Wie ooit een nieuw personeelslid heeft moeten inwerken, een verkooppipeline heeft proberen te prioriteren of een developer-team heeft zien worstelen met integratieverzoeken, herkent het patroon: telkens dezelfde vragen, telkens dezelfde stappen, en telkens een mens die kostbare tijd besteedt aan werk dat zich laat automatiseren.
De vraag is niet langer of AI-agents dit soort taken aankunnen.
Eerste-dag onboarding inkorten van uren naar minuten
Bij Basis, een bedrijf dat AI-agents bouwt voor accountantskantoren, nam de eerste-dag onboarding oorspronkelijk twee uur in beslag. Volgens het bedrijf is dat nu teruggebracht tot dertig minuten. Het verschil zit niet in het inhoudelijke werk van HR, maar in de administratieve afhandeling: het inlezen van documenten, het doorgeven van toegangsrechten, het overlopen van procedures. Die stappen verlopen nu via een agent die de medewerker begeleidt zonder dat iemand uit het team elk detail handmatig hoeft te coördineren.
Voor HR betekent dat minder repetitieve afstemming en meer tijd voor de culturele begeleiding die echt menselijk contact vereist.
Inbox-triage automatiseren
Een ander voorbeeld komt van Clay, die aangeeft dat haar inbox-triageworkflow ongeveer een uur per avond bespaart. Dat is tijd die anders naar het doornemen van inkomende berichten ging, het categoriseren ervan en het bepalen van prioriteit.
Developer-integraties laten scouten
Exa Labs gebruikt Codex om integratiekansen te monitoren, pull-requests te maken, tests uit te voeren en wekelijkse updates voor te bereiden op basis van bronnen zoals Slack en Notion. Voor publicatie gaat alles langs een menselijke beoordeling. Dit is volgens ons een belangrijk detail: de agent draait de werklast van het scouten en voorbereiden terug, maar de beslissing om iets daadwerkelijk te publiceren blijft bij het team.
Het onderliggende patroon
Wat deze drie voorbeelden verbindt, is een herkenbare opbouw. Eerst krijgt de agent een stabiel proces aangereikt: welke stappen moeten doorlopen worden, in welke volgorde, met welke bronnen. Vervolgens beschikt de agent over persistente context, zodat informatie die eerder is verzameld beschikbaar blijft terwijl het werk vordert.
Dit is wezenlijk anders dan een LLM die losse vragen beantwoordt. Waar een taalmodel een momentopname geeft, kan een agent met een geleerd proces bijhouden welke stappen al doorlopen zijn en wat de volgende actie is.
Wat het betekent voor organisaties die dit overwegen
De stap naar agent-gestuurde workflows begint niet met de technologie. Hij begint met de vraag welk proces stabiel genoeg is om te automatiseren. Onboarding, inbox-triage en integratiescouting lenen zich daarvoor omdat ze herhalend zijn, een duidelijke structuur hebben en consistentie belangrijk is.
De tweede vraag is waar menselijke betrokkenheid nodig blijft. In de voorbeelden hierboven ligt die grens telkens op een ander punt: bij de goedkeuring van het eindresultaat, bij de culturele begeleiding, bij de beslissing om iets te publiceren. Die grens bepalen is geen technische vraag, het is een ontwerpkeuze.
Organisaties die dit goed aanpakken, bouwen de agent stapsgewijs in. Eerst laat men de agent werk voorbereiden dat een mens beoordeelt voor verzending. Pas wanneer een categorie aantoonbaar goed loopt, verschuift de grens en laat men de agent zelfstandig doorzetten.
Waar de lat nu ligt
OpenAI meldt dat frontier-bedrijven, gedefinieerd als organisaties met het hoogste AI-gebruik, inmiddels 8,3 keer zoveel output-tokens per actieve gebruiker genereren als typische bedrijven. In januari was dat nog 2,6 keer. Dat geeft aan dat de kloof tussen organisaties die agentsystemen effectief inzetten en organisaties die dat niet doen, snel groeit.
De vraag is niet langer of dit werkt, maar hoe een organisatie haar eigen processen zo moet inrichten dat een agent er effectief mee kan werken.
Benieuwd wat dit voor uw bedrijf kan betekenen?
We denken graag vrijblijvend met u mee over de mogelijkheden voor uw KMO.
Plan een gesprek →