Hoe werkt een AI-agent? Zo kiest hij zelf de volgende stap

Kort antwoord

Een AI-agent werkt met een taalmodel als brein, een opdracht met grenzen, tools om in systemen te werken en een geheugen. Hij bekijkt de situatie, kiest een stap, voert die uit met een tool en controleert het resultaat. Dat herhaalt hij tot de taak af is, of tot hij een mens nodig heeft.

Uit welke onderdelen bestaat een AI-agent?

Een agent bestaat uit een handvol onderdelen die samenwerken. Als je die onderdelen kent, snap je ook waarom de ene agent goed werkt en de andere vastloopt.

Onderdeel	Wat het is	Vergelijking met een medewerker
Taalmodel	Het AI-model dat leest, begrijpt en de volgende stap kiest, zoals GPT van OpenAI of Claude van Anthropic	Het denkwerk
Opdracht en grenzen	De systeemprompt: wat de agent moet doen, hoe en wat hij niet mag	De functieomschrijving en de huisregels
Tools	Koppelingen waarmee de agent iets doet: een mailbox, een ERP, een browser, een spreadsheet	Het gereedschap en de logins
Geheugen	Wat de agent weet over deze taak en wat hij later terug kan zoeken	Het dossier en de notities
De lus	Kijken, kiezen, doen, controleren, en opnieuw	De werkwijze
Controle door een mens	Momenten waarop een mens beslist of meekijkt	De leidinggevende die tekent

Wat doet het taalmodel in een agent?

Een taalmodel (Large Language Model, LLM) is een AI-model dat getraind is op enorme hoeveelheden tekst en daardoor taal kan lezen en schrijven. In een agent leest het wat er binnenkomt, bepaalt wat er aan de hand is en kiest welke stap nu logisch is.

Het model zelf kan geen mail versturen en geen website openen. Het zegt alleen wat het wil doen, en de software eromheen voert dat uit. Die scheiding is handig, want daar leg je ook de grenzen.

Wat is een systeemprompt?

Een systeemprompt is de vaste instructie die een agent bij elke taak meekrijgt: wie hij is, wat zijn taak is, in welke toon hij schrijft en wat hij nooit mag doen. Het is de functieomschrijving van de agent.

Een goede systeemprompt is concreet. "Kies het eerste oliefilter van Purflux of Nipparts, zet het in de winkelwagen en bestel nooit zelf" werkt goed. Hoe preciezer de regels, hoe voorspelbaarder de agent.

Hoe gebruikt een agent tools en koppelingen?

Via function calling, ook wel tool use genoemd. Dat is de manier waarop een taalmodel aangeeft welke tool het wil gebruiken en met welke gegevens. De software voert de actie uit en geeft het resultaat terug aan het model, dat daarna de volgende stap kiest.

Een agent kan alleen de tools gebruiken die je hem geeft, bijvoorbeeld "mail lezen" en "concept opslaan in Outlook". Staat "mail versturen" er niet tussen, dan kan hij niets versturen. Dat is de eenvoudigste en sterkste grens die er is.

Een tool kan ook een browser zijn. Dan klikt de agent door een website zoals een medewerker dat doet. Dat is handig voor webshops en portalen zonder koppeling. Meer daarover lees je in Een AI-agent die zelf in websites werkt.

Wat is MCP?

MCP (Model Context Protocol) is een open standaard om AI-modellen op een vaste manier te koppelen aan tools en gegevensbronnen. Een systeem dat MCP ondersteunt, kan zo door verschillende AI-toepassingen gebruikt worden, zonder dat je per combinatie een eigen koppeling bouwt.

Anthropic introduceerde MCP eind 2024 en droeg het in december 2025 over aan de Agentic AI Foundation, onderdeel van de Linux Foundation, die mede werd opgericht door Anthropic, OpenAI en Block (bron: anthropic.com). Voor jou betekent het vooral: steeds meer software is via MCP aan te sluiten op een agent.

Wat onthoudt een AI-agent?

Een agent heeft twee soorten geheugen. Het kortetermijngeheugen is alles wat hij weet over de taak van nu: de mail, de stappen die hij al zette, wat een tool teruggaf. Het langetermijngeheugen is wat hij later terug kan zoeken, zoals een kennisbank, eerdere gesprekken of een logboek.

Bij Almetaal gaan bijlagen uit de mail naar de kennisbank van SpireAI, zodat ze later terug te vinden zijn. Zonder langetermijngeheugen begint een agent bij elke taak opnieuw. Voor veel taken is dat prima.

Hoe kiest een agent zelf de volgende stap?

Met een lus. De agent kijkt naar de situatie, kiest een stap, voert die uit met een tool en bekijkt het resultaat. Daarna begint hij opnieuw, tot de taak af is. Een goede opzet heeft ook een stopregel: na een vast aantal pogingen, of bij twijfel, gaat de taak naar een mens.

Die lus is het verschil met een vaste automatisering, die stap 1, 2 en 3 afwerkt. Een agent ziet het als er iets anders op het scherm staat en past zijn volgende stap aan.

Laptop op een werkbank in een garage, naast een nieuw oliefilter in een doos — Sfeerbeeld: een agent doet in een webshop hetzelfde opzoekwerk als iemand aan de balie van de garage.

Hoe ziet dat eruit bij een echte taak?

Bij Garagebedrijf van Hoof in Spijkenisse zoekt een agent voor elke onderhoudsbeurt het juiste oliefilter op bij groothandel MijnGrossier.nl. Zo lopen de onderdelen door elkaar heen:

OpdrachtDe agent krijgt een kenteken. Zijn systeemprompt zegt wat hij met dat kenteken moet doen en waar hij stopt.
InloggenMet de browser als tool logt hij in bij de webshop, met een vast profiel.
ZoekenHij vult het kenteken in en opent de filters van die auto.
Kijken en bijsturenVerschijnt er een pop-up, dan ziet hij die en sluit hij hem zelf. Een vast klikscript loopt op zo'n onverwachte pop-up vaak vast.
KiezenVolgens zijn regels kiest hij het eerste oliefilter van Purflux of Nipparts.
Afronden en stoppenHij zet het filter in de winkelwagen en stopt. De garage rondt de bestelling zelf af.

Eén kenteken erin, en het juiste oliefilter ligt in de winkelwagen. De laatste stap, het bestellen, blijft bewust bij een mens.

En als het meer dan één agent is?

Bij Almetaal werken zes gespecialiseerde agents samen, één per afdeling. Ze lezen de centrale mailbox, maken de taak in het ERP en zetten een conceptantwoord klaar in Outlook. Eén mail werd zo zeven taken, in 2 minuten en 33 seconden. Hoe zo'n team in elkaar zit, lees je in Multi-agent systemen.

Waar zit de mens in het proces?

Op de plekken waar een fout iets kost. Bij Almetaal verstuurt een medewerker het antwoord altijd zelf. Bij Van Hoof bestelt de garage zelf. Daarnaast horen er een logboek en bewaking bij. Het systeem van Almetaal meldt zich zelf als er iets misgaat.

Hoe je die grenzen stelt, lees je in AI-agents veilig inzetten. Twijfel je of je een agent nodig hebt of iets eenvoudigers, lees dan Chatbot, automatisering of AI-agent: wat is het verschil? Wat een agent in grote lijnen is, staat in Wat zijn AI-agents?

Waarop bouw ik agents?

De meeste automatiseringen en agents die ik bouw draaien op n8n, gekoppeld aan een taalmodel en aan software als Outlook, Google Sheets of je ERP. Waarom n8n, lees je in n8n, Zapier of maatwerk. Over je gegevens lees je meer in Is AI-automatisering AVG-proof?

Wil je weten of een agent bij jouw werk past? Op AI-agent laten bouwen lees je hoe ik werk. Of stuur me een WhatsApp met de taak die je kwijt wilt, dan kijken we samen in een gratis videocall wat er kan.

Veelgestelde vragen

Hoe werkt een AI-agent in het kort?

Een AI-agent gebruikt een taalmodel om te bepalen wat er moet gebeuren, voert die stap uit met een tool zoals een mailbox, ERP of browser, en controleert het resultaat. Dat herhaalt hij tot de taak klaar is of tot een mens moet beslissen.

Wat is het verschil tussen een taalmodel en een AI-agent?

Een taalmodel leest en schrijft tekst. Een AI-agent gebruikt zo'n taalmodel als brein, en geeft het daarnaast een opdracht met grenzen, tools om in systemen te werken en een geheugen. Pas daardoor kan het taken uitvoeren.

Heb ik MCP nodig om een AI-agent te laten bouwen?

Nee. MCP is een open standaard die koppelen makkelijker maakt, maar een agent kan ook werken met gewone koppelingen of via een browser. Of MCP handig is, hangt af van de software die je gebruikt.

Kan een AI-agent fouten maken?

Ja. Daarom krijgt een goede agent duidelijke grenzen, een logboek, bewaking en een mens bij de stappen waar een fout iets kost, zoals versturen of bestellen.

Alles over AI-agents

AI-agent laten bouwen

Jurgen Claassens bouwt AI-automatiseringen voor ondernemers, mkb en kmo. Vijftien jaar operations bij Vattenfall, daarna mede-eigenaar van sales- en marketingbureaus. Bekijk zijn projecten.