Ze zijn vrijwel dagelijks in het nieuws, alsof ze massaal het werk van mensen overnemen en deze overbodig maken: AI-agents. Een AI-agent is een softwaresysteem dat zelfstandig zijn omgeving waarneemt, informatie verwerkt en handelingen uitvoert om zo bepaalde doelen te bereiken. Het opereert hierbij (grotendeels of volledig) zelfstandig. AI-agents worden gebruikt voor uiteenlopende zaken — een chatbot die één taak uitvoert, een team van samenwerkende modellen, of een robot die door een magazijn rijdt. Om door de hype heen te kijken, helpt het agents in te delen naar wat ze daadwerkelijk doen.

1. Coding agents

Veel gebruikt op dit moment zijn tools als Claude Code, GitHub Copilot Workspace en OpenAI's Codex-varianten, die niet alleen code suggereren maar zelfstandig features bouwen, testen en deployen. Spotify's interne tool ‘Honk’ is een treffend voorbeeld: engineers beschrijven features in gewone taal via Slack, waarna generatieve AI — waaronder Claude Code — het deployment in real time afhandelt. Coding agents scoren goed omdat hun output makkelijk te verifiëren is: code werkt of werkt niet.

Er zit wel een risico in de wildgroei. De grootste uitdaging bij grootschalige inzet is niet dat de code op zich slechter wordt, maar dat productiviteit sneller groeit dan het vermogen om kwaliteit, veiligheid en samenhang te bewaken.

Coding agents stellen ook nieuwe en andere eisen aan het werk van sofware engineers. Maar wie zich aanpast aan deze nieuwe realiteit, krijgt een rijker, invloedrijker en zinvoller vak. Software engineers waren jarenlang vooral technische bouwers van digitale systemen — die rol verbreedt en verdiept nu snel. Door coding agents en AI in het ontwikkelproces en toenemende regelgeving zijn zij niet langer alleen verantwoordelijk voor werkende code, maar steeds meer ook voor de maatschappelijke, juridische en ethische impact ervan.

2. Enterprise workflow-agents

Deze categorie neemt complete bedrijfsprocessen over in plaats van losse taken: orderverwerking, factuurcontrole, klantonboarding. Waar agents voorheen mensen hielpen bij losse stappen, plannen ze nu zelf sequenties, roepen ze tools aan en passen ze zich aan wanneer iets misgaat. Recruitmentplatform Fountain verkortte via hiërarchische multi-agent-orkestratie de doorlooptijd van werving fors.

3. Multi-agentsystemen (agent-teams)

In plaats van één generalistische agent zetten organisaties steeds vaker teams van gespecialiseerde agents in, die samenwerken via protocollen als Model Context Protocol (MCP) en Agent2Agent (A2A). Zapier illustreert hoe ver dit kan gaan: door een consequente "AI-first"-strategie telt het bedrijf inmiddels meer AI-agents dan medewerkers, en werkt 97% van het personeel er dagelijks mee.

4. Klantgerichte (conciërge-)agents

Chatbots die niet alleen vragen beantwoorden, maar ook boekingen wijzigen, retouren afhandelen of persoonlijk advies geven. Google Cloud noemt dit expliciet als trendlijn naast interne productiviteits- en beveiligingsagents. Roommaster, actief in reizen en hospitality, is hier een voorbeeld van: de agent richt zich specifiek op het creëren van een uitzonderlijke gastbeleving.

5. Governance- en security-agents

Naarmate agents meer autonomie krijgen, groeit de behoefte aan toezicht — bij voorkeur ook geautomatiseerd. Governance-agents monitoren andere AI-systemen op beleidsovertredingen; security-agents detecteren afwijkend agentgedrag. Governance wordt niet langer gezien als vertragende compliance, maar als voorwaarde om agents in gevoeligere toepassingen te durven inzetten.

Credo AI is hier een voorbeeld van: het levert agents die logboeken, acties en modelgedrag toetsen aan vooraf gedefinieerde ethische kaders, met een centraal register, risicobeoordelingen en ingebouwde naleving van AI-regelgeving. Op het securityvlak gebruiken CrowdStrike en SentinelOne ingebedde agents om op endpoints — laptops, servers — afwijkingen te detecteren, processen te isoleren en bedreigingen autonoom te neutraliseren.

6. Browser- en interface-agents

Agents die zelfstandig door websites navigeren, formulieren invullen of boekingen doen, zoals Claude in Chrome. Dit blijft een van de moeilijkere categorieën. Een UI-agent moet niet alleen lezen, maar ook begrijpen en handelen, over tientallen opeenvolgende stappen. Zelfs bij 99% betrouwbaarheid per stap daalt de kans op een volledig foutloos proces snel: bij vijfentwintig stappen is de kans op volledig succes nog maar zo'n 78% (in Excel: 0,99^25 ≈ 0,7778). Dat verklaart waarom meerstaps-flows relatief vaak misgaan. Twee voorbeelden:

• Declaratie indienen — de agent opent het declaratiesysteem, uploadt een bon, vult de juiste velden en kostenplaats in en dient de declaratie in.
• Reis boeken — de agent zoekt een trein- of vliegticket, vergelijkt opties, vult persoonsgegevens in en rondt de boeking af.

7. Fysieke en embodied agents

Een categorie die steeds nadrukkelijker op de voorgrond treedt: AI die robots, drones, zelfrijdende voertuigen en magazijnsystemen aanstuurt. Hiermee verlaat de agent het scherm en begint hij daadwerkelijk in de fysieke wereld te handelen. Nederland is hiervan een concreet voorbeeld: zelfrijdende Tesla's mogen er de weg op, als eerste land in Europa.

8. Voice-agents

Met spraakmodellen die vrijwel zonder vertraging luisteren, denken en antwoorden, ontstaat een nieuwe generatie agents die telefonisch of via spraakinterfaces complete gesprekken voeren — van klantenservice tot intake. Sinds april 2026 is Gemini gekoppeld aan Android Auto en Google Maps, waardoor je op een veel natuurlijkere manier met de assistent kunt praten en het taken laat uitvoeren, zoals het benoemen van bezienswaardigheden langs een geplande route.

Pure transcriptietools (audio naar tekst, zonder meer) vallen hier eigenlijk buiten — dat is klassieke automatisering met een vast pad, geen agent. Pas zodra zo'n tool zelfstandig samenvat, actiepunten herkent en die doorzet naar een systeem (bijvoorbeeld Fireflies die taken naar een CRM pushen), verschuift het naar een agent-categorie, meestal workflow- of voice-agent.

AI-agents versus traditionele automatisering

Om te begrijpen waarom AI-agents als fundamenteel nieuw worden gepresenteerd, helpt het ze af te zetten tegen automatisering die de meeste organisaties al kennen: scripts, Robotic Process Automation (RPA) en regelgebaseerde workflowtools.

Vaste regels versus doelgericht redeneren. Traditionele automatisering volgt een vastgelegd pad: als X gebeurt, doe Y — elke uitzondering moet vooraf zijn voorzien. Een AI-agent krijgt in plaats daarvan een doel en de vrijheid om zelf een route te bepalen, inclusief het inschakelen van tools en het omgaan met onverwachte input. Dat maakt agents geschikt voor taken met veel variatie, maar ook minder voorspelbaar.

Starre input versus ongestructureerde data. RPA werkt goed op vaste, gestructureerde velden, maar breekt al bij een net iets ander factuurformat. AI-agents zijn gebouwd op taal- en multimodale modellen en verwerken van nature vrije tekst, een gescande factuur of een foto — invoer verschuift van 'strikt gedefinieerd' naar 'redelijk interpreteerbaar'.

Losse taak versus volledige workflow. Klassieke automatisering knipt een proces op in losse, geïsoleerde stapjes. Agents richten zich vaker op de hele workflow ineens, van intake tot afhandeling — dat scheelt integratiewerk, maar laat fouten ook verder doorlopen voordat ze opvallen.

Controle vooraf versus toezicht achteraf. Bij traditionele automatisering zit de controle in het ontwerp: het proces kan de vastgelegde paden niet verlaten. Bij AI-agents verschuift controle naar governance achteraf — menselijke goedkeuring, agents die elkaar controleren, audit trails. 'Human-in-the-loop' is daarom geen teken van onvolwassenheid, maar een bewust ontwerpprincipe.

Wat dit betekent voor de toepassing

Voor voorspelbare, hoogfrequente processen met weinig variatie — een salarisrun, een vaste dataoverdracht — blijft traditionele automatisering vaak de betere, goedkopere en beter verifieerbare keuze. AI-agents voegen vooral waarde toe bij variatie, ongestructureerde input of contextgevoelige afwegingen: klantcontact, triage, onderzoekstaken. In de praktijk ontstaat zo geen vervanging, maar een taakverdeling: deterministische guardrails voor de kritieke paden, agents voor de flexibele lagen daaromheen.

Wat betekent dit voor de praktijk?

De rode draad door alle categorieën is dezelfde spanning: hoe meer autonomie, hoe groter de winst in snelheid — en hoe groter de noodzaak van toezicht. Coding agents en workflow-agents met heldere, verifieerbare uitkomsten lopen voorop; browser-agents en volledig autonome multi-agentteams lopen nog tegen de grenzen van betrouwbaarheid aan. Voor organisaties die willen starten, is het onderscheid tussen deze categorieën waardevoller dan de vraag "moeten we ook een AI-agent?" — de categorie bepaalt namelijk grotendeels welk risico en welk toezicht erbij hoort.