Agentic AI in 2026: van demo naar productie — wat MKB IT nu écht moet weten

In elke vakbeurs-pitch en LinkedIn-tijdlijn duikt het op: “AI agents die het werk overnemen”. De demo’s zien er strak uit. De productiecijfers zijn een ander verhaal. Volgens McKinsey haalt slechts een minderheid van de organisaties op dit moment meetbare EBIT-impact uit generatieve AI, ondanks brede adoptie (McKinsey, mei 2024). De kloof tussen “leuke demo” en “draait stabiel in productie” is precies waar agentic AI MKB-bedrijven nu pijn doet — of geld oplevert.

Dit artikel is voor MKB IT-managers en CTO’s die door de marketinglaag heen willen kijken. Wat is een agent echt? Waar werkt het in 2026 wel, en waar breekt het? En wat kost dat?

Wat een “agent” wel en niet is

Een chatbot met een paar knoppen is geen agent. Anthropic maakt in zijn engineering-paper Building effective agents een nuttig onderscheid: workflows zijn vooraf gedefinieerde paden waarin een LLM stapjes uitvoert; agents bepalen zelf het pad, gebruiken tools, en herzien hun aanpak op basis van het resultaat (Anthropic, december 2024).

Praktisch betekent dat:

• Geen agent: een prompt die een e-mail samenvat.
• Workflow: een vaste keten die een ticket leest, een label voorspelt, en doorstuurt.
• Agent: een systeem dat een binnenkomend ticket leest, besluit of het informatie mist, klantdata ophaalt uit je CRM, een conceptantwoord schrijft, en zichzelf controleert vóórdat een mens akkoord geeft.

Het verschil zit in autonomie en in het feit dat de agent zelf besluit welke tool hij wanneer aanroept. Dat is krachtiger, maar ook brozer.

Waarom 2026 anders voelt dan 2024

Drie dingen zijn in twee jaar verschoven:

1. Modellen zijn beter in tool-use. Functie-aanroepen die in 2023 onbetrouwbaar waren, halen nu doorgaans bruikbare succespercentages — mits je de tools strak afbakent.
2. Frameworks zijn volwassener. Patronen voor planning, geheugen en error-recovery zijn gedocumenteerd in plaats van per project opnieuw uitgevonden.
3. Productieverhalen komen los. Gartner zette agentic AI bovenaan zijn Top 10 Strategic Technology Trends for 2025 — niet omdat het overal werkt, maar omdat het bij genoeg organisaties uit experimenten breekt (Gartner, oktober 2024).

Wat niet veranderd is: integraties, datakwaliteit en governance zijn nog steeds waar projecten op stuk lopen. CBS rapporteert dat 23% van de Nederlandse bedrijven met 10+ werknemers in 2024 één of meer AI-technologieën gebruikte — een stijging vanaf 14% in 2023, met grote variatie per sector (CBS, Digitalisering en kenniseconomie 2024, 2025). Onder MKB ligt dat lager. Het lage adoptiegetal komt zelden door techniek, vaker door integratie- en datawerk dat onderschat werd.

Drie use cases waar het bij MKB werkelijk geld oplevert

Onderstaande voorbeelden zijn generiek-MKB; cijfers zijn voorzichtige indicaties op basis van projecten die wij en partners hebben zien landen.

Ticket-triage en eerstelijns-antwoorden

Een agent leest binnenkomende support-tickets, classificeert urgentie, haalt klantcontext op uit je CRM (Exact, Teamleader, HubSpot), zoekt in je kennisbank, en levert een conceptantwoord af in de wachtrij van een mens. Bij ticketvolumes vanaf ~200 per week zien wij doorgaans 30–50% tijdwinst op eerstelijns-tickets. Concrete uitkomst: een team van drie supportmedewerkers dat een vierde aanwerving uitstelt.

Integratie-agents tussen SaaS-tools

Veel MKB-stacks zijn een lappendeken: WooCommerce, Exact Online, Mollie, MailerLite, een ERP. Een integratie-agent tussen SaaS-systemen vervangt geen ETL, maar handelt de uitzonderingen af: een order die niet matcht met een Exact-debiteur, een betaalstatus die uit de pas loopt, een nieuwe SKU die nog geen rekeningnummer heeft. In plaats van een rij Zapier-stappen die elk randgeval-bug breekt, beslist de agent per geval en escaleert wat hij niet kan oplossen. We zien hier integratie-onderhoud van tientallen uren per maand zakken naar enkele uren.

Offerte- en documentagents

Voor partijen die veel maatwerkoffertes of contracten maken (installateurs, IT-dienstverleners, juristen): een agent die een intakeformulier leest, prijscomponenten uit je catalogus haalt, een Word- of PDF-concept genereert, en een mens laat reviewen. Doorlooptijd van offertes daalt typisch van een dag naar onder het uur. Belangrijker: minder fouten omdat de catalogus single source of truth blijft.

Waar het breekt

Eerlijk verhaal voor MKB IT: agentic AI projecten die in productie wankelen, doen dat zelden om “AI-redenen”. Wat we zien:

• Authenticatie en autorisatie. Een agent die namens een gebruiker handelt, raakt elk gat in je IAM. OAuth-scopes, service-accounts, audit logs — dit werk is saai en moet vooraf.
• Datakwaliteit. Een agent versterkt rotzooi. Dubbele klantrecords, lege velden, inconsistente productnamen: dat valt zonder agent ook al op, maar pas met een agent kost het je geld.
• Edge cases en hallucinatie. In een meetbaar percentage van de gevallen verzint een agent dingen die plausibel lijken. Voor offertes en facturen is dat onacceptabel. Mens-in-de-loop op alles dat extern gaat is geen ouderwetse rem, het is verstandig ontwerp.
• Kostenrun-away. Een agent die loops in zijn redenering toelaat kan in een nacht honderden euro’s aan model-calls opmaken. Token-budgetten en time-outs zijn niet optioneel.

Wat het kost

Ruwe orde van grootte voor een MKB-project, gebaseerd op wat wij offreren en zien:

• Proof of concept (één use case, één integratie, mens-in-de-loop): €8.000 – €20.000.
• Productie-uitrol (observability, error-handling, fallback, training): €20.000 – €60.000.
• Doorlopende kosten: model-API €100 – €1.500 per maand afhankelijk van volume; onderhoud 0,5–2 dagen per maand voor de eerste zes maanden.

Wie u onder de €5.000 een “AI-agent” verkoopt, levert vrijwel zeker een prompt met een Zapier-flow eromheen. Dat kan prima zijn — als u maar weet wat u koopt.

Hoe begint u verstandig

1. Kies één use case met een meetbare uitkomst (uren, foutmarge, doorlooptijd) — geen “we gaan eens kijken”.
2. Houd de scope krap. Eén proces, één afdeling, één stack.
3. Bouw observability vanaf dag één: log elke tool-call, elk besluit, elk model-antwoord.
4. Plan mens-in-de-loop op alles wat naar buiten gaat totdat het zich heeft bewezen.
5. Stel een token-budget en time-out in. Hard.
6. Evalueer na 30 dagen: meetbare winst, of stoppen.

Verder lezen

Wij bouwen agentic workflows op bestaande WordPress-stack-, Laravel- en integratie-projecten bij Nederlandse MKB-klanten. Wilt u sparren over of uw eigen processen geschikt zijn voor een eerste agent? Onze AI-consultancy start altijd met een nuchter readiness-gesprek — geen verkooppraatje. Download hieronder eerst de Agentic AI Readiness Checklist voor MKB IT: 12 concrete checkpunten over data, integraties, security, governance, kosten en team. Geen verkoper aan de andere kant van het formulier; alleen de checklist.