Wanneer één AI-agent niet meer volstaat: multi-agent orchestration voor het MKB

Het patroon dat we in de markt zien gaat ongeveer zo. Een installatiebedrijf heeft één AI-agent voor de offerte-flow. Klant belt, agent stelt vragen, agent stuurt een conceptofferte. Dat werkt — tot het portfolio breder wordt. De agent moet dan tegelijk technische specificaties opzoeken, marges narekenen, leveringstijden controleren bij drie groothandels én een nette begeleidende e-mail formuleren. Dat lukt niet meer. De agent klopt op alle deuren tegelijk en doet alles half.

Dat is het moment waarop een proces uit zijn één-agent-keurslijf breekt.

Eén agent doet alles, en niets goed

De eerste AI-toepassingen die bedrijven bouwen zijn vrijwel altijd één-agent-systemen. Eén model, één instructie, één taak. Dat is logisch: de techniek is dan eenvoudig, het is goed te overzien, en de eerste resultaten zijn meestal indrukwekkend.

Het verhaal verandert wanneer de taak meerdere disciplines vraagt. Onderzoeken, rekenen en schrijven zijn drie verschillende ambachten. Bij een mens is dat ook zo. De projectleider die offertes schrijft is meestal niet de prijsanalist, en de prijsanalist is niet de technische research-collega. Wie alle drie laat samenvallen in één persoon, levert middelmatig werk. Hetzelfde geldt voor agents.

Wat multi-agent orchestration eigenlijk is

Multi-agent orchestration is een ontwerppatroon waarin meerdere gespecialiseerde AI-agents samen één taak uitvoeren. Eén agent zoekt informatie, een tweede berekent of valideert, een derde schrijft, een vierde controleert. Een orchestrator — soms zelf een agent, soms een stuk klassieke software — bewaakt de volgorde en de overdracht.

Het is geen modegril. Anthropic publiceerde in december 2024 een veelgelezen technische gids over agent-ontwerp waarin multi-agent-patronen expliciet worden onderscheiden van eenvoudige tool-loops. Frameworks zoals LangGraph (LangChain), Microsoft AutoGen en CrewAI bestaan inmiddels precies om dit type orchestratie reproduceerbaar te maken.

Drie signalen dat één agent niet meer volstaat

Drie signalen die we in de praktijk vaak tegenkomen:

1. De systeem-instructie wordt onhandelbaar. Eén instructie van veertienhonderd woorden, waarin staat hoe de agent moet rekenen, schrijven, opzoeken én controleren. Wijzigingen op één onderdeel breken de andere onderdelen.
2. De foutenpatronen zijn divers. De ene keer klopt het rekenwerk niet, de andere keer staat er een onhandige zin in de offerte. Eén model dat in alles middelmatig is, biedt geen handvat voor gerichte verbetering.
3. Een mens zou het ook splitsen. Wanneer u als ondernemer dezelfde taak intern over meerdere mensen zou verdelen, is dat een sterke aanwijzing dat de AI-variant ook gebaat is bij rolverdeling.

Hoe het er in een offerte-flow uitziet

Concreet voorbeeld, gebaseerd op het type proces dat veel MKB-bedrijven herkennen.

• Research-agent. Krijgt het klantverzoek binnen, haalt productinformatie uit het PIM, controleert beschikbaarheid bij groothandels via API, stelt openstaande vragen op.
• Rekenagent. Krijgt het productpakket van de research-agent, berekent marges, telt installatie- en montage-uren, valideert tegen de prijsregels uit het ERP.
• Schrijfagent. Krijgt de uitkomst van research en berekening, schrijft de begeleidende tekst in de huisstijl van het bedrijf.
• Controle-agent. Vergelijkt de output tegen vooraf gedefinieerde checks (marge onder de bodem? aanbevolen alternatief vergeten? regel-overschrijdende korting?) en kaart afwijkingen aan voordat het concept naar de klant gaat.

Een orchestrator regelt de volgordelijkheid, fout-afhandeling, en wat er gebeurt als één van de agents geen betrouwbaar antwoord oplevert.

Het verschil met “vier API-calls achter elkaar” is dat elke agent autonoom redeneert, tools aanroept, en kan beslissen om extra informatie op te halen of een vraag terug te leggen. Het verschil met een chatbot is dat dit grotendeels onzichtbaar voor de klant gebeurt — het eindresultaat is een betere offerte, niet een mooier gesprek.

Wat het niet is

Even wat het niet is, want hier glijdt de markt regelmatig uit.

• Het is geen workflow-engine met IF/THEN-regels. Klassieke procesautomatisering blijft een uitstekende keuze voor deterministische stappen. Multi-agent is voor taken waar oordeel nodig is.
• Het is geen chatbot met meerdere persona’s. Eén AI-model dat zichzelf afwisselend “Anna van de research” en “Bob van de calculatie” noemt, is nog steeds één agent.
• Het is geen vier API-calls achter elkaar. Zonder echte autonomie en zonder gestructureerde overdracht is het simpelweg een script.
• Het is geen oplossing voor “we willen iets met AI”. Multi-agent loont alleen bij processen waar specialisatie aantoonbaar tot betere uitkomsten leidt.

Wat het in de praktijk kost en oplevert

Eerlijk verhaal: multi-agent is duurder in ontwerp, duurder in onderhoud en lastiger om goed te meten dan een enkele agent. U betaalt voor meer modelaanroepen, voor de orchestratielaag, en voor observability-tooling die laat zien welke agent waar fout zat.

Het loont wanneer de taak qua omvang en frequentie hoog genoeg is om de extra complexiteit te dragen. Een bedrijf dat dagelijks tientallen offertes uitstuurt, en waar elke offerte vijf tot tien minuten handwerk vraagt, telt snel uit dat investering en besparing in balans komen. Een bedrijf dat eens per week één offerte maakt, is bijna altijd beter af met één goede agent of helemaal geen agent.

Wat u nu kunt doen

Begin niet bij de techniek. Begin bij het proces. Welke stappen vraagt het, welke specialismen wisselen elkaar af, waar gaat het nu mis? Pas als die kaart helder is, valt te beoordelen of multi-agent een serieuze kandidaat is — of dat één goede agent volstaat.

Wij hebben de signalen samengevat in een korte checklist: “Is mijn proces klaar voor multi-agent?”. Een A4’tje, geen verkooppraatje. Wilt u er na het invullen over doorpraten, dan plannen we een uur. Geen verkopers-script — een gesprek tussen ondernemer en ontwikkelaar.