AI-agents voor het MKB: wat zijn ze en wat kun je ermee?

AI-agents voor het MKB nuchter uitgelegd: wat een agent is, het verschil met een chatbot, welke taken je uit handen geeft en hoe je de risico's beheerst.

Samenvatting

Een AI-agent is een taalmodel dat niet alleen antwoord geeft, maar zelf een reeks stappen uitvoert om een taak af te maken: e-mails lezen, iets opzoeken in je ERP, een conceptorder aanmaken, een collega om goedkeuring vragen. Voor het MKB zijn AI-agents interessant bij werk dat vaak voorkomt, uit meerdere handelingen bestaat en telkens net iets anders binnenkomt. Denk aan inkooporders uit e-mail verwerken of offerteaanvragen triëren. De risico's zijn beheersbaar als je de agent beperkte rechten geeft, alles logt en een mens de beslissingen laat nemen die ertoe doen. Reken op €7.500 tot €35.000 voor een eerste agent, exclusief btw.

Wat is een AI-agent precies?

De term agentic AI klinkt groter dan hij is. Een chatbot krijgt een vraag en geeft een antwoord. Een AI-agent krijgt een doel en mag zelf bepalen welke stappen nodig zijn om dat doel te halen, met gereedschappen die jij beschikbaar stelt. Die gereedschappen zijn in de praktijk koppelingen: een functie om een klant op te zoeken in je CRM, een functie om de voorraad van een artikel te lezen, een functie om een e-mail te sturen of een taak in Teams te plaatsen.

Een voorbeeld. Er komt een e-mail binnen met een bestelling als pdf-bijlage. De agent leest de bijlage, herkent de klant, zoekt de artikelnummers op in je artikelbestand, ziet dat één regel een verouderd nummer bevat, zoekt het vervangende artikel, zet een conceptorder klaar in het ERP en meldt de binnendienst: twee regels zeker, één regel graag even nakijken. Geen enkele van die stappen is op zichzelf spectaculair. Het bijzondere is dat de agent zelf de volgorde bepaalt en omgaat met de variatie die klassieke automatisering laat vastlopen.

Verschil met een chatbot en met klassieke automatisering

Drie begrippen die vaak door elkaar lopen:

• Chatbot of assistent: beantwoordt vragen, bijvoorbeeld op basis van je handleidingen. Voert zelf niets uit. Zie AI-chatbot en assistent.
• Klassieke procesautomatisering: vaste regels, vaste volgorde. Als A, dan B. Betrouwbaar en goedkoop zolang de input voorspelbaar is. Zie procesautomatisering.
• AI-agent: krijgt een doel en gereedschappen, bepaalt zelf de stappen, en kan omgaan met vrije tekst, afwijkende formaten en ontbrekende informatie. Duurder en minder voorspelbaar dan regels, dus alleen zinvol waar regels tekortschieten.

Een goede vuistregel: kun je het proces opschrijven als een stroomschema zonder uitzonderingen, dan wil je geen agent maar gewone automatisering. Bestaat het proces vooral uit uitzonderingen en lezen van tekst, dan is een agent het overwegen waard.

Waar het MKB AI-agents voor inzet

De toepassingen die wij het vaakst bouwen of zien terugkomen:

• Inkooporders uit e-mail verwerken: bestellingen die als pdf, Excel of losse tekst binnenkomen worden uitgelezen, gecontroleerd tegen het artikelbestand en als conceptorder in het ERP gezet. Besparing bij een groothandel met 80 orders per dag: al snel twee tot drie uur per dag.
• Offerteaanvragen triëren: de agent leest de aanvraag, bepaalt of het een standaardproduct, een maatwerkvraag of ruis is, verzamelt de ontbrekende gegevens via een nette terugvraag en zet complete aanvragen bij de juiste verkoper.
• Planningsvoorstellen: op basis van openstaande werkbonnen, reistijden en beschikbaarheid stelt de agent een dagplanning voor die de planner in een paar minuten goedkeurt of aanpast.
• Klantvragen afhandelen met escalatie: standaardvragen over levertijd, retouren of facturen beantwoordt de agent zelf op basis van je eigen data. Alles wat hij niet zeker weet gaat met een samenvatting naar een medewerker.
• Inkoopfacturen matchen: factuur koppelen aan bestelling en ontvangst, afwijkingen benoemen, goedkeuring vragen aan de juiste budgethouder in Teams of Slack.
• Onboarding van nieuwe klanten of medewerkers: accounts aanmaken, documenten opvragen, herinneringen sturen, status bijhouden.

Meer voorbeelden van AI in bedrijfsprocessen staan in twaalf praktische voorbeelden van AI-automatisering.

De risico's, en hoe je ze beheerst

Een agent die zelf handelt kan ook zelf fouten maken. Dat is geen reden om er niet aan te beginnen, wel een reden om het goed in te richten. Zo doen wij dat:

Beperkte rechten

De agent krijgt alleen de gereedschappen die hij nodig heeft, en bij voorkeur alleen leesrechten plus het recht om concepten aan te maken. Een order definitief maken, een betaling uitvoeren of een klant een korting toezeggen blijft mensenwerk.

Mens in de lus

Elke uitkomst met gevolgen gaat langs een controlescherm. De medewerker ziet wat de agent voorstelt, waarom, en met welke bron. Goedkeuren kost seconden; corrigeren kost minder tijd dan het zelf doen. Naarmate de agent zich bewijst, verruim je de grenzen stapsgewijs.

Logboek en meetbaarheid

Elke stap, elke aanroep van een koppeling en elk voorstel wordt gelogd. Zo zie je achteraf precies wat er is gebeurd en kun je meten hoeveel procent zonder correctie doorgaat. Zonder die meting weet je niet of de agent zijn geld waard is.

AVG en dataveiligheid

We werken met modellen via API's van OpenAI, Anthropic of Azure OpenAI in Europese regio's, met de afspraak dat jouw data niet voor training wordt gebruikt. Waar dat niet volstaat draaien we open-source modellen zoals Mistral of Llama op een server in de EU of in je eigen omgeving. Persoonsgegevens anonimiseren we waar mogelijk voordat ze naar een model gaan, en de afspraken staan in een verwerkersovereenkomst.

Wanneer een AI-agent verstandig is, en wanneer niet

Wel: als het werk dagelijks voorkomt, in wisselende vorm binnenkomt, uit meerdere handelingen in meerdere systemen bestaat en een fout door een mens wordt onderschept voordat hij schade doet. Niet: als het proces met vaste regels te vangen is, als een fout direct grote gevolgen heeft zonder controle, als je systemen geen koppelingen bieden, of als je de kwaliteit niet kunt meten. In dat laatste geval begin je beter met een AI-scan die eerst het proces en de data in kaart brengt.

Eerlijk over de grenzen: een agent redeneert niet echt, hij voorspelt waarschijnlijke vervolgstappen. Bij lange, onduidelijke opdrachten dwaalt hij af. Bij rekenwerk is hij onbetrouwbaar; dat laten we altijd door gewone code doen. En hij is nooit zo goed als de beste medewerker op een slechte dag; hij is wel consequenter dan de gemiddelde medewerker op een drukke dag.

Wat kost een AI-agent?

Een eerste agent voor één afgebakend proces kost bij ons meestal €7.500 tot €20.000, exclusief btw, inclusief koppelingen, controlescherm en logboek. Agents die meerdere systemen en afdelingen raken lopen op tot €35.000. Daarbovenop komen gebruikskosten voor het model, meestal tientallen tot een paar honderd euro per maand, en beheer vanaf €200 per maand. Een uitgebreide kostenopbouw met rekenvoorbeelden vind je in wat kost AI-implementatie. We bouwen in Python met LangChain of een eigen dunne laag, zodat het onderliggende model verwisselbaar blijft en de broncode van jou is.

AI-agents laten bouwen in Tilburg, Brabant en heel Nederland

SuperCoders bouwt AI-agents vanuit Tilburg voor groothandels, maakbedrijven, installateurs en dienstverleners in Brabant en heel Nederland. We starten met een proef op jouw echte e-mails of documenten, zodat je vooraf ziet welk percentage de agent zelfstandig goed doet. Daarna een vaste prijs per fase, elke twee weken een werkende oplevering en eigen developers waar je direct mee praat. Plan een gratis adviesgesprek van 30 minuten of bel 013 234 0782; je hoort binnen twee werkdagen wat een agent voor jouw proces zou kosten.