderden verzoeken verwerkt lopen ze op tot honderden euro's per maand. De publieke instapprijzen van no-code platforms lopen in 2026 uiteen van rond €20 (Lindy, MindStudio) tot €79 en hoger (Zapier, Botpress), vaak exclusief modelkosten.

De terugverdientijd verschilt per use case. Een klantenservice-agent die 40% van de tickets afhandelt, bespaart bij een team van drie servicemedewerkers al snel €2.000-4.000 per maand aan directe loonkosten — exclusief de verbeterde responstijd en klanttevredenheid.

Ter oriëntatie het model dat wij zelf hanteren: CleverTech AI bouwt AI-agents voor €2.500 setup plus €350 per maand, waarbij een basis agent binnen 1 tot 2 weken operationeel draait. Dat zit in de bandbreedte van de eenvoudige tot middelzware agents hierboven, met dit verschil: modelgebruik, hosting, monitoring en onderhoud zitten in het maandbedrag in plaats van dat ze als aparte posten terugkomen.

Zelf bouwen, uitbesteden of kopen?#

Niet elk bedrijf moet een agent van scratch bouwen. De afweging draait om drie routes en de vraag waar het risico zit.

Bouw zelf wanneer je minimaal een senior developer hebt met ervaring in Python of TypeScript, bekendheid met LLM-API's en de capaciteit om het project drie tot zes maanden te onderhouden na livegang. De totale kosten zijn lager, maar de doorlooptijd is langer en het risico bij personeelswisselingen groter. Voor een eerste no-code proof-of-concept geldt deze drempel niet — die kun je vrijwel altijd zelf doen.

Besteed uit wanneer je geen AI-ervaring in huis hebt, snel live wilt, of het project complexe integraties met meerdere systemen vereist. Nederlandse bureaus rekenen doorgaans €100-150 per uur; een middelgroot agentproject kost 200-400 uur, wat neerkomt op €20.000-60.000. Zorg dat je het intellectueel eigendom contractueel vastlegt — een punt dat we uitgebreid behandelen in onze gids over maatwerk software. Wat een traject bij ons inhoudt, staat op de dienstpagina AI-agents.

Koop kant-en-klaar wanneer een 80%-fit voldoende is, het budget beperkt is, de ROI nog onduidelijk, of standaard SaaS-oplossingen (Intercom, Zendesk AI, Salesforce Agentforce) je scenario afdekken.

In onze gids over maatwerk software behandelen we het Build-or-Buy Canvas: een scoringsmodel dat helpt om rationeel te kiezen. De conclusie voor AI-agents is vergelijkbaar: Turing adviseert te bouwen wanneer de agent core is voor je differentiatie, en te kopen wanneer het een ondersteunende functie betreft. Forrester voorspelt dat 75% van de bedrijven die zelf complexe agentsystemen bouwen daarin faalt — doorgaans door onderschatting van de vereiste expertise en onderhoudslast.

Welke valkuilen moet je kennen bij het bouwen?#

Drie problemen doen de meeste AI-agent-projecten ontsporen.

Hallucinaties beheersen. Een agent die zelfstandig klantcontact heeft, mag geen verzonnen informatie presenteren als feit. De oplossing is een combinatie van RAG (Retrieval Augmented Generation) om de agent te gronden in je eigen data, strikte systeemprompts die het model instrueren om "ik weet het niet" te zeggen bij onzekerheid, en een validatielaag die output controleert voordat het de gebruiker bereikt.

Prompt engineering onderschatten. De meeste projecten besteden 60% van hun tijd aan code en integraties en 10% aan prompts. In de praktijk bepalen je prompts 80% van de agentkwaliteit. Plan hiervoor structureel tijd in en behandel prompts als code: versiebeheer, review en geautomatiseerde tests.

Testen als traditionele software. Klassieke unit tests controleren of code correct draait. Bij AI-agents moet je ook de kwaliteit van niet-deterministische output testen. Dat vereist evaluatiesets met verwachte antwoorden, geautomatiseerde scoring en continue monitoring in productie. Een LLM-as-judge-patroon — waarbij een tweede model de output van het eerste beoordeelt — is in 2026 de standaard evaluatiemethode.

Welke trends bepalen 2026 en verder?#

Drie ontwikkelingen veranderen de manier waarop bedrijven AI-agents bouwen.

Multi-agent systemen. In plaats van een enkele agent die alles doet, werken gespecialiseerde agents samen. Een orkestratie-agent verdeelt taken over een classificatie-agent, een database-agent en een communicatie-agent. Volgens TechZine reduceren multi-agent systemen de doorlooptijd van complexe taken met een factor 3,4 vergeleken met single-agent workflows.

Agentic RAG. De combinatie van agents met RAG-technologie maakt het mogelijk om agents te gronden in je eigen bedrijfsdata zonder het model te hertrainen. De agent doorzoekt je documenten, contracten of kennisbank en baseert zijn antwoorden op actuele, bedrijfsspecifieke informatie. Free Academy noemt agentic RAG het standaardpatroon voor productie-AI in 2026.

Tool-use standaardisatie. Het Model Context Protocol (MCP) van Anthropic en Google's Agent-to-Agent Protocol (A2A) standaardiseren hoe agents met externe tools communiceren. Dat betekent minder maatwerk-integratiecode en snellere implementaties — vergelijkbaar met hoe REST API's de webontwikkeling standaardiseerden.

De eerste stap#

Een AI-agent bouwen is in 2026 geen raketwetenschap meer, maar het is ook niet triviaal. De technologie is volwassen, de frameworks zijn productiegereed en de kosten zijn bereikbaar voor het MKB.

De sleutel zit in een scherpe scopeafbakening, een bewuste routekeuze en de discipline om grondig te testen voordat je een agent op je klanten loslaat. Begin met het saaiste, meest repetitieve proces in je organisatie, zet het op een laag autonomieniveau, meet vier weken, en schaal pas op als de cijfers kloppen.

Wil je liever niet zelf bouwen? Op onze dienstpagina AI-agents lees je wat een traject inhoudt, wat het kost en hoe snel een eerste agent draait. Twijfel je nog welk proces zich het beste leent, doe dan eerst de gratis AI-scan — die brengt in tien minuten in kaart waar je grootste kans ligt. En wil je het bredere plaatje, dan staat dat in onze complete gids over AI-automatisering.