Wat is een AI-agent? Verschil met chatbot en workflow

Wat is een AI-agent? Het is software die een doel krijgt, zelf de stappen kiest, tools gebruikt om ze uit te voeren en het resultaat controleert voordat ze stopt. Dat is de hele definitie. Beantwoordt een systeem alleen een prompt, dan is het een chatbot. Volgt het een vast script, dan is het een workflow. Beslist het zelf wat de volgende stap is en voert het die uit, dan is het een agent. Hieronder zie je hoe je ze uit elkaar houdt in een ops-stack en wanneer elk het verdient.

Wat is een AI-agent in één lus?

Briefing, 30 seconden. Een agent draait een lus: lees de situatie, bepaal de volgende actie, roep een tool aan, lees de uitvoer en herhaal tot het doel is bereikt of een limiet wordt geraakt.

De uitleg van Zapier beschrijft het als software die autonoom handelt om een doel na te streven. Ze neemt informatie uit haar omgeving op, beslist wat ze doet en voert het uit. Bij een agent op basis van een LLM is het model de beslisser en zijn de tools de handen: webzoeken, een opzoeking in het CRM (klantrelatiebeheer), een bestand wegschrijven, een bericht in Slack.

Drie onderdelen tellen in de praktijk.

• Het model. Het leest de context en kiest de volgende stap.

• De tools. Elk is een smalle mogelijkheid met een duidelijke invoer en uitvoer: "zoek dit account in het CRM", "maak een Linear-issue", "stuur een concept naar dit kanaal".

• De stopregel. Een doelcheck, een maximum aantal iteraties of een menselijke goedkeuring. Geen stopregel, geen productiegebruik.

Haal je er één weg, dan heb je geen agent meer. Een model zonder tools is een chatbot. Tools zonder model dat beslist, zijn een script. Een lus zonder stopregel is een incident dat op een maandagochtend wacht.

Agent, chatbot, workflow: waar ligt de grens?

Het meeste gedoe ontstaat doordat leveranciers alles een agent noemen. De scherpste indeling komt van het engineeringteam van Anthropic, in Building effective agents. Workflows zijn "systemen waarin LLM's en tools worden georkestreerd via vooraf gedefinieerde codepaden". Agents zijn "systemen waarin LLM's dynamisch hun eigen processen en toolgebruik sturen".

Vertaald naar het werk van een ops lead:

• Chatbot. Jij bepaalt elke volgende stap. Typische fout: een verkeerd of vaag antwoord. Goed voor concepten, vragen en samenvattingen.

• Workflow. Jouw ontwerp beslist, vooraf vastgelegd. Typische fout: het breekt zodra de input een andere vorm krijgt. Goed voor herhaalbaar werk met bekende stappen.

• Agent. Het model beslist tijdens de uitvoering. Typische fout: een verkeerde actie in een live systeem. Goed voor open taken waarvan het aantal stappen onbekend is.

De faalwijzen verdienen een tweede keer lezen. Een chatbot die er naast zit, kost je een minuut herlezen. Een agent die er naast zit, mailt de verkeerde contactlijst of overschrijft een CRM-veld. Autonomie verplaatst het risico van het antwoord naar de actie.

Veel "agents" die in 2026 aan ops-teams worden verkocht, zijn workflows met een model in één of twee stappen. Dat is prima, en vaak is het het betere product. Prijs en test het dan ook als workflow, niet als autonome collega.

Hoe werken AI-agents eigenlijk?

Zonder marketing bestaat de agentlus uit vijf bewegingen.

1. Ontvang het doel. "Bereid de verlengingsbrief voor Acme voor vóór het gesprek van donderdag."

2. Plan. Het model splitst het doel in stappen. Goede agents plannen opnieuw als een stap faalt.

3. Handel. Het model roept een tool aan met gestructureerde argumenten.

4. Observeer. De uitvoer van de tool gaat terug in de context van het model.

5. Beslis. Doel bereikt, doorgaan, of stoppen en een mens vragen.

Stap 3 tot 5 herhalen zich. Elke ronde kost tokens en seconden. Anthropic zelf zegt dat agentische systemen "vaak latentie en kosten ruilen voor betere taakprestaties", en dat advies verdient een plek boven je bureau. Een enkele prompt met de juiste context beantwoordt veel ops-vragen in twee seconden, voor een fractie van een cent. Een agent kan er twee minuten en twintig tool-aanroepen over doen om hetzelfde antwoord te bereiken.

Geheugen verdient een eigen regel. Agents hebben kortetermijngeheugen in het contextvenster en in sommige producten een langere opslag met feiten over je accounts of voorkeuren. Langetermijngeheugen is handig, maar ook de plek waar verouderde of foute feiten blijven hangen. Bekijk wat je agent onthoudt zoals je een CRM-veld bekijkt: iemand is eigenaar, iemand controleert het.

Welke soorten agents bestaan er, en welke zijn relevant voor ops?

Leerboeken noemen reflexagents, modelgebaseerde, doelgerichte, nutsgerichte en lerende agents. Die labels zijn handig voor een tentamen. Voor een ops-team dekken drie praktische categorieën bijna alles wat je koopt of bouwt.

Tool-gebruikende LLM-agents. Het model roept API's aan: CRM, agenda, ticketing, e-mail. Dit is het grootste deel van de bruikbare ops-agents. Ze zijn betrouwbaar omdat de acties gestructureerd en logbaar zijn.

Computer-use-agents. Het model bedient een scherm, klikt en typt door de interface zoals een mens dat doet. Handig als een tool geen API heeft. Trager en breekbaarder, want een layoutwijziging kan een run breken. Gebruik ze als laatste redmiddel.

Multi-agentsystemen. Een orkestrator geeft deelopdrachten aan gespecialiseerde agents. In een demo ziet dat indrukwekkend uit. In productie vermenigvuldigt elke extra agent het oppervlak voor logging en debugging. Sla het over tot één agent met goede tools duidelijk een plafond raakt.

Wat doet een AI-agent in een GTM- of CS-team?

Voorbeelden die standhouden delen één profiel: het doel is helder, de tools zijn weinig, en een mens kan de uitvoer in minder dan een minuut controleren.

• Accountonderzoek vóór een gesprek. Haal het CRM-record, recente e-mails, publiek nieuws en open tickets op, en lever een brief van één pagina. Een mens leest hem. Er wordt niets verstuurd.

• Triage van inkomende leads en tickets. Lees een nieuwe lead of ticket, classificeer het, voeg context toe en route het naar de juiste wachtrij. De agent stelt voor; een regel bepaalt of hij bij laag-risico klassen zelf mag handelen.

• Opvolging na een meeting. Zet een transcript om in CRM-updates en een conceptverslag, klaargezet voor goedkeuring.

• Datahygiëne. Markeer dubbele accounts, ontbrekende velden en verouderde eigenaren, en open per batch een taak.

Let op wat ontbreekt: niets dat geld verplaatst, records verwijdert of klanten mailt zonder controle. Dat is geen overdreven voorzichtigheid. Het is het verschil tussen een agent die je houdt en een agent die je na één slechte week uitzet.

Hoeveel tijd je bespaart, hangt af van je volume en je uitgangspunt. Meet het in je eigen context. Tijd tien handmatige runs van de taak, tijd tien agent-ondersteunde runs inclusief controle, en vergelijk. Als de controle de winst opeet, is de taak nog niet geschikt voor een agent.

Wanneer sla je de agent over?

Anthropic is kort: "zoek de eenvoudigste oplossing die mogelijk is, en verhoog de complexiteit alleen wanneer dat nodig is". Voor veel taken is "een enkele LLM-aanroep optimaliseren met retrieval en voorbeelden in de context" meestal genoeg.

Sla de agent over wanneer:

• De stappen bekend zijn. Kun je het proces als genummerde lijst schrijven, bouw dan een workflow. Die is goedkoper, sneller en makkelijker te debuggen.

• Het één transformatie is. Vat dit samen, herschrijf dat, haal deze velden eruit. Eén prompt doet het.

• Een verkeerde actie duur is. Factuurwijzigingen, contractwijzigingen, massamails. Houd een mens bij de trigger.

• Je de uitvoer niet kunt controleren. Als niemand het resultaat snel kan verifiëren, heb je een vertrouwensprobleem gecreëerd, geen tijdsbesparing.

Hier verdienen slash-commando's hun plaats. Een commando als /research plus een accountnaam draait elke keer dezelfde prompt met dezelfde context. Een keten van drie commando's, /research dan /summarize dan /draft-email, dekt veel van wat mensen "agentisch" werk noemen, met een mens die tussen de stappen op enter drukt. CommanderGPT is daarop gebouwd: opgeslagen commando's, een Workflow Builder om ze te koppelen en Team Playbooks om ze te delen. De grens is wel echt. Een commandoketen herplant niet als stap twee iets onverwachts teruggeeft. Een agent wel. Kies op basis van hoeveel variatie je inputs hebben.

Welke tools geven vandaag agentgedrag?

Namen veranderen elk kwartaal, dus beoordeel op het patroon en niet op het logo. Je zoekt een model dat tools kan aanroepen, een manier om elke stap te zien en een manier om het te stoppen.

Claude is het model waar veel teams tool-aanroepende agents achter zetten, dankzij sterke instructievolging en een lang contextvenster. Het werkt als chatinterface en als API-gedreven agentmotor.

ChatGPT blijft de standaard vanwege de bereikbaarheid. Custom GPT's en de ingebouwde tools dekken lichtgewicht agentgedrag voor individuen. Waar je de wrijving voelt, is het delen van getest playbooks met het hele team.

Lindy is een no-code bouwer voor taakagents die aan e-mail, agenda en CRM hangen. Het past goed als de taak duidelijk is en je binnen een middag live wilt. Lees het actielogboek voordat je het vertrouwt met uitgaande berichten.

Raycast zet AI achter een commandopalet, geschikt voor snelle, losse taken op je eigen machine. Het is meer een commandolaag dan een autonome agent, en dat is vaak wat een individuele medewerker wil.

Wat controleer je voordat een agent live data aanraakt?

Doorloop deze lijst voordat een agent schrijfrechten krijgt. Het kost een half uur en voorkomt de meeste slechte weken.

1. Begin alleen-lezen. Laat de agent twee weken onderzoeken en concepten maken voordat hij ergens schrijft.

2. Begrens de lus. Stel een maximum aantal iteraties en een maximale uitgave per run in. Anthropic adviseert stopvoorwaarden "zoals een maximum aantal iteraties".

3. Log elke tool-aanroep. Je hebt de invoer, de uitvoer en het tijdstip nodig. Kan een tool niet gelogd worden, geef hem dan niet aan een agent.

4. Bewaak het onomkeerbare. Verzenden, verwijderen, betalingen en rechtenwijzigingen vragen om een menselijke goedkeuring.

5. Test in een sandbox. Gebruik een kopie van het CRM of een testwerkruimte met realistische rommel.

6. Volg twee getallen. Hoe vaak een run zonder hulp klaarkomt, en hoe vaak een mens de uitvoer moet corrigeren. Beide bewegen mee met je data.

7. Wijs een eigenaar aan. Één persoon bekijkt de logs wekelijks. Een agent zonder eigenaar drijft af.

Je volgende commando

Kies één taak die je team minstens tien keer per week herhaalt en waarvan de uitvoer in minder dan een minuut te controleren is. Accountonderzoek wint meestal. Schrijf het eerst als opgeslagen commando en draai het twee weken. Als de inputs zoveel variëren dat het commando steeds breekt, is dat het signaal dat de taak misschien agent-vormig is. Loopt het elke keer schoon, dan heb je een agentfactuur en een debuggewoonte bespaard.

Beslis daarna met data uit je eigen runs. Fork een playbook, meet de runs, lees de logs.