Het verschil tussen een chatbot en een agent is simpel: een chatbot antwoordt, een agent handelt. Hij leest een mailbox, haalt gegevens op uit je systemen, bereidt een actie voor en legt die aan een mens voor. Dat maakt het nuttiger én risicovoller, en dus de moeite waard om er nuchter naar te kijken.
Wat een agent anders maakt
Een taalmodel voorspelt tekst. Een agent krijgt daarnaast gereedschap: toegang tot je documenten, een zoekfunctie in je database, het recht om een concept aan te maken. Hij plant zelf een reeks stappen om een doel te bereiken.
Dat is krachtig en meteen de kern van het risico: elke stap is een plek waar het mis kan gaan, en fouten stapelen. Daarom draait elke serieuze implementatie om grenzen: wat mag hij zien, wat mag hij doen, en waar moet een mens tekenen.
Drie toepassingen die zich nu al terugverdienen
Niet toevallig zijn dit alle drie taken met veel leeswerk en een duidelijke controlestap:
- Inkomende post verwerken: facturen, aanvragen en bestellingen uitlezen, koppelen aan de juiste klant of order en klaarzetten ter goedkeuring. De agent doet het zoekwerk, een mens keurt goed.
- Kennis ontsluiten: vragen beantwoorden op basis van je eigen dossiers, mét verwijzing naar de bronpassage. Bij AdviesGroep Nova daalde de zoektijd naar eerder werk met tachtig procent.
- Eerstelijns servicevragen voorbereiden: een concept-antwoord klaarzetten met de relevante klanthistorie erbij. Je medewerker leest, past aan en verstuurt.
Waar het misgaat
De drie meest voorkomende oorzaken van mislukte AI-projecten hebben allemaal niets met het model te maken. Het eerste is rommelige data: een agent die je documenten niet kan vinden of half ingevulde velden leest, geeft rommelige antwoorden. Het tweede is een ontbrekende controlestap, waardoor niemand merkt dat de kwaliteit wegzakt. Het derde is te veel autonomie in één keer.
Voeg daarbij dat je onder de AI-verordening moet kunnen uitleggen wat er gebeurde, en het belang van logging spreekt voor zich.
Klein beginnen, meetbaar opschalen
Kies één taak met veel volume en een lage foutkost. Bouw een prototype op je eigen data en laat de agent eerst alleen vóórbereiden, nooit definitief handelen. Meet twee dingen: hoe vaak de voorbereiding klopt, en hoeveel tijd het scheelt.
Blijkt de kwaliteit stabiel, dan kun je de controlestap versoepelen voor de gevallen waar de agent zeker van is, en de twijfelgevallen bij een mens houden. Zo bouw je vertrouwen op cijfers in plaats van op gevoel.
We doen dat bij AI-integratie altijd in deze volgorde: eerst een verkenning van de kansrijkste taak, dan een werkend prototype in enkele weken, daarna pas productie met guardrails en kwaliteitsmonitoring.