Bijna elke softwareleverancier noemt zijn product nu een AI-agent. Gartner schat dat maar een fractie van die claims klopt en voorspelt dat veertig procent van de agentic AI-projecten alsnog wordt geschrapt. Vijf vragen om een echte agent te herkennen voordat je er budget in steekt.
Open een willekeurige SaaS-website en de kans is groot dat er ergens 'AI-agent' op de homepage staat. Het woord is in een jaar tijd veranderd van een technische term in een marketinglabel dat op chatbots, assistenten en zelfs oude automatiseringsscripts wordt geplakt. Analistenbureau Gartner heeft daar een naam voor: agentwashing.
Van de duizenden softwareleveranciers die inmiddels claimen een agentic AI-product te verkopen, levert volgens Gartner maar een klein deel daadwerkelijk agentic functionaliteit. De rest is een herverpakte chatbot, een regelgestuurde workflow of een los AI-blokje met een nieuw label. Voor wie nu moet beslissen welke tool het geld waard is, is dat een praktisch probleem.
Een echte AI-agent neemt binnen een afgebakende taak zelf beslissingen: hij plant tussenstappen, roept tools en API's aan, houdt context vast over meerdere stappen heen en past zijn aanpak aan als de situatie verandert. Een chatbot met een vriendelijk label beantwoordt vragen, maar plant niets en onderneemt geen actie. Een RPA-script voert een vaste reeks stappen uit, maar improviseert niets zodra er iets afwijkt van het script.
Het verschil lijkt subtiel in een productdemo, waar alles toch al vlekkeloos verloopt. Het verschil wordt pijnlijk duidelijk zodra een proces in de praktijk net iets anders loopt dan verwacht en de 'agent' vastloopt omdat er helemaal geen besluitvormingslaag onder zit.
Gartner voorspelde in 2025 dat meer dan veertig procent van de agentic AI-projecten voor eind 2027 wordt geschrapt. Niet omdat de technologie niet werkt, maar om drie terugkerende redenen: de kosten lopen op zodra een pilot naar productie moet, de bedrijfswaarde blijft onduidelijk omdat niemand vooraf een meetbaar doel had vastgelegd, en het risicobeheer schiet tekort zodra een agent zelfstandig acties mag uitvoeren op bedrijfsdata of bij klanten.
Dat laatste punt wordt vaak onderschat. Een chatbot die een fout antwoord geeft, is vervelend. Een agent die zelfstandig een e-mail verstuurt, een bestelling plaatst of een klantdossier wijzigt op basis van een verkeerde aanname, raakt direct de bedrijfsvoering. Wie een agent zonder toezicht laat draaien, neemt een risico dat in de meeste organisaties niemand expliciet heeft afgewogen.
Voordat je een tool als agent inkoopt of intern laat bouwen, helpen vijf vragen om door de marketing heen te kijken. Neemt het systeem zelf tussenstappen, of voert het alleen één enkele actie per instructie uit? Roept het daadwerkelijk andere systemen aan via een API, of blijft het bij tekst genereren? Onthoudt het de context van een lopende taak over meerdere stappen, of begint elk verzoek weer bij nul?
Kan het zijn aanpak aanpassen als een eerste poging niet werkt, of loopt het dan simpelweg vast? En is er een meetbaar resultaat gedefinieerd, zoals een tijdsbesparing, een foutpercentage of een doorlooptijd, waarmee je over drie maanden kunt vaststellen of het werkt? Een leverancier die op geen van deze vragen een concreet antwoord heeft, verkoopt waarschijnlijk een chatbot met een nieuw etiket.
Het etiket agent duikt inmiddels op in bijna elke softwarecategorie: klantenservicetools die claimen zelfstandig tickets af te handelen, marketingplatforms die 'agentic' campagnes beloven, en workflow-tools die hun bestaande automatiseringen een nieuwe naam hebben gegeven. Dat betekent niet dat al die producten waardeloos zijn, vaak doen ze precies wat ze altijd al deden, en dat kan prima bruikbaar zijn. Het probleem ontstaat pas als een organisatie op basis van het label een hoger verwachtingsniveau en een groter budget vaststelt dan het product waarmaakt.
De projecten die bij Gartner wel overleven, delen een paar kenmerken. Ze starten met één smal afgebakend proces in plaats van een organisatiebrede uitrol, bijvoorbeeld het vooraf sorteren van binnenkomende support-tickets in plaats van het volledig automatiseren van klantenservice. Ze leggen vooraf een meetbaar succescriterium vast, zodat na de pilotperiode een echte go- of no-gobeslissing mogelijk is in plaats van een gevoel.
Ze bouwen bovendien een escalatiepad in: zodra de agent buiten zijn afgebakende taak komt of onzeker is, gaat de taak naar een mens, niet door op giswerk. En ze begroten niet alleen de licentiekosten, maar ook de tijd die nodig is om het proces te beschrijven, de data te ontsluiten en de eerste maanden bij te sturen. Die laatste kostenpost wordt in demo's zelden genoemd en is precies waar veel projecten in de praktijk op uitlopen.
Agentwashing is geen reden om AI-agents te mijden, de projecten die wel slagen leveren aantoonbaar tijd en kwaliteit op. Het is wel een reden om verder te kijken dan het woord agent op een website en te vragen naar de vijf punten hierboven: planning, tool-aanroep, context, aanpassingsvermogen en een meetbaar doel. Wie dat gesprek vooraf voert, voorkomt dat het budget naar een omgedoopte chatbot gaat en een proces krijgt dat daadwerkelijk zelfstandig werk verzet.
Twijfel je of een tool die je overweegt een echte agent is, of wil je een pilot opzetten met een afgebakende scope en een meetbaar resultaat? Zarioh denkt mee over welke stap bij jouw proces past, van een eerste smalle pilot tot een volledig uitgewerkte AI-agent. Neem contact op voor een vrijblijvend gesprek.
Was dit artikel nuttig?
Zarioh Digital Solutions
IT-specialisten uit Utrecht. Wij helpen bedrijven door heel Nederland met Microsoft 365, AI agents, hosting en telefonie, en delen hier wekelijks wat we in de praktijk tegenkomen. Volg ons op LinkedIn
Ontvang nieuwe artikelen direct in je inbox.
Geen spam. Afmelden kan altijd.
