AI-agent: wat het is, hoe je het bouwt en waar het misgaat

👁 120 keer gelezen

Het woord “agent” plakt tegenwoordig aan alles met AI in de naam, waardoor het zijn betekenis verliest. Maar het verschil tussen een chatbot en een agent is concreet en in één zin samen te vatten: een chatbot antwoordt, een agent handelt. De rest van dit artikel is een uitwerking van die zin en laat zien hoe je zelf een agent bouwt zonder code te schrijven.

Wat is het verschil tussen een agent en een chatbot

Een gewone chatbot krijgt een vraag en geeft tekst terug. Meer gebeurt er niet. Als je hem vraagt een mail te versturen, schrijft hij de inhoud van de mail, maar verstuurt hem niet.

Een agent krijgt een doel, geen vraag, en heeft tools tot zijn beschikking. Hij kan iets opzoeken op internet, een bestand lezen, een item in een database opslaan, een bericht versturen. Hij beslist zelf in welke volgorde hij dat doet en controleert onderweg het resultaat.

Dat is het hele verschil. Tegen een chatbot zeg je “schrijf een samenvatting van dit bestand”. Tegen een agent zeg je “controleer elke ochtend nieuwe bestanden in deze map, vat ze samen en stuur me één bericht met alles erin”.

Waaruit bestaat een AI-agent

Ongeacht in welke tool je hem bouwt, een agent heeft vier onderdelen.

1. Model. Dit beslist wat de volgende stap is.
2. Tools. Alles waarmee de agent iets kan doen behalve schrijven: een zoekmachine, toegang tot bestanden, e-mail versturen, een database bevragen.
3. Geheugen. Een log van wat hij al gedaan heeft en wat hij ontdekt heeft, zodat hij niet bij elke stap opnieuw begint.
4. Trigger. Wat hem activeert: een tijdstip, een nieuwe mail, een nieuw bestand, een klik.

Als een van deze vier ontbreekt, is het geen agent maar een chatbot met een mooiere verpakking. Meestal ontbreken de tools.

Hoe bouw je een agent zonder code

De eenvoudigste weg loopt via automatiseringstools waarin je kant-en-klare blokken aan elkaar koppelt. Het schema is altijd hetzelfde.

Stap één: begin met één taak die je handmatig uitvoert. Niet met de visie van een assistent die je bedrijf runt. Met één handeling die je elke maandag herhaalt. Dit is het enige advies uit deze lijst dat echt het verschil maakt tussen succes en mislukking.

Stap twee: schrijf het zo gedetailleerd uit alsof je het aan een nieuwe medewerker uitlegt. Waar moet je kijken, wat controleren, wat doen als iets ontbreekt. Dat laatste punt is waar iedereen aan voorbijgaat en waar agenten vastlopen.

Stap drie: geef de agent alleen de tools die hij nodig heeft. Niet “toegang tot mailbox”, maar “lees berichten uit één label”. Hoe smaller de rechten, hoe minder er mis kan gaan.

Stap vier: laat hem eerst droogdraaien. Laat hem een week lang opschrijven wat hij zou doen, in plaats van het echt te doen. Dan zie je alle plekken waar hij zich vergist op een manier die je niet verwachtte.

Stap vijf: nu pas schakel je hem in, en dan op iets wat je ongedaan kunt maken.

Waar AI-agents echt falen

Dit schrijf ik vanuit ervaring met eigen automatiseringen die dagelijks draaien.

Bij atypische situaties. Een agent werkt prima zolang de data eruitziet zoals tijdens de tests. Het eerste bestand in een ander formaat kan hem op het verkeerde been zetten en, erger nog, de agent meldt meestal geen probleem maar doet iets dat er logisch uitziet maar fout is.

Bij stille crashes. Een model kan een lege response teruggeven met een successtatus. Ik heb het gemeten: in mijn test van tien modellen gaven er drie bij één taak status 200 en lege inhoud, zonder enige foutmelding. Als je agent dat niet controleert, slaat hij leegte op en gaat verder.

Bij kosten. Een agent die hardop denkt, betaalt voor elke stap. Bij modellen met verplichte reasoning vormen de reasoning-tokens zelfs 96 procent van alle output-tokens, en output is de dure kant van het prijslijstje. De rekening voor een agent die 24/7 draait kan verrassen.

Bij loops. Een agent zonder limiet op het aantal stappen kan in een cirkel blijven draaien. Stel altijd een harde limiet in voor pogingen en een harde limiet voor kosten.

Waarvoor is een agent echt geschikt

Voor herhaalbare, saaie dingen. Doorbladeren, ordenen, samenvatten, overzetten van het ene formaat naar het andere. Hier verdient een agent zich terug vanaf de eerste week.

Voor monitoring. Controleren of iets veranderd is en alleen reageren als dat zo is. Dit is waarschijnlijk het beste eerste project voor iedereen.

Niet geschikt voor beslissingen die je niet kunt controleren. Als je niet binnen vijf seconden kunt beoordelen of de agent het goed deed, geef hem die taak dan niet. Niet omdat hij het niet aankan, maar omdat je niet merkt wanneer hij het niet aankan.

Welk model kies je voor een agent

Voor een agent die in een loop draait, kies je anders dan voor een eenmalig gesprek, omdat de kosten vermenigvuldigd worden met het aantal stappen. Ik heb tien modellen gemeten op Poolse taken en het verschil in rekening tussen modellen met identieke nauwkeurigheid liep op tot tweeëndertig keer.

Daar komt nog iets bij waar weinig mensen aan denken: de prijs die je op de modelkaart ziet hoeft niet de prijs te zijn die je betaalt, omdat hetzelfde model door tientallen bedrijven gehost wordt met eigen tarieven. Ik heb dat uitgewerkt met data van vijftien modellen.

Wat kost een agent die schrijft

Bij een agent die in een loop draait, vermenigvuldigen de kosten zich met het aantal stappen, dus de modelkeuze wordt een financiële beslissing. Ik heb het uitgewerkt met concrete cijfers: wat een door AI geschreven artikel kost, van vier honderdste cent tot negentien cent voor dezelfde tekst.

Model op je eigen computer

Een agent hoeft niet in de cloud te draaien. Als je wilt dat data je machine niet verlaat, heb ik getest hoe dat in de praktijk werkt: een lokaal gedraaid model.

Waar automatisering ophoudt

Bij het plannen van agenten is het handig te weten welke taken je vandaag aan een tool kunt overlaten en welke niet. Ik heb dat uitgewerkt met concrete voorbeelden in het artikel over AI en werk.

Voordat je een model kiest voor je agent

Bij werk in een loop vermenigvuldigen de kosten zich met het aantal stappen, dus het is goed om te weten dat zeven van de achttien modellen reasoning niet meer laten uitschakelen. Als je code die parameter hardcoded meestuurt, stopt hij na een modelwissel volledig met werken.

// lees verderVertalen van foto: 3 methoden en waar het misgaatHandleidingenManus stap voor stap: zo geef je een AI-agent een taakHandleidingenClaude Duet: de proactieve agent van AnthropicAI-tools