Agentic AI: definitie, werking, voorbeelden en grenzen

Agentic AI (in het Nederlands ook agentische AI) is AI die een doel krijgt in plaats van een vraag: ze plant de stappen, roept tools aan zoals een CRM, een zoekopdracht of een API, controleert wat er terugkomt en handelt, met beperkt toezicht. Het verschilt van generatieve AI, die inhoud maakt die jij daarna gebruikt, en van een chatbot, die een script volgt. Typische voorbeelden van agentic AI zijn een codeeragent die een pull request opent, een supportagent die een ticket beantwoordt of doorzet en een CRM-agent die het antwoord op een deal voorbereidt, telkens met een punt waarop een mens goedkeurt.

"Agentic" komt van "agent": iemand die namens een ander handelt. AWS legt uit dat "agentic" duidt op agency, "het vermogen van deze systemen om zelfstandig te handelen, maar doelgericht" (AWS). Ook de korte definitie van IBM is een goed ijkpunt: agentic AI is "een systeem voor kunstmatige intelligentie dat met beperkt toezicht een specifiek doel kan bereiken" (IBM). De twee woorden die de betekenis dragen zijn doel en beperkt. Iemand stelt nog steeds het doel vast en iemand bepaalt nog steeds hoeveel het systeem mag doen zonder te vragen.

Transparantie: Customermates, een open-source CRM, publiceert deze gids. Deze gids beantwoordt de algemene vraag. Hoe je agents veilig op CRM-records laat werken, staat in de gids over agentic CRM, en agents die specifiek voor sales bedoeld zijn staan in de gids over de AI sales agent; één korte sectie hieronder beschrijft ons eigen product.

Wat betekent agentic AI?

Agentic AI is AI die naar een doel toe handelt in plaats van alleen te antwoorden. Het model is hetzelfde soort taalmodel als achter een chatbot, maar het is gekoppeld aan tools en mag zelf de volgende stap bepalen. Google Cloud omschrijft het als AI die "doelen kan stellen, plannen en taken kan uitvoeren met minimale menselijke tussenkomst", in tegenstelling tot "traditionele AI, die vooral reageert op opdrachten of gegevens analyseert".

De belangrijkste bronnen definiëren agentic AI met net andere woorden, en de verschillen laten zien waar elke bron op let.

De gemeenschappelijke kern is een doel, tools en wat vrijheid in de weg ernaartoe. Over de hoeveelheid vrijheid verschillen de bronnen van mening. MIT Sloan merkt in het eigen artikel op dat er geen enkele algemeen aanvaarde definitie bestaat.

Wat is het verschil tussen generatieve AI en agentic AI?

Generatieve AI maakt inhoud: tekst, afbeeldingen, code, een samenvatting. Jij leest die en beslist wat je ermee doet. Agentic AI gebruikt een taalmodel als wat Google Cloud een "brein" noemt dat via tools handelingen uitvoert. Het voorbeeld van Google zelf: generatieve AI kan marketingmateriaal maken, terwijl agentic AI dat daarna kan uitrollen, de prestaties kan volgen en de strategie kan bijsturen op basis van de resultaten.

De laatste twee rijen vormen het praktische verschil. Een hallucinatie in een concept kost je een correctie. Dezelfde hallucinatie in een agent wordt een gewijzigd record of een verstuurde e-mail. Agents hebben dus rechten en goedkeuringsregels nodig die een tekstgenerator nooit nodig had.

Wat is het verschil tussen een chatbot, een assistent, een workflow en een agent?

Deze vier woorden worden vaak voor hetzelfde product gebruikt. Ze beschrijven verschillende mate van controle. Google Cloud onderscheidt bots, assistenten en agents: bots zijn het minst autonoom en volgen meestal vooraf geprogrammeerde regels, assistenten reageren op verzoeken en "kunnen acties aanbevelen, maar de beslissing ligt bij de gebruiker", en agents zijn het meest autonoom en kunnen "zelfstandig handelen en beslissingen nemen om een doel te bereiken". Anthropic voegt de vierde toe: een workflow is een systeem waarin LLM's en tools "worden aangestuurd via vooraf gedefinieerde codepaden", terwijl in een agent het model zijn eigen proces bepaalt.

Is ChatGPT agentic AI? In een gewone chat gedraagt het zich als assistent: het antwoordt en jij handelt. Het werkt agentisch als het tools mag gebruiken om voor jou te handelen, bijvoorbeeld in de agentmodus van ChatGPT, of als het via MCP aan bedrijfssoftware is gekoppeld en daar gegevens kan lezen en, afhankelijk van het ChatGPT-abonnement, kan wijzigen. Het etiket hoort bij de opzet, niet bij de productnaam.

Hoe werkt een agentic AI-systeem?

Een agentic AI-systeem is een taalmodel met vier dingen eromheen: een doel, tools die het mag aanroepen, de rechten waaronder die tools draaien en een lus met een stopregel. Elk zo'n systeem doorloopt een versie van dezelfde cyclus:

1. Doel. Een persoon, een schema of een gebeurtenis geeft de agent een doel, zoals "bereid een antwoord op deze e-mail voor" of "herstel de falende test".
2. Plan. Een taalmodel splitst het doel op in stappen en kiest de eerste.
3. Handelen. De agent roept een tool aan: een zoekopdracht, een databasequery, een API-aanroep, een bestandswijziging.
4. Waarnemen. Hij leest het resultaat en vergelijkt het met het doel.
5. Doorgaan of stoppen. Hij zet de volgende stap, vraagt het aan een mens of stopt zodra het doel bereikt is of een limiet is bereikt.

IBM werkt dezelfde cyclus uit in zeven fasen: waarneming, redenering, doelstelling, besluitvorming, uitvoering, leren en bijsturen, en orkestratie. Wat het bereik van een agent bepaalt, zijn de tools die hij mag gebruiken: een model zonder toegang tot tools kan een actie beschrijven, maar niet uitvoeren. Daarom staat het Model Context Protocol, in de woorden van de beheerders "een open-sourcestandaard voor het koppelen van AI-toepassingen aan externe systemen", centraal in zoveel agentopstellingen. De gids over de MCP-server legt uit hoe het werkt en wat je moet controleren voordat je er een koppelt.

Wat zijn voorbeelden en toepassingen van agentic AI?

Je leest voorbeelden het best per taak, niet per merk: wat de agent doet, welke tools hij nodig heeft, waar een mens moet goedkeuren en wat er mis kan gaan. De tabel hieronder behandelt support, operations, financiën en softwareontwikkeling; sales en CRM hebben verderop een eigen sectie. De rijen zijn patronen, geen producten.

Voorbeelden van agentic AI per bedrijfsfunctie

Aanbieders beschrijven dezelfde taken. De uitleg van Salesforce loopt door een serviceagent die de garantiestatus controleert, de kennisbank doorzoekt, een retourlabel verstuurt en het CRM bijwerkt, en een accountgezondheidsagent die de juiste gids mailt en een opvolgtaak voor de accountmanager inplant. AWS noemt onderzoek en ontwikkeling, codetransformatie, automatisering van incidentafhandeling en automatisering van klantenservice. Google Cloud voegt financiële dienstverlening (fraudedetectie, risicobeoordeling) en softwareontwikkeling toe. Anthropic noemt klantenservice een natuurlijke match omdat die "vanzelf een gespreksverloop volgt en toch toegang tot externe informatie en acties vereist".

Lees de laatste twee kolommen van de tabel vóór de eerste. Hoe beter een actie terug te draaien is, hoe minder goedkeuring ze nodig heeft; betalingen, terugbetalingen, rollbacks en alles wat naar een klant gaat horen altijd langs een mens.

Producten die aanbieders agents noemen

Elk product hieronder wordt door de eigen aanbieder een agent genoemd, en de middelste kolommen volgen de documentatie van de aanbieder.

De gids over Salesforce Agentforce behandelt de functies, prijzen en installatie van dat product uitgebreider.

Wat zijn de soorten agentic AI?

Zoekers vragen vaak naar "de vier soorten agentic AI". De hier gecontroleerde bronnen definiëren er niet precies vier. De agentgids van Google Cloud sorteert agents op twee manieren: naar interactie (interactieve partners die een vraag van een gebruiker beantwoorden en achtergrondagents die "over het algemeen door gebeurtenissen worden aangestuurd") en naar aantal (één agent of een multi-agentsysteem). AWS verdeelt multi-agentsystemen verder in horizontale, waarvan de agents naast elkaar werken, en verticale, die in een hiërarchie zijn geordend. Kruis je interactie met aantal, dan krijg je vier combinaties; dat raster is mijn lezing, geen standaard.

Een tweede indeling gaat uit van wie het pad bepaalt. De engineeringgids van Anthropic scheidt workflows van agents en noemt vijf workflowpatronen. Het advies is rechttoe rechtaan: zoek de eenvoudigste oplossing die werkt, wat "kan betekenen dat je helemaal geen agentic systemen bouwt". Daar ben ik het mee eens. De meeste zakelijke taken die mensen "agents" noemen, bouw je beter als workflow met een of twee AI-stappen.

Agentic AI of AI agents? Google Cloud noemt AI agents "de bouwstenen van agentic AI": een agent richt zich op een specifieke taak en agentic AI coördineert meerdere agents in een complexe workflow. In het dagelijks gebruik zijn de termen uitwisselbaar. Vraag je je af wat een AI agent is? Dat is een taalmodel met tools, rechten en een stopregel, dat een taak uitvoert in plaats van alleen een antwoord te geven.

Hoe gebruik je agentic AI in sales en CRM-werk?

CRM-werk past goed bij agents: de context staat op één plek (contacten, deals, notities, de gespreksgeschiedenis), dezelfde taken keren elke dag terug en de meeste wijzigingen zijn te corrigeren. De tabel noemt de taken die als eerste opkomen. Het zijn patronen, geen producten, en elke rij eindigt bij een mens.

Waar de smallere vragen worden beantwoord

Deze pagina beantwoordt de algemene vraag. Twee naburige gidsen behandelen de smallere vragen, dus ze worden hier niet herhaald.

Wat Customermates hier doet

Dit is informatie van de aanbieder over ons eigen product. Customermates is een open-source, AI-native CRM. Via de MCP-server kan een AI-client zoals Claude of ChatGPT CRM-records lezen en schrijven met de rechten van de gekoppelde gebruiker, op elk abonnement en ook zelf gehost; de server vraagt clients om te bevestigen voordat ze iets verwijderen of versturen, maar dat is een richtlijn die een client kan negeren. Customermates Cloud voegt Mate toe, een assistent, en routines waarmee Mate volgens een schema draait of wanneer er iets verandert. Mate vraagt toestemming voor verwijderingen, imports, toegangswijzigingen en een paar andere acties, maar niet voordat het een e-mail of chatbericht verstuurt. Vraag dus om een concept als je de formulering eerst wilt nakijken; de Mate-documentatie bevat de volledige lijst. Of Mate beschikbaar is, hangt af van de gehoste omgeving.

Het is de verkeerde keuze als je een agent wilt die zelf prospect en verstuurt: er zijn geen sequenties, geen massaverzending en geen leadscoring, en de gids over de AI sales agent behandelt in plaats daarvan agents voor outreach. Een zelf gehoste installatie heeft MCP, maar geen Mate en geen routines. Om opvolging van je eigen gesprekken te zien, start je de proefperiode van 14 dagen: Pro, zonder creditcard. Kies je een AI-ready CRM, dan staat in de gids over AI CRM wat je kunt vergelijken.

Hoe ziet één uitvoering van een agent eruit? Een uitgewerkt voorbeeld

Neem een klein adviesbureau waar een klant schrijft: "Kunnen we de kick-off naar donderdag verplaatsen, en zit de training in de prijs?" Een agent die voor het voorbereiden van antwoorden is ingesteld, verwerkt de e-mail in zeven stappen. Het geval is een illustratie, geen klantverhaal.

De instructie achter de uitvoering is kort, en elke regel beperkt wat de agent mag doen:

Doel: bereid een antwoord op de nieuwe e-mail voor. Verstuur het niet.
Lezen: het contact van de afzender, de open deal die eraan gekoppeld is,
de thread.
Schrijven: drie regels in de dealnotities (wat de afzender wil, een
datum of bedrag, de open vraag) en één concept-antwoord in de thread.
Nooit: een bericht versturen, de fase of waarde van de deal wijzigen,
andere deals aanraken.
Stop: als de afzender geen open deal heeft, doe dan niets en zeg dat.
Verslag: wat je hebt gelezen, wat je hebt gewijzigd, waar je onzeker over bent.

Drie details doen het werk. Lezen en schrijven zijn gescheiden, zodat de agent alles kan bekijken wat hij nodig heeft en alleen notities en concepten wijzigt. De stopregel dekt het geval waar niemand op rekende. En het goedkeuringspunt is de verzendknop, die bij een mens blijft. In Customermates is deze uitvoering een routine; de documentatie over routines laat zien wat een routine zonder goedkeuring mag doen en de gids over agentic CRM legt uit waar Mate en MCP wel en niet vragen.

Wat zijn de grenzen en risico's van agentic AI en welke maatregelen werken?

OWASP noemt "Excessive Agency" in de Top 10 voor LLM-toepassingen (LLM06:2025) en definieert dat als de kwetsbaarheid die schadelijke acties mogelijk maakt als reactie op "onverwachte, dubbelzinnige of gemanipuleerde uitvoer van een LLM". De aanleiding kan een hallucinatie zijn, een prompt injection verborgen in inhoud die de agent leest, of een gecompromitteerde tool. OWASP noemt drie oorzaken en elk heeft een directe maatregel:

OWASP's eigen advies voor de derde rij is human-in-the-loop-controle te gebruiken om "te eisen dat een mens ingrijpende acties goedkeurt voordat ze worden uitgevoerd". Anthropic zegt hetzelfde over codeeragents: geautomatiseerde tests controleren de functionaliteit, maar "menselijke beoordeling blijft cruciaal om te zorgen dat oplossingen aansluiten op de bredere systeemeisen".

Drie andere grenzen merk je in de praktijk:

• Fouten stapelen zich op. Als de eerste stap een e-mail verkeerd leest, bouwt elke volgende stap voort op die fout.
• Kosten lopen bij elke stap op, en daarom bestaan er limieten per uitvoering.
• De uitvoer moet nog steeds worden beoordeeld. De documentatie van GitHub over de Copilot-cloudagent zegt dat die "onjuiste of suboptimale code kan produceren" en dat de uitvoer moet worden beoordeeld en getest voor gebruik in productie. Hetzelfde geldt voor de concepten en recordwijzigingen van elke agent.

Een snelle test voor elk product dat als agent wordt verkocht: welke tools kan het aanroepen, met wiens rechten, en wat doet het zonder te vragen?

Hoe geef je een agent zijn eerste taak?

1. Kies een taak met een duidelijk einde

   Een goede eerste taak is in één uitvoering klaar en heeft een duidelijk "af": een gespreksbriefing, een conceptantwoord, een opgeschoond record. Vermijd open doelen als "de pipeline laten groeien".

2. Begin met concepten en een smalle rol

   Laat de agent voorbereiden en een mens beslissen, en laat hem draaien als gebruiker wiens rol de taak dekt. Sta directe acties alleen toe voor stappen die goedkoop terug te draaien zijn.

3. Schrijf de stopregel

   Zeg wat er gebeurt als een geval niet past: "Als X, doe dan niets." Gevallen waar de instructie geen rekening mee hield, zijn waar agents gaan improviseren.

4. Lees in het begin elke uitvoering

   Bekijk het logboek van elke vroege uitvoering. Verruim wat de agent mag doen één actie tegelijk.

Schrijf de antwoorden op als briefing van één pagina. De rechterkolom vult die in voor de agent uit het uitgewerkte voorbeeld hierboven, die antwoorden voorbereidt.

Wanneer is agentic AI het verkeerde gereedschap?

Als de stappen nooit veranderen, is een vaste regel goedkoper en voorspelbaarder dan een agent. "Als een deal naar Gewonnen gaat, maak dan een onboardingtaak aan" vraagt om een webhook en een workflowautomatisering, niet om een taalmodel. Agents verdienen hun kosten terug waar de invoer varieert: e-mails in vrije tekst, rommelige notities, vragen die meerdere opzoekingen vragen. Ze zijn de verkeerde keuze waar een verkeerde actie niet ongedaan te maken is en niemand het op tijd kan beoordelen, met betalingen als duidelijkste voorbeeld.

Agentic AI en gegevensbescherming

Agents lezen persoonsgegevens: namen, e-mailadressen, de inhoud van gesprekken. Onder de AVG is een aanbieder die die gegevens namens jou verwerkt een verwerker en heeft die een verwerkersovereenkomst nodig, en de AI-aanbieders waarop die steunt zijn diens subverwerkers. Voor Mate in Customermates Cloud staan de modelaanbieders in de lijst met subverwerkers. Wil je de aanbieder zelf kiezen, koppel dan je eigen AI-client via MCP, of host de open-sourcekern zelf zodat de CRM-gegevens op je eigen servers blijven. Daarnaast stelt de Europese AI-verordening (AI Act) eisen aan bepaalde AI-toepassingen; of een agent eronder valt, hangt af van wat hij doet. Een agent die concepten voorbereidt voor een mens kan in een andere categorie vallen dan een systeem dat zelfstandig beslist over mensen. Dit is algemene informatie, geen juridisch advies.

Veelgestelde vragen

Definities, productbeschrijvingen en citaten van derden gecontroleerd op 11 november 2026 (verificatie bij IBM, AWS, Google Cloud (agentic AI), Google Cloud (AI agents), MIT Sloan, Salesforce, Anthropic, OWASP, de MCP-documentatie, de Claude Code-documentatie en GitHub Docs).