Een AI agent is een AI die zelfstandig een doel uitvoert: hij redeneert over de aanpak, kiest zelf welke stap volgt, gebruikt tools om iets te dóen, en blijft dat herhalen tot de taak af is. De kortste definitie die ontwikkelaars gebruiken: een agent is een taalmodel dat in een loop tools gebruikt. Het verschil met een gewone chatbot zit niet in het model, maar in wie de beslissingen neemt: bij een agent is dat het model zelf.
Voorbeelden van AI agents
Het snelst te begrijpen aan de hand van tools die je zelf kunt draaien. Elk voorbeeld is een model plus een agentic harness eromheen — de laag die er een werkende agent van maakt.
n8n
n8n is een open-source automatiseringsplatform waarin je workflows in elkaar klikt. Het heeft een aparte AI Agent-node: op die plek geef je het model een doel en een set tools, en kiest het zelf welke het inzet. Interessant is dat n8n allebei de niveaus laat zien uit dit artikel: de rest van je workflow is een vast pad, en op precies één plek zit een agent die zelf beslist. Ideaal om het verschil in de praktijk te voelen.
Hermes Agent
Hermes Agent van Nous Research is een open-source agent die opvalt door een ingebouwde leer-loop: hij maakt zelf herbruikbare "skills" van geslaagde taken en wordt zo beter naarmate je hem gebruikt. Je draait 'm vanuit de terminal of koppelt 'm aan chat-apps als Telegram of Slack. Een goed voorbeeld van een agent die niet alleen uitvoert, maar zichzelf uitbouwt.
OpenClaw
OpenClaw is een self-hosted agent die op je eigen server draait en die je aanstuurt via de chat-apps die je al gebruikt (WhatsApp, Telegram, Slack). Hij is model-agnostisch — je koppelt je eigen sleutel van Claude, GPT of een lokaal model — bewaart geheugen als gewone bestanden en heeft skills om te browsen, bestanden te lezen en opdrachten uit te voeren. Dit is bij uitstek een harness: de intelligentie komt van het model, OpenClaw levert de omgeving eromheen.
Coding-agents
De bekendste agents zitten in het programmeren: Claude Code, Cursor en GitHub Copilot voeren hele taken uit in een codebase — bestanden lezen, code aanpassen, tests draaien, en bijsturen op wat er misgaat. Wil je zien welke harnesses hierachter zitten en waarom dezelfde AI per tool anders voelt? Dat staat in Wat is een agentic harness?.
De drie kenmerken
Een agent is pas een agent als hij deze drie eigenschappen alle drie heeft:
- Een doel, geen losse vraag. Je geeft een uitkomst ("plan deze meeting in en stuur de uitnodiging"), niet een stap-voor-stap-instructie.
- Eigen beslissingen. Het model bepaalt zelf welke stap logisch is, en past de aanpak aan als er onderweg iets nieuws blijkt.
- Een loop. Het werkt in een cyclus van redeneren, handelen en het resultaat bekijken, en herhaalt dat tot het doel bereikt is of het vastloopt.
Die laatste twee maken het verschil. Een chatbot geeft één antwoord en stopt. Een agent kijkt naar het resultaat van zijn eigen actie, bepaalt of hij er is, en gaat anders door. Niemand hoeft elke stap voor te schrijven.
Chatbot, workflow, agent
De makkelijkste manier om te zien wat een agent wél is, is door drie niveaus naast elkaar te zetten. Ze gebruiken hetzelfde soort AI-model, maar verschillen in wie de baas is over de stappen.
Van chatbot naar agent: het verschil zit in wie de beslissingen neemt.
1. De chatbot. Je stelt een vraag, het model antwoordt op basis van wat het geleerd heeft. Vraag je naar het weer van vandaag, dan faalt het: het heeft geen toegang tot actuele gegevens en wacht passief op je volgende prompt. Dit is een taalmodel dat reageert, meer niet.
2. De AI-workflow. Nu koppel je tools aan het model via een vast pad: "haal eerst het weer op via deze bron, vat dan samen." Dat werkt prima, zolang de vraag binnen het pad past. Vraag iets wat niet in het script staat en het loopt vast. De mens heeft het pad bedacht; het model volgt het alleen. Dit is waar de term RAG thuishoort: informatie ophalen vóór het antwoord is een vorm van workflow.
3. De AI-agent. Hier vervang je de mens als beslisser door het model. Je geeft een doel en het model kiest zelf: welke tool, in welke volgorde, en of het resultaat goed genoeg is. Blijkt stap één mislukt, dan bedenkt het een andere route. Precies die vrijheid om zelf te kiezen en te herhalen maakt van een workflow een agent.
Waaruit een agent bestaat
Een agent heeft vier onderdelen nodig. Samen bepalen ze wat hij kan.
- Het model — het brein dat redeneert en beslist. Simpele taken kunnen op een kleiner, sneller model; complexe taken vragen een zwaarder model.
- Tools — waarmee de agent de wereld in reikt: gegevens ophalen (een database, een PDF, het web), acties uitvoeren (een mail sturen, een record aanpassen), en soms andere agents aansturen.
- Geheugen — kortetermijn (het lopende gesprek) en langetermijn (feiten die bewaard blijven), zodat de agent op koers blijft.
- Instructies — zijn rol, zijn doel, en wat "klaar" betekent.
Het model kiest de stap; de tools, het geheugen en de loop eromheen laten hem die stap ook echt uitvoeren. Dat geheel om het model heen heet de agentic harness — en die verklaart waarom dezelfde AI in de ene tool briljant werkt en in de andere houterig. De formule: agent = model + harness. De techniek erachter staat in Wat is een agentic harness?.
In je eigen bedrijf
Overal waar nu iemand stap voor stap moet sturen, kan een agent het doel overnemen: een supportvraag van begin tot eind afhandelen, of facturen uitlezen, controleren en doorzetten (zie facturen uitlezen met OCR).
Wat dat per afdeling oplevert, staat in Wat kun je met AI automatiseren?. Wil je zelf effectiever met agents werken? Lees Hoe kun je AI gebruiken?.