De rekenfout die niemand maakt
Een AI-agent die vijf stappen uitvoert met 90% nauwkeurigheid per stap. Klinkt goed, toch? Reken even mee: 0,9 x 0,9 x 0,9 x 0,9 x 0,9 = 59%. Bij tien stappen zit je op 35%. En bij de complexe workflows die leveranciers je voorspiegelen? Dan daalt het succespercentage naar niveaus waarbij je beter een stagiair kunt inhuren.
Dit is geen theoretisch probleem. Fortune meldde vorige maand dat AI-agents steeds slimmer worden, maar dat de betrouwbaarheid achterblijft. En Gartner voorspelt dat meer dan 40% van alle agentic AI-projecten voor eind 2027 wordt geschrapt. Niet omdat de technologie niet werkt. Maar omdat bedrijven niet weten hoe ze die technologie werkend krijgen in hun organisatie.
Toch blijft de belofte verleidelijk. Een AI die zelfstandig je klantvragen beantwoordt, je boekhouding bijwerkt, je marketingcampagnes optimaliseert. De demo’s zijn indrukwekkend. Maar een demo is geen productieomgeving. In een demo werkt de data perfect, zijn er geen uitzonderingen, en hoeft niemand uit te leggen waarom de agent iets deed wat niet klopte.
In productie zie je bij AI-agents steeds dezelfde drie technische faalpatronen terug: slechte data die het systeem voedt, fragiele koppelingen met andere software, en fouten die zich opstapelen over meerdere stappen. Dat laatste is precies de rekensom hierboven, en het is het meest verraderlijk. Een kleine fout in stap één wordt een grotere fout in stap twee, en tegen stap vijf neem je beslissingen op basis van vervuilde informatie.
Het ‘agent washing’-probleem
Er is nog iets aan de hand. Je kent greenwashing, je kent sportswashing. Welkom bij agent washing. Softwareleveranciers plakken massaal het label “AI agent” op producten die het niet verdienen. Een chatbot met een iets betere prompt? AI agent. Een geautomatiseerd formulier? AI agent. Een workflow die al vijf jaar bestaat maar nu een nieuw logo heeft? Je raadt het al.
Gartner noemt het letterlijk zo: bestaande tools die worden omgedoopt tot agentic AI zonder dat er iets wezenlijks verandert. Het gevolg is dat bedrijven investeren in iets waarvan ze denken dat het autonoom taken uitvoert, terwijl ze in werkelijkheid een opgepoetste versie van hun oude software kopen. De teleurstelling is dan niet de schuld van AI. Het is de schuld van slechte verwachtingen die bewust zijn gecreëerd.
28% van de Amerikaanse bedrijven zegt nul vertrouwen te hebben in de datakwaliteit die hun agents voedt. Nul. Niet weinig. Nul. Je kunt de beste AI-agent ter wereld bouwen, maar als de data eronder rotzooi is, krijg je geautomatiseerde rotzooi terug. Alleen dan sneller.
Wat bedrijven doen die het wel goed aanpakken
De bedrijven die succesvol zijn met AI-agents hebben iets gemeen: ze beginnen niet met de technologie. Ze beginnen met het proces. Ze vragen zich af: welke taak kost ons het meeste tijd, heeft duidelijke regels, en kan worden opgedeeld in stappen met elk een hoge slagingskans?
Dat klinkt minder sexy dan “we hebben een AI-agent die ons hele klantenserviceproces runt.” Maar het werkt. De truc is om agents in te zetten op taken waar de foutmarge per stap boven de 95% ligt, en waar het aantal stappen beperkt blijft. Dan wordt die rekensom ineens heel anders: 0,95 x 0,95 x 0,95 = 86%. Dat is werkbaar. Dat levert wat op.
Harvard Business Review schreef er eerder over: de slimme aanpak is niet om je hele organisatie om te gooien, maar om klein te beginnen met processen die je volledig begrijpt. Pas als je daar resultaat ziet, schaal je op.
En dan is er nog het menselijke stuk. Alleen 24% van de organisaties heeft volledig zicht op welke AI-agents met elkaar communiceren. Driekwart heeft dus agents draaien zonder te weten wat ze precies doen. Dat is geen innovatie, dat is een beveiligingsrisico. Bedrijven die AI goed inzetten, zorgen eerst dat er iemand is die snapt wat er gebeurt. Niet een consultant die het van een afstand bekijkt, maar iemand in het team die verantwoordelijkheid draagt voor de output.
Die persoon moet één vraag kunnen beantwoorden voordat er een euro wordt uitgegeven: als deze agent morgen een verkeerde beslissing neemt, hoe snel merken we dat, en wat is de schade?
Dat klinkt als een open deur, maar het antwoord hangt af van drie dingen die in de praktijk nogal eens ontbreken: logging van wat de agent doet, een audit trail waarmee je achteraf ziet waarom hij iets deed, en een terugvaloptie als het misgaat. Zonder die drie neemt software zelfstandig beslissingen over je klanten, je geld en je reputatie, en merk je een fout pas als de schade er al is. Hoe je dat inricht, lees je in de stukken over welke rechten een AI-agent echt nodig heeft, over human-in-the-loop die meer is dan een knop en over een regressietest voor je AI-assistent.
Wat jij morgen kunt doen
Voordat je budget vrijmaakt voor de volgende AI-agent: stel drie vragen. Eén: welk proces wil ik automatiseren, en kan ik dat proces in maximaal vijf stappen beschrijven? Twee: hoe goed is de data die dit proces voedt? Drie: wie in mijn team begrijpt wat de agent doet, en wie grijpt in als het fout gaat?
Als je op alle drie een helder antwoord hebt, begin dan. Klein. Meetbaar. Met iemand die verantwoordelijk is. Niet met een pilotproject dat na drie maanden in een la verdwijnt, maar met iets dat direct waarde oplevert voor je team.
De bedrijven die over twee jaar het meest profiteren van AI-agents zijn niet degenen die nu het hardst roepen. Het zijn de bedrijven die nu het meest nadenken.
Benieuwd hoe jouw bedrijf ervoor staat? NextEnabler helpt je met een nulmeting die in kaart brengt waar AI echt waarde toevoegt, en waar je beter even kunt wachten.
Wil je dit concreet maken in jouw bedrijf? NextEnabler helpt MKB-teams met managed AI-agents, het juiste model per taak en de EU AI Act quick scan.