AI-agents in het MKB: wat ze doen en waar ze stuklopen

Een aannemersbedrijf belde in juni met de vraag of wij een AI-agent konden bouwen. Op de vervolgvraag wat die agent dan moest gaan doen, bleef het even stil. "Gewoon, dingen overnemen." Dat gesprek voeren we inmiddels een paar keer per maand.

Het woord staat op vrijwel elke leverancierswebsite, maar wat er feitelijk gebeurt zodra zo'n ding aanstaat, blijft meestal onbesproken. Dus laten we het praktisch houden: wat AI-agents doen, waar ze in een MKB-bedrijf echt werk schelen, en waar ze stuklopen.

Wat is een AI-agent en wat is het niet

Een chatbot antwoordt. Een AI-agent handelt. Hij leest iets binnen, bepaalt wat er moet gebeuren en voert daarna een actie uit in een systeem waar jouw mensen ook in werken. Hij maakt een record aan, zet een status om, stuurt een bericht, boekt een factuur.

Dat verschil klinkt klein en is het niet. Zodra software zelfstandig mag schrijven in je administratie, gaat het niet meer over slimme antwoorden maar over rechten, controle en het kunnen terugdraaien van fouten.

In de praktijk werken we met drie niveaus:

Vrijwel elk bedrijf dat wij spreken wil beginnen op niveau 3 en hoort te beginnen op niveau 1. Niet uit voorzichtigheid, maar omdat je op niveau 1 binnen zes weken leert hoe vaak de agent er echt naast zit. Die cijfers heb je nodig voordat je hem loslaat.

Waar AI-agents in het MKB werk uit handen nemen

De taken die zich hiervoor lenen hebben drie kenmerken: ze komen vaak voor, de invoer is rommelig, en het resultaat is te controleren.

Een paar die bij klanten van ons draaien of in de maak zijn:

• Inkoopfacturen die per mail binnenkomen. De agent haalt leverancier, bedrag, btw en projectnummer uit de PDF en zet een boekingsvoorstel klaar in het boekhoudpakket. Iemand keurt het in een paar seconden goed.
• Inkomende serviceaanvragen. De agent leest de mail, bepaalt of het een storing, een vraag of een offerteaanvraag is, maakt een ticket aan en hangt de juiste klant eraan.
• Offertes die stil blijven. De agent kijkt welke offertes ouder zijn dan tien dagen en zonder reactie, en zet een herinnering klaar voor de accountmanager. Versturen doet de mens.
• Urenregistratie. De agent ziet dat een monteur donderdag geen uren heeft geboekt en stuurt vrijdagochtend één bericht.

Wat deze voorbeelden gemeen hebben: het taalmodel doet uitsluitend het stuk waar geen vaste regel voor te schrijven is, namelijk vrije tekst omzetten naar gestructureerde gegevens. De rest is gewone logica. Dat is een bewuste keuze. Alles wat je in een regel kunt vatten, moet je niet door een model laten beslissen, want dan krijg je een systeem dat vandaag anders kiest dan gisteren.

Wat je vooraf moet regelen

• Een eigen account voor de agent, niet dat van een medewerker. Anders zie je achteraf niet wie wat deed en houdt het account rechten die veel te ruim zijn.
• Rechten per systeem, zo krap mogelijk. Lezen in de mailbox, schrijven in één map, niet mogen verwijderen.
• Een logboek van elke actie, met de invoer en het besluit erbij. Zonder logboek kun je een klacht van een klant niet nakijken.
• Een knop om alles stil te zetten. Iemand binnen je eigen bedrijf moet de agent kunnen pauzeren zonder ons te bellen.
• Afspraken over wat er bij de leverancier van het model met je gegevens gebeurt. Daarover schreven we eerder in AI en de AVG.

Waar AI-agents stuklopen

Vier dingen zien we het vaakst misgaan.

Te ruime rechten. De snelste manier om een agent werkend te krijgen is hem beheerdersrechten geven. Dat gebeurt in bijna elke proefopstelling en het blijft daarna staan. Draait die agent dan een keer een verkeerde lus, dan ben je een dag bezig met opruimen.

Geen controle op uitgaand contact. Een agent die zelfstandig mag mailen naar klanten is de kortste route naar een pijnlijke situatie. Houd uitgaand klantcontact op niveau 1, ook als de rest verder is.

Rommelige brongegevens. Als dezelfde klant drie keer in je CRM staat, kiest de agent er één en dat is niet altijd dezelfde. Dat opruimen kost bij ons vaak meer tijd dan het bouwen zelf.

Niemand die eigenaar is. Een agent die een half jaar draait, loopt vast op een gewijzigde API, een verlopen token of een leverancier die zijn model uitfaseert. Daarom hoort bij elke build een servicecontract. Niet omdat wij dat leuk vinden, maar omdat een onbeheerde koppeling gegarandeerd stilvalt.

Wat kost een AI-agent

Drie posten. De bouw, meestal tussen de 4.000 en 12.000 euro voor één afgebakende stroom, afhankelijk van het aantal systemen dat mee moet doen. Het gebruik van het model, dat per verwerkte factuur of mail vaak op enkele centen uitkomt, dus bij duizend stuks per maand praat je over tientjes en niet over honderden euro's. En het beheer.

Reken pas met de opbrengst als je de huidige tijd hebt gemeten. Niet geschat, gemeten. Ga een middag naast degene zitten die het werk nu doet en tel de minuten.

Soms is het antwoord dat je helemaal geen agent nodig hebt. Als de invoer altijd hetzelfde formaat heeft, bijvoorbeeld een vast XML-bestand van je grootste leverancier, dan is een script van tweehonderd regels goedkoper, sneller en voorspelbaarder dan welk model dan ook. Een agent verdient zichzelf terug op rommel, niet op structuur.

Wil je weten of een van je stromen zich hiervoor leent, kies er dan één uit en tel een week lang de handelingen en de minuten. Dat gesprek voeren we ook gewoon aan de telefoon: 010 89 008 89, of vraag een offerte aan. Wat er daarna nodig is aan rechten, logging en monitoring valt onder security en compliance. Zoek je eerst het juiste proces in plaats van de techniek, lees dan processen automatiseren in het MKB.