AI-agents voor het mkb: wat werkt al echt (en wat nog niet)

Kort antwoord: agents die informatie ophalen, samenvatten en een vaste, herhaalde taak uitvoeren, werken vandaag al betrouwbaar — mits er ergens een mens in de lus zit voor alles met gevolgen. Agents die volledig zelfstandig beslissen en handelen, werken in de praktijk nog niet betrouwbaar genoeg voor de meeste mkb-toepassingen. Het verschil zit zelden in het taalmodel zelf — het zit in hoeveel autonomie je het geeft, en of er een rem inzit.

Dat onderscheid is precies waarom de vraag "werken AI-agents al?" geen ja-of-nee-antwoord verdient. Een agent die je mailbox samenvat, werkt uitstekend. Een agent die zelf beslist wélke klant een korting krijgt, is een risico dat wacht op een incident. Dit artikel zet op een rij wat wij in de praktijk zien werken, wat nog niet, en hoe je als mkb-bedrijf begint zonder in beide valkuilen te trappen.

Wat een agent anders maakt dan een chatbot

Een chatbot beantwoordt een vraag binnen één gesprek en is klaar. Een agent krijgt een taak, niet een vraag: hij bepaalt zelf welke stappen nodig zijn, gebruikt gereedschap (zoeken, een document lezen, een API aanroepen, een berekening maken) en werkt toe naar een resultaat over meerdere stappen. Dat vermogen om zelf een pad te kiezen is precies wat een agent nuttig maakt — en precies waar het risico ontstaat zodra niemand meekijkt.

Wat vandaag al echt werkt

Vier categorieën taken zijn in de praktijk rijp genoeg om op te vertrouwen, mits goed ingericht.

1. Documenten doorzoeken en beantwoorden met bron. Een agent die contracten, handleidingen of interne kennis doorzoekt en antwoordt mét verwijzing naar het originele document, is de meest volwassen toepassing die er is — mits de bronvermelding daadwerkelijk geverifieerd wordt en niet alleen overtuigend oogt. Dat verschil leggen we uit in RAG uitgelegd: zo bouw je een AI die niet liegt.

2. Vaste, herhaalde workflows. Een rapport samenstellen, gegevens overzetten tussen systemen, een dagelijkse controle uitvoeren en een samenvatting mailen — dit zijn taken met een voorspelbaar begin en eind, waar een agent nauwelijks hoeft te "beslissen". Hier is het risico laag omdat het pad al vastligt; de agent voert uit, hij improviseert niet.

3. Monitoring die vóórstelt in plaats van uitvoert. Een agent die signalen leest, een diagnose stelt en een voorstel klaarzet voor een mens om goed te keuren, werkt goed — precies omdat hij zelf niets mag muteren. Wij zetten die scheiding tussen redeneren en handelen uitgebreid uiteen in waarom je AI-beheerder niets mag mogen, met twee praktijkvoorbeelden van wat er misgaat zodra die scheiding ontbreekt.

4. Vroeg, afgebakend onderzoekswerk. Openbare informatie verzamelen, een lijst met kandidaten samenstellen, een eerste inschatting maken op basis van zichtbare kenmerken — werk dat voorheen een ochtend kostte, kan een agent in minuten voorbereiden. De uitkomst is een concept dat een mens beoordeelt, geen definitief besluit.

Wat nog niet (goed) werkt

Drie patronen zien we structureel misgaan, en ze hebben allemaal dezelfde oorzaak: te veel autonomie, te weinig rem.

Volledig zelfstandige besluitvorming. Een agent die zonder tussenstap een handeling met gevolgen uitvoert — een systeem herstarten, een e-mail versturen naar een klant, een uitgave doen — mist het menselijke oordeel dat randgevallen opvangt. Niet omdat het model slecht redeneert, maar omdat een plausibele diagnose iets anders is dan een correcte diagnose, en het verschil pas zichtbaar wordt als er al iets is gebeurd.

Geheugen dat stopt bij de sessie. Een agent die elke ochtend blanco begint, herhaalt fouten die de vorige sessie al had opgelost en kost dubbel: eerst om de kennis op te bouwen, dan om hem opnieuw te reconstrueren. Zonder een aparte geheugenlaag blijft een "team van agents" in de praktijk een groep losse gesprekken. Meer hierover in waarom je AI-agents elke sessie opnieuw beginnen.

Kosten die niemand kan verklaren. Agent-werk sleept bij elke stap context, geschiedenis en opgehaalde documenten mee — en die invoer groeit naarmate een taak langer duurt. Zonder registratie per aanroep weet je pas aan het einde van de maand dát het duur was, nooit waardoor. Wij leggen uit hoe je dat wél zichtbaar maakt in wat kost een AI-agent nou echt?.

De vraag is niet "kan de agent dit", maar "wat gebeurt er in het ene procent van de gevallen waarin hij het mis heeft — en wie merkt dat dan op".

Hoe je als mkb-bedrijf begint

De volgorde die in de praktijk werkt, is bijna altijd hetzelfde. Begin met één afgebakende taak die nu handmatig gebeurt, waarvan de uitkomst controleerbaar is — geen "automatiseer ons klantcontact", maar "vat inkomende facturen samen in een vast formaat". Zet er een mens in de goedkeuringslus voor alles wat verder gaat dan informatie klaarzetten. Meet vanaf dag één de kosten per taak, niet pas als de rekening tegenvalt. En breid pas uit naar een volgende taak als de eerste een tijdje zonder verrassingen heeft gedraaid.

Dat is minder spannend dan de beloftes op een productpagina, en precies daarom betrouwbaarder. Een agent die drie dingen goed doet en de rest weigert, is bruikbaarder dan een agent die alles probeert en af en toe faalt op een manier die niemand op tijd ziet.

Conclusie

AI-agents zijn geen alles-of-niets-technologie. Voor gestructureerd, herhaald en controleerbaar werk zijn ze vandaag al een reëel alternatief voor handwerk. Voor zelfstandige besluitvorming met gevolgen zijn ze dat nog niet — en de bedrijven die daar nu al op vertrouwen, ontdekken dat meestal via een incident in plaats van via een evaluatie. Begin klein, houd een mens in de lus, en meet wat het kost. De rest volgt.