de pijler
Een AI-agent is software die een doel krijgt en de stappen ertussen zelf regelt: waarnemen, redeneren, plannen, handelen en leren. Geen tool die op elke instructie wacht, maar software die zelfstandig een taak afrondt.
01 — anatomie van een agent
Scroll mee door de lus die een agent doorloopt. Elke stap bouwt het diagram verder op — van waarnemen tot leren, en weer terug.
01 / perceptie
Alles begint met kijken. De agent verzamelt wat hij nodig heeft: jouw vraag, gegevens uit systemen, documenten, of wat er in een proces gebeurt. Zonder deze stap is het niet meer dan een script dat blind een lijstje afwerkt.
perceptie — informatie binnenhalen en begrijpen.
02 / reasoning
Vervolgens denkt de agent na. Hij bepaalt wat de opdracht eigenlijk vraagt, knipt een grote taak in behapbare deeltaken en beoordeelt wat wel en niet klopt. Dit is de stap die een agent onderscheidt van simpele automatisering.
reasoning — nadenken over wat er nodig is.
03 / planning
Op basis daarvan maakt hij een plan: welke stappen, in welke volgorde, richting het doel. Loopt het anders dan verwacht, dan past hij het plan onderweg aan in plaats van vast te lopen.
planning — een volgorde van stappen kiezen.
04 / tool calling
Nu komt de agent in actie in de echte wereld: een record bijwerken, een e-mail klaarzetten, een berekening maken, een bestelling plaatsen. Dat doet hij via gekoppelde tools — de systemen waar jij ook mee werkt.
tool calling — een gekoppeld systeem aanroepen om iets te doen.
05 / geheugen & feedback
Tot slot onthoudt de agent wat werkte en wat niet, en gebruikt dat de volgende keer. Die terugkoppeling maakt hem stap voor stap beter — en sluit de cirkel terug naar waarnemen.
geheugen & feedback — onthouden wat werkte en dat hergebruiken.
02 — het verschil
Een assistent wacht op jou en doet één ding per keer. Een agent krijgt een doel en beweegt daar zelfstandig naartoe — hij kiest tools, zet stappen op een rij en controleert onderweg.
assistent
Handig, maar afhankelijk van jou. Hij begrijpt je opdracht, geeft antwoord of een suggestie — en wacht dan op de volgende. Geen eigen plan, geen geheugen over sessies heen, geen actie in je systemen.
agent
Zelfstandig richting een doel. Na een startopdracht beoordeelt hij de situatie, hakt de taak in stukken, roept de juiste tools aan, controleert zijn werk en levert een resultaat op. Jij bepaalt de kaders; hij regelt de weg ernaartoe.
Let op: het is geen harde grens. Veel producten die "chatbot" heten, zijn onder de motorkap allang agents — het chatvenster is dan enkel de voordeur.
03 — de intelligentieladder
Niet elke agent is even slim — en dat hoeft ook niet. Ze lopen op in vermogen, van starre regels tot systemen die zichzelf verbeteren. In één slimme fabriek werken ze vaak gewoon naast elkaar.
als-dit-dan-dat
Reageert op wat hij nú ziet, volgens vaste regels. Geen geheugen, geen vooruitdenken.
Voorbeeld: Een thermostaat die de verwarming aanzet zodra het te koud wordt.
met intern beeld
Houdt een intern beeld bij van de situatie, ook van wat hij niet rechtstreeks ziet.
Voorbeeld: Een robotstofzuiger die de plattegrond van een kamer onthoudt.
plant naar een doel
Kiest bewust acties die richting een doel bewegen en denkt daarbij vooruit.
Voorbeeld: Een routeplanner die de snelste weg naar je bestemming uitstippelt.
weegt af
Weegt botsende doelen tegen elkaar af en kiest de beste balans, ook bij onzekerheid.
Voorbeeld: Een zelfrijdende auto die snelheid, zuinigheid én veiligheid tegen elkaar afweegt.
verbetert zichzelf
Wordt beter naarmate hij meer ervaring opdoet en feedback verwerkt.
Voorbeeld: Een aanbevelingssysteem dat scherper wordt hoe vaker je het gebruikt.
Meer vermogen betekent meer flexibiliteit — maar ook meer rekenkracht en toezicht. De kunst is het lichtste type kiezen dat de taak aankan.
04 — architectuur & redeneren
Hoe je agents opzet, bepaalt of ze schaalbaar en beheersbaar blijven. Twee keuzes doen er het meest toe: de samenstelling (één agent of meerdere) en het redeneerpatroon (hoe een agent denkt vóór hij doet).
single-agent
Simpel, voorspelbaar, snel en goedkoop. Ideaal voor een afgebakende taak. Het nadeel: hij schaalt beperkt zodra het werk complexer wordt.
multi-agent · verticaal
Een leidende agent (de dirigent, oranje) verdeelt het werk over specialisten. Efficiënt en goed te verantwoorden, maar de leider kan een flessenhals worden.
multi-agent · horizontaal
Agents overleggen als gelijken en werken parallel. Dynamisch en robuust, maar de onderlinge coördinatie vraagt meer aandacht.
Waarom die keuze telt: een langlopende agent gedraagt zich niet als een chatbot, maar als een gedistribueerd systeem. Schalen loopt niet stuk op het aantal agents, maar op de complexiteit van de taak — en op de orkestratie, identiteit en contextdiscipline eronder.
Twee manieren om te redeneren. Bij ReAct denkt en doet de agent afwisselend; bij ReWOO maakt hij eerst het hele plan en voert dat daarna uit.
ReAct — denken en doen in een lus
De agent denkt na, doet één stap, kijkt naar het resultaat en denkt opnieuw. Traceerbaar en sterk bij verkennende taken met verrassingen — zoals debuggen. Nadeel: het kost meer rekenstappen.
ReWOO — eerst plannen, dan uitvoeren
De agent bedenkt eerst de hele redeneerketen en voert die daarna in één keer uit. Je kunt het plan vooraf goedkeuren, en het scheelt fors in verbruik.
Zodra meerdere agents samenwerken, is er regie nodig. Een orkestrator activeert de juiste agent op het juiste moment — als een dirigent voor een orkest. Daarboven zit het control plane: één centraal besturingscentrum dat alle agents inzet, bewaakt en aan regels houdt.
Dat is geen luxe. Zodra het aantal niet-menselijke identiteiten dat van mensen ver voorbijstreeft, schaalt losse toegangscontrole niet meer — governance hoort in de fundering, niet als bijzaak achteraf.
Het beste model is niet het krachtigste, maar het model dat per taak de juiste balans biedt tussen kwaliteit, snelheid en kosten. Robuuste systemen zetten meerdere gespecialiseerde agents in die elk het lichtste passende model kiezen.
En het model is niet eens de bepalende factor. Dat is de "harness" eromheen: welke data de agent ziet, onder welke rechten hij werkt en wat hij expliciet níét mag. Daarom houden wij die laag los van het model — zo kun je wisselen zodra er een beter model verschijnt.
05 — de stekkers
Agents worden pas nuttig als ze bij je systemen kunnen en met elkaar kunnen samenwerken. Twee open standaarden regelen dat — zonder voor elk systeem een eigen maatwerkkoppeling te bouwen.
MCP — Model Context Protocol
MCP is voor AI-applicaties wat een USB-C-poort is voor apparaten: één universele aansluiting naar tools, databases en diensten. In plaats van voor elk systeem een eigen koppeling te bouwen, praat de agent via één standaard met alles wat erop is aangesloten.
A2A — Agent2Agent
A2A (van Google, nu bij de Linux Foundation) regelt de samenwerking tússen agents. Elke agent heeft een "agent card": een soort visitekaartje dat vertelt wat hij kan, zodat andere agents hem kunnen vinden en veilig werk kunnen doorgeven. MCP en A2A vullen elkaar aan — de één koppelt aan tools, de ander aan andere agents.
06 — kennis ophalen
RAG staat voor "retrieval-augmented generation": de agent zoekt eerst het antwoord op in jouw eigen bronnen — documenten, databases, kennisbank — voordat hij iets zegt. Zo baseert hij zich op jouw actuele informatie in plaats van op algemene trainingskennis.
Agentic RAG voegt daar agents aan toe die zélf bepalen wélke bron ze raadplegen, hun zoekvraag opsplitsen en elkaars werk controleren. Dat maakt het flexibeler, adaptiever en nauwkeuriger dan klassieke RAG.
Maar niet altijd de beste keuze. Meer agents betekent hogere kosten, meer wachttijd en meer kans op fouten. Onze regel: de architectuur is zo simpel als het kan en zo complex als het moet.
veelgestelde vragen
Nee. Een chatbot is reactief: hij geeft antwoord op wat je vraagt en wacht dan weer. Een AI-agent is proactief: je geeft hem een doel en kaders, en hij regelt de stappen ertussen zelf — hij redeneert, plant, gebruikt systemen en controleert zijn eigen werk. Chatten kan, maar werken is de kern. Veel chatbots zijn inmiddels agents mét een chatvenster ervoor.
MCP is een open standaard, in 2024 geïntroduceerd door Anthropic, die regelt hoe een AI-agent tools, databases en diensten aanspreekt. De vergelijking die vaak gebruikt wordt: MCP is voor AI-applicaties wat een USB-C-poort is voor apparaten — één universele aansluiting in plaats van voor elk systeem een eigen maatwerkkoppeling. Zo kan een agent veilig bij je bestaande systemen zonder dat je alles opnieuw hoeft te bouwen.
Agentic AI is het bredere geheel: een systeem dat zelfstandig een doel nastreeft met beperkt toezicht, vaak door meerdere agents te laten samenwerken onder regie van een orkestrator. Eén AI-agent is de bouwsteen; agentic AI is de manier van werken eromheen. Denk aan een slim huis: de agentic AI stuurt het energieverbruik aan, de losse agents zijn de thermostaat, de verlichting en de apparaten.
Niet per se. Eén goed afgebakende agent lost veel op en is eenvoudiger te beheren. Een multi-agent-systeem — meerdere gespecialiseerde agents die samenwerken — loont pas als een proces meerdere systemen en stappen overspant. Meer agents betekent ook meer coördinatie, kosten en toezicht. Onze vuistregel: zo simpel als kan, zo complex als moet. We beginnen klein en breiden uit als het proces daarom vraagt.
Op verschillende manieren. Sommige agents leren helemaal niet — ze volgen vaste regels. Lerende agents verbeteren wel: via voorbeelden (begeleid leren), door patronen te ontdekken in data (onbegeleid leren), of met beloningssignalen die aangeven of een keuze goed uitpakte (reinforcement learning). Daarnaast onthoudt een agent eerdere interacties in zijn geheugen, zodat hij fouten niet herhaalt. Belangrijk: leren gebeurt binnen kaders en onder toezicht, zeker bij beslissingen met impact.
Generatieve AI maakt iets: tekst, beeld, code, geluid. Agentic AI zet die output in om een doel te bereiken — het kiest zelf acties, roept tools aan en werkt taken af. Kort gezegd: generatieve AI 'zegt' iets, agentic AI 'doet' iets. Een agent gebruikt generatieve AI meestal als denkmotor, maar voegt er redeneren, plannen en handelen aan toe.
In één gesprek kijken we welk proces bij jou het meest geschikt is voor een eerste agent — en wat die moet kunnen om zich te bewijzen.