De agent hype loopt vooruit op de productie eisen

Gartner deelde in juni 2025 een voorspelling die hard binnenkomt: meer dan 40 procent van de agentic AI projecten wordt vóór eind 2027 gecancelled, door escalerende kosten, onduidelijke business waarde of onvoldoende risk controls. In hetzelfde persbericht stelt Gartner vast dat van de duizenden leveranciers die zichzelf vandaag agentic noemen, er slechts circa 130 echt agentic capabilities leveren. De rest doet aan "agent washing": bestaande chatbots, RPA tools en assistenten herverpakt met een nieuw etiket.

Voor het MT betekent dat één ding. De vraag is niet of agents kunnen werken, want dat is technisch inmiddels duidelijk. De vraag is of jullie een agent verantwoord in productie krijgen, zonder dat hij over zes maanden wordt teruggetrokken omdat de kosten ontsporen, de business case nooit landt of de toezichthouder vragen stelt. Het verschil tussen agents die het halen en agents die sneuvelen zit zelden in het model. Het zit in de engineering, het eigenaarschap, de monitoring en het proces eromheen.

Wij draaien die volgorde om. We beginnen klein, maar bouwen vanaf dag één met productie in gedachten. De business case, de data toegang, het eigenaarschap, de audit trail en het kosten model staan vanaf het eerste moment op tafel. Niet als iets dat achteraf moet worden opgelost, maar als startpunt.

‍

Wat een AI agent is, en wat niet

In de markt heet inmiddels van alles een AI agent. Het helpt om scherp te zijn, want zonder afbakening wordt elk gesprek over kosten, governance en haalbaarheid een wassen neus.

Een AI agent neemt zelfstandig stappen in een workflow. Hij interpreteert een vraag of een trigger, redeneert over welke stappen nodig zijn, voert die stappen uit door tools en bronnen aan te roepen, en koppelt het resultaat terug. Hij combineert daarbij vaak een LLM voor het redeneren met toegang tot jullie systemen voor het handelen.

Een chatbot doet dat niet. Een chatbot beantwoordt een vraag, maar voert geen taak uit in jullie processen. RPA doet dat ook niet. RPA volgt een vooraf vastgelegd script, zonder eigen redenering. Een copilot zit ertussenin: hij ondersteunt een mens die zelf de stappen kiest, in plaats van zelfstandig te handelen. Allemaal nuttig, geen van allen een agent.

Het onderscheid maakt uit, want de productie eisen verschillen. Een agent die zelfstandig handelt vraagt om monitoring, controle en eigenaarschap die je bij een chatbot niet nodig hebt. Wie dat verschil niet maakt, betaalt voor enterprise discipline op een chatbot, of zet een agent in productie zonder de controles die hij eigenlijk nodig heeft.

‍

Wat we bouwen

Onze aanpak voor AI agents bestaat uit vier samenhangende onderdelen. Soms doen we ze allemaal, soms één. We werken vanaf dag één met jouw mensen mee en dragen kennis over, zodat jullie het straks zelf kunnen.

Agents ontworpen vanuit de business case

Een agent begint bij de taak, niet bij het model. Welk besluit of welke handeling rechtvaardigt een autonome stap? Welke schaal heeft die taak, welke kosten zitten eraan vast, welke fout is acceptabel en welke niet? Pas als die vragen scherp zijn, kies je het patroon en de tooling eronder.

Veel pilots stranden hier al, voordat er ook maar één regel code is geschreven. Een interessante demo blijkt geen taak te raken waar de business iets aan heeft, of raakt een taak waar een eenvoudigere oplossing goedkoper en stabieler was geweest. Wij vragen door tot de business case staat. Soms is de uitkomst dat een agent het juiste antwoord is, soms dat een RPA flow of een simpel script meer waarde levert. Allebei zeggen we hardop.

Agents die werken met jullie data en jullie systemen

Een agent zonder toegang tot jullie ERP, CRM, kennisbronnen en datamodel is een demo, geen werkkracht. Wij bouwen agents die op de juiste manier met die bronnen verbonden zijn, met de juiste rechten, audit logging en versiebeheer.

Voor agents die antwoorden geven op data vragen geldt iets extra. Die agents praten met jullie datamodel, niet met jullie dashboards. Klopt de business logica in dat model, dan klopt het antwoord. Klopt het niet, dan krijg je overtuigende onzin. Hoe wij die laag bouwen lees je op onze pagina over data modelleren, en hoe we daar onder een stevig fundament leggen op onze pagina data engineering.

Menselijke controle en eigenaarschap ingebouwd

Een agent die autonoom handelt zonder dat iemand in de business eigenaar is, is geen asset. Het is een risico op poten. Wij beleggen eigenaarschap per agent bij iemand die de business kent, niet bij IT alleen. Daaromheen bouwen we de controles die bij de taak horen: human in the loop waar het besluit dat rechtvaardigt, audit trail die traceerbaar maakt wat de agent heeft gedaan, escalatie routes voor uitzonderingen.

Voor agents die in HR, finance, kredietverlening of klantbeoordeling werken vallen die controles bovendien onder de AI Act. Hoog risico systemen vragen om uitlegbaarheid, documentatie en menselijk toezicht. Wij bouwen die eisen vanaf dag één in, zodat de agent niet halverwege moet worden teruggetrokken omdat de juridische afdeling alsnog vragen stelt.

Agents in productie, niet in proof of concept

Het verschil tussen een agent die werkt in een demo en een agent die draait in productie zit in een paar disciplines die in pilot fase vaak worden overgeslagen. Monitoring, want een agent kan stilletjes minder goed gaan werken zonder dat iemand het merkt. Kosten beheersing, want LLM calls bij schaal kunnen elke business case wegvreten. Foutafhandeling, want een agent die vastloopt op één edge case mag niet de hele workflow blokkeren. Retraining of prompt herziening, want de wereld waarin de agent werkt verandert.

De diepere engineering laag eronder, pipelines, model serving, evaluatie en deployment, behandelen we op onze pagina AI engineering. Voor agents geldt dat die laag staat of valt bij wat je erboven van hem vraagt.

Waar agents nu waarde leveren, zoals we ze bij onze klanten waarde op zien leveren

Niet elke taak hoort bij een agent. Maar in de vier sectoren waar wij vaak werken, zien we een handvol patronen waar agents in productie daadwerkelijk waarde opleveren. Onderaan de streep, niet in een demo.

- E commerce: klantenservice triage waarbij de agent het type vraag herkent, de relevante orderdata ophaalt en eenvoudige vragen zelf afhandelt, complexere doorzet naar een mens. Productdata verrijking waarbij de agent op basis van leveranciersinformatie automatisch categorisaties, attributen en omschrijvingen voorstelt.

- Retail: voorraad signalering waarbij de agent afwijkingen tussen ERP en filialen detecteert en voorstellen voor herstel formuleert. Returns afhandeling waarbij de agent de oorzaak van een retour analyseert, gegevens aan elkaar koppelt en het juiste vervolg in gang zet.

- Zakelijke dienstverlening: document verwerking en samenvattingen voor offertes, contracten en rapportages, met de agent als eerste lezer en samensteller. Intake en kwalificatie van inkomende leads, waarbij de agent de eerste vragen stelt, basisgegevens ophaalt en een gestructureerd dossier overdraagt aan de accountmanager.

- Financiële dienstverlening: KYC en compliance documentatie waarbij de agent dossiers samenstelt, ontbrekende informatie opvraagt en de status bewaakt. Eerste lijn dossier analyse waarbij de agent inkomende meldingen of aanvragen classificeert en met onderbouwing aan een specialist voorlegt.

In al deze patronen geldt hetzelfde principe. De agent neemt het routine werk, de mens neemt het besluit dat eigen oordeel vraagt. En de business case onderaan de streep komt niet uit één spectaculair besluit van de agent, maar uit consistente afhandeling op schaal.

‍

Wat onderscheidt ons

Business, organisatie en techniek samen op nr. 1

Een agent die technisch klopt maar geen business taak raakt, mislukt. Een agent die een business taak raakt maar geen eigenaar heeft, ook. Wij denken in alle drie tegelijk. Onze mensen schakelen tussen MT kamer en agent ontwerp zonder dat er een vertaler tussen hoeft.

AI agent experts met een data hart

Een agent is zo goed als de data en de systemen waarmee hij werkt. Een autonoom redenerend model op een wankel data fundament levert overtuigend klinkende fouten. Daarom investeren wij eerst in de data laag eronder, en dan in de agent erbovenop. Klopt je data, dan klopt je agent.

Kennisoverdracht in ons DNA

Een agent die alleen wij begrijpen is geen asset, maar een afhankelijkheid. Daarom documenteren we, bouwen we transparant en dragen we het eigenaarschap over aan jouw mensen. Zodra jouw team het zelf kan onderhouden, monitoren en uitbreiden, hebben wij ons werk goed gedaan.

Wanneer een AI agent waardevol is

Niet altijd, is onze mening. Voor sommige taken is een eenvoudig script of een goed ingerichte RPA flow goedkoper, stabieler en eerder klaar dan een agent. Maar in deze situaties zien we dat een AI agent traject wel het verschil maakt.

- Jullie hebben een agent pilot gedraaid die werkte op het scherm, maar krijgt hem niet in productie

- Een proces vraagt om interpretatie en redenering, waardoor een vast script of een klassieke RPA flow steeds opnieuw breekt

- Klantenservice, document verwerking of intake processen zijn een bottleneck en het routine deel kan worden weggenomen

- Jullie hebben een werkende generatieve AI toepassing, maar willen de stap zetten naar autonome taakuitvoering binnen jullie processen

- Er liggen agent plannen op tafel, maar niemand kan met zekerheid zeggen of jullie data en systemen daar klaar voor zijn

- Een agent moet straks vallen onder AI Act eisen, en de huidige experimenten zijn niet gebouwd met die eisen in gedachten

‍

Klinkt herkenbaar? Dan loont een gesprek waarschijnlijk de moeite.

‍

Plan een Data Impact Sessie

Een Data Impact Sessie duurt 90 minuten. Geen verkooppraatje, geen powerpoint van tachtig sliders. We schuiven aan, luisteren naar wat er speelt en laten zien waar AI agents bij jullie het meeste verschil kunnen maken. We nemen je mee in onze visie op hoe je agents van pilot naar productie brengt, met concrete voorbeelden uit jullie sector.

We geven minimaal drie aanknopingspunten:

1. Welke taken in jullie processen zich het beste lenen voor een AI agent en welke beter niet

2. Of jullie data en systemen klaar zijn om een agent op te bouwen, of dat eerst het fundament moet worden aangepakt

3. Wat een realistische volgorde is om jullie eerste agent in productie te krijgen

‍

Of we daarna samen doorgaan of niet, je gaat met deze aanknopingspunten naar huis.

Plan een: Data Impact Sessie