Agents en automatisering die echt werk uit handen nemen

Betrouwbaarheid komt niet uit de modelnaam, het komt uit het ontwerp. We bouwen agents met duidelijke grenzen: ze krijgen alleen toegang tot de tools en data die ze nodig hebben, ze opereren binnen een afgebakende taak, en ze hebben expliciete instructies wat te doen bij twijfel. Voor productie testen we elke agent op een set realistische scenario's, inclusief randgevallen en kwaadwillig gebruik. We meten succes-percentage, hallucinatie-rate en escalatie-rate. Je krijgt een dashboard waar je per week ziet wat de agent heeft gedaan, wat goed ging en wat niet. Pas als die cijfers stabiel zijn, gaat het volume omhoog. Eerst klein en correct, daarna pas schalen.

Daar denken we vooraf over na, niet achteraf. Elke agent heeft een fail-safe: als de zekerheid onder een drempel komt, escaleert hij naar een mens via Slack, Teams of e-mail. Bij echte fouten (verkeerde antwoorden, hallucinaties, mislukte API-calls) wordt het incident gelogd met volledige context: input, prompt, model-output, gevolgde stappen. Zo kun je terugkijken en bijsturen. We bouwen ook standaard een correctieloop in: gebruikers kunnen feedback geven en die feedback verbetert de prompts en retrieval over tijd. Een agent die nooit fouten maakt bestaat niet, een agent die fouten zichtbaar maakt en daarvan leert wel.

Mens-in-de-loop is bij ons regel, niet uitzondering. Voor elke agent definieren we expliciet wanneer een mens moet ingrijpen: bij lage zekerheid, bij gevoelige beslissingen (financien, juridisch, klachten), bij onbekende input-patronen, of gewoon wanneer een klant erom vraagt. Escalatie gaat via het kanaal waar je team al werkt: Slack, Teams, een ticket-systeem of e-mail. De medewerker krijgt de volledige context, het voorstel van de agent en kan met een klik goedkeuren, aanpassen of overnemen. Je kiest zelf hoe streng de drempels staan. Een nieuwe agent staat strenger dan een agent die zich heeft bewezen.

Voor data die echt gevoelig is bouwen we on-premise of in een EU-only cloud-omgeving die jij beheert. Niets verlaat je infrastructuur. Voor minder gevoelige use cases werken we met providers (Anthropic, OpenAI, Google) die contractueel garanderen dat invoer niet wordt opgeslagen of voor training gebruikt. We documenteren per use case waar de data heen gaat, hoe lang het wordt bewaard en wie er toegang toe heeft. Voor klanten met strikte AVG-eisen of branche-specifieke regels (zorg, juridisch, financieel) is on-premise vaak de beste route. Vector-databases zoals PGVector of Weaviate kunnen lokaal draaien, evenals open modellen als Llama of Mistral. Je hebt de keuze.

In de meeste gevallen wel. We werken dagelijks met CRM's (HubSpot, Salesforce, Pipedrive, Teamleader), boekhoudsystemen (Exact, Twinfield, Yuki), e-mail (Outlook, Gmail), document-platformen (SharePoint, Drive, Dropbox), telefonie (RingCentral, Twilio, Aircall) en chat-platforms (WhatsApp Business, Intercom). Heeft een systeem een API, dan koppelen we direct. Heeft het geen API, dan werken we via Zapier, Make, n8n of als laatste optie via browser-automatisering. We beginnen altijd met een korte technische check zodat we vooraf weten of een koppeling robuust kan, of dat een tussenoplossing nodig is. Geen verrassingen halverwege.

De AI Act stelt eisen aan logging, transparantie en menselijke supervisie, vooral voor agents die invloed hebben op personen (klanten, medewerkers, sollicitanten). We bouwen daarom standaard audit-trails: elke beslissing van de agent wordt vastgelegd met input, output, model-versie, tijdstip en eventuele menselijke goedkeuring. Voor agents die in een high-risk categorie kunnen vallen (bijvoorbeeld bij werving, krediet-beoordeling of medische adviezen) richten we de logging extra streng in: ook de prompt-versie en de retrieval-bronnen worden bewaard. Daarnaast zorgen we voor transparantie naar eindgebruikers: zij weten dat ze met een agent praten en hoe ze naar een mens kunnen escaleren. Je krijgt een compliance-dossier per agent.

Door een use case te kiezen die afgebakend is en waar de pijn echt zit. Niet "we willen AI-agents", wel "onze receptie krijgt 200 boekingsverzoeken per week en daar gaat een uur per dag aan op". Zo'n use case kunnen we vaak in een week of twee operationeel hebben, met een beperkte pilot-groep. Daarna meten we wat het oplevert in tijd of kwaliteit, sturen bij, en breiden uit. Een AI Quickscan vooraf helpt om de juiste use case te kiezen, zie /ai-strategie. We bouwen geen platform-projecten van zes maanden meer. Iets in productie hebben dat werkt, klein maar echt, is veel waardevoller dan een grote roadmap zonder eerste oplevering.