De aanname is verleidelijk: een AI-agent kan elk saai en herhalend klusje overnemen. Vaak klopt dat, maar lang niet altijd. In sommige situaties kost een agent je meer tijd, geld en frustratie dan hij oplevert. Die grenzen benoemen we liever vooraf dan dat je er na drie maanden achterkomt.
Te weinig volume? Dan verdien je het nooit terug
De eerste vraag is simpel: hoe vaak gebeurt dit werk? Een automatisering kost iets om te bouwen en draaiende te houden, en die kosten staan grotendeels los van hoe vaak je hem inzet. Komt een taak maar een paar keer per maand voorbij, dan verdeel je die kosten over een handvol keren en wordt elke keer duur. Bij hoog volume zakt de prijs per keer juist hard, en daar zit de winst.
Een goede graadmeter voor dat volume: processen waar meerdere mensen aan meewerken, of waar iemand bijna fulltime mee bezig is, leveren bijna altijd genoeg herhaling op om de investering ruim terug te verdienen. Reken voor de zekerheid eerst nuchter uit hoeveel uur het werk nu kost en hoe vaak het terugkomt. Soms is de uitkomst dat een handig sjabloon of een kleine aanpassing in je bestaande software je meer oplevert dan een agent.
Een rommelig proces wordt door AI niet opeens netjes
Een AI-agent werkt met expliciete input. Hij heeft duidelijke regels nodig, consistente data en heldere uitzonderingen. Informele afspraken en onderbuikgevoel kan hij niet lezen, en wat nergens is vastgelegd bestaat voor hem simpelweg niet [1].
Veel processen in het MKB leunen juist op die onzichtbare kennis. Iedereen weet hoe het werkt, maar nergens staat het op papier. Zolang mensen veel handmatig doen voelt dat comfortabel, terwijl het precies de grootste blokkade voor automatisering vormt. Als drie collega's dezelfde aanvraag elk net iets anders afhandelen, dan automatiseer je de chaos en krijg je snellere chaos terug.
Dat hoeft geen eindstation te zijn. Het betekent wel dat het werk eerst gestandaardiseerd moet worden. Lukt dat niet, of wil de organisatie dat niet, dan is een agent op dat moment de verkeerde stap. Begin dan bij het proces, niet bij de techniek.
Een systeem dat volledig op slot zit
Een agent levert pas waarde als hij in jouw systemen kan. Hij leest de mail, werkt het ERP bij, stuurt de bevestiging. Dat staat of valt met de mogelijkheid om verbinding te maken met de software die je dagelijks gebruikt.
Het goede nieuws: koppelen kan bijna altijd. Moderne pakketten hebben een API. Voor oudere software is er vaak ook een weg naar binnen, via een export, een database-koppeling of een kleine tussenstap. Staat je cruciale informatie nu in losse Excel-bestanden, dan krijgen we dat meestal ook werkbaar. Niet ideaal, maar het werkt.
Echt vastlopen doet een agent alleen bij een volledig afgesloten systeem waar geen enkele toegang of export uit te halen is. Dat is zeldzaam. Veel vaker is de eerste stap om je informatie wat beter te ordenen, zodat de agent er soepel bij kan.
Soms is simpele software goedkoper dan een agent
Niet elke automatisering hoeft een AI-agent te zijn. Voor strak afgebakende, voorspelbare taken, het klassieke 'als dit, dan dat', is gewone software vaak de betere keuze. Die doet precies wat je instelt, is goedkoop en betrouwbaar, en gaat niet onderuit op een uitzondering. Er een agent op loslaten voegt dan vooral ruimte voor fouten toe, zonder dat het iets extra's oplevert.
Kijk dus eerst of je het binnen je bestaande pakket kunt regelen. Veel software heeft ingebouwde automatiseringen of regels die je zelf instelt. Kan dat, dan is dat meestal eenvoudiger en goedkoper te onderhouden dan een losse agent ernaast.
Wordt het ingewikkelder, dan kantelt de afweging. Loopt informatie over meerdere systemen heen, of biedt je software zelf geen automatisering, en schiet een vaste regel tekort, dan is een agent een interessante optie. Je kunt die complexiteit ook door een mens laten oplossen, maar een mens is een stuk duurder dan een agent. Kortom: kan simpele software het af, doe dat. Lukt dat niet, dan is een agent vaak de voordeligste manier om het toch geautomatiseerd te krijgen.
De grootste valkuil zit niet in de techniek
Het verraderlijke is dat de meeste mislukte AI-projecten stranden op iets anders dan wat de technologie kan. Gartner meldt dat in februari 2026 zo'n veertig procent van de AI-agent-projecten was stopgezet of gepauzeerd, en de oorzaak lag vrijwel nooit in de techniek zelf maar in slechte data, gebrekkig procesontwerp en ontbrekend toezicht [2].
Dat is precies waarom een agent de verkeerde keuze is als de basis niet klopt. Zonder helder beeld van wat het werk je nu kost, zonder consistente data en zonder iemand die de uitkomst controleert, bouw je een dure oplossing voor een probleem dat je nog niet scherp hebt.
Voor wie zijn proces wel op orde heeft, met vaak voorkomend en voorspelbaar werk en systemen die te koppelen zijn, betaalt een agent zich razendsnel terug. De kunst zit in het herkennen van het verschil tussen die twee situaties. Een goed gesprek hierover begint dan ook bij de vraag of dit specifieke werk er klaar voor is, en pas daarna bij wat AI allemaal kan.