Een chatbot antwoordt: je typt een vraag en hij geeft antwoord. Een AI-agent handelt: je geeft hem een taak, en hij bedenkt de stappen en voert ze uit met tools zoals je ordersysteem of e-mail. Vraag de chatbot van een webshop naar een retour en hij legt het beleid uit. Vraag het een agent, en die kan de bestelling opzoeken, het retourlabel aanmaken en het antwoord klaarzetten.
Waar ligt de grens tussen die twee?
Anthropic trekt die in Trustworthy agents in practice (april 2026). Een paar jaar eerder, schrijft het bedrijf, waren AI-modellen alleen op grote schaal beschikbaar als chatbots, eenvoudige vraag-en-antwoordmachines. Een AI-agent is een model dat zelf zijn werkwijze en toolgebruik bepaalt om te bereiken wat de gebruiker wil. Het praktische verschil is een lus: de agent plant, handelt, bekijkt het resultaat, stuurt bij en herhaalt dat tot de taak klaar is of hij input van een mens nodig heeft.
Het woord chatbot is veel ouder dan grote taalmodellen. ELIZA (1966) herkende sleutelwoorden in wat je typte en antwoordde met vooraf geschreven zinnen. Chatbots zoals ChatGPT, Gemini en Claude maken hun antwoorden met een groot taalmodel (LLM). Eerdere beschrijvingen van agents, zoals die van Lilian Weng uit juni 2023, zetten planning, geheugen en toolgebruik rond zo'n model.
Is het een schakelaar of een schaal?
Een schaal. Building effective agents van Anthropic (december 2024) beschrijft de tussenstappen van een gewone chatbot naar een agent:
- Het uitgebreide taalmodel (augmented LLM): een taalmodel met zoekfunctie, tools en geheugen, dat zelf zoekvragen kan opstellen en de juiste tool kan kiezen.
- Workflows: taalmodellen en tools volgen paden die een ontwikkelaar vooraf in code heeft vastgelegd, zoals een keten van prompts of een router die elke vraag naar de juiste afhandeling stuurt.
- Agents: het model bepaalt zelf zijn stappen en toolaanroepen, met na elke stap feedback uit zijn omgeving.
Anthropic raadt de eenvoudigste oplossing aan die werkt, en dat kan betekenen: helemaal geen agentisch systeem. Agentische systemen ruilen vaak snelheid en kosten in voor betere resultaten op de taak.
Waarom maakt het verschil uit voor een bedrijf?
- Een agent kan meer. Met tools haalt hij klantgegevens, bestelgeschiedenis en helpartikelen op en handelt hij ernaar: een terugbetaling doen of een ticket bijwerken. Daarom noemt Anthropic klantenservice een natuurlijke toepassing voor agents.
- Een agent kan ook meer fout doen. Meer zelfstandigheid betekent hogere kosten en fouten die zich kunnen opstapelen, dus Anthropic raadt aan te testen in een afgeschermde omgeving met guardrails.
- De controle verschuift naar toestemmingen. 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
Het voorbeeld van Anthropic zelf: gevraagd om de bonnetjes van een zakenreis in te dienen, plant een agent de stappen (elke foto uitschrijven, bedrag en leverancier eruit halen, de uitgave indelen, alles indienen via het systeem van het bedrijf) en werkt ze af. Wordt een hotelrekening afgekeurd omdat die boven het maximum per nacht ligt, dan kan hij pauzeren en vragen of hij eerst het declaratiebeleid van de gedeelde schijf moet halen. Zonder tools, schrijft Anthropic in hetzelfde artikel, kan Claude het bonnetje lezen maar niet indienen.