Wat is een AI-agent eigenlijk?
Het verschil tussen "een model gebruiken" en "een agent bouwen"
Iedereen heeft het over AI-agents. Je leest het in nieuwsbrieven, je hoort het in podcasts, en ergens denk je: wacht — wat onderscheidt een agent van "gewoon een AI"? In deze les krijg je een helder antwoord. Niet filosofisch, maar technisch en bruikbaar. Want zodra je dit snapt, weet je waar je eigen automatiseringen op moeten lijken.
Een model gebruiken versus een agent bouwen
Als je Claude of GPT-5 een vraag stelt en hij antwoordt, gebruik je een model. Eén call, één response. Meer niet. Dat is nuttig — voor vertalingen, samenvattingen, teksten schrijven. Maar het is beperkt: het model weet alleen wat jij in die ene prompt zet. Geen toegang tot je agenda, geen database, geen internet, geen mogelijkheid om iets te doen in de echte wereld.
Een agent voegt daar iets aan toe: de vaardigheid om acties te ondernemen, resultaten terug te krijgen, daarop te reageren, en verder te gaan. Een agent is niet één call. Het is een lus.
De lus: plan, handel, evalueer
Elke agent die werkt, volgt hetzelfde grondpatroon. Je kunt het uittekenen op de achterkant van een bierviltje:
Plannen. Het model krijgt een doel ("reserveer een tafel voor twee om acht uur in een Italiaans restaurant dichtbij") en bepaalt welke stap als eerste zinvol is. Misschien een zoekopdracht starten. Misschien de agenda checken.
Handelen. De agent voert die stap uit door een tool aan te roepen. Dat kan een zoekmachine zijn, een kalender-API, je eigen database, een mail versturen.
Resultaat. De tool geeft iets terug. Een lijst resultaten. Een succesmelding. Een foutcode.
Evalueren. Het model leest dat resultaat en beslist: ben ik klaar, of moet ik nog een stap doen? Zo ja, welke? Nieuwe actie, nieuwe tool-call, nieuw resultaat, tot het doel gehaald is of opgegeven wordt.
Die herhaling is wat een agent onderscheidt. Een gewoon model "zegt" iets. Een agent "doet" iets — vaak in meerdere stappen, op basis van wat het ziet.
Het patroon heet in het wild ReAct — "Reason + Act". Voor het eerst beschreven in een paper uit 2022, en nu de basis onder elk serieus agent-framework. De truc: het model schrijft elke stap eerst zijn gedachte uit ("ik moet eerst kijken welke restaurants er in de buurt zijn"), dan de actie ("zoek op Maps: Italiaans restaurant binnen 2km"), leest de observatie, en denkt opnieuw. Door die gedachten expliciet te maken, wordt het redeneren zichtbaar — en daarmee stuurbaar en debugbaar.
Een concreet voorbeeld uit SaaS-land
Stel dat jouw klantenportaal een factuurreminder-flow kent. Zonder agent: je draait elke maand een cronjob die alle facturen ouder dan 14 dagen pakt en een standaardmail stuurt. Klaar.
Met een agent wordt dat slimmer. De agent krijgt als doel "zorg dat deze factuur betaald wordt." Hij kijkt eerst in de database: hoe vaak heeft deze klant eerder laat betaald? Antwoord: eerste keer. Hij kiest een vriendelijke reminder. Stuur. Wacht drie dagen. Evalueer: betaald? Nee. Hij kijkt opnieuw: klant heeft op support gereageerd over een technisch probleem, open ticket. Hij besluit geen aanmaning te sturen maar het ticket eerst naar jou te escaleren. Wacht. Ticket gesloten, klant tevreden. Nieuwe reminder, deze keer net iets dringender.
Hetzelfde proces, maar dan adaptief. Elke stap kijkt naar wat er is gebeurd en beslist opnieuw. Dat is een agent.
Wat een tool is — en waarom dat alles bepaalt
Het woord "tool" klinkt abstract. Concreet is een tool elke actie die je het model laat uitvoeren. Technische voorbeelden:
Een zoekopdracht op internet. Een SELECT-query op jouw MySQL. Een API-call naar Stripe om een terugbetaling te starten. Een Slack-bericht posten. Een bestand lezen uit je bestandssysteem. Een e-mail versturen via je SMTP.
Technisch is een tool in 2026 meestal een JSON-beschrijving die je aan het model meegeeft. "Hier is een functie die heet 'send_email', hij verwacht to/subject/body, en hij geeft terug of het gelukt is." Het model beslist zelf wanneer het hem aanroept. Jouw code voert de daadwerkelijke actie uit en geeft het resultaat terug.
Dat betekent: de kracht van je agent zit niet in het model. Die zit in welke tools jij eraan hangt. Een agent zonder tools is een chatbot. Een agent met toegang tot je database, je mail en je facturatiesysteem — dat is een virtuele werknemer.
Veel "AI-features" die je online ziet zijn eigenlijk één tool-call. Vraag "wat is het weer?" → weer-API aanroepen → antwoord tonen. Dat is geen agent, dat is een gescripte flow. Een agent begint waar het model meerdere stappen zelf bepaalt op basis van wat terugkomt. De grens is fuzzy, maar het verschil is wezenlijk: als jij van tevoren de volgorde bedenkt, is het geen agent.
De frameworks van 2026
Je hoeft niets zelf op te bouwen. Meerdere volwassen frameworks nemen de lus voor je af:
Claude Agent SDK. Anthropic's eigen toolkit, direct geschreven voor agent-loops. Python en TypeScript. Sterk in tool-use en langere sessies. Als je met Claude werkt, is dit de korste weg naar een werkende agent.
LangChain en LangGraph. Het veteranenproject. Enorm, soms té abstract, maar stevig. Vooral LangGraph is populair voor agents met complexe flow — denk aan meerdere subtaken die parallel lopen.
n8n-nodes met AI. Voor wie liever visueel werkt. Je sleept blokken — trigger, AI-node, database-actie, mail — en de lus is klaar. Minder flexibel dan code, sneller in opzet.
OpenAI Assistants API. Voor wie in GPT-land zit. Gesloten ecosysteem, maar als je al ChatGPT Enterprise of GPT-5 via API gebruikt, ligt hij klaar.
Voor een PHP-achtergrond is Claude Agent SDK via Node.js vaak de laagste drempel. Je bestaande PHP-app blijft zoals hij is; je draait een klein Node-service ernaast voor de agent-logica en praat via HTTP.
Wanneer je een agent nodig hebt — en wanneer niet
Niet elk AI-probleem vraagt om een agent. Een snel filter:
Eén actie, vaste volgorde? Gebruik gewoon een model-call. "Vat deze tekst samen" is geen agent-werk.
Meerdere stappen, maar jij weet de volgorde? Gebruik een workflow-tool (Zapier, n8n). Ook geen agent.
Het model moet beslissen wat er gebeurt op basis van wat er terugkomt? Dan is een agent op zijn plaats. Voorbeelden: klantvragen routeren op basis van inhoud, facturen dunamisch aanmanen, data uit meerdere bronnen combineren waar je van tevoren niet weet welke nodig zijn.
De kosten van een lus
Eén ding waar beginners zich op verkijken: een agent doet vaak niet één model-call, maar vijf, tien, soms dertig. Elke tool-call kost een nieuwe call waarin het model het vorige resultaat meekrijgt. Context groeit. Tokens tellen. Kosten tellen.
Een simpele chatbot-vraag kost een paar cent. Een agent die een complete onboarding-flow draait kan makkelijk 50 cent tot een euro per sessie wegtikken. Dat is niet veel — tot je 10.000 gebruikers per dag hebt. Dan is het dagelijks vijfduizend euro.
De oplossing is niet "gebruik geen agents" maar: begrip van je loop. Hoeveel stappen doet hij gemiddeld? Kun je kleine modellen gebruiken voor tussenstappen en een groot model alleen voor het eindoordeel? Claude 4.7 Haiku voor routing, Claude 4.7 Sonnet voor de echte inhoud — dat soort splitsing.
Drie dingen om mee te nemen
- Een agent is een lus, geen call. Plan, handel, evalueer, herhaal. Zonder die iteratie is het geen agent, maar een workflow.
- De kracht zit in de tools, niet in het model. Een top-model zonder tools is een chatbot. Een middelmatig model met goede tools kan verrassend veel.
- Kies het juiste framework voor jouw stack. Claude Agent SDK voor code-first, n8n voor visueel, LangGraph voor complexe flow. Begin klein — een agent met twee tools is vaak al genoeg.
In de volgende les zetten we deze theorie aan het werk. Je bouwt zonder code je eerste serieuze AI-automatisering — eerst in Zapier, daarna in n8n. Met echte voorbeelden uit SaaS-land.
Tot dan. Denk in lussen, niet in lijntjes.