AI-agents implementeren: waarom een chatbot niet genoeg is
Inhoud
McKinsey zette deze week de vinger op een pijnlijke plek: de meeste bedrijven die AI-agents inzetten in hun productontwikkeling zien er weinig van terug. Niet omdat de technologie tekortschiet, maar omdat ze een AI-tool erbij plakken in een proces dat daar niet op is ingericht. Ze noemen het de "agentic product development life cycle": pas als je het hele proces herontwerpt rond wat een agent kan, zie je echte winst.
Dat klinkt als een verhaal voor grote softwarebedrijven met eigen productteams. Maar de kern raakt elk MKB dat AI wil gebruiken voor iets herhaalbaars: offertes, klantenservice, content, boekhouding. Ook daar geldt: een chatbot naast je bestaande werkwijze zetten levert weinig op. Het proces zelf moet mee veranderen.
In dit artikel lees je wat McKinsey ontdekte, waarom onderzoek van Nvidia dat bevestigt vanuit een heel andere hoek, en welke risico's erbij horen die je niet in het rapport leest: van een lek bij Grok tot AI-fraude bij verzekeraars. Met een stappenplan waarmee je vandaag kunt beginnen, zonder consultancybudget.
Elke dag AI begrijpen, zonder de hype?
Ontvang de gratis MKB AI Quickstart-gids en mijn nuchtere AI-updates. Uitschrijven met 1 klik.
Wat McKinsey ontdekte: een tool erbij zetten is niet genoeg
McKinsey onderzocht softwareteams die AI-agents gebruiken in hun ontwikkelproces, van planning tot testen tot oplevering. De conclusie: slechts een klein aantal teams ziet echt impact. De rest deployt AI-tools zoals Microsoft Copilot naast het bestaande werk en verwacht dat de productiviteit vanzelf omhoog gaat. Dat gebeurt niet.
Het verschil zit in wat een agent anders doet dan een chatbot. Een chatbot wacht op jouw vraag en geeft antwoord. Een agent krijgt een taak, plant zelf de stappen, voert ze uit, controleert het resultaat en stuurt bij, zonder dat jij elke tussenstap goedkeurt. Die zelfstandigheid levert pas tijd op als je proces daar ruimte voor maakt: duidelijke kaders, vaste controlepunten, en taken die je vooraf goed hebt opgeknipt.
Teams die dat wel deden, herontwierpen hun hele workflow rond de agent in plaats van de agent in te passen in de oude workflow. Dat is een andere volgorde dan de meeste bedrijven kiezen, en precies waar het volgens McKinsey misgaat.
Wat dit betekent als je geen productteam hebt maar wel een MKB
Je hoeft geen software te bouwen om tegen hetzelfde probleem aan te lopen. Denk aan offertes opstellen, inkomende mail sorteren, social media plannen, facturen controleren. Zet je daar een AI-tool los overheen, dan bespaar je misschien een paar minuten typewerk. Herontwerp je het hele proces rond wat een agent zelfstandig kan afhandelen, dan verandert er structureel iets.
Onderzoek van Nvidia bevestigt dit vanuit een andere hoek: niet het AI-model bepaalt of een agent goed presteert, maar de harness eromheen, dus de structuur, de regels en de training die je eromheen bouwt. Een minder geavanceerd model met een goed ingerichte harness verslaat een topmodel zonder structuur. Voor jouw MKB betekent dit: het duurste AI-abonnement is niet de kritieke factor. Hoe je het inricht, wel.
Dat is ook meteen goed nieuws. Je hoeft niet te wachten op het nieuwste model om winst te boeken. Je moet wel de tijd nemen om een proces echt uit te tekenen voordat je er een agent op loslaat.
De risico's die niet in het rapport staan
McKinsey schrijft over impact en productiviteit, maar een agent die zelfstandig stappen zet, is ook een agent die zelfstandig fouten kan maken of misbruikt kan worden. Onderzoekers ontdekten deze week dat Grok, het AI-model van xAI, gevoelige gebruikersdata kon lekken doordat kwaadwillende instructies verstopt zaten in versleutelde tekst. De beveiliging herkende het gevaar niet omdat de opdracht pas na het ontsleutelen zichtbaar werd: weer een nieuwe manier om een veiligheidslaag te omzeilen.
Ook bij fraude zie je dezelfde tweesnijdende kant. Verzekeraars melden aan NU.nl dat fraudeurs steeds vaker AI gebruiken om facturen en schadefoto's te vervalsen, met als gevolg dat premies voor iedereen stijgen. Dezelfde technologie die jouw proces sneller maakt, maakt misbruik voor een ander ook makkelijker.
Voor je eigen agents betekent dit: zodra ze toegang krijgen tot klantdata of geld, ben je niet alleen met productiviteit bezig maar ook met de AVG. Wie is verantwoordelijk als de agent een verkeerde beslissing neemt over persoonsgegevens? En met de EU-AI-Act in aantocht wordt die vraag voor bepaalde toepassingen straks geen vrijblijvende keuze meer, maar een verplichting om aan te tonen dat je het onder controle hebt.
Hoe je morgen begint, zonder adviesbureau
Je hoeft niet te wachten op een groot transformatietraject. Begin klein en concreet: kies één terugkerend proces, schrijf op hoe het nu daadwerkelijk gaat, inclusief de rommelige uitzonderingen die niemand opschrijft. Pas daarna bepaal je welke stappen een agent zelfstandig kan doen en waar een mens moet blijven meekijken.
Test dat op kleine schaal, meet wat het oplevert, en breid pas uit als het stabiel draait. Dat is precies wat de succesvolle teams uit het McKinsey-onderzoek deden: niet het model centraal zetten, maar het proces. Wil je weten hoe dat in de praktijk verschilt van gewoon een chatbot gebruiken, dan hebben we dat eerder al uitgezocht in wat 101 bedrijven fout doen bij AI-agents versus chatbots.
En bouw de beveiliging meteen mee, niet achteraf. Wat een AI-agent aan credentials en toegang nodig heeft, is precies waar het vaak misgaat, zoals we eerder beschreven toen bleek dat de helft van de bedrijven met AI-agents al een incident had.
Wat dit betekent voor jou
Mijn insteek na het lezen van dit rapport: AI-agents zijn geen los onderdeel dat je erbij koopt, het is een verbouwing van hoe je werkt. Dat is minder sexy dan 'installeer deze tool en bespaar tien uur per week', maar het is wel het verschil tussen een leuke demo en een proces dat echt tijd oplevert. Voor de Nederlandse MKB-realiteit betekent dit vooral: begin klein, bij één proces, met duidelijke controlepunten, en reken vooraf uit wat het je kost als het misgaat. Twijfel je waar je moet beginnen of hoe je dit veilig opzet binnen de AVG? Daar denk ik graag in mee.
Werkt deze AI-ontwikkeling door in jouw bedrijf? een korte sparring boeken.
Wat is het verschil tussen een AI-agent en een chatbot?
Een chatbot wacht op elke vraag en geeft antwoord. Een AI-agent krijgt een taak, plant zelf de tussenstappen, voert ze uit en controleert het resultaat, zonder dat jij elke stap hoeft goed te keuren.
Waarom leveren AI-tools zoals Copilot vaak minder op dan verwacht?
Omdat ze naast het bestaande proces worden gezet in plaats van dat het proces zelf wordt aangepast. McKinsey laat zien dat de teams met echte impact hun hele workflow herontwierpen rond wat een agent kan, niet andersom.
Hoe begin ik met AI-agents in mijn MKB zonder groot budget?
Kies één terugkerend proces dat je vaak handmatig doet, schrijf de huidige stappen precies uit, en bepaal daarna welk deel een agent zelfstandig kan overnemen. Test klein voordat je uitbreidt.
Is het gebruik van AI-agents veilig volgens de AVG?
Dat hangt af van wat de agent doet. Zodra een agent zelfstandig beslissingen neemt over persoonsgegevens, moet je vooraf vastleggen wie verantwoordelijk is en waar het menselijke controlepunt zit. Zonder dat loop je een AVG-risico.
Wat heeft de Grok-hack te maken met mijn eigen AI-gebruik?
Het laat zien dat kwaadwillende instructies verstopt kunnen zitten in versleutelde tekst, waardoor een beveiligingslaag ze niet herkent. Dezelfde soort kwetsbaarheid kan optreden in elke agent die automatisch input verwerkt, dus bouw altijd een controlepunt in voordat een agent actie onderneemt.
Wanneer is mijn bedrijf klaar voor AI-agents in plaats van alleen een chatbot?
Als je een proces hebt dat vaak genoeg terugkomt om herontwerp de moeite waard te maken, en je bereid bent om vooraf de stappen en controlepunten goed uit te schrijven. Zonder die voorbereiding heb je aan een agent evenveel als aan een chatbot.
Grip op AI, zonder de hype
Ontvang de gratis MKB AI Quickstart-gids plus mijn nuchtere AI-updates. Uitschrijven kan altijd met 1 klik.