![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-1-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nHet begint meestal in een vergaderruimte. Een leverancier klapt zijn laptop open, typt \u00e9\u00e9n zin in een chatvenster en ziet hoe een medewerker data uit drie systemen opzoekt, een huurovereenkomst samenvat, een clausule markeert voor juridische beoordeling en het resultaat per e-mail naar het vermogensbeheerteam stuurt. Het hele proces duurt negentig seconden. Er valt een stilte in de zaal, waarna iemand vraagt: \u201cHoe lang heeft het geduurd om dit te ontwikkelen?\u201d Het antwoord \u201ceen middag\u201d is het moment waarop de meeste AI-strategie\u00ebn van ondernemingen stilletjes worden herzien.<\/p>\n
Dat is een terechte vraag, en op het eerste gezicht een boeiende. Als een werkende oplossing in \u00e9\u00e9n middag kan worden opgezet, waarom besteden wij dan nog steeds achttien maanden aan elke digitale transformatie? Waarom betalen wij bedragen van zeven cijfers voor software die minder presteert? En, nog dringender, wat zouden wij hieraan moeten doen?<\/p>\n
Het eerlijke antwoord is genuanceerder dan de demo doet vermoeden. Ja, het is absoluut mogelijk om binnen enkele uren een werkende AI-agent te bouwen. De tools zijn inmiddels zo goed. Maar de kloof tussen een werkende agent en een agent op bedrijfsniveau is groter dan de meeste leidinggevenden verwachten, en juist daar liggen vrijwel alle werkelijke kosten, risico\u2019s en waarde.<\/p>\n
Dit artikel is bedoeld voor leidinggevenden die willen begrijpen wat er vandaag de dag daadwerkelijk mogelijk is, wat echt moeilijk is, en hoe zij snel vooruitgang kunnen boeken zonder beslissingen te nemen die in mei briljant lijken, maar in november g\u00eanant blijken te zijn. We zullen bekijken wat agents zijn, wat ze niet zijn, waar ze worden ingezet, wie ze ontwikkelt en wat er nodig is om ze op de juiste wijze in te zetten binnen een gereguleerde onderneming. Aan het einde van dit artikel zou u in staat moeten zijn om uw volgende bestuursvergadering binnen te lopen en de stand van zaken duidelijk uit te leggen.<\/p>\n
Voordat wij ook maar in de buurt van de implementatie komen, is het de moeite waard even stil te staan bij wat wij nu eigenlijk bedoelen met \u201cAI-agent\u201d. Deze term is de afgelopen achttien maanden grondig misbruikt door marketingteams, en de meeste leidinggevenden kunnen niet helemaal uitmaken of hun een agent, een chatbot, een workflow-tool of een bijzonder assertieve macro wordt aangeprezen.<\/p>\n
De duidelijkste werkdefinitie luidt als volgt: een AI-agent is software die gebruikmaakt van een basismodel om een doel te begrijpen, te plannen hoe dit te bereiken, actie te ondernemen door hulpmiddelen en systemen in te schakelen, en zich aan te passen op basis van wat het waarneemt. Zie het als een digitale afgestudeerde. Het is bekwaam, het kan instructies lezen, het weet hoe het om hulp moet vragen, het kan de hulpmiddelen gebruiken die u het geeft, en binnen een afgebakend werkterrein kan het verstandige beslissingen nemen zonder voortdurend toezicht. Net als een afgestudeerde heeft het baat bij duidelijke richtlijnen en een ervaren collega die zijn of haar meer ingrijpende werkzaamheden controleert.<\/p>\n
Anatomisch gezien maakt elke agent gebruik van vijf capaciteiten. Een basismodel vormt de redeneermotor, bijvoorbeeld Claude \u2018Sonnet\u2019, GPT \u20184o\u2019 of Gemini \u20183.5 Flash\u2019. Hulpmiddelen geven de agent de mogelijkheid om te handelen: een data-database raadplegen, een e-mail verzenden, een document ophalen, een berekening uitvoeren. Dankzij het geheugen kan de agent context behouden tussen verschillende stappen, en bij geavanceerdere agenten zelfs tussen verschillende sessies. Orchestration zorgt voor de planning en routebepaling \u2014 het bepalen wat de volgende stap is, wanneer er moet worden ge\u00ebscaleerd en wanneer er moet worden gestopt. En guardrails defini\u00ebren de grenzen: wat de agent mag doen, welke data-gegevens hij mag raadplegen en wanneer een mens goedkeuring moet verlenen.<\/p>\n
<\/p>\n
Figuur 1. De vijf onderdelen van een AI-agent.<\/em><\/p>\n Deze opbouw is van belang omdat hieruit blijkt waarin agenten verschillen van de zaken waarmee ze vaak worden verward. Een chatbot beschikt over het model en mogelijk enig geheugen, maar heeft geen echte hulpmiddelen en geen co\u00f6rdinatie; hij praat, maar onderneemt geen actie. RPA beschikt over hulpmiddelen en co\u00f6rdinatie, maar kan niet redeneren \u2014 het volgt een script en faalt zodra de werkelijkheid daarvan afwijkt. Traditionele machine learning beschikt over een beperkte vorm van redeneringsvermogen, maar geen algemene intelligentie, geen gebruik van hulpmiddelen en geen conversatie-interface. Een agent combineert alle vijf componenten. Dat maakt hem nuttig, en dat maakt hem nieuw.<\/p>\n Er is nog een ander onderscheid dat de moeite waard is om in gedachten te houden: agents werken op basis van waarschijnlijkheden, niet op basis van determinisme. Ze zullen soms onverwachte dingen doen. In veel toepassingsgevallen is dit juist een voordeel; hierdoor kunnen ze omgaan met de complexe randgevallen waar eerdere generaties automatisering aan ten onder gingen, terwijl het in andere gevallen juist een nadeel is. Weten wanneer het om het ene en wanneer om het andere gaat, vormt het grootste deel van het werk.<\/p>\n Als de term \u201cAI-agent\u201d alles omvat, van een dagelijks gepland rapport tot een autonoom handelssysteem, dan heeft deze term zijn nut verloren. In lijn met de manier waarop Gartner, Forrester en de grote platforms dit gebied thans beschrijven, vinden wij het nuttig om te denken in termen van een spectrum van vijf categorie\u00ebn met een toenemende mate van autonomie.<\/p>\n Figuur 2. Een werktaxonomie van agentische systemen.<\/em><\/p>\n Geplande acties<\/strong> bevinden zich aan de meest eenvoudige kant van het spectrum. Dit zijn automatiseringen die op basis van een timer of een trigger worden uitgevoerd; een dagelijks KPI-rapport, het leegmaken van de inbox om 7.00 uur \u201cs ochtends, of een webhook die wordt geactiveerd wanneer een deal in het CRM wordt afgesloten. Ze maken wellicht voor \u00e9\u00e9n stap gebruik van een LLM (het samenvatten van een document, het opstellen van een e-mail), maar ze redeneren niet over wat er vervolgens moet gebeuren. De meeste leidinggevenden beschikken al over meerdere van deze oplossingen; v\u00f3\u00f3r de marketingrebranding werden deze \u201dautomatisering\u2019 genoemd.<\/p>\n Taakagenten<\/strong> Voeg hier een enkele, binnen een bepaald toepassingsgebied geplaatste, door een LLM aangestuurde taak aan toe. Een typisch voorbeeld: een agent die elke inkomende e-mail leest, deze op onderwerp en urgentie classificeert en doorstuurt naar het juiste team. Hier komt weliswaar redeneren bij kijken, maar slechts op \u00e9\u00e9n enkel punt. De rest van de workflow is deterministisch. Dit soort oplossingen is uiterst nuttig, zeer kosteneffici\u00ebnt en vormt voor de meeste organisaties het logische startpunt.<\/p>\n Automatiseringsagenten<\/strong> meerdere stappen binnen een vastgestelde workflow aan elkaar koppelen. Er gelden nog steeds beperkingen; de stappen zijn van tevoren bekend, maar het LLM neemt op verschillende punten beslissingen: het bepaalt welke tool moet worden aangeroepen, welke data moet worden opgehaald en wat er moet gebeuren als een controle mislukt. Een goed voorbeeld hiervan is een goedkeuringsproces voor facturen waarbij een PDF wordt ingelezen, de afzonderlijke posten worden ge\u00ebxtraheerd, deze worden gekoppeld aan inkooporders en de factuur vervolgens wordt goedgekeurd of doorgestuurd voor beoordeling.<\/p>\n Workflow-agenten<\/strong> zijn de gebieden waar momenteel het merendeel van het werkelijk boeiende bedrijfswerk plaatsvindt. Deze agenten krijgen een eindresultaat voorgeschoteld in plaats van een vaste volgorde, bijvoorbeeld: \u201cMaak een samenvatting van dit 80 pagina\u2019s tellende huurcontract en breng alles naar voren waarover wij ons zorgen moeten maken\u201d, en bepalen zelf hoe zij dat doel bereiken. Zij zullen documenten lezen, systemen raadplegen, vervolgvragen stellen en het proces herhalen. De workflow ontstaat gaandeweg en is niet vooraf vastgelegd. Dankzij redeneringsmodellen is deze categorie de afgelopen twaalf maanden aanzienlijk betrouwbaarder geworden.<\/p>\n Multi-agent-systemen<\/strong> vormen de grens. Een co\u00f6rdinerende agent splitst een doel op in deelopdrachten en delegeert deze aan specialisten: \u00e9\u00e9n voor onderzoek, \u00e9\u00e9n voor analyse, \u00e9\u00e9n voor het opstellen van een concept en \u00e9\u00e9n voor de beoordeling. Als dit goed wordt uitgevoerd, kunnen multi-agent-systemen werk aan, dat een enkele agent niet aankan. Als dit slecht wordt uitgevoerd, ontstaan er acht keer zoveel mogelijke faalpatronen voor hetzelfde resultaat. De meeste ondernemingen zouden hier niet mee moeten beginnen.<\/p>\n Een nuttige vraag die u kunt stellen wanneer een leverancier u iets aanbiedt, is simpelweg: waar op dit spectrum bevindt het zich? Als u een geplande actie te zien krijgt en er kosten in rekening worden gebracht voor een workflow-agent, dan hebt u zojuist de meest voorkomende vorm van \u2018oververkoop\u2019 van agents op de markt ontmaskerd. Omgekeerd, als uw team een multi-agent-systeem als eerste implementatie wil uitrollen, moedig hen dan op een vriendelijke manier aan om \u00e9\u00e9n kolom naar links te beginnen.<\/p>\n Drie factoren kwamen samen. Ten eerste hebben basismodellen de betrouwbaarheidsdrempel voor het gebruik van tools overschreden. Twee jaar geleden leidde het verzoek aan een model om een API aan te roepen en het resultaat te gebruiken nog tot teleurstelling; tegenwoordig kunnen de instapmodellen van Claude, GPT en Gemini allemaal het gebruik van tools in meerdere stappen aan, met een succespercentage dat hoog genoeg is voor productieomgevingen. Ten tweede, redeneringsmodellen: Claude met uitgebreid denkvermogen, de o-serie van OpenAI en de diepere redeneringsmodi van Gemini hebben de prestaties aanzienlijk verbeterd bij het soort meerstaps, oordeelsintensieve taken die echte workflows vereisen. Ten derde is de benodigde infrastructuur eindelijk beschikbaar: orkestratiekaders zoals LangGraph en CrewAI, of als alternatief een van de vele low-code workflowoplossingen; evaluatietools voor systematisch testen; en het Model Context Protocol (MCP), dat agenten een gestandaardiseerde manier biedt om te integreren met de tientallen systemen waarop een onderneming daadwerkelijk draait.<\/p>\n Ook de kostencurve speelde een rol. De prijs per token voor frontier-AI is in twee jaar tijd met een orde van grootte gedaald, en de \u2018lightweight\u2019-categorie (Claude Haiku, GPT-mini, Gemini Flash) is nu zo betaalbaar geworden dat deze op de schaal van elke e-mail of elk document dat een onderneming produceert, kan worden ingezet.<\/p>\n Het resultaat is dat wij ons op een zeldzaam moment bevinden: de technologie is daadwerkelijk toereikend, de instrumenten zijn daadwerkelijk bruikbaar en de economische aspecten zijn daadwerkelijk haalbaar. In combinatie met regelgevingskaders die zich langzamerhand beginnen te stabiliseren \u2013 de EU-AI-wet is inmiddels een bekende factor in plaats van een bewegend doelwit \u2013 en het feit dat regelgevende instanties in de Golfregio, waaronder de SDAIA in Saoedi-Arabi\u00eb, duidelijke standpunten hebben gepubliceerd, vormt de periode 2025\u20132026 het omslagpunt waarop serieuze ondernemingen de overstap maken van experimenteren naar daadwerkelijke implementatie.<\/p>\n Kunt u dan werkelijk binnen een paar uur een agent van enterprise-kwaliteit bouwen? Ja en nee, en juist in het verschil tussen die twee komt dit artikel goed van pas.<\/p>\n Wat u absoluut in een middag kunt bouwen: een werkende agent die een concrete taak uitvoert. Kies een gebruiksscenario, bijvoorbeeld het samenvatten en prioriteren van de inhoud van een gedeelde inbox. Open Claude Projects, n8n of het platform van uw keuze. Stel de toegang tot de inbox in, schrijf een duidelijke opdracht waarin u de taak beschrijft, voorzie de agent van een kennisbank met eerdere voorbeelden en stel een schema in. Tegen het einde van de middag beschikt u over een agent die iets echt nuttigs doet. Laat het aan uw collega\u2019s zien. Zij zullen onder de indruk zijn. Dit is geen truc; het laat zien hoe ver de onderliggende tools inmiddels zijn gekomen.<\/p>\n Wat u niet in een middag kunt realiseren, is het verschil tussen die demo en een oplossing die u daadwerkelijk zou implementeren voor tweeduizend medewerkers verspreid over drie rechtsgebieden. Om dat te bereiken, hebt u toegangscontroles nodig, zodat de agent alleen ziet wat elke gebruiker mag zien. U hebt een audittrail nodig die elke beslissing en elke aanroep van een tool registreert. U hebt een evaluatiekader nodig dat u aangeeft of de agent 95% van de tijd of 70% gelijk heeft, en waar het vaak misgaat. U hebt kostenbeheersing nodig, want een agent die ongecontroleerd draait, kan binnen enkele dagen een budget van zes cijfers opmaken. U hebt controlepunten nodig waarbij een mens betrokken is bij beslissingen met verstrekkende gevolgen. U hebt data-residentie nodig voor regio\u2019s waar dat van belang is (en dat geldt in toenemende mate voor alle regio\u2019s). U hebt een uitwijkroute nodig voor het geval het model niet beschikbaar is. U hebt observabiliteit nodig, zodat uw operationele team kan zien wat er gebeurt. En u hebt een programma voor verandermanagement nodig, zodat uw medewerkers het systeem daadwerkelijk gaan gebruiken.<\/p>\n Onze ervaring leert dat de inspanningen voor het productieklaar maken doorgaans tien tot twintig keer zo groot zijn als die voor het prototype. Een agent die een ontwikkelaar in drie dagen heeft gebouwd, kost een klein team drie maanden om op bedrijfsniveau te brengen. Dit is geen tekortkoming van de technologie. Het is de realiteit van het op verantwoorde wijze uitvoeren van werkzaamheden binnen een grote organisatie. Dezelfde vermenigvuldigingsfactor geldt voor de implementatie van een CRM-systeem, een data platform-project of een betalingsintegratie. Het verschil is dat de demo van dergelijke projecten niet zo indrukwekkend is dat u de rest daardoor vergeet.<\/p>\n De juiste manier om de bewering over \u201cenkele uren\u201d te interpreteren is als volgt: agentische prototypes zijn tegenwoordig daadwerkelijk goedkoop. Agentische productie is dat niet. De kunst ligt in het herkennen van het verschil, en in het benutten van de lage kosten van het eerste om betere beslissingen te nemen over het tweede.<\/em><\/p><\/blockquote>\n Er zijn nu drie algemene manieren om een agent te bouwen, elk met zijn eigen audience, bovengrens en afwegingen.<\/p>\n Dit zijn platforms waarop u agents samenstelt door knooppunten over een werkvlak te verslepen. n8n, Make (voorheen Integromat), de AI-oplossingen van Zapier en Copilot Studio van Microsoft zijn de toonaangevende namen. Het model bevindt zich in \u00e9\u00e9n knooppunt, de tools in andere, en u verbindt ze met lijnen. Visuele bouwers zijn uitstekend geschikt voor het maken van prototypes en voor gebruiksscenario\u2019s die lijken op klassieke automatisering waaraan een LLM-stap is toegevoegd. Ze zijn ook buitengewoon geschikt om het bouwen toegankelijk te maken voor een breder publiek. Een bedrijfsanalist zonder programmeerervaring kan al voor de lunch een bruikbare agent aan de praat hebben. Er is weliswaar een limiet, maar die ligt ver weg; visuele bouwers beginnen te haperen wanneer workflows sterk vertakken, wanneer de status over vele stappen moet worden doorgegeven, of wanneer de latentie en kosten nauwkeurig moeten worden afgestemd. Voor veel interne toepassingen is die limiet voldoende.<\/p>\n Met Claude Projects, ChatGPT Custom GPT\u2019s, Gemini Gems en Microsoft Copilot-agenten kunt u modellen bouwen door een zorgvuldige reeks instructies op te stellen, een kennisbank toe te voegen en toegang te verlenen tot een zorgvuldig samengestelde set hulpmiddelen. Er is geen visueel werkvlak; het \u201cbouwen\u201d vindt plaats in de vorm van een gesprek. Deze platforms zijn uitstekend geschikt voor kennisagenten, onderzoeksassistenten, interne experts en elke toepassing waarbij de waarde ligt in de kwaliteit van de prompt en de documenten, in plaats van in de complexiteit van de workflow. Het is ook de plek waar veel leidinggevenden zouden moeten beginnen, omdat er geen enkele technische expertise voor nodig is en er in \u00e9\u00e9n keer iets werkelijk nuttigs wordt geproduceerd.<\/p>\n LangGraph, CrewAI, AutoGen en het LangChain-ecosysteem bieden engineeringteams volledige controle over orkestratie, geheugen, status, evaluaties en implementatie. Hier zijn ook de eigen Agent SDK van Anthropic en de agentdiensten van de belangrijkste cloud-aanbieders ondergebracht. Code-gestuurde builds vergen meer tijd en vereisen de inzet van ingenieurs; dit is de aanpak die u wilt volgen wanneer er veel op het spel staat, de integraties diepgaand zijn en de agent dagelijks duizenden verzoeken moet verwerken.<\/p>\n De realiteit is dat de meeste ondernemingen uiteindelijk alle drie gebruiken. Visuele bouwers voor snelle prototyping en lichtgewicht backoffice-automatisering. Op prompts gebaseerde platforms voor kennis- en assistenttoepassingen die individuele teams meer mogelijkheden bieden. Op code gebaseerde frameworks voor de onderdelen die er werkelijk toe doen: die welke zich op het kritieke pad van een bedrijfsproces of een klantinteractie bevinden. Het is een veelgemaakte fout om deze als concurrerende kampen te beschouwen in plaats van als complementaire lagen; een fout die leidt tot overgecompliceerde oplossingen voor eenvoudige problemen en ondergecompliceerde oplossingen voor complexe problemen.<\/p>\n De keuze draait zelden om de vraag welke tool het beste is. Het gaat erom welke tool het beste aansluit bij de specifieke toepassing waar u mee te maken hebt.<\/p>\n Dit is de vraag die leidinggevenden het vaakst stellen, meestal in stilte. Het antwoord is werkelijk bemoedigend: vrijwel iedereen, in ieder geval in het begin.<\/p>\n De toegang tot het ontwikkelen van agents is op een manier gedemocratiseerd die maar weinig technologische veranderingen hebben weten te bewerkstelligen. Drie jaar geleden waren voor het \u201cbouwen van een AI-systeem\u201d data-wetenschappers, MLOps-ingenieurs en een budget vereist. Tegenwoordig kan een financieel manager met een goed inzicht in zijn eigen processen een werkende agent bouwen in Claude of Copilot Studio zonder ook maar \u00e9\u00e9n regel code te schrijven. We hebben dit in alle functies zien gebeuren: juridische teams die agenten voor contractbeoordeling bouwen, HR-teams die onboarding-assistenten ontwikkelen, landmeters die tools voor het samenvatten van huurovereenkomsten bouwen en verkoopteams die offergeneratoren ontwikkelen. De vaardigheid die ertoe doet, is niet het programmeren. Het is een heldere visie op de taak: hoe ziet \u201cklaar\u201d eruit, wat moet de agent weten, en op welke punten moet een mens betrokken blijven.<\/p>\n Dit betekent niet dat engineering irrelevant is. Het betekent dat de rol van engineering is verschoven. In de beste bedrijfsmodellen die wij zien, evolueert IT van poortwachter naar enabler: IT levert de platforms, de veiligheidsmaatregelen, de toegangspatronen en de evaluatiekaders waarbinnen zakelijke gebruikers kunnen bouwen. De technische afdeling bouwt de terminal en de startbaan; het bedrijf bouwt de vliegtuigen. Wanneer iets wat een zakelijke gebruiker heeft gebouwd zo cruciaal wordt dat het moet worden beveiligd, neemt de technische afdeling het over en brengt het in productie. Dit is de echte democratisering waarover men spreekt, en deze is re\u00ebel.<\/p>\n De gevolgen voor leidinggevenden zijn aanzienlijk. U hoeft geen team van AI-ingenieurs aan te nemen om aan de slag te gaan. U moet de mensen die het dichtst bij het werk staan de tools, de bevoegdheid en een korte training geven. De oplossingen die het verschil maken in de bedrijven van onze klanten zijn vrijwel nooit de oplossingen die in de centrale strategie worden bedacht. Het zijn juist de oplossingen die worden ontwikkeld door de mensen die het werk doen, die precies weten waar de knelpunten liggen.<\/p>\n Bij discussies over de toekomst van makelaars wordt het heden vaak over het hoofd gezien, en dat is jammer, want het heden is interessanter dan men doorgaans denkt. Binnen ons klantenbestand \u2013 dat bestaat uit internationale ondernemingen, overheidsinstanties en met name de vastgoedsector \u2013 zijn er een klein aantal patronen die vandaag de dag op betrouwbare wijze waarde opleveren. Het loont de moeite om hier meer over te weten te komen.<\/p>\n Onderzoek en synthese.<\/strong> Systemen die documenten, internetbronnen en interne systemen doorzoeken om gestructureerde samenvattingen te genereren. Deze worden op grote schaal ingezet voor marktonderzoek, concurrentieanalyse, due diligence, het screenen van investeringen en het beoordelen van beleid. Dit is een geschikte toepassing omdat het werk veel beoordelingsvermogen vereist, repetitief is en ruimte biedt voor een menselijke beoordelaar in de laatste fase.<\/p>\n Documentverwerking.<\/strong> Het uitlezen van huurovereenkomsten, het beoordelen van contracten, het verwerken van facturen, het afhandelen van claims en KYC. Overal waar ongestructureerde documenten moeten worden omgezet in gestructureerde data-gegevens, aangevuld met een markering voor de gevallen die de aandacht van een medewerker vereisen. Dit is veruit de meest voorkomende productie-implementatie in gereguleerde sectoren, waaronder de vastgoedsector.<\/p>\n Klantenservice en personeelsbegeleiding.<\/strong> Eerstelijnstriage die de eenvoudige gevallen volledig afhandelt en de overige zaken doorverwijst, voorzien van de volledige context. Als dit goed wordt uitgevoerd, vervangen deze systemen de mens niet, maar zorgen zij ervoor dat mensen alleen de zaken te zien krijgen waarvoor hun inzet nodig is.<\/p>\n Interne kennis.<\/strong> Agents die toegang hebben tot de documenten, wiki\u2019s, ticketsystemen en e-mailarchieven van een organisatie en vragen in natuurlijke taal beantwoorden. Dit is waar veel ondernemingen de snelste en gemakkelijkste meerwaarde zien, en waar het veranderingsproces het soepelst verloopt, omdat de agent een aanvulling vormt in plaats van een vervanging.<\/p>\n Codegeneratie.<\/strong> Dit is het vermelden waard omdat dit de toepassing is die van alle toepassingen de snelste vooruitgang heeft geboekt. Technische teams zijn nu stelselmatig 30\u201340% productiever wanneer zij gebruikmaken van agentische programmeertools, en de kloof wordt steeds groter. Zelfs leidinggevenden buiten de technische afdelingen zouden hier aandacht aan moeten besteden, omdat dit de kostencurve van alle andere software die u ontwikkelt, verandert.<\/p>\n Naleving en controle.<\/strong> Systemen die toezicht houden op beveiligingsinbreuken, voorbereidingen treffen voor audits en afwijkingen aan het licht brengen. Dit is met name van belang in het licht van de steeds strengere regelgeving in de EU, het Verenigd Koninkrijk en de Golfstaten.<\/p>\n Wat hebben goede use cases met elkaar gemeen? Een nuttige richtlijn, die wij bij onze klanten hanteren: de taak is repetitief genoeg om van belang te zijn; vereist voldoende beoordelingsvermogen dat traditionele automatisering heeft gefaald; is duidelijk genoeg afgebakend om succes in \u00e9\u00e9n zin te kunnen omschrijven; en staat open voor een menselijke controle in de loop van het proces voor de gevallen die ertoe doen. Als een potenti\u00eble use case aan alle vier de criteria voldoet, is het waarschijnlijk de moeite waard om een proefproject te starten. Als er aan drie criteria wordt voldaan, is het de moeite waard om hierover te overleggen. Als er aan slechts \u00e9\u00e9n criterium wordt voldaan, gaat u te ver.<\/p>\n Abstracties zijn slechts tot op zekere hoogte bruikbaar. Om dit te verduidelijken, volgen hier drie praktijkgerichte voorbeelden die zijn ontleend aan de manier waarop agenten momenteel in verschillende sectoren worden ingezet.<\/p>\n Een middelgroot vastgoedbedrijf beheert enkele duizenden huurovereenkomsten binnen zijn portefeuille. Elke huurovereenkomst bestaat uit veertig tot negentig pagina\u2019s met compacte juridische tekst en is als PDF-bestand opgeslagen in een documentbeheersysteem. Het vermogensbeheerteam moet op elk moment kunnen nagaan wat er in elke huurovereenkomst staat: data voor huurherziening, opzeggingsclausules, bepalingen inzake servicekosten, overdrachtsbeperkingen, ESG-gerelateerde verplichtingen en eventuele afwijkende voorwaarden die van invloed kunnen zijn op de waardering of het risico.<\/p>\n Vroeger was dit werk voor juridisch assistenten. Bij een nieuwe aankoop moest er zes weken lang handmatig informatie worden ge\u00ebxtraheerd voordat het activum correct kon worden gemodelleerd. Tegenwoordig kan een workflowagent dezelfde huurovereenkomst in vijftien minuten verwerken, gestructureerd volgens het door het kantoor gewenste schema, met markeringen bij alle ongebruikelijke punten die door een be\u00ebdigd taxateur moeten worden gecontroleerd. De ontwikkelingstijd voor de eerste versie bedroeg ongeveer een week in een visuele builder. Het geschikt maken voor productie, het toevoegen van audittrails, het uitvoeren van evaluaties aan de hand van een gelabeld corpus van huurovereenkomsten, de integratie met het documentbeheersysteem en het activaregister, en het opzetten van een zorgvuldig escalatieproces voor dubbelzinnige clausules nam vier maanden in beslag. De investering had zich binnen een jaar terugverdiend, en het werk dat voorheen bij elke transactie een knelpunt vormde, vormt nu nergens meer een knelpunt.<\/p>\n Een wereldwijd opererend dienstverleningsbedrijf met vijftienduizend medewerkers beschikte over een interne helpdesk die onder de werkdruk bezweek. De meeste tickets waren variaties op enkele tientallen vaste patronen: het opnieuw instellen van wachtwoorden, verzoeken om toegang tot software, VPN-problemen en vragen over het onkostensysteem. Het team schatte dat 60% van de tickets zonder menselijke tussenkomst konden worden opgelost, mits de juiste context en hulpmiddelen beschikbaar waren.<\/p>\n Zij ontwikkelden een taakagent, een afgebakende LLM-stap die in het bestaande ticketplatform was ge\u00efntegreerd, die elk binnenkomend ticket las, probeerde het direct op te lossen met behulp van een beperkt aantal vooraf goedgekeurde hulpmiddelen (het identiteitssysteem, de softwarecatalogus, de onkosten-API), en het ticket vervolgens afsloot of doorgaf aan een medewerker, voorzien van een conceptantwoord en de volledige context. Ontwikkelingstijd voor het eerste prototype: twee dagen. Tijd tot ingebruikname: drie maanden, grotendeels besteed aan toegangscontroles, auditlogging en het afstemmen van de escalatiedrempels, zodat er niets belangrijks door de mazen van het net glipte. Resultaat: de afhandelingstijd van tickets daalde met 70%, het eerstelijnsteam werd ingezet voor interessanter werk en de agent verwerkt nu ongeveer de helft van alle inkomende tickets.<\/p>\n Een aan de staat gelieerd beleggingsvehikel wilde investeringsmogelijkheden systematisch toetsen aan de prioriteiten van Vision 2030, aan sectoren die waren aangemerkt voor diversificatie, aan regionale ontwikkelingsdoelstellingen en aan ESG-criteria die specifiek zijn voor de Saoedische context. De omvang van het aantal potenti\u00eble doelwitten, achtergronddocumenten en wettelijk vereiste documenten was zodanig dat geen enkel team van mensen deze volledig kon beoordelen.<\/p>\n Een multi-agent-systeem bleek hier de juiste oplossing. Een onderzoeksagent verzamelde en structureerde informatie over elke kans uit openbare documenten, nieuwsberichten en gelicentieerde data-databases. Een analyseagent beoordeelde de afstemming aan de hand van het Vision 2030-raamwerk. Een risicoagent bracht regelgevings- en reputatiekwesties aan het licht. Een opstelagent stelde een gestructureerde briefing op voor de investeringscommissie. Ontwikkelingstijd voor het prototype: ongeveer drie weken, omdat de co\u00f6rdinatie tussen de verschillende agenten daadwerkelijke technische expertise vereiste. Aanpassing voor productie: zes maanden, met bijzondere aandacht voor data-residentie (alles moest binnen het Koninkrijk draaien), de verwerking van de Arabische taal en een rigoureus evaluatiekader aan de hand van historische beslissingen. Het systeem verwerkt nu meer kansen dan het vorige team van medewerkers deed, waarbij de commissie uitgebreidere rapportages ontvangt en zich uitsluitend bezighoudt met de werkelijk wezenlijke beslissingen.<\/p>\n Wat bij alle drie opvalt, is de verhouding. In alle gevallen nam het prototype enkele dagen tot weken in beslag. De implementatie in de productieomgeving nam maanden in beslag. En in alle gevallen zou de meerwaarde niet zijn gerealiseerd als niet beide stappen waren doorlopen. Het prototype bewijst dat het werkt. De implementatie in de productieomgeving zorgt ervoor dat de meerwaarde wordt gerealiseerd.<\/p>\n Vroeg of laat zal aan een leidinggevende die een agentenprogramma ondersteunt, de vraag worden gesteld: welk model moeten wij hanteren? Het eerlijke antwoord luidt: \u201cDat hangt ervan af, en waarschijnlijk zijn er meerdere\u201d, maar dat zegt op zich nog niet veel zonder verdere toelichting. Hier volgt een evenwichtig overzicht van de belangrijkste opties in 2026.<\/p>\n Claude (Anthropic).<\/strong> Wordt algemeen beschouwd als de sterkste op het gebied van logisch redeneren, met name wat betreft het gebruik van hulpmiddelen, een brede context, complexe redeneringen en zorgvuldig oordeelsvermogen. Dankzij uitgebreide denkwijzen heeft Claude een voorsprong bij complexe taken. Uitstekend in het opvolgen van genuanceerde instructies, wat van belang is wanneer er veiligheidsmaatregelen in het ontwerp zijn ingebouwd. Sterke bedrijfsori\u00ebntatie, met duidelijke standpunten ten aanzien van data-training, IP-vrijwaring en een steeds verder uitgekristalliseerd pakket aan bedrijfscontroles. Afwegingen: de kosten per token bevinden zich aan de bovenkant van het \u2018frontier\u2019-niveau, en de beschikbaarheid buiten de belangrijkste cloud-regio\u2019s blijft historisch gezien achter bij die van de anderen.<\/p>\n GPT (OpenAI).<\/strong> De thuisbasis van de meest gebruikte en bekendste geavanceerde modellen, met het meest uitgebreide ecosysteem van tools, integraties en kant-en-klare agents. De o-series-redeneringsmodellen presteren uitstekend bij de meest veeleisende taken. Sterk op het gebied van code, zeer sterk wat betreft gebruiksvriendelijkheid voor ontwikkelaars. Afwegingen: het gedrag van de modellen is merkbaar veranderd tussen de verschillende releases, wat ongewenst kan zijn voor productiesystemen waar consistentie van belang is. De prijsstelling en marktpositie voor de zakelijke markt zijn volwassen geworden, hoewel sommige organisaties om redenen van vertrouwelijkheid terughoudend blijven. Door GPT gegenereerde inhoud wordt vaak als relatief welsprekend beschouwd in vergelijking met door Claude gegenereerde inhoud.<\/p>\n Gemini (Google).<\/strong> Uitstekend geschikt voor multimodale taken (de sterkste van de drie wat betreft de native verwerking van afbeeldingen, video en audio) en nauw ge\u00efntegreerd in de ecosystemen van Google Workspace en Google Cloud. Gemini Flash is op grote schaal werkelijk voordelig, waardoor het de voor de hand liggende keuze is voor werkbelastingen met een hoog volume en een lagere complexiteit. Nadelen: de achterstand op het gebied van redeneren bij complexe agentische taken is weliswaar kleiner geworden, maar nog niet volledig weggewerkt ten opzichte van Claude en de o-serie.<\/p>\n Llama (Meta).<\/strong> De meest gebruikte open-weight-lettertypefamilie, met uitgebreide ondersteuning binnen het ecosysteem en concurrerende prestaties bij de grotere lettergroottes. De voor de hand liggende keuze wanneer eigen hosting vereist is voor data-residentie, kostenvoorspelbaarheid bij zeer grote volumes of op grond van organisatorisch beleid. Afwegingen: de licentievoorwaarden zijn werkbaar, maar niet zo ruimhartig als die van werkelijk open licenties; de prestaties bij de meest veeleisende redeneringstaken blijven nog achter bij de toonaangevende resultaten.<\/p>\n Mistral.<\/strong> Het bedrijf heeft zijn hoofdkantoor in Europa, beschikt over krachtige modellen in diverse schaalgroottes en hanteert een bedrijfsvriendelijk licentiebeleid. Een logische keuze voor Europese klanten die hecht aan soevereiniteit, en het presteert steeds beter bij de grotere schaalgroottes. De kleinere modellen van Mistral zijn bijzonder sterk als werkpaardlaag in een gerouteerde implementatie. Afwegingen: een beperkter ecosysteem dan dat van Llama, en de redeneercapaciteit ligt nog steeds een eind achter bij de toonaangevende gesloten modellen.<\/p>\n Qwen (Alibaba).<\/strong> De in China gevestigde groep die het afgelopen jaar de snelste vooruitgang heeft geboekt. Sterke meertalige dienstverlening, met name in het Chinees en Arabisch, en concurrerende prestaties bij de grotere omvang. Van toenemend belang voor organisaties die actief zijn in Azi\u00eb en de Golfregio. Afwegingen: organisatorische overwegingen verschillen per rechtsgebied; sommige ondernemingen zullen modellen van Chinese oorsprong niet in overweging nemen, ongeacht hun capaciteiten.<\/p>\n In de praktijk moedigen wij onze klanten aan om vanuit twee invalshoeken na te denken: hoe complex is de taak, en hoe gevoelig ligt de data?<\/p>\n Figuur 3. Een beslissingskader met twee assen voor het kiezen van een basismodel.<\/em><\/p>\n Voor complexe taken op niet-gevoelige data vormen de gesloten modellen van Claude, GPT of Gemini, toegankelijk via een beheerde API, vrijwel altijd het juiste uitgangspunt. De kwaliteit van de redenering is belangrijker dan de kosten of de implementatie-overhead.<\/p>\n Voor complexe taken met betrekking tot gevoelige data-gegevens \u2013 zoals pati\u00ebntendossiers, financi\u00eble transacties en staatsgeheimen data \u2013 wordt een zelfgehost open-weight-model steeds meer een haalbare optie, met name bij gebruik van Llama in de grotere modellen. De prestaties zijn toereikend voor de meeste bedrijfstaken; data-opslag en -controle zijn absoluut noodzakelijk.<\/p>\n Voor eenvoudige taken op het niet-gevoelige data, het lichtgewicht modelsegment, verwerken Claude Haiku, GPT-mini en Gemini Flash enorme volumes tegen marginale kosten. Dit is het domein van de agents die per e-mail, per document of per transactie werken.<\/p>\n Voor eenvoudige taken op het gevoelige data-platform is een klein, zelf gehost model \u2013 zoals Mistral Small, Qwen 2.5 of een geoptimaliseerde Llama \u2013 doorgaans de meest kosteneffectieve oplossing.<\/p>\n De taak is zo eenvoudig dat het kleinere model volstaat, en dankzij de zelfhosting wordt de gevoeligheid goed beheerd.<\/p>\n De meest geavanceerde implementaties sturen de verwerking tussen deze kwadranten tegenwoordig dynamisch door. Wanneer er een gebruikersverzoek binnenkomt, wordt dit door een klein routeringsmodel ingedeeld, waarna het verzoek wordt doorgestuurd naar het voordeligste model dat het kan verwerken. Zo werkt de economische afweging in de praktijk op grote schaal, en zo voorkomen ondernemingen dat zij ofwel te veel betalen voor routinetaken, ofwel onvoldoende aandacht besteden aan de moeilijkere taken.<\/p>\n Nog een tip: sluit uzelf niet in. Ontwerp uw agentplatform zodanig dat het model vervangbaar is. De marktleiders van over zes maanden zijn wellicht niet dezelfde als die van vandaag; de modellaag moet een verwisselbaar onderdeel zijn, geen structurele verplichting. Als het voorstel van een leverancier dit bemoeilijkt, vraag dan waarom.<\/em><\/p><\/blockquote>\n Dit is het gedeelte dat u, als u dit artikel serieus leest, waarschijnlijk twee keer zou moeten doorlezen. De belemmeringen voor de implementatie van agent-technologie op bedrijfsniveau zijn welbekend bij iedereen die dit daadwerkelijk heeft gedaan, en deze zijn grofweg gelijk verdeeld over technische en organisatorische aspecten. Onze ervaring leert dat de organisatorische kant de moeilijkere helft is, en tevens de kant waarin de meeste leidinggevende teams te weinig investeren.<\/p>\n Figuur 4. De factoren die agentische programma\u2019s het vaakst tot stilstand brengen.<\/em><\/p>\n Data-kwaliteit.<\/strong> De belangrijkste reden waarom agentgebaseerde pilots niet opschaalbaar zijn. Agenten zijn slechts zo goed als de data-gegevens die zij kunnen verwerken. Inconsistente formaten, dubbele records, ontbrekende velden en verweesde data-bronnen maken hun inspanningen al snel teniet. Een data-audit v\u00f3\u00f3r, en niet na, een proefproject is de goedkoopste verbetering die de meeste organisaties kunnen doorvoeren.<\/p>\n Ongestructureerde data-uitbreiding.<\/strong> Voor de meeste ondernemingen bevindt 70\u201380% van de data die ertoe doet zich in PDF-bestanden, e-mails, scans, gedeelde schijven en intranetsites. Agents kunnen dit aan, maar alleen met de juiste opvraagarchitectuur en de bereidheid om te investeren in het extraheren, indexeren en beheren ervan.<\/p>\n Zwak data governance.<\/strong> Herkomst, toegangsbeheer, opslaglocatie en bewaarbeleid worden allemaal van cruciaal belang wanneer een agent uw data-omgeving kan doorzoeken en daarin acties kan ondernemen. De meeste ondernemingen komen erachter dat hun governance zwakker is dan zij dachten, op het moment dat een agent voor het eerst iets onverwachts doet.<\/p>\n Gebrekkige systeemintegraties.<\/strong> Verouderde ERP-systemen, op maat gemaakte API\u2019s en systemen die nooit zijn ontworpen om programmatisch te worden doorzocht, zorgen allemaal voor wrijving. Het Model Context Protocol biedt hier een aanzienlijke verbetering, maar de lange staart van verouderde systemen blijft een probleem vormen.<\/p>\n Geen evaluaties of observeerbaarheid.<\/strong> De allerbelangrijkste waarschuwing bij een presentatie van een leverancier is het ontbreken van een evaluatiekader. Als u niet kunt meten of de agent geschikt is, kunt u deze niet implementeren. Wij hebben gezien dat zelfs geavanceerde organisaties deze stap overslaan en daar later spijt van krijgen.<\/p>\n Onverwachte ontwikkelingen op het gebied van kosten en latentie.<\/strong> De verbruikte tokens kunnen snel oplopen. Vertragingen bij agents die met uitgebreide contexten werken en veel redeneringswerk verrichten, kunnen zodanig toenemen dat dit ten koste gaat van de gebruikerservaring. Beide aspecten moeten vanaf dag \u00e9\u00e9n worden gemonitord en mogen niet pas in de vierde maand aan het licht komen.<\/p>\n Onduidelijke eigendomsverhoudingen.<\/strong> Agentic-werk bevindt zich in een lastige positie tussen IT, data en de bedrijfsorganisatie. Zonder een duidelijk aangewezen verantwoordelijke en een sponsor met de politieke bevoegdheid om beslissingen door te zetten, raken programma\u2019s vast in een goedkeuringslimbo of vallen ze uiteen in schaduwprojecten.<\/p>\n Niet op elkaar afgestemde prikkels.<\/strong> Mensen worden beloond voor het werk dat zij momenteel verrichten. Indien een agent dat werk in gevaar brengt, zijn degenen die het best in staat zijn om de agent nuttig te maken, juist degenen die dit werk hoogstwaarschijnlijk zullen belemmeren. Dit eerlijk onder ogen zien, is al de helft van de oplossing.<\/p>\n Discrepantie tussen bedrijfsmodellen.<\/strong> De meeste ondernemingen zijn georganiseerd rond projecten met duidelijk afgebakende einddoelen. Agents zijn producten die voortdurend moeten worden afgestemd, ge\u00ebvalueerd en verbeterd. Wanneer men probeert agentgerichte werkzaamheden uit te voeren via een projectmatig bedrijfsmodel, leidt dit tot kwetsbare implementaties die in de loop van de tijd achteruitgaan.<\/p>\n Schulden op het gebied van verandermanagement.<\/strong> Het moeilijkste aspect van de implementatie van een agent is niet het bouwen van de agent zelf, maar het herontwerpen van de werkprocessen eromheen. De meeste organisaties hebben niet ge\u00efnvesteerd in het veranderingsvermogen dat nodig is om dit goed aan te pakken.<\/p>\n Angst voor ontheemding.<\/strong> De invoering loopt vast wanneer medewerkers vrezen dat de robot er is om hen te vervangen. De meest succesvolle implementaties die wij zien, zijn hierover duidelijk en geloofwaardig: de robot neemt de saaie taken voor zijn rekening, zodat mensen zich kunnen concentreren op de onderdelen van het werk waarvoor hun beoordelingsvermogen nodig is. Het volstaat niet om dit alleen te zeggen; het moet ook in de praktijk worden waargemaakt.<\/p>\n Laag niveau van evaluatievaardigheden.<\/strong> Leidinggevenden die niet op zinvolle wijze kunnen beoordelen of een agent daadwerkelijk aan het werk is, laten zich gemakkelijk overtuigen door demo\u2019s die niet representatief zijn voor de praktijk. Het opbouwen van een gemeenschappelijke terminologie \u2013 nauwkeurigheid, precisie, recall, hallucinatiepercentage, escalatiepercentage, kosten per oplossing \u2013 maakt nu deel uit van de functieomschrijving van elke leidinggevende die toezicht houdt op het werk van agenten.<\/p>\n Als wij de twee knelpunten zouden moeten noemen die de meeste aandacht verdienen van het senior management: data governance op technisch vlak en het bedrijfsmodel op organisatorisch vlak. Dit zijn de factoren die, indien ze niet worden aangepakt, stilletjes de waarde zullen beperken die u kunt realiseren, hoe goed de modellen ook worden.<\/p>\n Een nuttige vraag die u zich bij elk agent-systeem moet stellen voordat het in productie wordt genomen, is: wat zou er moeten gelden om ervoor te zorgen dat ik er vrede mee heb als dit systeem in het openbaar faalt? Want op grote schaal zullen agenten in het openbaar falen. Het gaat erom ervoor te zorgen dat u, wanneer dat gebeurt, dit kunt waarnemen, de schade kunt beperken en snel kunt herstellen.<\/p>\n Voor een implementatie op bedrijfsniveau geldt een klein aantal onmisbare vereisten. Op zichzelf is geen van deze vereisten bijzonder spannend; samen maken ze echter het verschil tussen iets wat u graag aan een toezichthouder zou uitleggen en iets wat u liever niet zou toelichten.<\/p>\n Identiteits- en toegangsbeheer.<\/strong> Elke actie van een agent dient onder een bepaalde identiteit te worden uitgevoerd, waarbij de rechten worden overgenomen van de gebruiker namens wie de agent handelt. Agenten die met uitgebreide rechten van een serviceaccount werken, vormen een risico op storingen en auditbevindingen die vroeg of laat zullen optreden.<\/p>\n Auditlogboekregistratie.<\/strong> Elke beslissing, elke inzet van hulpmiddelen, elke escalatie moet worden geregistreerd, onwijzigbaar zijn en doorzoekbaar zijn. Dit is geen optie. Toezichthouders in de financi\u00eble dienstverlening, de gezondheidszorg en in toenemende mate ook in andere gereguleerde sectoren zullen hiernaar vragen. U wilt dat het antwoord \u201cja, hier\u201d luidt.<\/p>\n Beoordelingskader.<\/strong> Een gelabelde testset waarmee de agent v\u00f3\u00f3r elke release wordt ge\u00ebvalueerd, met duidelijke drempelwaarden voor wat als geslaagd wordt beschouwd. Dit is de investering met de hoogste opbrengst die de meeste teams te weinig doen. Als uw team u hun evaluaties niet kan laten zien, hebben zij geen agent van enterprise-kwaliteit ontwikkeld.<\/p>\n Observeerbaarheid.<\/strong> Realtime inzicht in de prestaties van de agent in de productieomgeving: slagingspercentage, latentie, kosten per verzoek, escalatiepercentage, afwijkingen in de loop van de tijd. Dezelfde statistieken die u van elke productiedienst zou verwachten, gemeten op agentniveau.<\/p>\n Kostenbeheersing.<\/strong> Uitgavenlimieten per gebruiker, per agent en per tenant. Waarschuwingen. Automatische beperking bij onbeheersbare lussen. Het onbeperkt verbruiken van tokens is voor een agent het equivalent van een geheugenlek.<\/p>\n Controlepunten waarbij een mens betrokken is.<\/strong> Bij beslissingen met verstrekkende gevolgen dient er ruimte te zijn voor menselijke toetsing, waarbij het systeem de context en een aanbeveling presenteert. Waar de drempel precies ligt, hangt af van de specifieke toepassing; dat er \u00fcberhaupt een drempel bestaat, staat buiten kijf.<\/p>\n Data: bestuur en verblijf.<\/strong> Duidelijke beleidsregels over welke gegevens de agent mag lezen, schrijven, bewaren en over de grenzen heen doorgeven. Dit is met name van belang indien u actief bent in de EU, het Verenigd Koninkrijk, de Golfstaten en andere regio\u2019s met hun eigen standpunten.<\/p>\n Vervangend gedrag.<\/strong> Wat gebeurt er wanneer het model niet beschikbaar is, het antwoord niet kan worden geparseerd of de aanroep van de tool mislukt? Productieagenten hebben behoefte aan een soepele overgang bij storingen, en niet aan stille storingen of onverwacht gedrag.<\/p>\n Schaalbaarheidsmodellen.<\/strong> De architectuur moet 100 keer het lanceringsvolume aankunnen zonder dat er een platformwisseling nodig is. Routing tussen modellen, caching, asynchrone verwerking, uitvoering op basis van wachtrijen: standaardpraktijken voor gedistribueerde systemen, toegepast op een nieuw platform.<\/p>\n Geen van deze punten is bijzonder. Ze worden stuk voor stuk stelselmatig over het hoofd gezien in agentgebaseerde systemen die in allerijl zijn ontwikkeld en nooit naar behoren zijn beveiligd. De reden waarom de kloof tussen prototype en productie zo groot is, is dat deze lijst juist die kloof vormt.<\/p>\n Uit de implementaties van agent-technologie\u00ebn die wij de afgelopen twee jaar samen met onze klanten hebben uitgevoerd, is een duidelijk patroon van vijf fasen naar voren gekomen. Door dit patroon expliciet te benoemen, kunnen leidinggevenden beter hun budgetten en verwachtingen plannen en ervoor zorgen dat de juiste mensen op het juiste moment bij de besprekingen aanwezig zijn.<\/p>\n Figuur 5. De vijf fasen van een agentische inzet.<\/em><\/p>\n Fase 1: Ontdekken.<\/strong> Breng mogelijke use cases in kaart, bepaal de waarde ervan, beoordeel de benodigde data en selecteer er \u00e9\u00e9n of twee voor een eerste proefproject. De uitdaging in deze fase is om nee te zeggen; de meeste mogelijke use cases zijn nog niet klaar, en op de verkeerde plek beginnen is de meest voorkomende reden waarom programma\u2019s hun vaart verliezen. De deelnemers: de bedrijfssponsor, de uitvoerende medewerkers en een data-verantwoordelijke.<\/p>\n Fase 2: Prototype.<\/strong> Ontwikkel binnen enkele dagen tot weken een werkende agent voor de gekozen use case, van begin tot eind. Visuele bouwwerkzeugen of op prompts gebaseerde platforms zijn in deze fase doorgaans de juiste hulpmiddelen. Het doel is om aan te tonen dat de use case in principe werkt, niet om het productiesysteem te bouwen. De samenstelling: een klein ontwikkelteam, zakelijke gebruikers voor feedback en technische specialisten die advies geven over de weg naar productie.<\/p>\n Fase 3: Uitharden.<\/strong> De langste fase, waarvoor doorgaans te weinig budget is uitgetrokken. Bouw de evaluatieomgeving op, voeg toegangscontroles toe, zorg voor observabiliteit, bepaal de controlepunten waarbij menselijke tussenkomst vereist is en voer pre-productietests uit. De meeste ondernemingen lopen hier vast, omdat het werk weinig glans biedt en het prototype er al indrukwekkend uitziet. De betrokken afdelingen: engineering, beveiliging, risico- en compliancebeheer, en verandermanagement.<\/p>\n Fase 4: Implementeren.<\/strong> Voer de implementatie uit bij proefgebruikers, houd de statistieken nauwlettend in de gaten en pas de oplossing aan op basis van het daadwerkelijke gebruik. Stel een plan op voor het verandermanagement; train de gebruikers, stel verwachtingen vast en zorg voor een feedbackloop. Bij de meeste implementaties is drie tot zes weken zorgvuldige monitoring nodig voordat tot een bredere uitrol kan worden overgegaan. De betrokken partijen: Operations, Change Management en HR, evenals de oorspronkelijke zakelijke sponsor.<\/p>\n Fase 5: Opschaling.<\/strong> Breid de agent uit naar bredere doelgroepen, breng herbruikbare patronen en componenten in kaart en bouw het expertisecentrum op dat de tweede, derde en vierde use case zal ondersteunen. Dit is ook het punt waarop de vraag naar het bedrijfsmodel serieus aan de orde komt: hoe beheert de organisatie in de praktijk een portfolio van agenten op de lange termijn? De aanwezigen: de uitvoerende sponsor, het opkomende AI-leiderschap en de verantwoordelijke voor het bedrijfsmodel.<\/p>\n De meeste ondernemingen hebben tegenwoordig meerdere proefprojecten in fase 2 en slechts zeer weinig systemen in fase 4 of 5. Het concurrentievoordeel zal de komende twee jaar onevenredig groot zijn voor de organisaties die erin slagen om op een soepele manier van fase 3 naar fase 5 over te gaan.<\/p>\n Hoe ziet het agentische landschap er over 12 tot 36 maanden uit? Er zijn al vier verschuivingen waarneembaar waarmee u bij uw planning rekening dient te houden.<\/p>\n Multi-agent-systemen worden de norm voor complexe werkzaamheden.<\/strong> Tegenwoordig vormt multi-agent de nieuwste ontwikkeling. Tegen 2027 zal dit de standaardarchitectuur zijn voor elke niet-triviale agentgebaseerde workflow. De instrumenten voor orkestratie ontwikkelen zich in hoog tempo, en de kosten voor het inzetten van meerdere gespecialiseerde agents zijn inmiddels zo laag dat de technische eenvoud van \u201c\u00e9\u00e9n grote agent\u201d niet langer kostentechnisch te rechtvaardigen is. Ondernemingen die hebben ge\u00efnvesteerd in evaluatiekaders en observeerbaarheid zullen hier moeiteloos op kunnen overschakelen. Ondernemingen die dat niet hebben gedaan, zullen het moeilijk krijgen.<\/p>\n Marktplaatsen voor agents en herbruikbare componenten.<\/strong> De huidige situatie, waarin elke onderneming elke agent volledig zelf ontwikkelt, is van voorbijgaande aard. Wij verwachten een ingrijpende verschuiving naar marktplaatsen voor kant-en-klare agents en herbruikbare componenten, zowel geleverd door leveranciers als binnen ondernemingen zelf. Bij grotere klanten ontstaat nu al het interne equivalent van een eigen app-store. Voor leidinggevenden verandert hierdoor de afweging tussen \u2018zelf bouwen\u2019 en \u2018kopen\u2019, die tegen 2027 meer zal lijken op een afweging tussen \u2018zelf bouwen\u2019 en \u2018samenstellen\u2019.<\/p>\n Agentgebaseerde procesmining.<\/strong> Leveranciers van procesmining voegen in hoog tempo agentgebaseerde mogelijkheden toe, terwijl vanuit een andere richting AI-gebaseerde procesontdekking in opkomst is. De combinatie van agenten die uw processen in kaart kunnen brengen, kansen kunnen identificeren en vervolgens de daaruit voortvloeiende workflows kunnen implementeren, zal een steeds belangrijkere categorie worden. Wees voorzichtig met de huidige verkoopargumenten van leveranciers op dit gebied; de technologie ontwikkelt zich razendsnel en het risico op lock-in is re\u00ebel.<\/p>\n De regelgeving wordt aangescherpt.<\/strong> De vereisten voor systemen met een hoog risico uit de EU-AI-wet treden geleidelijk in werking in de loop van 2026 en 2027. Het Verenigd Koninkrijk hanteert een meer sectorale aanpak, maar financi\u00eble dienstverlening, gezondheidszorg en kritieke infrastructuur vallen allemaal onder het toepassingsgebied. De SDAIA van Saoedi-Arabi\u00eb en het AI-bureau van de VAE hebben kaders gepubliceerd die zullen uitgroeien tot bindende vereisten. De Zuid-Koreaanse AI-basiswet is in januari 2026 in werking getreden. In de VS bestaat er een steeds veranderend lappendeken van staatswetgeving. En sectoren reageren hierop met bijgewerkte richtlijnen: RICS werkt zijn richtlijnen voor de vastgoedsector bij, de MAS van Singapore heeft principes en methodologie\u00ebn gepubliceerd die specifiek betrekking hebben op AI in de financi\u00eble sector, en verzekeraars vragen advocaten- en accountantskantoren bij contractverlenging nu of zij over een beleid inzake AI-gebruik beschikken. De nalevingslast neemt toe, maar het wordt ook steeds duidelijker hoe naleving eruit moet zien. Bereid u hierop voor; laat u er niet door verrassen.<\/p>\n Het allerbelangrijkste strategische punt dat leidinggevenden zich ter harte moeten nemen: de basismodellen zullen steeds meer een standaardproduct worden. Daar ligt het concurrentievoordeel niet. Het zal liggen in het eigen data-systeem waartoe u toegang hebt, de workflows die u hebt herontworpen rond agentische capaciteiten, en de evaluatie-infrastructuur die u hebt opgebouwd en waarmee u verbeteringen sneller kunt doorvoeren dan uw concurrenten. Organisaties die nu in deze drie zaken investeren, zullen hun voorsprong vergroten; organisaties die erop gokken dat een bepaald model de winnaar zal zijn, zullen dat niet doen.<\/em><\/p><\/blockquote>\n De verleiding om te wachten tot de situatie zich heeft gestabiliseerd, is begrijpelijk. Het is echter ook kostbaar. De kosten van nu beginnen bestaan voornamelijk uit de kosten van fouten; de kosten van twee jaar wachten zijn de kosten van een structurele achterstand op concurrenten die al in de praktijk ervaring hebben opgedaan.<\/p>\n Om terug te komen op de kop: kunt u werkelijk binnen enkele uren een AI-agent van enterprise-kwaliteit bouwen?<\/p>\n U kunt binnen enkele uren een agent bouwen. Binnen enkele dagen kunt u iets nuttigs bouwen. Binnen enkele weken kunt u iets echt goeds bouwen. Maar een systeem van enterprise-kwaliteit \u2013 het soort systeem dat u met een gerust hart aan uw belangrijkste klanten, uw toezichthouders en uw raad van bestuur zou presenteren \u2013 vergt maanden van zorgvuldig werk, zelfs met de beste tools. En die kloof wordt niet zo snel kleiner als de krantenkoppen doen vermoeden. Integendeel, zij wordt juist groter, aangezien de lat voor wat \u201cop bedrijfsniveau\u201d betekent, steeds hoger komt te liggen naarmate de mogelijkheden van de onderliggende modellen toenemen.<\/p>\n Het goede nieuws is dat de kosten om hierachter te komen tot bijna nul zijn gedaald. Drie dingen die elke leidinggevende volgende week kan doen, zonder goedkeuring van het budget, zonder stuurgroep en zonder zich tot iets strategisch te hoeven verbinden.<\/p>\n Kies allereerst \u00e9\u00e9n repetitieve, op beoordelingen gebaseerde en duidelijk afgebakende taak uit uw eigen werk. Bouw hiervoor een eenvoudige agent in Claude, ChatGPT, Gemini of Copilot Studio. Gebruik deze gedurende twee weken. U zult in die twee weken meer leren dan uit welk aantal presentaties dan ook.<\/p>\n Ten tweede dient u \u00e9\u00e9n proces binnen uw bedrijf te toetsen aan de eerder genoemde vierdelige heuristiek: repetitief, beoordelingsintensief, afgebakend en geschikt voor menselijke controle. De processen die hieruit naar voren komen, bieden uw echte kansen.<\/p>\n Ten derde: stel uw team \u00e9\u00e9n vraag: wat is ons evaluatiekader? Als zij daar geen duidelijk antwoord op kunnen geven, is dat uw uitgangspunt.<\/p>\n De bedrijven die dit in de komende achttien maanden goed voor elkaar krijgen, zullen niet de bedrijven zijn die de slimste demo\u2019s hebben ontwikkeld. Het zullen de bedrijven zijn die snel en eerlijk hebben geleerd om de kloof te overbruggen tussen een werkende agent en een agent die daadwerkelijk functioneert.<\/p>\n Artefact heeft een CRE geholpen om strategische zelfredzaamheid te verwerven op het gebied van de ontwikkeling van Task Agents door middel van trainingen, mentoring en pair-programmeringssessies voor hun interne team van analisten \u2013 en heeft tegelijkertijd de oplevering van drie functionerende Task Agents geleid. De architectuur van de agents was beperkt tot Claude (basismodelservice) en Power Automate (orkestratie, geheugen, tools en veiligheidsmaatregelen), zodat de agents grotendeels konden bestaan uit hetzelfde tool-ecosysteem waarmee het interne team vertrouwd was en dat het naast de bestaande technologie kon onderhouden.<\/p>\n Op deze manier werden de agents wel bepaalde kenmerken van een productiedienst toegekend, maar andere niet. Zoals auditlogging, observability en schaalbaarheid. Niettemin nam het CRE binnen korte tijd beknopte maar effectieve data governance- en residency-maatregelen, \u2018human-in-the-loop\u2019-controlepunten en identiteits- en toegangsbeheer in gebruik, samen met rudimentaire evaluatiepijplijnen en beheerprocedures \u2013 waarmee het op koers werd gezet om aanzienlijke effici\u00ebntiewinst te realiseren.<\/p>\n Artefact heeft een prototype van een Workflow Agent, ge\u00efmplementeerd in de \u2018Skills\u2019 van Claude, verder ontwikkeld tot een uiterst krachtige \u2018Connector\u2019 voor Claude. Dit illustreert het gebruik van MCP om de overstap te maken van het uitsluitend in natuurlijke taal defini\u00ebren van een AI-taak naar het defini\u00ebren van de taak als een samenstelling van krachtige AI-tools. Het belangrijkste onderscheid waardoor de oplossing een Workflow Agent is en niet louter een Task Agent, is de toepassing van een primaire LLM voor het beheer van de volgorde van toolaanroepen \u2013 naast het aanroepen van secundaire LLM\u2019s voor het uitvoeren van toolbewerkingen.<\/p>\n De introductie van het Claude Connector-patroon naast een bestaande Azure-stack leidde tot een nieuwe vereiste voor ondersteuning van netwerkingress en data-toegang. In organisaties waar dergelijke algemene hulpprogramma\u2019s met succes als gedeelde diensten worden beheerd, zien wij dat de tijd die nodig is voor de implementatie van nieuwe productiediensten bij elke nieuwe uitrol tot wel een derde wordt verkort.<\/p>\n <\/p>\n Chris de Gruben<\/a> is Senior Director bij Artefact, waar hij leiding geeft aan de vastgoedsector in het Verenigd Koninkrijk en de EU. Hij werkt intensief samen met klanten uit de publieke en private sector in het Verenigd Koninkrijk, Europa en de Golfregio.<\/p>\nEen taxonomie die leidinggevenden daadwerkelijk nodig hebben<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-2-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nWaarom juist nu?<\/h2>\n
Er wordt al jaren beloofd dat er agenten zullen komen. Wat is er veranderd?<\/h3>\n
De realiteitscheck van die \u201cpaar uur\u201d<\/h2>\n
Hoe worden agenten eigenlijk opgebouwd?<\/h2>\n
Visuele bouwwerkzeugen<\/h3>\n
Op prompts gebaseerde platforms<\/h3>\n
Code-gestuurde frameworks<\/h3>\n
Wie kan er nu eigenlijk zo\u2019n ding bouwen?<\/h2>\n
Waar het concept van \u2018agentic\u2019 tegenwoordig aan populariteit wint<\/h2>\n
Drie uitgewerkte voorbeelden<\/h2>\n
Huurcontracten in commercieel vastgoed<\/h3>\n
Interne IT-helpdesk voor een multinational<\/h3>\n
Investeringsonderzoek in het Koninkrijk Saoedi-Arabi\u00eb, afgestemd op Visie 2030<\/h3>\n
Het kiezen van uw basismodel<\/h2>\n
Frontier: diensten met gesloten modellen<\/h3>\n
Modellen in de open gewichtsklasse<\/h3>\n
Het besluitvormingskader van Artefact<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-3-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nDe belemmeringen, zowel van technische als organisatorische aard<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-4-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nTechnische belemmeringen<\/h3>\n
Organisatorische belemmeringen<\/h3>\n
Een analyse van een implementatie op bedrijfsniveau<\/h2>\n
Het handboek voor het implementatieproces<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-5-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nVooruitzichten voor de korte tot middellange termijn<\/h2>\n
Een afgewogen reactie op de kop<\/h2>\n
Praktijkvoorbeelden<\/h2>\n
Een oplossing met een visuele builder voor CRE-analisten<\/h3>\n
Innovatie op het gebied van Workflow Agent voor een wereldwijde PE-onderneming<\/h3>\n