Een chatbot beantwoordt wat iemand vraagt. Een AI-agent bepaalt zelf de volgende stap en voert die uit — iets opzoeken, een formulier invullen, een systeem bijwerken — zonder dat iemand bij elke stap op "verzenden" klikt. Voor een Nederlands bedrijf van 20 tot 50 fte dat al een WhatsApp-chatbot of website-assistent draait, is de echte vraag niet welk label u koopt, maar welke van uw dagelijkse taken die extra autonomie daadwerkelijk nodig hebben — en welke niet.
Wat een chatbot en een AI-agent nu echt onderscheidt
Anthropic, het lab achter Claude en het Model Context Protocol, trekt in eigen technische documentatie precies deze grens: een workflow rijgt een taalmodel en zijn tools aan elkaar volgens een pad dat een ontwikkelaar vooraf heeft uitgeschreven, terwijl een agent het model zelf laat bepalen — aanroep voor aanroep — wat de volgende stap is op basis van wat de vorige stap opleverde. Een chatbot met een vaste beslisboom — \"bij terugbetalingsverzoek: vraag het ordernummer, controleer dan de status\" — is een workflow, ook al voelt het gesprek natuurlijk aan. Geef datzelfde systeem drie tools (order opzoeken, terugbetaling starten, doorschakelen naar een mens) en laat het model zelf kiezen welke tool wanneer wordt aangeroepen op basis van wat de klant daadwerkelijk zegt, en u bent agent-terrein binnengestapt.
Dat onderscheid is belangrijker dan de marketingterm op de doos. De meeste software die momenteel in Nederland als \"AI-agent\" wordt verkocht, is een workflow met een gespreksvriendelijke voorkant — en dat is voor de meeste taken precies genoeg AI. De fout zit niet in het kopen van een workflow. De fout is agent-prijzen betalen, met de bijbehorende testlast, voor werk dat een workflow al prima aankan.
Wat “agentic AI” eigenlijk betekent
Het woord agentic wordt gebruikt alsof het een productcategorie is. Dat is het niet — het is een eigenschap, en het beschrijft hoeveel van een taak een systeem zelfstandig draagt. Een tool die antwoordt is niet agentic. Een systeem dat bepaalt wat de volgende stap is, handelt, het resultaat controleert en bijstuurt wel.
Daarom telt het spectrum hieronder zwaarder dan het etiket. De vraag of iets “een AI-agent is” heeft zelden een schoon antwoord; de vraag hoeveel het doet zonder mens ertussen altijd wel.
Het is een spectrum, geen twee vakjes
De grens verschuift met elke tool die u toevoegt, en dat is precies waarom \"chatbot\" en \"agent\" behandelen als twee vaste producten tot de verkeerde aankoop leidt. Een bruikbaardere manier om uw eigen systemen te plaatsen is een vijftraps-ladder, opgebouwd uit wat wij in 2026 zien bij Nederlandse mkb-implementaties:
- Niveau 0 — statische FAQ: trefwoord-matching, geen model.
- Niveau 1 — LLM-chatbot: beantwoordt vragen uit een kennisbank of websitetekst, geen tools, geen geheugen van eerdere acties.
- Niveau 2 — chatbot plus één tool: kan een order of voorraadniveau opzoeken, maar op een pad dat de ontwikkelaar heeft vastgelegd. De meeste Nederlandse WhatsApp-klantenservicebots zitten hier.
- Niveau 3 — workflow met meerdere tools: verschillende tools op een vaste volgorde, vaak een n8n- of Make-flow met een LLM-stap voor classificatie of een conceptantwoord.
- Niveau 4 — agent: het model kiest zelf de volgorde van tools, probeert opnieuw bij een fout, en kan systemen aan elkaar koppelen die niet expliciet zijn voorgeschreven — binnen de grenzen die een mens heeft ingesteld.
Niveau 4 is, ongeacht bedrijfsgrootte, echt zeldzaam buiten pilotprojecten. Dat is geen reden om het te vermijden — het is een reden om precies te zijn over welk ene proces u die ladder op laat klimmen, in plaats van in één keer uw hele klantcontactstack te vervangen.
Een snelle zelftest: open de tool die uw chatbot vandaag al gebruikt en tel hoeveel acties hij zonder uw goedkeuring per geval mag uitvoeren. Eén actie is niveau 2, drie of vier op een vaste volgorde is niveau 3, en zodra het systeem zelf kiest wélke actie het inzet zonder dat u de volgorde voorschrijft, heeft u feitelijk al een werkende agent — hoe de leverancier het ook noemt.
Wat het Model Context Protocol aan die vraag verandert
Vroeger betekende een derde of vierde tool aan een chatbot koppelen een maatwerkintegratie per tool, vaak opnieuw gebouwd zodra u van leverancier wisselde. Het Model Context Protocol (MCP) — de open standaard die Anthropic publiceerde en die inmiddels door elk groot AI-platform is overgenomen — geeft een tool één machineleesbare beschrijving van wat het doet, zodat een model die kan ontdekken en aanroepen zonder maatwerk-lijmcode. De techniek staat uitgewerkt in onze MCP-uitleg voor het mkb; het punt dat hier telt is specifieker: een goed gebouwde MCP-server vóór Exact Online, AFAS of e-Boekhouden werkt op dezelfde manier, of hij nu vandaag in een niveau-2-chatbot hangt of later in een niveau-4-agent. Dat maakt klein beginnen een echte investering in plaats van een stap die u straks weggooit — zie hoe wij die specifieke koppeling aanpakken in AI koppelen met Exact, AFAS en e-Boekhouden.
Vier veelvoorkomende taken, vier verschillende antwoorden
Hetzelfde bedrijf heeft zelden voor elk proces evenveel autonomie nodig. Vier taken die wij het vaakst zien bij Nederlandse bedrijven van 20-50 fte, en waar elke doorgaans landt:
- Klantenservice via WhatsApp of de website: meestal is niveau 2 genoeg — een chatbot die een order, leverdatum of factuurstatus kan opzoeken. Bewaar agent-niveau beoordeling voor de minderheid van gesprekken die een meerstaps-accountwijziging vergen. Wij gaan dieper in op het WhatsApp-geval specifiek in onze gids voor AI-klantenservice op WhatsApp.
- Factuurverwerking: blijft doorgaans bewust een niveau-3-workflow — extraheren, matchen tegen de inkooporder, uitzondering signaleren. Voorspelbaarheid weegt zwaarder dan autonomie als de uitkomst een financieel document is; zie de uitzonderingen-tellen-businesscase in ons stuk over factuurautomatisering.
- Offerte-opvolging en lead-kwalificatie: een echt goede kandidaat voor niveau-4-beoordeling — of, wanneer en hoe u opvolgt varieert genoeg per signaal (branche, dealgrootte, eerder contact) dat een vaste workflow ofwel te ver gaat, ofwel te weinig doet.
- Afsprakenplanning over agenda, CRM en bevestigingsmail: een schoon agent-scenario — een klein aantal tools, weinig schade bij een verkeerd geboekt tijdslot, en een eenvoudig menselijk overrule-pad.
De regel onder al deze vier: duw autonomie richting taken waar een verkeerde stap goedkoop en herstelbaar is, en houd een vaste, controleerbare workflow aan overal waar de uitkomst geld, een ondertekende verplichting of een beslissing over een persoon raakt.
De cijfers achter de hype
Twee Gartner-prognoses uit 2025 staan op gespannen voet met elkaar, en beide zijn de moeite van kennen waard vóór u een budget vastlegt. Het bureau verwacht dat 40% van de enterprise-applicaties eind 2026 taakspecifieke AI-agents bevat, tegen minder dan 5% in 2025 — een echte, snelle beweging. Datzelfde bureau verwacht ook dat meer dan 40% van de agentic-AI-projecten eind 2027 is gestaakt, met als reden oplopende kosten, onduidelijke bedrijfsresultaten en wat het \"agent washing\" noemt — leveranciers die gewone automatisering of chatbots herlabelen als agentic. Van de duizenden leveranciers die dat claimen, telde Gartner ongeveer 130 met daadwerkelijk agentic vermogen.
McKinsey's meest recente wereldwijde AI-onderzoek sluit aan bij die voorzichtigheid: niet meer dan 10% van de respondenten geeft aan dat hun organisatie AI-agents opschaalt binnen een gegeven bedrijfsfunctie, en zo'n tweederde is nog helemaal niet begonnen met het opschalen van AI binnen de organisatie. De praktische conclusie voor een Nederlands mkb-bedrijf: begroot en test voor de stap van pilot naar productie, niet alleen voor de demo — de demo is het goedkope deel.
\"Agent washing\" is niet zomaar een uitspraak van een analist — het verandert hoe u dit jaar naar een Nederlandse offerte moet kijken. Als een leverancier niet in gewone taal kan uitleggen op welk van de vijf niveaus hierboven het product werkelijk draait, en waarom, is dat de vraag die u vóór het contract stelt, niet ná de factuur. Een niveau-2-chatbot verkocht tegen agent-tarief is de meest gangbare vorm die wij in inkoopgesprekken tegenkomen.
Wat dit betekent voor een bedrijf van 20-50 fte
Op deze schaal heeft u doorgaans één echt automatiseringsproject draaien — een chatbot, een workflow, of beide — en overweegt u dat uit te breiden. Drie praktische richtlijnen:
- Begin op niveau 2 of 3, niet niveau 4. Koppel één of twee tools aan wat u al heeft, op uw bestaande Exact Online-, AFAS- of e-Boekhouden-stack, voordat u volledige, modelgestuurde autonomie overweegt.
- Houd een menselijke goedkeuringsstap op alles wat financieel of contractueel is. Autonomie is het eerst de moeite waard bij laag-risico, herstelbare taken — afsprakenplanning vóór betalingsafhandeling.
- Verplaats een proces pas naar niveau 4 zodra de niveau-3-versie foutloos draait. U moet precies weten waar de vaste workflow breekt vóórdat u het model de vrijheid geeft om daaromheen te routeren.
Een korte budgetnotitie vooraf: een agent kost meer om te bouwen en te testen dan de chatbot die hij uitbreidt, vooral door het testen van uitzonderingen en het tokengebruik per taak. Wilt u vooraf een indicatie voordat u iets scopt, kijk dan naar wat een chatbot doorgaans kost als startpunt voor de vergelijking.
Als u aan het uitzoeken bent welk van uw eigen processen waar op deze ladder past, is dat scopinggesprek het eerste dat wij met een nieuwe klant doen — lees hoe wij agent-projecten aanpakken op onze pagina over AI-agent ontwikkeling.
