AI-agenten kunnen een e-mail lezen, gegevens opzoeken en zelfstandig acties uitvoeren in andere systemen. Je hoort er overal over, en steeds vaker krijgen we dezelfde vraag: waarom laat je een agent niet het hele proces uitvoeren?
Voor een proces dat een paar keer per maand draait, kan een agent prima werken. Bij een proces dat duizenden keren per maand draait, hangt het van één ding af: doet de agent elke keer hetzelfde?
Wat AI-agenten zijn en hoe ze werken
Een AI-agent is software die een doel krijgt in plaats van een lijst instructies. Dat is het kernidee achter agentic AI. Je vertelt welk resultaat je wilt, bijvoorbeeld: “handel binnenkomende reparatieverzoeken af”. De agent bepaalt vervolgens zelf welke stappen nodig zijn, in welke volgorde en in welke systemen.
Die flexibiliteit maakt agenten indrukwekkend, maar in bepaalde situaties ook lastig om op te vertrouwen. Omdat een agent voor elk verzoek opnieuw de stappen bepaalt, kunnen twee identieke verzoeken twee verschillende routes volgen. Meestal leiden beide tot het juiste resultaat. Maar soms slaat de agent een stap over, en je kunt vooraf niet voorspellen bij welk verzoek dat gebeurt.
Benchmarks laten zien hoe snel dit optelt. In Sierra’s τ-bench-onderzoek uit 2024 slaagde het beste model van dat moment in slechts ongeveer 25% van de klantenservicetaken in de detailhandel als het dezelfde taak acht keer achter elkaar goed moest uitvoeren. Modellen zijn sindsdien verbeterd, maar ze bepalen hun stappen nog steeds voor elk verzoek opnieuw.
Waarom betrouwbaarheid telt bij grote volumes
We onderzochten dit in een simulatie met reparatieverzoeken: een proces dat elke woningcorporatie kent. De woningcorporatie en de huurder in dit voorbeeld zijn fictief.
Op een vrijdagmiddag komt de volgende e-mail binnen bij de reparatieafdeling van een woningcorporatie:
De reparatieafdeling moet bepalen wat er kapot is, Sannes woning opzoeken, vaststellen wie de reparatie betaalt, een monteur inplannen en haar laten weten wanneer die komt. Bij een grote woningcorporatie herhaalt dit werk zich ongeveer 3.000 keer per maand.
Dus namen we de proef op de som. We verbonden een AI-agent met de systemen die een reparatiemedewerker gebruikt en gaven de opdracht om binnenkomende reparatieverzoeken af te handelen. Daarna stuurden we Sannes e-mail drie keer.
De eerste keer herkende de agent een lekkende cv-ketel, beoordeelde het verzoek als urgent en plande een monteur in voor maandagochtend. De tweede keer besloot de agent dat de lekkage kon wachten en plande een reguliere reparatie twaalf dagen later. De derde keer stuurde de agent Sanne een bevestiging zonder een monteur te reserveren. Op maandag zou ze dus thuisblijven voor niemand.
Het lastige aan die derde uitvoering is dat de agent alle drie de verzoeken als afgehandeld rapporteerde. Het eerste signaal dat er iets mis was, zou Sannes telefoontje op maandagmiddag zijn: waar blijft de monteur?
De agent liep bij geen van deze uitvoeringen vast. Hij deed precies waarvoor hij was gebouwd: voor elke e-mail zelf de stappen kiezen. Twee van die keuzes pakten slecht uit voor Sanne, en geen van beide werd door de agent gemeld. We ontdekten het alleen doordat we controleerden wat de agent daadwerkelijk had ingepland. Een reparatieafdeling die 3.000 e-mails per maand verwerkt, heeft geen tijd om ze allemaal na te kijken. Die moet erop kunnen vertrouwen dat “afgehandeld” ook echt afgehandeld betekent.
Stel dat de agent één op de honderd verzoeken verkeerd afhandelt. Een nauwkeurigheid van 99% klinkt goed genoeg om akkoord te geven. Maar bij 3.000 reparatieverzoeken per maand betekent dat 30 huurders die thuisblijven voor een monteur die niet komt.
Er zijn ook kosten. In onze simulatie gebruikte de agent, bij gangbare prijzen in 2026 voor een AI-model uit het middensegment, ongeveer 55 cent aan AI per verzoek. Dat komt neer op zo’n € 1.650 per maand voor dit ene proces. Dat is minder dan een medewerker zou kosten. AI wordt op zichzelf steeds goedkoper, maar agenten gebruiken er veel meer van: Gartner verwacht dat de kosten per agentic workflow tot 2028 meer dan vervijfvoudigen (Gartner, augustus 2026). Toch wegen de gemiste afspraken veel zwaarder dan de rekening.
AI-agent of vaste route?
Slechts één deel van het reparatieproces uit ons experiment vraagt om echt begrip: een e-mail lezen, soms met een foto, en bepalen wat er mis is en hoe urgent het is. Alles daarna volgt de eigen regels van de woningcorporatie. Zo zouden wij het dus bouwen: AI leest het verzoek, vaste regels bepalen wie betaalt en welk tijdslot geboekt mag worden, en API-koppelingen zoeken de huurder op en reserveren de afspraak. Heeft het onderhoudssysteem geen API? Dan maakt een RPA-robot de werkorder op het scherm aan, zoals een medewerker dat zou doen. Samen vormen deze stappen een vaste route, met voor elk verzoek dezelfde stappen in dezelfde volgorde.
AI-agent
- Krijgt een doel en bepaalt zelf de stappen.
- Kan hetzelfde verzoek op verschillende manieren afhandelen.
- Past bij weinig herhaling of situaties die sterk van elkaar verschillen.
Vaste route
- Voert dezelfde stappen in dezelfde volgorde uit.
- Gebruikt AI alleen waar begrip en interpretatie nodig zijn.
- Laat regels, API’s en RPA de herhaalbare vervolgstappen uitvoeren.
Ook de AI-stap kan nog iets verkeerd begrijpen. Maar dat gebeurt dan op één plek, die je kunt testen en ondersteunen met eenvoudige regels. Een regel als “water op de vloer is altijd urgent” had voorkomen dat de agent Sannes lekkage twaalf dagen vooruit schoof. Als AI niet zeker weet waar een verzoek over gaat, moet de route het doorsturen naar de reparatieafdeling.
Wanneer zet je AI-agenten in?
Wij gebruiken dagelijks AI-agenten, vooral op een moment dat mensen niet verwachten: tijdens het bouwen van procesautomatiseringen voor onze klanten in het Yara-platform. Een vaste route uitwerken betekent een proces opdelen in stappen, voor elke stap de juiste technologie kiezen en de uitzonderingen doordenken. Met YaraBuilder, de AI-assistent waarmee we automatiseringen bouwen, kun je het proces beschrijven zoals je het aan een nieuwe collega zou uitleggen. YaraBuilder stelt vervolgens de stappen voor, met passende technologie voor elke stap. Een mens, jijzelf of een van onze engineers, keurt het voorstel goed of past het aan. Komt er later een situatie voor die de route niet afdekt? Dan stopt het proces en stelt YaraBuilder een aanvulling voor die de proceseigenaar kan goedkeuren.
Een agent zelfstandig een proces laten uitvoeren is in twee gevallen logisch: als het proces zo weinig voorkomt dat een vaste route bouwen meer kost dan het oplevert, of als elke situatie anders is en er geen vaste stappen zijn om vast te leggen.
Conclusie
Agenten worden snel onderdeel van het dagelijks werk. In Gartners CIO-onderzoek uit 2026 had 17% van de organisaties AI-agenten in gebruik, en meer dan 60% verwachtte dat binnen twee jaar te doen. Gartner verwacht ook dat meer dan 40% van de agentic-AI-projecten wordt stopgezet vóór het einde van 2027, door oplopende kosten en onduidelijke bedrijfswaarde. De nuttige vraag is dus: waar zet je agenten aan het werk?
Voor de meeste processen met grote volumes is het antwoord een combinatie. In het reparatieproces uit ons voorbeeld leest AI Sannes e-mail en beoordeelt de urgentie. Vaste stappen boeken vervolgens elke keer op dezelfde manier de monteur. Een agent kan zelfstandig een proces uitvoeren als dat maar een paar keer per maand voorkomt, of als elke situatie anders is. Bij een proces met grote volumes, zoals reparatieverzoeken, is een agent eerder in het traject nuttiger: hij helpt de stappen te ontwerpen, waarna de automatisering die stappen uitvoert. Als een proces duizenden keren per maand draait en hetzelfde verzoek altijd hetzelfde resultaat moet opleveren, moeten de stappen ná het lezen door AI vooraf vaststaan.
Een praktisch voorbeeld van deze combinatie vind je bij de intake van leveranciersfacturen: AI helpt bij onzekere gevallen, met vaste controles voor de vervolgstappen.
