De 4 grootste misverstanden over custom AI-agents in het MKB

Een AI-agent is software die met een taalmodel een afgebakende taak uitvoert in je eigen systemen: mail lezen, een ticket aanmaken, een offerte klaarzetten. In het MKB werkt dat alleen bij een smal proces met duidelijke regels en toegang tot je data. Gartner verwacht dat ruim 40 procent van de agentic-AI-projecten voor eind 2027 wordt gestopt door onduidelijke waarde of oplopende kosten.

Vervangt een AI-agent de klantenservice?

Meestal niet. Taalmodellen zijn goed in structurele vragen: openingstijden, orderstatus, basiskennis die in een handleiding staat. Ze zijn slecht in uitzonderingen, conflicten en claims waar iemand boos of onzeker is. Juist die tweede categorie vult de dag van een MKB-klantenservice. Wanneer een chatbot voor die eerste categorie wel loont, lees je in AI-chatbot op je website: wanneer loont het?.

Wat wel werkt: een agent die de eerste lijn afvangt. Hij beantwoordt de standaardvragen zelf, en wat hij niet vertrouwt gaat met volledige context door naar een collega. Die ziet dan meteen wie het is, wat er al gevraagd is en welke order het betreft. Het aantal tickets daalt niet naar nul, maar de tickets die overblijven kosten minder tijd per stuk. Hoeveel precies, hangt af van hoe voorspelbaar jouw vragen zijn; dat meten we per klant, niet met een landelijk gemiddelde.

Is een AI-agent gewoon een chatbot met ChatGPT?

Nee, en dat verschil is precies waar de verkooppraat op drijft. Gartner noemt het “agent washing”: bestaande producten zoals chatbots, AI-assistenten en RPA-tools die worden omgedoopt tot agent zonder dat ze zelfstandig iets kunnen (Gartner, 2025). Volgens dezelfde publicatie schat Gartner dat van de duizenden aanbieders er maar ongeveer 130 echt agentic zijn.

Een echte agent heeft drie dingen die een chatvenster mist:

• Toegang tot jouw data: CRM, ordersysteem, kennisbank, mailbox.
• Acties: een ticket aanmaken, een afspraak boeken, een concept-offerte klaarzetten.
• Begrenzing: wat hij wel en niet mag zeggen of doen, met logging van elke stap.

Een chatbot die alleen een taalmodel aanroept, verzint bij gebrek aan data een antwoord. Dat heet hallucineren, en zonder bronnen is het het standaardgedrag van elk taalmodel.

Is het een eenmalige investering?

Ook niet. Een agent draait op drie dingen die bewegen: jouw bedrijf, jouw systemen en het model eronder. Productinformatie verandert, een leverancier past zijn API aan, een modelversie wordt uitgefaseerd. Zonder onderhoud sluipt er elke maand een beetje verkeerd antwoord in.

Reken daarom op doorlopend werk: nieuwe informatie toevoegen, gesprekken steekproefsgewijs nalezen, foute antwoorden corrigeren en het model bijwerken als er een betere versie is. Gartner noemt oplopende kosten en gebrekkige risicobeheersing als twee van de drie redenen waarom agent-projecten sneuvelen. Wie het onderhoud niet begroot, begroot dus zijn eigen stopzetting. Bij ons loopt dat beheer mee in een hostingpakket, zodat er elke maand iemand naar kijkt.

Hoeveel kost een goede start?

De klassieke fout is een pilot van een paar duizend euro “om te kijken of het werkt”. Daar komt een demo uit die indruk maakt op de directie en niets doet met echte data. Gartner beschrijft de meeste huidige agent-projecten als vroege experimenten, gedreven door hype en vaak verkeerd toegepast. Een demo-pilot is precies zo’n experiment.

Beter is de volgorde omdraaien: eerst uitzoeken welk proces zich leent, dan pas bouwen. Bij Synflow is dat een audit van één week, waarin we bepalen wat het proces nu aan uren kost, welke data er nodig is en waar de begrenzing moet liggen. De bouw offreren we daarna per project, omdat het aantal koppelingen het werk bepaalt. Blijkt dat er geen taalmodel nodig is, dan bouwen we een gewone workflow in Make, Zapier of n8n; die is goedkoper en voorspelbaarder.

Chatbot, workflow of agent?

	Chatbot	Workflow-automatisering	AI-agent
Kern	Taalmodel op je content	Vaste regels tussen apps	Taalmodel dat acties uitvoert
Toegang tot je systemen	Nee	Ja	Ja
Kan beslissen bij onduidelijke invoer	Beperkt	Nee	Ja, binnen grenzen
Voorspelbaarheid	Laag	Hoog	Middel
Onderhoud	Content bijwerken	Koppelingen bewaken	Content, koppelingen en model
Past bij	FAQ-verkeer	Repeterende stappen	Tekst begrijpen en verwerken

Veelgestelde vragen

Welk taalmodel is het beste voor een MKB-agent?

Dat hangt minder van het model af dan van de koppelingen en de begrenzing eromheen. Wij bouwen op Claude of GPT en kiezen per proces op prijs, snelheid en hoe goed het model instructies opvolgt. Een modelkeuze is omkeerbaar; een slecht afgebakend proces niet.

Hoe weet ik of mijn proces geschikt is?

Geschikt is een proces dat vaak voorkomt, waarvan de invoer tekst is en waarvan een ervaren collega in één zin kan zeggen wat goed is. Ongeschikt is werk vol uitzonderingen waarbij die collega “dat hangt ervan af” zegt. De audit bestaat vooral uit die vraag stellen, zie AI-agent laten maken.

Wat als er geen taalmodel nodig blijkt?

Dan is dat winst. Veel aanvragen voor een agent zijn bij nader inzien een koppeling tussen twee systemen die nu met de hand gaat. Zo’n workflow-automatisering is sneller gebouwd, goedkoper in gebruik en doet elke keer exact hetzelfde.

Bronnen

1. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Gartner, 2025