AI agents, agentic workflows, agentic capabilities. De termen vliegen je om de oren, maar wat betekenen ze nu eigenlijk? De meeste uitleggen zijn óf te technisch óf te oppervlakkig.
In dit artikel volg je een eenvoudig leerpad van drie niveaus, van chatbot naar workflow naar AI agent, met voorbeelden die je direct herkent uit de praktijk. Geen technische achtergrond nodig.
Wat is een AI agent?
Een AI agent is een taalmodel dat zelfstandig beslissingen neemt en acties uitvoert om een doel te bereiken, zonder dat een mens elke stap hoeft te bepalen. Het is de volgende stap na de chatbots en geautomatiseerde workflows die je vandaag al gebruikt. Om te begrijpen wat een AI agent precies doet en waarom dat anders is dan wat je al kent, is het handig om eerst twee eerdere niveaus te begrijpen: het gewone taalmodel en de AI workflow.
Niveau 1: Hoe werkt een gewoon taalmodel?
Chatbots zoals ChatGPT, Google Gemini en Claude zijn gebouwd op grote taalmodellen, ook wel LLMs genoemd. De werking is eenvoudig: jij geeft een input en het model produceert een output op basis van alles wat het tijdens de training heeft geleerd.
Vraag je ChatGPT om een beleefde e-mail te schrijven voor een koffieafspraak? Jouw vraag is de input, de e-mail is de output. Snel, nuttig en effectief.
Maar stel je vraagt: "Wanneer is mijn volgende koffieafspraak?" Dan faalt ChatGPT direct. Het heeft geen toegang tot jouw agenda en kan die vraag simpelweg niet beantwoorden. Dit laat twee fundamentele beperkingen zien van een standaard taalmodel:
- Het heeft geen toegang tot persoonlijke of bedrijfseigen informatie
- Het is passief: het wacht op jouw vraag en reageert, meer niet
Onthoud deze twee beperkingen, want de niveaus die volgen zijn direct een antwoord daarop.
Niveau 2: Wat is een AI workflow?
Een AI workflow is een reeks vooraf bepaalde stappen die een taalmodel volgt om een taak uit te voeren. De mens bepaalt het pad, het taalmodel voert het uit.
Stel je instrueert het model: "Elke keer dat ik vraag naar een persoonlijke afspraak, zoek je eerst in mijn Google Agenda." Vanaf dat moment geeft het model het juiste antwoord, want het volgt het pad dat jij hebt ingesteld.
Wil je ook weten hoe het weer is op de dag van je afspraak? Dan voeg je een extra stap toe waarbij het model een weerdienst raadpleegt via een API. Wil je het antwoord hardop horen? Dan koppel je er een tekst-naar-spraakmodel aan.
Zo kun je tientallen, zelfs honderden stappen toevoegen en het proces volledig automatiseren. Maar hoe uitgebreid de workflow ook is, er verandert één ding nooit: de mens is de beslisser die het pad bepaalt. Het taalmodel voert alleen uit. Dat is het kenmerkende verschil.
Wat is RAG? RAG staat voor Retrieval Augmented Generation en is een term die veel wordt gebruikt maar zelden goed wordt uitgelegd. RAG betekent simpelweg dat een taalmodel eerst informatie opzoekt voordat het antwoord geeft, zoals een agenda raadplegen of een weerdienst aanroepen. RAG is daarmee gewoon een type AI workflow, niet meer en niet minder.
Een concreet voorbeeld van een AI workflow
Stel je bouwt een workflow in een automatiseringstool zoals Make.com. De stappen zien er zo uit:
- Verzamel links naar nieuwsartikelen in Google Sheets
- Gebruik Perplexity om die artikelen samen te vatten
- Gebruik Claude om op basis van die samenvatting een LinkedIn- en Instagram-post te schrijven
- Plan de workflow in om elke dag automatisch om 08:00 uur te draaien
Dit is een AI workflow. Elke stap is door jou bepaald. Het taalmodel voert uit wat jij hebt ingesteld.
Is de LinkedIn-post niet goed genoeg? Dan ga jij handmatig terug, pas je de instructies aan en test je opnieuw. Die cyclus van beoordelen en aanpassen doe jij als mens. Onthoud dat, want dat is precies wat straks verandert bij een AI agent.
Niveau 3: Wat is een AI agent?
Een AI agent ontstaat op het moment dat het taalmodel zelf de beslisser wordt, in plaats van de mens. Dat is de enige maar cruciale verandering ten opzichte van een AI workflow.
Neem het voorbeeld van de sociale media posts. Als mens doe jij twee dingen: je bedenkt de beste aanpak en je voert die aanpak uit met de juiste tools. Een AI agent neemt precies die twee taken over.
Redeneren: de agent denkt na over de meest efficiënte aanpak. Moet ik artikelen kopiëren naar een Word-document? Nee, het is slimmer om links te verzamelen en die later op te halen met een ander hulpmiddel. Moet ik Excel gebruiken? Nee, de gebruiker heeft Google Sheets al gekoppeld, dat is efficiënter.
Handelen: op basis van die redenering kiest de agent zelf welke tools het inzet, in welke volgorde en hoe het de resultaten verwerkt.
Itereren: is de LinkedIn-post niet goed genoeg? Dan beoordeelt de agent zijn eigen output, vergelijkt die met het gestelde doel en herhaalt het proces totdat het resultaat aan de criteria voldoet. Zonder tussenkomst van een mens. Dit is de derde en misschien wel meest onderscheidende eigenschap van een AI agent.
Het ReAct-framework: redeneren en handelen
Omdat elke AI agent per definitie redeneert en handelt, is het meest gebruikte framework voor AI agents het ReAct-framework. ReAct staat simpelweg voor Reason and Act.
Het proces ziet er zo uit:
- De agent ontvangt een doel
- Het redeneert over de beste aanpak
- Het handelt door de juiste tools in te zetten
- Het beoordeelt het tussenresultaat
- Het bepaalt of herhaling nodig is
- Het levert een eindresultaat op dat het doel bereikt
Volgens Google Research en DeepMind, die het ReAct-framework in 2022 introduceerden, presteren AI agents die redeneren en handelen combineren aanzienlijk beter op complexe taken dan systemen die alleen handelen zonder tussentijdse redenering.
Een concreet voorbeeld van een AI agent in de praktijk
AI-onderzoeker Andrew Ng demonstreerde dit principe met een visuele zoekagent. Je typt het woord "skiër" in een zoekveld. Op de achtergrond gaat de agent als volgt te werk:
- Redeneren: wat is een skiër? Een persoon op ski's, in de sneeuw, met hoge snelheid.
- Handelen: de agent doorzoekt videomateriaal op beelden die aan die omschrijving voldoen.
- Indexeren: gevonden fragmenten worden getagd en opgeslagen.
- Teruggeven: het juiste videofragment wordt aan de gebruiker getoond.
Zonder AI agent zou een mens al dat beeldmateriaal handmatig moeten bekijken, skiërs herkennen en de fragmenten taggen met woorden als "skiër", "berg" en "sneeuw". De agent doet dat volledig autonoom.
Het verschil tussen een LLM, een AI workflow en een AI agent
De drie niveaus samengevat:
- LLM: jij geeft een input, het model geeft een output. Passief en reactief, geen externe tools.
- AI workflow: jij bepaalt een pad met meerdere stappen en tools, het model voert die stappen uit. De mens is de beslisser.
- AI agent: het model ontvangt een doel, bepaalt zelf de aanpak, handelt via tools, beoordeelt het resultaat en itereert tot het doel bereikt is. Het model is de beslisser.
Het verschil tussen de drie niveaus is niet gradueel maar fundamenteel. Bij een LLM reageer je op een prompt. Bij een workflow bepaal jij het pad. Bij een AI agent geef je alleen het doel op en neemt het model alle beslissingen daartussen zelf. Dat is de kern van wat een AI agent onderscheidt van alles wat er aan voorafgaat.
Wat betekent dit voor jou als gebruiker?
Je hoeft geen ontwikkelaar te zijn om al met AI agents te werken. Platforms zoals Make.com, Zapier en n8n bieden visuele interfaces waarmee je zonder code eenvoudige agents kunt bouwen. Voor complexere, maatwerk agents is programmeerkennis een voordeel, maar voor dagelijks gebruik is dat zelden nodig.
AI agents duiken bovendien al op in tools die je vandaag gebruikt. Denk aan een e-mailassistent die zelfstandig afspraken plant en relevante bijlagen zoekt. Een contentassistent die nieuwsbronnen raadpleegt, samenvat en posts schrijft. Een zoeksysteem dat beeldmateriaal automatisch analyseert en tagt. Het verschil met wat je nu gewend bent is dat je niet langer elke stap hoeft te omschrijven. Je geeft een doel op en de agent bepaalt zelf hoe het dat doel bereikt.
Conclusie
De term AI agent klinkt technisch, maar het principe is eenvoudig. Het is het moment waarop het taalmodel de beslisser wordt in plaats van de uitvoerder. Hoe beter je dat onderscheid begrijpt, hoe beter je kunt inschatten waar AI agents jouw werk kunnen overnemen en waar jij zelf de regie wilt houden. De vraag is niet langer of AI agents een rol gaan spelen in hoe je werkt, maar wanneer je ermee aan de slag gaat.
Veelgestelde vragen
Wat is het verschil tussen een AI agent en ChatGPT?
ChatGPT is een passief taalmodel dat reageert op jouw vragen. Een AI agent is een taalmodel dat zelfstandig een doel nastreeft, daarvoor tools inzet en zijn eigen resultaten beoordeelt en verbetert. ChatGPT wacht op jou, een AI agent werkt voor jou.
Wat is RAG en heeft dat met AI agents te maken?
RAG staat voor Retrieval Augmented Generation en betekent dat een taalmodel eerst informatie opzoekt voordat het antwoord geeft. RAG is een type AI workflow en kan onderdeel zijn van een AI agent, maar het is op zichzelf geen AI agent.
Kan een AI agent fouten maken?
Ja. Een AI agent redeneert op basis van het taalmodel waarop het gebouwd is en dat model is niet onfeilbaar. Hoe complexer de taak, hoe groter de kans op fouten in de redenering. Het blijft belangrijk om de output van AI agents te controleren, zeker bij taken met grote gevolgen.
Heb je technische kennis nodig om een AI agent te gebruiken?
Voor bestaande AI agents niet. Platforms zoals Make.com, Zapier en n8n bieden gebruiksvriendelijke interfaces zonder code. Voor het bouwen van complexe, maatwerk agents is programmeerkennis een voordeel.
Waar zie ik AI agents al in de praktijk?
AI agents zijn al actief in klantenservice, contentcreatie, dataverwerking en zoeksystemen. Denk aan assistenten die zelfstandig e-mails verwerken, zoekmachines die bronnen raadplegen en samenvatten, of videosystemen die beeldmateriaal automatisch taggen op basis van wat er te zien is.
