Agents — wat is een AI-agent eigenlijk?

Er zijn twee soorten mensen die me vragen wat een AI-agent is. De eerste groep heeft het woord in een nieuwsartikel gezien en vraagt zich af of het iets anders is dan ChatGPT. De tweede groep werkt er al mee en realiseert zich halverwege dat ze het begrip eigenlijk nooit goed hebben doorgedacht.

Dit is voor beide groepen.

Wat een agent níet is

Laten we beginnen met wat het niet is, want dat is makkelijker.

Een AI-agent is geen chatbot. In een chatbot typ je iets, je krijgt een antwoord, en daarmee is de interactie klaar. De chatbot doet niets zonder dat jij iets typt. Hij wacht. Hij pikt zelf niets op. Hij heeft geen doelen.

Een agent heeft dat wel.

De kerndefinitie

Een AI-agent is een systeem dat een doel krijgt en zelfstandig stappen zet om dat doel te bereiken, inclusief het gebruik van tools, het nemen van beslissingen, en het aanpassen van zijn aanpak op basis van wat hij tegenkomt.

Drie woorden zijn de kern: doel, autonoom, tools.

Doel betekent dat je de agent niet vertelt hoe, maar wat. "Zoek uit welke aandelen in mijn portfolio de komende week ex-dividend gaan en geef me een overzicht." Dat is een doel, geen stap-voor-stap instructie.

Autonoom betekent dat de agent zelf bepaalt hoe hij dat doel bereikt. Hij kiest welke tools hij gebruikt, in welke volgorde, en wat hij doet als iets mislukt. Hij vraagt pas om hulp als hij er echt niet uitkomt, of als hij een beslissing tegenkomt die de mens zelf moet nemen.

Tools betekent dat de agent de wereld in kan gaan. Bestanden lezen, APIs aanroepen, code uitvoeren, een browser bedienen, een database queryen. Zonder tools is een agent gewoon een model dat nadenkt. Met tools kan hij dingen veranderen.

De feedbackloop die het interessant maakt

Wat een agent onderscheidt van een gewone automatisering is de feedbackloop.

Een traditioneel script doet stap 1, stap 2, stap 3, klaar. Als stap 2 mislukt, crasht het script of slaat het die stap over.

Een agent observeert het resultaat van elke stap en past zijn volgende actie daarop aan. Als de API een foutmelding teruggeeft, bedenkt hij een alternatief. Als de data niet is wat hij verwachtte, past hij zijn plan aan. Hij zit in een loop: observeren, denken, handelen. Observeren, denken, handelen.

Dat is ook de reden dat agents soms verrassend effectief zijn, en soms verrassend creatief in hoe ze de mist ingaan.

Een concreet voorbeeld

Ik gebruik Claude Code dagelijks als agent. Als ik zeg "Controleer mijn portfolio en geef me een overzicht van posities die hun thesis hebben verloren", dan doet Claude Code het volgende:

1. Leest mijn portfolio-bestand
2. Haalt live koersdata op
3. Vergelijkt die data met de spelregels in mijn systeem
4. Besluit welke posities aandacht nodig hebben
5. Schrijft een overzicht

Ik heb niet gezegd welke bestanden hij moet lezen, welke API hij moet aanroepen, of hoe hij de vergelijking moet opbouwen. Dat heeft hij zelf bepaald, op basis van het doel dat ik hem gaf en de context die beschikbaar was.

Dat is een agent.

Wat maakt een agent goed of slecht?

Drie dingen bepalen of een agent effectief is.

De kwaliteit van het model. Een agent is zo goed als het redeneermodel dat erin zit. Een zwak model maakt slechte beslissingen, gebruikt tools op de verkeerde momenten, of raakt in cirkels. Een sterk model weet wanneer het iets weet, wanneer het iets niet weet, en wanneer het moet stoppen en vragen.

De tools die beschikbaar zijn. Een agent zonder nuttige tools is als een slimme medewerker zonder toegang tot systemen. Hij kan nadenken, maar niet handelen.

De instructies. Hoe specifieker, hoe beter. "Doe iets nuttigs met mijn portfolio" is een recept voor willekeurige output. "Controleer of posities hun thesis hebben verloren op basis van spelregels.md" is een recept voor iets bruikbaars.

Waarom het nu ineens overal opduikt

Agents zijn niet nieuw als concept. Wat nieuw is: de modellen zijn goed genoeg geworden om er iets zinnigs mee te doen.

Twee jaar geleden was het redeneren van LLMs te zwak voor complexe meerstappige taken. Modellen vergaten tussenresultaten, kozen verkeerde tools, liepen vast op onverwachte situaties. Nu zijn de modellen sterk genoeg dat een agent een heel project kan doorlopen zonder dat je hem op elke stap bij de hand moet houden.

Dat is de verandering. Niet de technologie zelf, maar het feit dat de technologie nu goed genoeg is voor praktisch gebruik.

Wat dit voor jou betekent

Als je met agents werkt, verschuift je rol. Je geeft niet langer stap voor stap opdrachten. Je stelt doelen, levert context aan, en beoordeelt het resultaat.

Dat klinkt makkelijker. Het is anders. Je moet goed nadenken over wat je wil, niet hoe je het wil. De context moet kloppen zodat de agent goede beslissingen neemt. En je moet het resultaat kunnen beoordelen, want de agent maakt fouten die je moet herkennen.

Maar als je dat door hebt, kun je dingen delegeren die je eerder nergens kwijt kon. Niet aan een mens, en niet aan een script.