Een AI-agent is software die een taak voor je uitvoert in plaats van alleen een vraag te beantwoorden. Je geeft een doel, zoals "handel deze retour af", en de agent bedenkt zelf de stappen: hij zoekt de bestelling op, controleert het retourbeleid, maakt een retourlabel aan en schrijft een concept-antwoord aan de klant. Hij gebruikt daarvoor je eigen systemen en vraagt het jou als iets onduidelijk is.
Wat is het verschil met een chatbot?
Een chatbot beantwoordt één bericht tegelijk (zie chatbot vs AI-agent). Anthropic definieert een agent als een AI-model dat zijn eigen werkwijze en toolgebruik bepaalt: het beslist zelf hoe het bereikt wat de gebruiker wil, in plaats van een vast script te volgen (Trustworthy agents in practice, april 2026). Het woord is ouder dan taalmodellen. In AI-onderzoek is een intelligent agent alles wat zijn omgeving waarneemt en daarop handelt om een doel te bereiken; in het leerboek van Russell en Norvig telt zelfs een thermostaat mee. Een AI-agent in de betekenis van dit artikel heeft een groot taalmodel als kern, zodat je hem in gewone taal instructies kunt geven.
Waaruit bestaat een agent?
Het artikel van april 2026 noemt vier onderdelen, die elk ook een plek zijn om controle te houden:
- Het model: het taalmodel dat het denkwerk doet.
- De harness: de instructies en vangrails waaronder het model werkt, zoals de regel om alles boven de honderd dollar te markeren, of om nooit een declaratie in te dienen zonder bevestiging van de gebruiker.
- De tools: diensten die het mag gebruiken, zoals e-mail, agenda of boekhoudsoftware. Zonder tools kan het een bonnetje lezen, maar niet indienen.
- De omgeving: waar het draait, en welke bestanden, websites en systemen het kan bereiken.
Eerdere beschrijvingen zetten planning, geheugen en toolgebruik rond het model, zoals Lilian Weng in juni 2023 deed, of gebruiken modules voor profiel, geheugen, planning en actie, zoals het overzichtsartikel van Wang e.a. (2023).
Hoe werkt het?
Building effective agents van Anthropic (december 2024) beschrijft de lus. De taak begint met een opdracht of een gesprek met de gebruiker. Als die duidelijk is, plant en handelt de agent zelfstandig: hij roept een tool aan via function calling of het Model Context Protocol (MCP), leest het resultaat als ground truth uit zijn omgeving en beslist wat de volgende stap is. Hij kan pauzeren voor feedback van een mens op vaste controlepunten of als hij vastloopt. De taak eindigt als die klaar is of als een stopvoorwaarde geldt, zoals een maximumaantal stappen.
Waar gaat het mis?
- De kosten stijgen en fouten kunnen zich opstapelen. Anthropic noemt beide als de prijs van autonomie en raadt uitgebreid testen in een afgeschermde omgeving aan, met guardrails.
- De agent begrijpt verkeerd wat je wilt. Met minder menselijk toezicht is er meer ruimte voor acties met onbedoelde gevolgen. Anthropic traint zijn modellen om bij twijfel te vragen; bij complexe taken vraagt Claude ongeveer twee keer zo vaak om input als bij eenvoudige.
- Prompt injection: instructies die verstopt zitten in een e-mail of webpagina die de agent leest.
Eén waarborg is een toestemming per actie. In de apps van Claude kan een gebruiker elke actie instellen op altijd toegestaan, goedkeuring nodig of geblokkeerd, bijvoorbeeld de agenda vrij laten lezen maar elke uitnodiging laten goedkeuren (human-in-the-loop).
Voorbeeld
Stel: een webwinkel laat een agent retouren afhandelen. Het model leest de e-mail van de klant. De harness zegt dat terugbetalingen boven €100 goedkeuring van een medewerker nodig hebben. De tools zijn het ordersysteem, het retourportaal en e-mail. De omgeving is een server die die drie systemen kan bereiken en verder niets. Een klant schrijft dat een jas te klein is. De agent zoekt de bestelling op, controleert de retourtermijn in het beleid, maakt een label aan en schrijft het concept-antwoord. De terugbetaling is €120, dus wacht hij tot een medewerker die goedkeurt.