Naar de inhoud

Uitvoering en keuze

Welke voorbeelden van AI-agents werken in de praktijk?

Cas Sombroek · Technology Lead bij Pilex

· 10 min lezen

AI-agents werken in de praktijk bij werk dat vaak terugkomt en per geval net anders loopt: inkomende mail en tickets afhandelen, offertes voorbereiden, facturen en debiteuren opvolgen, dossiers doorzoeken en planning bijwerken. De agent leest, zoekt op in je eigen systemen en bereidt een actie voor. Een mens keurt goed wat de deur uitgaat.

Voorbeelden van AI-agents bij bedrijven, per afdeling

De voorbeelden die in de praktijk werken, zitten bijna altijd op dezelfde plek: werk dat vaak terugkomt, op tekst of gegevens draait en per geval net anders loopt. De tabel zet vijf voorbeelden naast elkaar.

Vijf voorbeelden van AI-agents: taak, benodigde data en systemen, en de rol van de mens
ProcesWat de agent doetWat hij nodig heeftWat een mens blijft doen
Offertes en calculatieLeest de aanvraag, zoekt klant en eerdere offertes op, zet een concept klaarCRM, productcatalogus, prijsafspraken, eerdere offertesMarge en korting bepalen, goedkeuren, versturen
Inkomende mail en ticketsBepaalt waar de vraag over gaat, zoekt het antwoord op, schrijft een reactieMailbox of ticketsysteem, kennisbank, klant- en ordergegevensUitzonderingen, klachten en alles wat een toezegging is
Facturen en debiteurenVergelijkt de factuur met order en levering, stelt herinneringen opBoekhoudpakket, inkooporders, betaalhistorieBetalingen vrijgeven, een regeling afspreken
Dossiers en kennisZoekt in eigen documenten en geeft antwoord met de vindplaats erbijDocumenten, dossiersysteem, rechten per gebruikerHet oordeel en het advies aan de klant
Planning en opvolgingHoudt bij wat openstaat, stuurt opvolging, meldt wijzigingenPlanning, projectdossier, contactgegevensPrioriteiten stellen en bellen als het vastloopt

Een agent is hier software waarin een taalmodel zelf bepaalt welke stap volgt. Anthropic omschrijft agents in Building effective agents als systemen waarin het model zijn eigen proces en gereedschap aanstuurt, tegenover workflows met een vooraf vastgelegd pad. Het hele onderscheid staat in de gids wat is een AI-agent.

Offertes en calculatie

Bij offertes neemt een agent het voorwerk over: de aanvraag lezen, de klant en eerdere offertes opzoeken, de juiste producten of posten kiezen en een concept klaarzetten. De prijs en het versturen blijven bij een mens.

De agent heeft toegang nodig tot je CRM (het systeem met je klantgegevens), je productcatalogus of calculatiebestand en de prijsafspraken per klant. Zonder die laatste bron rekent hij met de standaardprijs, en dat klopt bij vaste klanten zelden.

Een calculator of verkoper beoordeelt daarna de marge, de korting en de voorwaarden, en keurt de offerte goed. Dat is bewust zo. Een offerte is een aanbod waar je aan vastzit.

Het gaat mis wanneer de prijslijst op drie plekken staat en de agent de verkeerde pakt, of wanneer een aanvraag eisen bevat die niemand in een systeem heeft vastgelegd. Hoe je een offerte per handeling ontleedt, staat uitgewerkt in de gids over processen automatiseren met AI.

Inkomende mail en tickets

Bij inkomende mail en tickets leest de agent elk bericht, bepaalt waar het over gaat, zoekt het antwoord op in je kennisbank en je systemen, en schrijft een reactie. Hier verschilt het pad sterk per geval. Daardoor voegt een agent hier meer toe dan een vaste automatisering.

Hij heeft de mailbox of het ticketsysteem nodig, een kennisbank die klopt, en leestoegang tot klant- en ordergegevens. Bij Drimble handelt een klantenservice-agent een groot deel van de tickets automatisch af. Het supportteam kon het volume van honderden klantvragen per dag niet meer aan.

Mensen houden de uitzonderingen: klachten, coulance, en elk antwoord dat een toezegging bevat. Spreek vooraf af bij welke onderwerpen de agent altijd doorzet naar een collega.

Het gaat mis bij een verouderde kennisbank. De agent antwoordt dan vlot en fout. Een tweede risico zit in de berichten zelf: wie een agent tekst van buiten laat lezen, moet rekening houden met prompt injection, een bericht dat de agent probeert te sturen. De opzet van zo'n agent staat in de gids over klantenservice automatiseren.

Facturen en debiteuren

Op de financiële administratie doet een agent twee dingen: inkomende facturen vergelijken met de order en de levering, en openstaande posten opvolgen met een herinnering die past bij de klant. In beide gevallen bereidt hij voor en beslist een mens over geld.

Voor facturen heeft hij het boekhoudpakket en de inkooporders nodig. Voor debiteuren, de klanten die je nog moeten betalen, ook de betaalhistorie en de afspraken die al met de klant zijn gemaakt. Staan die afspraken alleen in iemands mailbox, dan stuurt de agent een herinnering aan een klant met wie net een regeling is getroffen.

Een medewerker geeft betalingen vrij, beoordeelt afwijkingen en belt de klant als een herinnering niet genoeg is. Een betaling is niet terug te draaien, en hoort daarom nooit in het gereedschap van de agent te zitten.

Het gaat mis als de vaste gegevens van klanten en leveranciers niet op orde zijn: dubbele leveranciers, oude bankrekeningnummers, facturen zonder ordernummer. Dan besteedt de agent zijn tijd aan uitzonderingen en het team aan controleren. Los dat eerst op, of begin met alleen de debiteurenopvolging.

Dossiers en kennis: de AI-agent op eigen data

Een AI-agent op eigen data is een agent die antwoordt op basis van jouw documenten en systemen. Je koppelt hem aan je dossiers, handboeken, contracten of projectmappen, en hij zoekt daarin voordat hij iets zegt.

De techniek daarachter heet RAG, retrieval-augmented generation: bij elke vraag worden eerst de relevante passages uit je eigen bronnen opgehaald en als context aan het model meegegeven. Microsoft noemt het in zijn documentatie over RAG een patroon dat de antwoorden van een taalmodel verankert in je eigen inhoud. Hoe je dat opbouwt, staat in de gids RAG voor bedrijfsdocumenten.

De agent heeft de documenten nodig, in een leesbare vorm, plus de rechten per gebruiker. Dat laatste wordt vaak vergeten. Een agent die alles mag lezen, laat een stagiair door de salarisadministratie zoeken.

De medewerker blijft verantwoordelijk voor het oordeel. De agent vindt de clausule en geeft de vindplaats; de jurist of adviseur bepaalt wat die betekent voor de klant.

Het gaat mis bij rommelige bronnen: drie versies van hetzelfde document, gescande pdf's zonder tekst, mappen zonder logica. Of je data er klaar voor is, toets je met de gids is jullie data klaar voor AI. Mag de data het pand niet uit, dan kan het lokaal: bij MZA worden gespreksverslagen automatisch gemaakt op een lokale AI-infrastructuur.

Planning en opvolging

Bij planning en opvolging houdt een agent bij wat openstaat en gaat hij er zelf achteraan: een herinnering naar een leverancier, een update aan de klant, een signaal aan de planner als iets verschuift. Dit is werk dat iedereen belangrijk vindt en dat toch blijft liggen.

Hij heeft de planning nodig, het projectdossier en de contactgegevens van de mensen die hij aanschrijft. Bij Karregat & Koning, een bouw- en installatiebedrijf, verstuurt een follow-up-agent automatisch gepersonaliseerde opvolging naar onderaannemers. Wijzigingen in nieuwe tekeningen worden daar automatisch gedetecteerd, waar ze eerder handmatig werden vergeleken.

De planner stelt de prioriteiten en pakt de telefoon als een onderaannemer niet reageert of een levering echt in gevaar komt. De agent zorgt dat de planner dat op tijd weet.

Het gaat mis wanneer de planning niet de werkelijkheid is. Leeft de echte planning op een whiteboard of in het hoofd van de uitvoerder, dan stuurt de agent keurige berichten over een stand van zaken die niet klopt. De toon is het tweede risico: een bericht dat te vaak of te dwingend komt, kost je een relatie. Laat de eerste weken elk bericht door een mens goedkeuren.

Monitoring en rapportage

Een agent kan ook werk doen waar geen mens tijd voor heeft: elke dag of week een grote hoeveelheid bronnen doorlopen, bepalen wat relevant is en er een overzicht van maken. Er gaat hier niets de deur uit naar klanten, en daarmee is dit vaak een veilig eerste voorbeeld.

De agent heeft een lijst met bronnen nodig en heldere criteria voor wat telt. Bij Perium, een cybersecuritybedrijf, scant een systeem wekelijks op kwetsbaarheden, deelt ze in op ernst en maakt een overzichtsrapport voor het security-team. Bij Fintool scant een systeem dagelijks honderden bronnen, filtert de relevante financiële updates en maakt er een gestructureerd overzicht van.

De specialist leest het overzicht, beslist wat er moet gebeuren en past de criteria aan als de agent te veel of te weinig doorlaat. Zijn tijd gaat van zoeken naar beoordelen.

Het gaat mis als niemand controleert wat de agent weglaat. Een gemist signaal zie je niet in het rapport. Neem daarom af en toe een steekproef uit het ruwe materiaal en vergelijk die met wat de agent selecteerde.

Waar het misgaat bij agents in de praktijk

Agents gaan in de praktijk op vier punten mis: de data klopt niet, de agent mag te veel, niemand meet de kwaliteit, en fouten stapelen zich op over meerdere stappen. Dat patroon zag je in elk voorbeeld hierboven terug.

De data klopt niet. Een agent antwoordt even overtuigend op verouderde informatie als op actuele. Elk voorbeeld begint daarom bij de bron.

De agent mag te veel. OWASP, een stichting voor softwarebeveiliging, zet te ruime bevoegdheden als excessive agency in de top 10 van risico's bij taalmodellen. Geef leestoegang, laat de agent voorstellen doen en houd versturen, boeken en betalen achter een menselijke bevestiging.

Niemand meet. Zonder een vaste set testgevallen uit je eigen werk weet je niet of een aanpassing de agent beter of slechter maakt. Anthropic raadt aan uitgebreid te testen in een afgeschermde omgeving voordat een agent zelfstandig handelt.

Fouten stapelen zich op. Hoe meer stappen een agent achter elkaar zet, hoe groter de kans dat er één misgaat. Houd de keten kort en laat de agent bij twijfel stoppen en doorzetten naar een mens. De rekensom daarachter staat in de gids wat is een AI-agent.

Gaat een agent over mensen beslissen, zoals bij werving of krediet, dan gelden zwaardere regels. Zie de gids over hoog-risico AI.

AI-agent beheer: wat er na livegang nodig is

Beheer van een AI-agent betekent dat iemand na livegang blijft kijken of hij nog doet wat is afgesproken: de kwaliteit, de kosten, de koppelingen en de rechten. Een agent zonder eigenaar veroudert stil.

Wijs één eigenaar aan, iemand uit de afdeling die het proces kent. Leg per uitvoering vast wat de agent deed, welke bronnen hij raadpleegde en wat het kostte. Die audit trail, het logboek waarin elke stap terug te lezen is, heb je nodig om een fout te kunnen verklaren.

Plan daarnaast vaste momenten. Modellen worden vervangen, een leverancier past een koppeling aan, een nieuwe collega krijgt toegang. Elk van die wijzigingen kan het gedrag van de agent veranderen zonder dat iemand iets aan de agent zelf deed.

Een bruikbaar kader hiervoor is het AI Risk Management Framework van NIST, het Amerikaanse instituut voor standaarden. Het is vrijwillig en deelt het werk op in vier functies: besturen, in kaart brengen, meten en beheersen. Voor een eerste agent kun je het als checklist gebruiken.

Bij Pilex kan je eigen team het beheer doen, of het loopt via de dienstlijn Beheer: monitoring, updates, compliance en kwartaalreviews, door het team dat de agent bouwde.

Wanneer je hulp nodig hebt

Hulp heb je nodig wanneer de agent aan gevoelige data raakt, met meerdere systemen moet praten, of wanneer niemand intern het beheer kan dragen. Een agent die alleen leest en een overzicht maakt, kun je met een technisch sterke collega vaak zelf opzetten. De afweging staat in de gids AI-agent zelf bouwen of laten bouwen.

Weet je nog niet welk proces het meeste oplevert, begin dan met een procesanalyse. Weet je dat wel, dan lees je op AI-agent laten bouwen hoe Pilex het aanpakt: bouwen en testen met echte data uit jouw systemen, met een audit-trail vanaf dag één.

Veelgestelde vragen

Kan een AI-agent op eigen data werken zonder dat die data ons netwerk verlaat?
Ja. Gevoelige data kan lokaal blijven: open source modellen draaien dan op je eigen hardware of op een dedicated server. De agent zoekt in je documenten en systemen zonder dat die inhoud naar een cloudaanbieder gaat. Bij MZA worden gespreksverslagen zo gemaakt op een lokale AI-infrastructuur.
Is een AI-agent ook een enterprise-oplossing?
Ja, als je vooraf vijf dingen regelt: een datafundament onder de agent, testen met echte data, een audit-trail van elke interactie, single sign-on en rollen via je bestaande identiteitssysteem, en een risicoklasse volgens de EU AI Act met een DPIA waar nodig. Daarna beheer je de agent als elk ander bedrijfssysteem.
Welk voorbeeld is het beste om mee te beginnen?
Het proces dat vaak terugkomt, waarvan de data al beschikbaar is en waar een fout te herstellen is. Vaak is dat een onopvallend proces, zoals opvolging of het voorbereiden van antwoorden. Begin met een agent die voorstellen doet en laat een mens versturen.
Vervangt een AI-agent een medewerker?
In de voorbeelden uit deze gids neemt de agent losse handelingen over. Het lezen, opzoeken en voorbereiden verschuift naar de agent. Beoordelen, beslissen en het gesprek met de klant blijven bij mensen, en iemand moet de agent ook beheren.
Heb ik voor elk van deze voorbeelden een agent nodig?
Nee. Loopt het proces elke keer langs dezelfde stappen, dan is een gewone automatisering goedkoper en betrouwbaarder. Een agent is pas nodig wanneer het pad per geval verschilt. De gids over wat een AI-agent is legt dat onderscheid uit.

Bronnen

Over de auteur

Portret van Cas Sombroek

Cas Sombroek

Technology Lead bij Pilex

Schrijft over de techniek achter veilige AI: architectuur, datastromen en wat er onder de motorkap gebeurt.

Inhoud gecontroleerd op · Cas op LinkedIn

Wil je dit voor je eigen organisatie uitzoeken?

Plan een intake van dertig minuten. We rekenen vrijblijvend één proces door en zeggen eerlijk of het de moeite waard is.

Mogen we meten hoe onze site wordt gebruikt?

Met analysecookies zien we welke pagina's helpen en van welke organisaties bezoekers komen. Zonder jouw akkoord plaatsen we ze niet. Meer hierover staat in ons privacybeleid.