Wat gebeurt er onder de motorkap van een AI-agent?
Bart de Peuter, Oprichter · Gepubliceerd op · Bijgewerkt op · 4 min lezen
Onder de motorkap van een AI-agent werken vier onderdelen samen. Een taalmodel is het brein, tools zijn de koppelingen met je systemen, context bepaalt wat hij mag en kennis bevat je prijzen en afspraken. Het brein maakt een plan en de tools voeren het uit. Daardoor maakt een agent een taak echt af, waar een chatbot alleen tekst teruggeeft.
Vier onderdelen die samen een agent maken
Een AI-agent is meer dan een chatbot in een ander jasje. Onder de motorkap zitten vier onderdelen die pas samen het echte werk mogelijk maken.
Het eerste is het brein: een groot taalmodel, ook wel LLM genoemd. Dit is precies het soort model dat achter ChatGPT en Claude zit, en dat de meeste mensen inmiddels wel kennen. Het leest de opdracht, bepaalt welke stappen nodig zijn en kijkt na elke stap of het resultaat klopt. Maar op zichzelf komt er niets meer uit dan tekst. Vraag zo’n model om je administratie bij te werken en je krijgt een keurige uitleg van hoe jij dat zou moeten doen, terwijl er in je systemen niets verandert. Het denkt en schrijft, maar het heeft geen handen om iets aan te raken.
Het tweede onderdeel zijn de tools. Dat zijn de handen van de agent: de koppelingen naar jouw systemen. Je mailbox, je ERP, je CRM, je boekhoudpakket, een database. Via die tools kan de agent daadwerkelijk iets doen. Een inkooporder aanmaken, een orderbevestiging sturen of een leverdatum opzoeken, in plaats van jou uit te leggen hoe jij het moet doen.
Het derde is context: wie ben ik en wat mag ik. De agent weet welke rol hij heeft, welke stappen hij zelfstandig mag zetten en waar hij moet stoppen om een mens te laten meekijken. Het vierde onderdeel is data en kennis: wat is dit voor bedrijf. Jullie prijzen, jullie afspraken, jullie procedures, de handelwijze die normaal in het hoofd van een ervaren collega zit.
Zo werkt dit in de praktijk
Stel je runt een bedrijf in de metaalindustrie en je geeft een agent de opdracht: verwerk alle inkomende bestelbevestigingen van deze week en zet de afwijkende leverdata apart. De agent doet dat niet in één beweging, maar hakt de opdracht op in kleine stappen die hij één voor één afwerkt.
Het brein maakt een plan. Het opent de mailbox via een tool, leest de bevestigingen uit, vergelijkt de beloofde leverdata met de datums die in jullie planning staan, werkt het ERP bij via de koppeling en zet een bevestiging die niet klopt apart voor de inkoper. Na elke stap kijkt de agent naar het resultaat en bepaalt of hij verder kan of iets moet corrigeren. Dat proces van plannen, doen en beoordelen herhaalt zich tot de taak af is.
Hier zit het praktische verschil met een gewone chatbot. Een chatbot geeft je een antwoord in tekst dat je daarna zelf moet uitvoeren. Een agent zet zijn plan om in concrete opdrachten aan je software, bijvoorbeeld de functie die een order aanmaakt of een status wijzigt, en voert die handeling zelf uit. Voor riskante stappen, denk aan een betaling of een mail naar een klant, bouw je verstandig een menselijke goedkeuring in.
Waarom dit een paar jaar geleden nog niet kon
AI bestaat langer dan de hype doet vermoeden. Het helpt om drie golven van elkaar te onderscheiden. De eerste golf was klassieke AI: modellen die patronen herkennen in data. Denk aan een model dat voorspelt wanneer een machine onderhoud nodig heeft, of dat afwijkingen in productiecijfers opspoort. Krachtig, maar het kon geen taal begrijpen en geen open opdracht uitvoeren.
De tweede golf was generatieve AI, de golf die ChatGPT groot maakte. Ineens kon een model taal begrijpen en tekst produceren. Wat die golf nog miste waren de tools en de koppelingen naar jouw systemen. Deze assistenten konden meedenken en adviseren, maar kwamen niet in beweging. Je vroeg om een offerte-opzet en kreeg een prima concept terug, waarna het inboeken, versturen en opvolgen alsnog handwerk bleef.
De derde golf is agentic AI, en dat is waar het nu over gaat. Hetzelfde slimme brein, maar nu met tools, context en toegang tot je bedrijfskennis eromheen. Daardoor kan een agent een taak van begin tot eind afronden binnen jouw omgeving. Dat is de sprong van adviseren naar doen.
Wat dit betekent voor de manier van werken
Bij Repetive maken we agents met precies deze vier bouwstenen, en de meeste tijd gaat niet naar het brein. Het model is er al. Het echte werk zit in de tools koppelen aan jouw systemen, de context scherp krijgen en de kennis van je bedrijf goed vastleggen. Juist dat laatste bepaalt of je een agent krijgt die generieke praatjes verkoopt of een die weet hoe het bij jullie op de werkvloer werkt.
Daar zit ook gelijk een uitdaging. Een agent is zo goed als de kennis en de afspraken die je meegeeft. Als jullie procedures nergens zijn vastgelegd en elke medewerker een klus net even anders aanpakt, dan heeft de agent niets om op te leunen. Werk dat elke keer om oordeel en overleg vraagt en zelden hetzelfde verloopt, kun je beter met de hand blijven doen.
De vuistregel die wij hanteren: gaat het om werk dat meer dan twintig uur per week op vergelijkbare wijze terugkomt en volgens een vaste logica of stappenplan verloopt, dan is de kans groot dat een agent het grootste deel eruit haalt. Herhalend, gestructureerd en helder afgebakend, daar komt een agent tot zijn recht. Vaag en telkens anders, daar niet.
Zo loopt de Inkoop-agent de bestelbevestigingen van je leveranciers na en zet hij afwijkende leverdata apart voor je inkoper.
Veelgestelde vragen
ChatGPT geeft je tekst terug die je zelf nog moet uitvoeren, een AI-agent voert de taak zelf uit. De agent gebruikt hetzelfde soort taalmodel als brein, maar heeft daarnaast tools, context en toegang tot je bedrijfskennis. Zo verwerkt hij bijvoorbeeld een orderbevestiging of werkt hij een leverdatum in je ERP bij. Kort gezegd: een chatbot adviseert, een agent doet.
