AI-agents in je bedrijf: waar begin je?

Begin met één proces. Een AI-strategie voor het hele bedrijf kan later. Kies werk dat vaak terugkomt, schrijf op wanneer het goed genoeg is en spreek af op welke momenten een mens beslist. Werkt dat, dan breid je uit.

Dit stuk is voor ondernemers en managers die AI willen implementeren en zich afvragen waar ze moeten beginnen. Wij zijn Studio Northstar, een agentic productstudio in Den Haag. We bouwen onze eigen producten met agents en controles, en met hetzelfde agentic platform bouwen we software voor bedrijven.

Wat is een AI-agent, en wat niet?

Een AI-agent is software die met een taalmodel zelf bepaalt welke stap hij als volgende zet, daarvoor hulpmiddelen gebruikt en doorgaat tot een afgebakend doel is gehaald of een grens is bereikt. Een chatbot die één vraag beantwoordt, is dus nog geen agent. Een vaste automatisering waarin een taalmodel één stap uitvoert ook niet.

Anthropic maakt in Building effective agents⁠↗ hetzelfde onderscheid. Bij een workflow lopen het model en de tools langs vooraf geschreven paden. Bij een agent bepaalt het model zelf het proces en welke tools het gebruikt. Simon Willison zegt het korter: een agent draait tools in een lus om een doel te halen⁠↗.

Het verschil heeft gevolgen. Volgens Anthropic ruilen agents snelheid en kosten in voor betere resultaten op lastige taken, en kunnen fouten zich opstapelen omdat het model zelf doorwerkt. Het advies in hetzelfde stuk: kies de eenvoudigste oplossing die werkt en voeg pas complexiteit toe als dat nodig is. Veel vragen die binnenkomen als “we willen een agent”, zijn met een workflow beter geholpen. Hoe wij zelf software bouwen met agents, lees je in Wat is agentic engineering?

Met welk proces begin je?

Begin met een proces dat vaak terugkomt, waarvan je kunt zeggen wanneer het goed is en waarin een fout te herstellen is voordat iemand er last van heeft. Hoe saaier het werk, hoe beter de eerste kandidaat meestal is.

• Het komt vaak terug. Iets wat één keer per kwartaal gebeurt, levert weinig op en je leert er weinig van.
• Je kunt zeggen wanneer het goed is. Zijn twee collega’s het oneens over wat een goed resultaat is, dan kan een agent dat resultaat ook niet halen.
• De gegevens zijn digitaal en bereikbaar. Staat de helft in iemands hoofd of op papier, dan begin je daar.
• Een fout is herstelbaar. Laat een agent eerst voorbereiden en een mens versturen, boeken of beslissen.

Voorbeelden van AI-agents waar bedrijven mee kunnen beginnen:

• Binnenkomende vragen of aanvragen sorteren, aanvullen met gegevens uit je eigen systemen en bij de juiste collega neerleggen.
• Documenten nalopen op ontbrekende onderdelen, zoals een offerteaanvraag of een dossier, en een lijst met open punten maken.
• Onderzoek voorbereiden: bronnen verzamelen, samenvatten en de vragen markeren die een mens moet beantwoorden.
• Code beoordelen op beveiligingsrisico’s of oudere software in kaart brengen. Dat doen we zelf met een council van ARCS.

Wat we niet als eerste project zouden kiezen: alles waarbij de agent zelf geld uitgeeft, een contract aangaat of iets toezegt aan een klant. In ons eigen systeem vragen die handelingen altijd een zichtbare laatste stap van een mens.

Hoe leg je doel en voorwaarden vast?

Schrijf op wat je op lange termijn wilt bereiken, waaraan het resultaat moet voldoen en welke vragen nog openstaan, voordat er iets wordt gebouwd. Zo beginnen wij elk project: we bespreken eerst wat je wilt bereiken en leggen daarna het langetermijndoel, de voorwaarden voor oplevering en de open vragen vast in een briefing.

Dat langetermijndoel noemen we de north star. Een agent werkt stap voor stap, en bij grote opdrachten kan het oorspronkelijke doel uit beeld raken terwijl het model toch meldt dat het klaar is. Met een opgeschreven doel en heldere voorwaarden kun je elke stap toetsen.

Een bruikbare briefing voor een eerste agent bevat:

1. Het doel in één zin, in de taal van je bedrijf. Bijvoorbeeld “elke aanvraag ligt binnen een werkdag bij de juiste collega”, en dus niet “een agent voor de inbox”.
2. De voorwaarden voor oplevering: wanneer is een resultaat goed genoeg, en wie stelt dat vast?
3. De grenzen: welke systemen en gegevens de agent mag gebruiken, en wat hij nooit zelf doet.
4. De beslismomenten: waar een mens het werk goedkeurt, afwijst of laat aanpassen.
5. De open vragen en aannames, zodat je ze toetst voordat ze in de software zitten.

Op onze pagina over onderzoek staat hoe we die eerste fase aanpakken.

Zelf bouwen, kopen of laten bouwen?

Koop als je proces standaard is en een bestaand pakket het al goed doet. Bouw zelf als het risico klein is en je team ervan wil leren. Laat bouwen als het proces eigen is aan je bedrijf, aan meerdere systemen moet koppelen of controles nodig heeft die een standaardpakket niet geeft.

Een AI-agent maken kan inmiddels met veel tools zonder dat je programmeur bent. Voor een eerste experiment is dat een goede manier om te leren wat een agent wel en niet kan. Het wordt lastiger zodra de agent bij klantgegevens komt, in je eigen systemen schrijft of door meerdere mensen wordt gebruikt. Dan heb je nodig wat elke software nodig heeft: tests, toegangsrechten, logging en iemand die verantwoordelijk is.

Wij doen allebei. We ontwikkelen en beheren onze eigen producten en bouwen software voor bedrijven, met hetzelfde agentic platform en dezelfde controles. Wat dat voor jouw organisatie kan betekenen, staat op de homepage onder Voor bedrijven.

Welke controles heb je nodig?

Je hebt er minstens vijf nodig. De belangrijkste is een mens die beslist voordat er iets gebeurt wat moeilijk terug te draaien is.

• Een mens op afgesproken momenten. Niet bij elke stap, want dan heb je geen agent meer. Wel vóór alles wat moeilijk terug te draaien is. Bij ons legt het systeem het werk op die momenten voor: een mens keurt het goed, wijst het af of vraagt om aanpassingen.
• Een logboek. Je wilt achteraf zien welke stappen de agent zette, met welke gegevens en waarom hij stopte. Onze werkrondes stoppen met een duidelijke reden: er is goedkeuring nodig, het werk is geblokkeerd of het budget is op. Elke ronde bewaart een checkpoint, zodat je het werk kunt bekijken en hervatten.
• Rechten buiten de prompt. Wat een agent mag, regel je in instellingen en toegangsrechten. Een zin in de prompt als “verstuur nooit iets zonder akkoord” is een verzoek aan het model. Het houdt niets tegen.
• Een datakeuze per taak. Bepaal per taak of het werk bij een externe AI-aanbieder mag draaien of binnen moet blijven, en leg die keuze vast. Vertrouwelijke gegevens verwerken wij op Northstar One, onze eigen machines en modellen op een privénetwerk. Meer daarover in Eigen AI-modellen draaien.
• Een onafhankelijke reviewer. Een model ziet bij het nakijken van zijn eigen werk niet altijd zijn fouten. Laat het resultaat beoordelen door een onafhankelijke reviewer: een ander model of een aparte context die het werk niet zelf heeft gemaakt.

Hoe we dat in ons eigen werk hebben ingericht, lees je in ARCS: agents laten bouwen met controles.

Wat betekenen de AVG en de AI Act?

De AVG geldt zodra je agent persoonsgegevens verwerkt, ook in een pilot. De AI Act deelt AI-systemen in naar risico. De zwaarste plichten, zoals menselijk toezicht uit artikel 14, gelden voor systemen met een hoog risico en niet voor elke agent.

De AVG

Volgens de Autoriteit Persoonsgegevens⁠↗ moet je vooraf vaststellen of je aan de AVG kunt voldoen als je algoritmische systemen met persoonsgegevens gaat gebruiken, “ook als het om een pilot, test of proefproject gaat”. Voor zo’n project noemt de AP een DPIA, een beoordeling van de privacyrisico’s. De AVG is techniekneutraal opgesteld: of een mens, een script of een agent de gegevens verwerkt, maakt voor de regels niet uit.

De AI Act

De AI Act⁠↗, Verordening (EU) 2024/1689, trad op 1 augustus 2024 in werking⁠↗. Volgens de AP⁠↗ gaat de verordening gefaseerd in en is ze op 2 augustus 2027 helemaal van kracht. Sinds 2 februari 2025 zijn een aantal AI-systemen verboden en moeten organisaties die AI ontwikkelen of gebruiken ervoor zorgen dat hun medewerkers AI-geletterd zijn.

Voor systemen met een hoog risico, zoals AI voor werving en selectie of voor rechtshandhaving, gelden strengere regels: activiteiten loggen, datamanagement inrichten en menselijk toezicht mogelijk maken. Voor systemen met een lager risico gelden vooral transparantieregels, zoals gegenereerde content herkenbaar maken. Een agent die aanvragen sorteert, valt dus niet vanzelf onder de zwaarste regels. Een agent die sollicitanten beoordeelt waarschijnlijk wel. Je organisatie moet zelf nagaan in welke categorie een systeem valt.

Hoe meet je of het werkt?

Je meet het door de agent te vergelijken met hoe het werk nu gaat, op de voorwaarden die je vooraf in de briefing hebt gezet. Doe daarom een nulmeting voordat de agent draait. Zonder die meting weet je achteraf alleen hoe het voelde.

• Kwaliteit: hoe vaak voldoet het resultaat aan de voorwaarden zonder correctie?
• Correcties: hoe vaak grijpt een mens in, en waarom? De redenen vertellen je wat je aan de agent moet verbeteren.
• Tijd: hoeveel tijd kost een taak nu, inclusief het nakijken?
• Kosten per taak: modelgebruik, beheer en de tijd van de mensen die controleren.
• Stopredenen: hoe vaak loopt de agent vast, en waarop?

Gevoel is een slechte meetlat. METR⁠↗ liet in 2025 zestien ervaren open-source-ontwikkelaars werken met en zonder AI-tools. Met de tools waren ze 19% trager, terwijl ze dachten dat ze 20% sneller waren. METR heeft die uitkomst later genuanceerd. In een update van februari 2026⁠↗ schrijft METR dat ontwikkelaars met de tools van nu waarschijnlijk wel sneller zijn dan begin 2025, maar noemt het zijn eigen nieuwe data een onbetrouwbaar signaal voor hoeveel. Wat mensen ervaren en wat je meet, kan dus flink uit elkaar lopen.

Hoe leert je team ermee werken?

Je team leert het door met agents aan het eigen werk te zitten, met een gedeelde basis over wat wel en niet veilig is. Die basis is ook een plicht: de AI Act vraagt van organisaties die AI gebruiken dat hun medewerkers AI-geletterd zijn.

Daarvoor hebben we de Studio Northstar Academy gemaakt, een besloten leeromgeving met veertien modules en 97 hoofdstukken, in het Nederlands en Engels. Je organisatie werkt met één licentie en kiest welke modules het team volgt. De voortgang wordt per deelnemer bijgehouden. Modules gaan onder meer over veilig en verantwoord werken met AI, de stap van workflow naar oplossing, en werkwijzen vastleggen met Agent Skills.

We organiseren ook hackathons voor teams, zoals de NextEnergy AI Hackathon 2026.

Wil je weten welk proces in jouw organisatie de beste eerste kandidaat is? Neem contact op en vertel wat je wilt bereiken. Dan kijken we samen of een agent, een workflow of iets eenvoudigers past. Wat we voor bedrijven doen, staat onder Voor bedrijven.