Ambient agent

Wat is een ambient agent?

Een ambient agent is een AI-agent die niemand hoeft op te starten. Hij hangt aan een stroom van gebeurtenissen, een gedeelde mailbox, de ordertabel in je ERP, een ticketwachtrij, een monitoringfeed, en wordt wakker zodra er iets binnenkomt dat bij zijn opdracht past. Hij leest de gebeurtenis, bepaalt of ze ertoe doet, en handelt ze af, stelt je een vraag, of laat ze liggen.

De naam komt van LangChain. In januari 2025 schreef Harrison Chase dat ambient agents "listen to an event stream and act on it accordingly, potentially acting on multiple events at a time". Zijn bezwaar tegen het chatvenster was eenvoudig: je moet elk gesprek zelf beginnen, dus een agent kan maar één ding tegelijk voor je doen. Een agent die een stroom in de gaten houdt, draait ook als jij niet aan je bureau zit, en je kan er verschillende naast elkaar laten lopen.

Microsoft kwam op hetzelfde idee uit met een andere naam. Sinds juni 2026 noemt het die categorie "autopilots": agents die altijd aan staan, zelfstandig werken, een eigen identiteit hebben en in jouw naam handelen. Welk etiket een leverancier ook kiest, de vorm is dezelfde: een trigger, een agent die de gebeurtenis beoordeelt, en een manier om er een mens bij te halen als de agent twijfelt.

Vergelijk het met een jonge collega die de hele dag de gedeelde inbox leest. Je hebt hem nooit gevraagd om elke mail apart te bekijken. Hij kijkt, sorteert, beantwoordt de makkelijke, en komt met de rest naar je bureau.

Wat zet een ambient agent in gang?

Er is geen prompt, dus iets anders moet elke run starten. In de praktijk is dat een van deze drie.

Een gebeurtenis. Een nieuwe mail, een rij die in een tabel bijkomt, een ticket dat van status verandert, een bestand dat in een map belandt. Copilot Studio noemt dat event triggers en heeft er een bibliotheek van voor diensten van Microsoft en partners; dezelfde triggers starten de automatische cloud flows in Power Automate. De trigger stuurt de agent een payload met de gegevens van de gebeurtenis en, als je die geschreven hebt, instructies voor net die gebeurtenis.

Een schema. Een recurrence trigger gaat elk uur af, of elke ochtend om zeven uur. Handig als de bron zelf geen gebeurtenis kan aanleveren, zoals een nachtelijke export die je op wijzigingen moet nakijken.

Een drempel. Voorraad onder het bestelpunt, een betaling die meer dan 30 dagen te laat is, een foutpercentage boven 2 procent. Technisch is dat een gebeurtenis of een schema met een voorwaarde ervoor, maar zo beschrijven de meeste zaakvoerders wat ze willen.

Eén ontwerpkeuze weegt zwaarder dan de rest: de trigger bepaalt hoe vaak de agent wakker wordt, en elke keer wakker worden kost geld. In Copilot Studio telt elke trigger payload als een bericht voor de facturatie. Een recurrence trigger op elke 10 minuten stuurt dus 144 berichten per dag nog voor de agent iets nuttigs gedaan heeft. Laat de agent afgaan op echte gebeurtenissen waar het kan, en zet de trigger zo nauw dat alleen de gebeurtenissen die je interesseren tot bij het model raken.

Op drie manieren betrekt hij jou

De post van LangChain benoemt drie human-in-the-loop-patronen, en die blijven goed overeind als checklist voor elke ambient agent die je bouwt.

1. Melden (notify)
   De agent laat je weten dat iets belangrijk is en doet verder niets. "Klant X heeft gemaild om op te zeggen, geen antwoord verstuurd." Het laagste risico, en de eerste weken vaak alles wat je nodig hebt.

2. Vragen (question)
   De agent zit vast en vraagt naar het ontbrekende stuk. "Op deze factuur staan twee projecten, op welk van de twee boek ik ze?" De run staat stil tot je antwoordt.

3. Nakijken (review)
   De agent heeft een actie klaargezet en toont ze eerst aan jou: een opgestelde herinneringsmail, een bestelbon die klaarstaat om te verzenden. Jij keurt goed, past aan, of wijst af.

Omdat één agent tien keer per dag kan stilvallen over tientallen gebeurtenissen, is een chatvenster de verkeerde plek om die pauzes af te handelen. LangChain bouwde er een "agent inbox" voor, naar het model van e-mail en ticketsystemen: een lijst met open punten, elk een agent die op jou wacht, en bij elk punt kan je aanvaarden, aanpassen, antwoorden of negeren. De richtlijnen van Microsoft voor autonome agents zeggen hetzelfde in gewone woorden: laat de agent voor gevoelige acties eerst goedkeuring vragen aan een mens.

Een regel die in de praktijk goed werkt: laat elke nieuwe ambient agent de eerste weken alleen melden. Lees na die weken wat hij gedaan zou hebben, en laat hem dan de acties die hij juist had voortaan klaarzetten om na te kijken, en de saaie acties waar hij nooit naast zat op volautomatisch.

Ambient agent tegenover chatbot, en tegenover een geplande flow

Tegenover een chatbot: wie neemt het initiatief?

Een chatbot wacht op jou. Je opent hem, typt, krijgt een antwoord, en zodra je het venster sluit gebeurt er niets meer. Een ambient agent wordt gestart door de gebeurtenis, en je hoort pas van hem als hij iets voor je heeft. De chatbot schaalt met je typsnelheid; de ambient agent schaalt met de stroom. Allebei kunnen ze hetzelfde model, dezelfde tools en dezelfde kennisbronnen gebruiken. Het verschil zit in wie het eerste bericht stuurt.

Tegenover een geplande cloud flow met een LLM-stap: wie bepaalt de volgende stap?

Dit is het paar dat voor verwarring zorgt, want allebei draaien ze zonder toezicht en allebei kunnen ze een taalmodel bevatten. Een Power Automate-flow die elke ochtend loopt, de vervallen facturen ophaalt, een model een herinnering laat schrijven en die verstuurt, is geen ambient agent. Jij hebt de stappen getekend. Het model vult één vakje in, en de flow doet op elke rij hetzelfde.

Bij een ambient agent leest het model de gebeurtenis en kiest het zelf wat het doet uit de tools die jij meegaf. Voor de ene vervallen factuur stelt het een herinnering op, bij een andere merkt het dat de klant de factuur vorige week betwist heeft en geeft het ze aan jou door, bij een derde doet het niets omdat er vanochtend een betaling binnenkwam. Het pad verschilt per gebeurtenis, en dat is net de bedoeling. Het is ook de reden waarom de agent de controles uit de laatste sectie nodig heeft en de flow niet.

Drie voorbeelden voor een kmo

Opvolging van vervallen facturen. Trigger: een statuswijziging in het boekhoudpakket, of een dagelijkse controle van de tabel met openstaande vorderingen. De agent bekijkt elke vervallen factuur, kijkt na of er al een betaling of een betwisting geregistreerd staat, en stelt een herinnering op in de toon die bij de geschiedenis van die klant past. Een eerste herinnering kijk jij na voor ze vertrekt. Een tweede herinnering aan een klant die de eerste negeerde, komt als vraag bij jou terecht, want misschien is het tijd voor een telefoontje in plaats van nog een mail.

Voorraad onder de drempel. Trigger: een rij die wijzigt in de voorraadtabel. Zakt een artikel onder zijn bestelpunt, dan kijkt de agent de openstaande bestelbonnen en de levertermijn van de leverancier na, en meldt hij aan de aankoper dat er al een bestelling onderweg is, of zet hij een bestelbon klaar om na te kijken. Een gewone flow kan de melding sturen; de agent verdient zijn plek door de twee dingen na te kijken die een mens ook zou nakijken voor hij alarm slaat.

Inbox sorteren. Trigger: nieuwe mail in de gedeelde info@- of sales@-mailbox. De agent deelt elke mail in bij negeren, melden of beantwoorden, stelt de antwoorden op waar hij zeker van is, en laat elk voorstel op jou wachten om na te kijken. De referentie-implementatie van LangChain voor ambient agents is precies deze e-mailassistent, met die driedeling vooraan en een inbox voor de pauzes.

Waarom altijd aan het toezicht verandert

Een chatbot leent de identiteit van wie zit te typen en stopt zodra die het tabblad sluit. Een ambient agent draait om drie uur 's nachts onder een identiteit die iemand hem gegeven heeft, en niemand kijkt mee. Daardoor verschuiven vier vragen van "mooi meegenomen" naar "geregeld voor je publiceert".

Onder wiens identiteit draait hij? In Copilot Studio draaien event triggers met de aanmeldgegevens van wie de agent gebouwd heeft, en Microsoft toont voor het publiceren een waarschuwing dat andere gebruikers via die machtiging aan gegevens kunnen raken. Voor de autopilot-categorie geeft Microsoft elke agent een eigen identiteit in Entra, met een eigen account, eigen rechten en een eigen lijn in het auditlog, in plaats van een gedeeld serviceaccount of de login van een collega. Op welk platform je ook zit, de agent hoort een identiteit te hebben die je apart kan opzoeken en apart kan uitschakelen.

Waar mag hij aan? Least privilege, per tool toegepast. Een agent die facturen leest, heeft geen schrijfrechten op het grootboek nodig. Een agent die herinneringen opstelt, hoeft ze niet zelf te mogen versturen tot je een maand aan voorstellen gezien hebt. De richtlijnen van Microsoft voegen een controle toe die je snel vergeet: kijk na of de gebeurtenissen die de agent bereiken echt zijn, met een controle op de afzender bijvoorbeeld, want een binnenkomende mail is ook de klassieke weg voor een prompt injection, en een agent die op elke mail handelt is het ideale doelwit.

Hoeveel mag hij uitgeven? Elke run is modelaanroepen plus triggerberichten, en de trigger, niet jij, bepaalt het volume. Een schema dat te strak staat, of twee agents die elkaars mails blijven beantwoorden, kan op één nacht een maandbudget opmaken. Zet een plafond op het aantal runs per uur en op de uitgaven per dag, en laat de agent stoppen in plaats van vertragen als hij dat plafond raakt. Copilot Studio kan een agent afremmen die over zijn quotum gaat; jij wil het horen voor het zover komt.

Hoe zet je hem uit? Ken de noodstop voor je ze nodig hebt. In Copilot Studio is dat de publicatie van de agent intrekken of de trigger weghalen, en een beheerder kan event triggers voor een hele omgeving blokkeren. Test dat pad één keer, met een chronometer erbij. Een agent die je niet binnen de minuut kan stilleggen, hoort geen mail te mogen versturen.

Onder die vier zit een logboek: elke ontvangen trigger, elke beslissing, elke actie, leesbaar voor iemand die de agent niet gebouwd heeft. De richtlijnen van Microsoft vragen precies dat, en raakt de agent ooit aan beslissingen over mensen, in hr bijvoorbeeld, dan komen de regels van de AI Act over menselijk toezicht daar nog bovenop.