AI-agent

Wat is een AI-agent?

Een AI-agent is een AI-systeem dat niet één antwoord produceert, maar zelfstandig een reeks stappen zet om een doel te bereiken. Hij gebruikt een taalmodel als brein, plant wat er moet gebeuren, voert acties uit via tools en stuurt zichzelf bij op basis van het resultaat.

Waar een klassieke chatbot reageert op één vraag per keer, kan een agent bijvoorbeeld een probleem ontleden, gegevens opzoeken in twee systemen, een berekening doen, een e-mail opstellen en pas dan een voorstel terugsturen. Dat alles zonder dat jij tussenin elke stap moet intypen.

De term agentic AI werd in 2024 en 2025 een modewoord, maar de onderliggende ideeën bestaan al langer. Wat nieuw is, is dat moderne taalmodellen goed genoeg zijn in redeneren en toolgebruik om deze aanpak in productie bruikbaar te maken.

Gewone chatbot versus AI-agent

Het verschil zit in autonomie en het aantal stappen.

Klassieke chatbot
Jij stelt een vraag, het model antwoordt. Alles wat het weet, moet in die ene respons passen. Geen geheugen tussen vragen, geen toegang tot live data, tenzij je dat zelf toevoegt via RAG.

RAG-chatbot
Zoals hierboven, maar met een vaste stap voor de generatie: opzoeken in een vector database en dan antwoorden. De flow ligt vast.

AI-agent
De agent beslist zelf welke stappen nodig zijn. Hij mag meerdere keren zoeken, tools combineren, tussentijdse resultaten evalueren en het plan bijsturen. De flow is dynamisch en hangt af van wat de gebruiker vraagt en wat de tussenresultaten opleveren.

Hoe werkt een AI-agent?

Onder de motorkap draait een agent een lus die meestal uit drie stukken bestaat: denken, doen en observeren.

1. Denken
   Het taalmodel bekijkt het doel en kiest een volgende stap. Dit kan een interne gedachte zijn ("ik heb eerst het klantnummer nodig") of direct een actie ("ik roep tool X aan").

2. Doen
   De agent roept een tool aan. Dat kan een API zijn, een databankquery, een zoekopdracht, een berekening of een andere AI-dienst. Vaak spreken we van function calling of tool calling.

3. Observeren
   Het resultaat van de tool komt terug naar het model. Daar beslist het opnieuw: klaar, of nog een stap nodig? En zo ja, welke?

Deze lus heet in de literatuur vaak ReAct (Reasoning + Acting) of Plan-and-Execute. De varianten verschillen vooral in hoe expliciet het plan wordt opgesteld en in hoeverre het model zichzelf mag overrulen.

Naast het model zelf heeft een agent altijd drie extra bouwstenen:

• Tools
  Functies met een duidelijke beschrijving, input en output. Het model kiest welke tool te gebruiken op basis van die beschrijving.

• Geheugen
  Korte termijn (de huidige conversatie) en lange termijn (wat eerder besproken of afgeleid is). Zonder geheugen verliest een agent context.

• Orchestrator
  Het framework dat de lus stuurt, grenzen bewaakt (aantal stappen, budget, veilige tools) en fouten afhandelt.

Wanneer zet je een AI-agent in?

1. Meerstapstaken met beslismomenten
   Ticket triage, factuurverwerking, lead-kwalificatie. De agent bekijkt context, stelt vragen waar nodig en routeert of beslist binnen duidelijke grenzen.

2. Assistenten voor kenniswerkers
   Een verkoopagent die offertes samenstelt, een HR-agent die beleid opzoekt en formulieren vooraf invult, een BI-agent die DAX-query's schrijft op basis van bedrijfsvragen.

3. Automatisering met variatie
   Daar waar een vaste workflow engine zou breken omdat elke casus net iets anders is, kan een agent het pad per geval aanpassen.

4. Onderzoek en synthese
   Een agent die meerdere bronnen doorzoekt, samenvat en conflicten signaleert. Denk aan concurrentie-analyse of juridisch voorwerk.

5. Data-analyse met natuurlijke taal
   Vraag in gewone taal, de agent vertaalt naar een query, draait die, interpreteert het resultaat en stelt opvolgvragen voor.

Risico's en beperkingen

Een agent vergroot de kracht van een LLM, maar ook zijn risico's.

Oneindige lussen
Zonder limiet op aantal stappen of tijd kan een agent zichzelf in een kringetje laten draaien. Stel altijd harde grenzen in op iteraties en kostprijs.

Verkeerd toolgebruik
Wanneer tool-beschrijvingen vaag zijn, kiest het model soms de verkeerde. Duidelijke namen, voorbeelden en strikte input-validatie beperken dat risico.

Onomkeerbare acties
Een agent die rechtstreeks een factuur kan betalen of een e-mail kan versturen, kan fouten niet meer ongedaan maken. Voor zulke acties bouw je altijd human-in-the-loop in: de agent bereidt voor, een mens keurt goed.

Prompt injection en jailbreaking
Kwaadwillige input kan de agent instrueren om iets anders te doen dan bedoeld. Hoe meer tools een agent heeft, hoe groter de aanvalsfelt. Behandel input uit externe bronnen (mails, websites, documenten) altijd met achterdocht.

Kostprijs en latency
Elke stap kost een LLM-aanroep. Een agent die tien stappen doet, is tien keer duurder en trager dan een eenvoudige RAG-call. Bepaal vooraf of de meerwaarde die kostprijs rechtvaardigt.

Platformen voor AI-agents

Verschillende platformen laten toe om agents te bouwen zonder alles zelf te programmeren.

• Microsoft Copilot Studio
  Low-code omgeving om agents te bouwen met toegang tot Microsoft 365-data en Power Platform-connectoren. Sterke keuze voor organisaties die al in het Microsoft-ecosysteem zitten.

• Azure AI Foundry
  Meer technisch, voor het bouwen van agents op Azure OpenAI-modellen met eigen tools en vector search.

• LangGraph, CrewAI en AutoGen
  Open-source frameworks om agents en multi-agent systemen te bouwen in Python. Flexibel, maar vereist ontwikkelwerk.

• OpenAI Agents SDK, Anthropic's MCP en Claude Skills
  Bouwstenen van de grote modelleveranciers zelf. Sterk voor teams die dicht bij één modelfamilie willen blijven.

De keuze hangt vooral af van wie de agent gaat bouwen en beheren, en van welke bestaande data en tools je wil integreren. Voor een eerste project in een Microsoft-omgeving is Copilot Studio vaak de snelste weg naar een werkend prototype.