Hoe maak je een AI agent voor ops: 4-uur speelboek

Hoe maak je een AI agent voor ops workflow in 4 uur: het gids voor niet-programmeurs

Een AI agent is niet hetzelfde als een prompt. Een prompt antwoordt eenmalig. Een agent loopt in kringen: hij krijgt een taak, kiest een tool, leest de output, kiest de volgende tool en gaat door tot het werk klaar is. Voor sales ops leads die dealreviews doen, prospectonderzoek of CS-handoffs, is de echte tijd om van idee naar werkende agent te gaan ongeveer 4 uur in CommanderGPT's Workflow Builder, niet de zes weken die engineers zeggen dat je nodig hebt.

Hier is het speelboek dat teams gebruiken die echt werk doen.

Wat onderscheidt een agent van een prompt

Een prompt geeft je een eenmalig antwoord. Een agent kettent commando's aaneen, leest outputs, en loopt door totdat de taak klaar is.

Voor een sales ops lead is het verschil dit: een prompt geeft je een samenvatting van een bedrijf als je een URL plakt. Een agent neemt de bedrijfsnaam uit je CRM-wachtrij, haalt publieke gegevens op, controleert je notities van het vorige gesprek, schrijft een briefing van 3 punten en zet dit in je voorbereidingsdocument. Dezelfde model, totaal ander leverage.

De ops-versie van een agent heeft geen reflectielussen of multi-agent orchestratie nodig. Het heeft drie dingen nodig: een gedefinieerde invoer, een vaste reeks tools en een duidelijke exitvoorwaarde. Begin daar.

Stap 1: Definieer de ene taak van je agent

30 seconden briefing. Voordat je de Workflow Builder opent, schrijf de taak in één zin. Als je het niet in één zin kunt schrijven, is de taak niet klaar om te automatiseren.

Goed: "Gegeven een accountnaam, trek LinkedIn + nieuwsartikelen + mijn notitie van het vorige gesprek, schrijf dan een briefing van 3 punten."

Niet klaar: "Help me met mijn pipeline."

De ops-taken die goed met agents werken zijn de taken die je meer dan 10 keer per week doet met een voorspelbare invoer en een voorspelbare outputindeling. Dealonderzoek vóór een gesprek. Prospecttkwalificatie vanuit een leadlijst. Wekelijkse metrieken samenvatting vanuit je CRM. CS-handoff samenvatting vóór accountoverdracht.

Kies er een. Weersta de drang om alles tegelijk te automatiseren. Teams die werkende agents in één dag inzetten, kiezen de kleinste nuttige lus eerst. Teams die drie weken in een framework doorbrengen, kiezen nog steeds hun taak.

Een praktisch filter: als je de taak aan een junior analist met een duidelijke briefing zou kunnen geven, is het agent-ready. Als het voortdurende beoordelingen vereist, is het dat niet.

Stap 2: Kettingcommando's in een workflow

Open de CommanderGPT Workflow Builder. De interface is een lineaire canvas: elk blok is een commando, elke pijl is gegevensstroom van de ene stap naar de volgende.

Voor een dealonderzoeksagent ziet de keten er zo uit:

1. /research + de accountnaam: geeft een gestructureerde briefing met bedrijfsgrootte, recent nieuws en bekende pijnpunten.

2. /summarize + de research output: comprimeert tot 150 woorden, verwijdert boilerplate.

3. /draft-email + de samenvatting + de naam van de vertegenwoordiger: schrijft de eerste uitreik en verwijst in de openingszin naar het specifieke nieuwsitem.

3 commando's, 1 workflow, 0 wrijving. De hele keten loopt in minder dan 40 seconden per account. Een BDR-team dat 30 accounts per week doet, haalt ongeveer 90 minuten voorbereiding per week per vertegenwoordiger terug.

Twee regels voor de keten:

Één commando per taak. Probeer onderzoeks- en conceptwerk niet in één /mega-research commando te combineren. Kleinere commando's zijn makkelijker om uit te debuggen wanneer de output fout is, en ze hergebruiken in andere workflows.

Noem de doorgegeven gegevens. In de Workflow Builder heeft elk blok een variabele uitvoernaam. Noem ze account_brief, compressed_summary, outreach_draft. Wanneer iets om 23 uur vóór een QBR breekt, weet je precies welke stap het probleem is.

Stap 3: Voeg context, geheugen en CRM-gegevens in

Een opdrachtenketen zonder context is nog steeds slechts een snelle prompt. Context is wat maakt dat de output voelt alsof het van iemand komt die het account kent.

CommanderGPT's 30-daagse contextgeheugen betekent dat de /research commando gegevens uit vorige gesprekken met hetzelfde account kan ophalen, vorige e-mails die de vertegenwoordiger verzond en alle CRM-notities gesynchroniseerd via de HubSpot of Salesforce integratie. Je verbindt dit niet handmatig. Je configureert de contextbronnen in het instellingenpaneel van Workflow Builder en de commando's trekken er automatisch uit.

Voor vergaderingsvoorbereiding met name, koppel de workflow aan een invoer van vergaderingsnota's. Als je team een AI-recorder gebruikt om gespreksnotities vast te leggen, voer dan het transcript van het laatste gesprek in als contextblok bij stap 1. De briefing die de agent voor het volgende gesprek produceert, zal verwijzen naar wat in het vorige werd gezegd. Dat is het verschil tussen een generieke bedrijfssamenvatting en een echte voorbriefing voor het gesprek.

Wat je erin trekt versus wat je laat staan. Meer context is niet altijd beter. Een veelgemaakte fout is het verbinden van elk beschikbaar CRM-veld en zien dat het model hallucinaties creëert van verbindingen tussen niet-gerelateerde gegevenspunten. Trek in: laatste interactiedatum, notitie van laatste gesprek, open opportuniteitsfase, bekende inwerpingen. Laat liggen: factureringsgeschiedenis, supporttickets van drie jaar geleden, velden die je team in 2024 is gestopt met bijwerken.

Om dit te meten: voer de workflow uit op 5 accounts die je goed kent. Als de output voelt alsof het door iemand is geschreven die de accountgeschiedenis las, is de context correct. Als het overal voorzichtig mee doet, heb je te veel ruis in de invoeren.

Stap 4: Voeg guardrails toe voordat je shipped

Dit is de stap die de meeste teams overslaan omdat de demo goed keek en de QBR morgen is.

Twee guardrails zijn niet ter discussie voordat je een workflow voor het hele team open zet.

Limiteer de lussen. In de Workflow Builder heeft elke workflow een max_steps instelling. Zet het op 10-15 voor een 3-staps keten. Een verwararde agent zonder stappenbeperking loopt op onverwachte invoer totdat je maandelijkse tokenbudget op is. 15 is meestal genoeg; stel een waarschuwing in als het meer dan 8 overschrijdt op een 3-staps keten.

Voeg een bevestigingspoort toe voor elke onomkeerbare actie. Als de laatste stap van je workflow een e-mail stuurt of naar Slack post, voeg dan een menselijke bevestigingsstap in tussen het concept en het verzenden. Dit klinkt logisch. Dat is het niet. Verschillende teams hebben workflows ingezet waarbij een /draft-email commando dicht genoeg bij een /send-email commando stond dat autocomplete in de Workflow Builder de verkeerde actie verbond. De kosten van één accidentele uitreik-e-mail naar 200 accounts zijn hoger dan de 3 minuten die de bevestigingsstap per keer kost.

Als je de workflow 20 keer met een bevestigingspoort hebt uitgevoerd en de output consistent goed is, kun je de poort verwijderen. Niet eerder.

Waar ops-agenten in de eerste week mislukken

De foutmodus is bijna altijd context-rot, niet commandofouten.

De workflow loopt prima op maandag. Donderdag trekt het slechte gegevens omdat de CRM-integratie een synchronisatievertraging van 48 uur heeft die niemand merkte. De agent zegt je dit niet. Het produceert gewoon een briefing die verwijst naar de Q3-noot in plaats van het gesprek van dinsdag.

HQ-regel: stel een contextfresheidscontrole in als het eerste blok in elke workflow. Een eenvoudig /check-context-age commando dat het timestamp van de laatste synchronisatie retourneert. Als de gegevens ouder zijn dan 24 uur, geeft de workflow een waarschuwing in plaats van stil op slechte invoeren te draaien.

De tweede foutmodus is prompt-drift. Je zet de /research commando in mei op. In augustus verschoof je ICP, veranderde het uitreikformaat en heeft het vertegenwoordigingsteam een nieuw sjabloon voor verwerkingen. Het commando loopt nog steeds, maar het outputformaat past niet meer bij wat iemand gebruikt. Plan een 15-minuten workflowbeoordeling om de zes weken. Lees de laatste 10 outputs tegen het huidige speelboek. Update de opdrachtprompt als ze uiteenlopen.

De derde fautmodus is scope creep van binnen het team. Iemand voegt een vierde commando toe aan de keten omdat de output bijna correct was. Dan een vijfde. In week 3 heeft de workflow 8 commando's, de latentie is 3 minuten per account en niemand weet welk commando welk outputveld produceert. Houd ketens op 3-5 commando's. Als je meer nodig hebt, splits dan in twee workflows met een gedeeld outputformaat.

Het speelboek om nu te forken

Hier is de exacte workflow om te klonen uit de CommanderGPT-sjabloonbibliotheek en vandaag meteen te gebruiken.

Workflow: Dealonderzoek + uitreijkschets

• Invoer: accountnaam (plak vanuit CRM of type direct)

• Stap 1: /research + accountnaam + contextbronnen: laatste gespreksnotitie, opportuniteitsfase

• Stap 2: /summarize met formaatbeperking: "3 punten, max 50 woorden elk, start met het meest recente nieuwsitem"

• Stap 3: /draft-email met toon: "direct, verwijs naar het specifieke nieuwsitem in de eerste regel, geen lege openingszin"

• Uitvoer: briefingblok + e-mailschets, gekopieerd naar klembord

• Guardrail: handmatige verzendbevestiging

• max_steps: 12

Fork deze sjabloon, verbind je CRM-integratie, voer het uit op 3 accounts die je goed kent en vergelijk de output met wat je team momenteel handmatig produceert. Als het verschil minder is dan 80% kwaliteitsmatch, is de fix bijna altijd in de contextbronnen, niet de commando's.

Launch de workflow. Lees de output. Stuur.

De teams die in 2026 de meeste impact van AI-agenten zien, zijn niet degenen die de meest geavanceerde multi-agent pipelines hebben gebouwd. Het zijn degenen die in week 1 een werkende 3-opdrachtenketen hebben ingezet en vandaar itereren. De architectuur kan evolueren. De gewoonte om in te stellen kan niet wachten.

Veelgestelde vragen

Hoe verschilt een AI agent van een chatbot?

Een chatbot wacht op vragen. Een agent loopt zelfstandig lussen. De agent voor dealonderzoek begint automatisch, trekt LinkedIn + CRM-notities, schrijft de briefing en post dit zonder menselijke invoer tussenin. Een chatbot wacht tot je vraagt "Hoe heet dit bedrijf" en geeft één antwoord.

Kan ik een agent bouwen zonder CommanderGPT?

Ja. Je kunt LangChain, LangGraph of Pydantic AI gebruiken, maar je hebt Python nodig, een ingenieur, en 3-6 weken. CommanderGPT is gebouwd voor ops-teams die gisteren klaar willen zijn, niet volgende kwartaal.

Wat gebeurt er als mijn agent een verkeerde beslissing neemt?

Daarom zijn guardrails niet onderhandelbaar. Elke onomkeerbare actie (e-mail verzenden, record bijwerken) gaat door een menselijke bevestigingsstap. Na 20 testruns, als de output consistent goed is, kun je de bevestiging verwijderen. Tot die tijd: geen automatische sends.

Hoe hou ik context fris?

Stel een /check-context-age commando in als de eerste stap. Als CRM-gegevens ouder zijn dan 24 uur, springt de workflow over. Veel agents mislukken omdat ze op slechte gegevens draaien, niet omdat het commando slecht is.

Welke taken zijn agent-klaar?

Alles wat je meer dan 10 keer per week doet met dezelfde input-output structuur: dealonderzoek, prospecttkwalificatie, wekelijkse rapporten, CS-handoffs. Alles wat doorlopende oordeelsvermogen vereist (budgetgoedkeuring, strategische beslissingen) is het niet.

Hoe begin ik de eerste workflow?

Kies je kleinste nuttige taak (dealonderzoek vóór gesprekken, bijvoorbeeld). Schrijf hem in één zin. Fork de sjabloon Dealonderzoek + uitreij. Verbind je CRM. Test op 3 accounts. Ship.

Wat gebeurt er met AI agent-kosten naarmate je teams groeien?

CommanderGPT rekent per uitgevoerde workflow, niet per gebruiker. Een team van 20 dat dealonderzoek voor 40 accounts per week doet, kost hetzelfde als een team van 5 dat hetzelfde doet. Het schaal lineair met het werk, niet met de grootte van het team.