AI-agents en procesautomatisering voor MKB

De term AI-agent wordt veel gebruikt en niet altijd consistent. Wij hanteren een werkdefinitie die in de praktijk werkt: een AI-agent is een autonoom stuk software dat een doel krijgt, zelf bepaalt welke stappen daarvoor nodig zijn, en die stappen uitvoert over meerdere systemen.

Hij voert taken uit, beantwoordt niet alleen vragen

Een chatbot antwoordt: "Uw factuur is verstuurd op 12 mei." Een agent zegt niets, hij maakt de factuur aan, controleert hem, stuurt hem op, en logt het in uw boekhouding. Het verschil zit in de uitvoering, niet in het gesprek.

Hij beslist binnen kaders

Een gewone workflow volgt een vaste reeks stappen: als dit, dan dat. Een agent kan oordelen. Welke offerte volgt hij op, welke laat hij rusten. Welke mail behandelt hij zelf, welke stuurt hij door naar een mens. Binnen kaders die u vooraf instelt.

Hij werkt over meerdere systemen tegelijk

Een agent leest uit uw mailbox, schrijft naar uw ERP, controleert uw CRM en stuurt naar Slack. Niet als losse koppelingen die u zelf moet maken, wel als een samenhangend werkproces. Dat is precies waar handmatig werk in MKB nu blijft hangen: tussen systemen die niet met elkaar praten.

Eerlijk verhaal: niet elk proces heeft een AI-agent nodig. Voor veel terugkerend werk in MKB is een gewone workflow goedkoper en betrouwbaarder. Een agent is pas nodig zodra er iets begrepen moet worden of een keuze gemaakt.

Wanneer een gewone workflow volstaat

Order binnen, dan factuur aanmaken, dan mail naar klant. Vaste stappen, geen oordeel nodig. Saai, betrouwbaar, goedkoop. Voor het grootste deel van administratief werk in MKB is dit de juiste route. Wij bouwen ook zulke workflows, met n8n waar dat handig is, met eigen code waar het stabieler moet.

Wanneer een AI-agent toegevoegde waarde heeft

Zodra er tekst gelezen moet worden, een mail beoordeeld, een document begrepen, een uitzondering geclassificeerd. Een binnenkomende offerte-aanvraag in vrije tekst. Een servicebon met handschrift. Een mail die zowel een klacht als een nieuwe bestelling kan zijn. Dan komt AI in beeld, want een vaste regel kan dat niet vangen.

Bij scoping kijken we eerst of een agent echt nodig is. Vaak blijkt een combinatie het meest praktisch: een workflow voor het mechanische deel, een agent voor het deel waar oordeel of begrip nodig is.

Mailbox- en communicatie-agents

Een agent die uw mailbox of klantcommunicatie triëert. Hij leest binnenkomende mails, herkent het type bericht (offerte-aanvraag, factuur-vraag, klacht, support, spam), trekt de relevante informatie eruit, en routeert naar de juiste persoon of het juiste systeem.

Offerte- en verkoop-agents

Agents die openstaande offertes opvolgen op het juiste moment, een follow-up sturen met de juiste toon, en een samenvatting van de klanthistorie geven aan de verkoper. Geen lead die tussen de mails verdwijnt.

Werkvoorbereidings- en productie-agents

Een agent leest een opdracht, zoekt vergelijkbare eerdere orders in het ERP, controleert materiaalbeschikbaarheid en zet een concept werkbon klaar. Een werkvoorbereider die normaal drie uur per opdracht kwijt is, controleert het concept in tien minuten.

Document- en administratie-agents

Agents die binnenkomende documenten verwerken: servicebonnen, facturen, contracten, certificaten. Lezen, valideren, klaarzetten voor boeking. Bij een vlooteigenaar in zwaar transport bouwden wij dit voor servicebon-verwerking: zestig procent minder handmatige invoer.

Wij bouwen agents zelf, geen no-code wrapping

Veel AI-agent-aanbieders koppelen no-code platforms (n8n, Zapier, Make) aan een LLM-API en noemen dat een agent. Dat werkt voor simpele flows. Voor productie-omgevingen waar agents stabiel moeten draaien, bouwen wij liever in Laravel of Python. Transparant over wanneer we wat doen.

Directe LLM-integratie, geen tussenlaag

De meeste bureaus bouwen met LangChain of LlamaIndex. Voor proof-of-concept werkt dat snel. In productie zien wij regelmatig issues: trage responses, onverwacht gedrag bij updates, slechte foutafhandeling. Wij werken direct met de API's van Claude, GPT-4o en open-source modellen.

Multi-agent architectuur als optie, niet als hype

Wij hebben onze eigen multi-agent platform (VoidOS) waar wij agents bouwen, testen en uitrollen voordat ze naar klanten gaan. Dat geeft ons ervaring met problemen die in marketingmateriaal nooit terugkomen: context-overdracht tussen agents, geheugen-management, foutherstel.

Self-hosted op uw eigen infrastructuur

Agents werken vaak met gevoelige data: mailboxen, offertes, klantgegevens. Bij ons draait de orchestratie-laag op uw eigen server. Geen data via een tussenpartij, geen vendor lock-in op een agent-platform. AVG- en EU AI Act-conform.

Industriële context als basis

Patrick, onze oprichter, werkte achttien jaar in productie en onderhoud. De agents die wij bouwen voor maakindustrie zijn niet de standaard kantoor-agents. Wel werkvoorbereidings-agents, kwaliteitscontrole-agents, sanctielijst-check-agents, klassedossier-agents. Specifieke werkprocessen, niet generieke automatisering.

• Een afgebakende workflow zonder AI-component (n8n of eigen code): vanaf 3.000 euro
• Een enkele AI-agent op een afgebakend proces (mailbox-triage, offerte-opvolging, document-verwerking): vanaf 7.500 euro
• Multi-agent platform met meerdere samenwerkende agents en eigen orchestratie: vanaf 25.000 euro

Naast de bouwkosten zijn er gebruikskosten: API-kosten van de LLM-provider. Voor een typische mailbox-agent reken op vijftig tot tweehonderd euro per maand. Onze tarieven en aanpak staan transparant op de aanpakpagina.

Bekijk de demo →