Agentic AI in het mkb: wat kan het nu écht?

Wat betekent 'agentic' eigenlijk?

Een gewone chatbot beantwoordt een vraag en stopt daar. Jij typt, het model antwoordt, klaar. Agentic AI gaat een stap verder: het model krijgt een doel en mag daarvoor meerdere stappen achter elkaar zetten, tools raadplegen en tussentijds beslissen wat de volgende stap is. Denk aan een binnenkomend mailtje lezen, een klantnummer opzoeken in een systeem, een conceptantwoord opstellen en dat klaarzetten ter controle.

Het woord "agent" suggereert zelfstandigheid, maar in een gezonde inrichting is dat zelfstandigheid binnen een hek dat jij plaatst. Het model krijgt precies de tools en gegevens die het nodig heeft voor die ene taak, niet meer. Het mag stappen zetten, maar niet zomaar overal bij en niet zonder dat iemand kan zien wat er gebeurd is.

Dat onderscheid is belangrijk omdat de term nogal eens wordt gebruikt als marketingwoord voor "AI die alles zelf regelt". In de praktijk werkt het andersom: hoe beter je de grenzen van een taak kunt beschrijven, hoe geschikter die taak is om aan een agent te geven. Vaag en open blijft mensenwerk, of wordt op zijn minst nog lang door een mens gecontroleerd.

Wat kan het nu écht voor een mkb-bedrijf?

De meest kansrijke toepassingen zijn taken die vaak terugkomen, een duidelijk begin en eind hebben, en waarvan je goed kunt beschrijven wanneer iets "goed" is. Een paar voorbeelden die we in de praktijk vaak zien, bewust algemeen gehouden:

• Binnenkomende post of mail sorteren en samenvatten. Een agent herkent het type bericht, haalt de kern eruit en zet het klaar in de juiste map of het juiste systeem.
• Conceptantwoorden voorbereiden. Voor veelvoorkomende vragen stelt het model een antwoord op dat een collega alleen nog hoeft te controleren en te versturen.
• Gegevens verrijken of controleren. Een adres aanvullen, een KVK-nummer opzoeken, twee registraties met elkaar vergelijken en afwijkingen markeren.
• Signalen in data volgen. Een agent kan periodiek naar cijfers kijken en een melding maken als iets buiten de gewone bandbreedte valt, zodat iemand het kan uitzoeken.
• Een eerste triage doen. Binnenkomende aanvragen indelen op onderwerp of urgentie, zodat ze meteen bij de juiste persoon terechtkomen.

Wat deze voorbeelden gemeen hebben: het eindresultaat is te controleren, de taak is af te bakenen, en een fout is te overzien. Dat is een heel ander uitgangspunt dan "laat AI onze klantenservice runnen" of "laat het model zelf beslissen wie een offerte krijgt". Dat soort brede, onomkeerbare beslissingen leg je niet bij een agent neer, in elk geval niet zonder stevige controle.

Waarom het fundament er eerst moet staan

Een agent is zo goed als de gegevens en processen waar hij mee werkt. Als je klantgegevens in drie systemen anders geschreven staan, gaat een agent die ook door elkaar halen, alleen sneller dan een mens dat zou doen. Voordat je aan agentic AI begint, loont het dus om eerst te kijken naar je data engineering: kloppen de bronnen, zijn ze ontsloten, is er één plek die als waarheid geldt?

Hetzelfde geldt voor het proces zelf. Een agent kan alleen goed werken binnen een taak die je zelf al scherp kunt beschrijven. Weet je niet precies wanneer een aanvraag "urgent" is, dan kan een model dat ook niet consistent bepalen. Het helpt om eerst het proces op papier te zetten, de uitzonderingen te benoemen en pas dan te kijken welk stuk zich leent voor automatisering. Dat is precies waar workflow automation en agentic AI elkaar raken: soms is een vaste, voorspelbare automatisering al genoeg, en is een agent met een taalmodel er alleen nodig bij het stuk dat variatie en interpretatie vraagt.

Kortom: agentic AI is geen vervanging voor een goed fundament, het is een laag die je erbovenop zet als de basis staat.

Grenzen en waarborgen die je vooraf regelt

Een agent inzetten zonder duidelijke grenzen is vragen om problemen. Een paar zaken die je vooraf regelt, ongeacht welk platform je gebruikt:

• Mens in de lus. Laat een collega het resultaat controleren voordat het extern gaat of een systeem wijzigt, zeker in de eerste maanden.
• Beperkte rechten. Geef de agent alleen toegang tot de systemen en gegevens die voor die ene taak nodig zijn, niet tot alles wat een medewerker mag zien.
• Logging. Leg vast welke stappen een agent heeft gezet en op basis waarvan, zodat je achteraf kunt zien wat er is gebeurd.
• Testbare stappen. Bouw de taak op uit stappen die je los kunt testen, in plaats van één ondoorzichtig geheel.
• Terugvalscenario. Regel wat er gebeurt als de agent vastloopt of twijfelt: teruggeven aan een mens, niet zelf doorgaan.

Deze waarborgen kosten in het begin wat extra tijd, maar zijn precies wat het verschil maakt tussen een agent die vertrouwen wint en een agent die na één misser weer wordt uitgezet.

Risico's en aandachtspunten

Een paar dingen om serieus te wegen voordat je begint:

• Privacy en persoonsgegevens. Zodra een agent met klant- of personeelsgegevens werkt, spelen privacyregels een rol. We geven hier bewust geen juridisch advies; leg dit voor aan je eigen jurist of privacy-adviseur voordat je gegevens laat verwerken door een extern model.
• Vertrouwelijke gegevens. Denk na over welke gegevens een agent nodig heeft en welke niet. Minder is vaak veiliger.
• Hallucinaties. Een taalmodel kan zelfverzekerd iets verzinnen dat er logisch uitziet maar niet klopt. Bouw daarom controlemomenten in voor je een agent iets laat versturen of vastleggen.
• Afhankelijkheid van leveranciers. Je bouwt op een platform of model van een derde partij. Houd rekening met wijzigingen in voorwaarden, prijzen of beschikbaarheid, en probeer niet alles onlosmakelijk aan één leverancier te koppelen.
• Kosten die meeschalen. Veel van deze diensten reken je af per gebruik. Wat in een pilot goedkoop lijkt, kan bij opschalen anders uitpakken. Reken dat vooraf door.

Geen van deze punten is een reden om niet te beginnen. Het zijn redenen om bewust te beginnen.

Klein beginnen en meten

De beste manier om erachter te komen wat agentic AI voor jouw bedrijf oplevert, is niet een groot plan maken, maar één afgebakende taak kiezen en die goed doen. Kies een taak die vaak voorkomt, waarvan je de uitkomst kunt controleren, en waarbij een foutje geen grote schade aanricht.

Meet vervolgens wat het oplevert: hoeveel tijd bespaart het, hoe vaak moet een mens ingrijpen, hoe vaak gaat het mis? Pas als die eerste taak betrouwbaar draait, breid je uit naar de volgende. Dat is dezelfde aanpak die we ook bij data en automatisering hanteren: klein beginnen, snel iets werkends neerzetten en pas opschalen als het bewezen werkt. Zo kijken we er ook naar in onze werkwijze en bij agentic AI-trajecten die we samen met mkb-bedrijven opzetten.