Jeroen had drie demo’s gezien en alle drie voelden als toekomstmuziek. Een AI-agent die leads opvolgt, een agent die facturen controleert en een agent die supporttickets samenvat. Alles werkte prachtig in de verkoopvideo. Alleen wist niemand in zijn bedrijf welk probleem als eerste geld zou opleveren.
Dat is de valkuil van AI-agents in het mkb. De technologie is indrukwekkend, maar de businesscase wordt vaak op gevoel gekozen. Dan automatiseer je een zichtbaar irritant proces, terwijl ergens anders elke week marge weglekt.
Dit artikel is voor ondernemers die in 2026 een eerste AI-agent willen inzetten zonder toolspijt. De methode is simpel: verzamel 30 echte cases, meet vier getallen en beslis pas daarna of je automatiseert, uitstelt of stopt.
TL;DR
- Kies geen AI-agent op basis van demo’s, maar op basis van 30 echte cases uit je eigen bedrijf.
- Meet volume, behandeltijd, foutkosten en overdrachtsmomenten voordat je bouwt.
- Automatiseer eerst het proces met hoge herhaling en duidelijke beslisregels.
- Laat de agent in fase 1 voorstellen doen, niet zelfstandig uitvoeren.
- Stop pilots die na 30 cases geen tijdwinst, kwaliteitswinst of omzetimpact laten zien.
Waarom 30 cases genoeg zijn om nuchter te worden
Dertig cases is klein genoeg om binnen twee weken te verzamelen en groot genoeg om patronen te zien. Bij minder dan tien voorbeelden wint de anekdote. Bij honderden voorbeelden blijf je analyseren tot de urgentie weg is.
Een case kan een leadformulier zijn, een inkomende factuur, een supportvraag, een offerteaanvraag of een retourmelding. Belangrijk is dat je echte input gebruikt, inclusief rommelige mails, ontbrekende bijlagen en klanten die niet precies schrijven wat jij verwacht.
AI-agents falen zelden op keurige voorbeelden. Ze falen op halve informatie, uitzonderingen en rechten die niet duidelijk zijn. Daarom moet je businesscase juist die werkelijkheid meenemen.
Stap 1: kies drie kandidaatprocessen
Begin niet met één favoriet proces. Kies drie kandidaten en vergelijk ze. Goede kandidaten hebben herhaling, digitale input, duidelijke beslisregels en een meetbare uitkomst.
Voorbeelden: offerteaanvragen samenvatten, supporttickets routeren, facturen controleren, leads kwalificeren, reviews analyseren of terugkerende klantmails voorbereiden. Minder geschikt zijn complexe onderhandelingen, strategische keuzes of gesprekken waar empathie het product ís.
Schrijf per kandidaat één zin: “Als input X binnenkomt, moet output Y ontstaan, zodat persoon Z sneller kan beslissen.” Als je die zin niet scherp krijgt, is het proces nog niet klaar voor een agent.
Stap 2: verzamel 30 echte cases per winnaar
Kies de meest kansrijke kandidaat en verzamel 30 voorbeelden. Plak ze niet zomaar in een gratis chatbot als er persoonsgegevens of bedrijfsgevoelige informatie in staan. Werk met geanonimiseerde data of een zakelijke omgeving met passende afspraken.
Maak per case vier velden: ruwe input, gewenste output, huidige behandeltijd en uiteindelijke uitkomst. Bij een lead is de uitkomst bijvoorbeeld afspraak, geen match of later opvolgen. Bij een factuur is dat akkoord, afwijking of ontbrekende informatie.
Het doel is niet om meteen te automatiseren. Het doel is zien hoeveel variatie je proces werkelijk heeft. Vaak ontdek je dat 70 procent standaard is, 20 procent twijfel en 10 procent uitzonderlijk.
Stap 3: meet de vier businesscase-getallen
Getal 1 is volume: hoe vaak komt dit per week voor? Een proces van vijf keer per maand kan belangrijk zijn, maar verdient zelden je eerste agent. Zoek liever iets dat dagelijks terugkomt.
Getal 2 is behandeltijd: hoeveel minuten kost een medewerker nu gemiddeld per case? Vermenigvuldig dat met volume en uurkosten. Zo zie je tijdwinst in euro’s zonder fantasie.
Getal 3 is foutkost: wat gebeurt er als dit verkeerd gaat? Een gemiste lead kan €2.000 omzet kosten. Een verkeerd gerouteerd ticket kost misschien vooral irritatie. Foutkosten bepalen hoeveel controle je nodig hebt.
Getal 4 is handoff: hoe vaak moet een mens beslissen? Als 80 procent alsnog menselijke interpretatie vraagt, bouw dan eerst een assistent die samenvat en prioriteert in plaats van een autonome agent.
De scorekaart: rood, oranje, groen
Geef elk kandidaatproces een score van 1 tot 5 op volume, tijdwinst, foutkost, datakwaliteit en regelduidelijkheid. Tel niet blind op; kijk vooral naar rode vlaggen.
Groen betekent: veel volume, duidelijke regels, digitale input en lage schade bij fouten. Oranje betekent: kansrijk, maar alleen met menselijke goedkeuring. Rood betekent: te weinig data, te veel uitzonderingen of te grote gevolgen bij een fout.
De beste eerste agent zit vaak in oranje-groen gebied: genoeg waarde om interessant te zijn, maar niet zo risicovol dat iedereen zenuwachtig wordt.
Praktijkvoorbeeld: leadopvolging bij een B2B-dienstverlener
Een B2B-dienstverlener kreeg ongeveer 55 websiteleads per maand. Sales reageerde soms binnen twee uur, soms pas de volgende dag. Uit 30 cases bleek dat 18 leads duidelijk pasten, 7 twijfelachtig waren en 5 niet relevant.
De agent kreeg geen recht om zelfstandig deals te beloven. Hij mocht leads samenvatten, matchscore geven, drie verdiepingsvragen voorstellen en bij hoge score een conceptmail klaarzetten. De accountmanager bleef eigenaar van verzending.
Na vier weken daalde de eerste reactietijd van 14 uur naar 90 minuten. De echte winst zat niet in minder personeel, maar in minder gemiste momentum. Dat is precies waar agents in kleine teams vaak waarde leveren.
Praktijkvoorbeeld: factuurcontrole zonder finance-team
Een installatiebedrijf wilde inkomende facturen automatisch laten boeken. De 30 cases lieten echter zien dat artikelomschrijvingen, projectcodes en afgesproken kortingen vaak afweken. Volledige automatisering was te riskant.
De businesscase veranderde: de agent markeerde voortaan afwijkingen boven €75, koppelde facturen aan projecten en maakte een korte uitleg voor de projectleider. Alleen groene facturen gingen door naar de boekhouding.
Daardoor werd de automatisering kleiner, maar veel veiliger. De foutkosten daalden en medewerkers vertrouwden het systeem sneller omdat het niet deed alsof twijfel niet bestond.
Kosten en terugverdientijd realistisch maken
Reken met drie kostenblokken: inrichting, maandelijkse toolkosten en beheer. Voor een simpele no-code agent kan inrichting 8 tot 24 uur kosten. Voor koppelingen met CRM, boekhouding of helpdesk loopt dat snel op.
Zet daar conservatieve baten tegenover. Neem niet aan dat 100 procent van de behandeltijd verdwijnt. Reken in fase 1 met 25 tot 40 procent tijdwinst, plus eventuele omzetwinst door snellere opvolging.
Een pilot is gezond als je binnen 60 dagen kunt zien of de richting klopt. Als je pas na negen maanden bewijs hebt, is de scope waarschijnlijk te groot voor een eerste agent.
Guardrails: wat mag de agent wel en niet
Beschrijf rechten in werkwoorden: lezen, samenvatten, classificeren, voorstellen, aanmaken, verzenden, wijzigen en verwijderen. Voor je eerste agent zijn de laatste drie meestal verboden of alleen toegestaan na akkoord.
Leg ook vast wanneer de agent moet stoppen. Voorbeelden: ontbrekende klantgegevens, boos taalgebruik, bedragen boven €500, juridische termen, persoonsgegevens die niet nodig zijn of lage confidence-score.
Deze stopregels zijn geen rem op innovatie. Ze zorgen dat medewerkers de agent durven gebruiken omdat duidelijk is waar de grens ligt.
Beslis na 30 cases: bouwen, versmallen of stoppen
Na de test heb je drie opties. Bouwen als de cases voorspelbaar genoeg zijn en de waarde duidelijk is. Versmallen als één deelproces sterk is, maar volledige automatisering te groot. Stoppen als volume, data of regels onvoldoende zijn.
Stoppen is geen mislukking. Het bespaart budget en aandacht voor een betere kandidaat. Een volwassen AI-aanpak bestaat uit kiezen wat je níet automatiseert.
FAQ
Hoe lang duurt deze businesscase?
Voor één proces meestal één tot twee weken. De meeste tijd zit in cases verzamelen en beoordelen met mensen die het werk nu doen.
Welke tool moet ik kiezen?
Kies pas een tool na de 30-case test. Dan weet je of je vooral classificatie, tekstgeneratie, koppelingen, logging of menselijke goedkeuring nodig hebt.
Wanneer mag een agent zelfstandig uitvoeren?
Pas wanneer de foutimpact laag is, logging goed werkt, uitzonderingen duidelijk zijn en de agent in meerdere rondes betrouwbaar presteert. Begin met voorstellen, daarna pas uitvoeren.
Conclusie
AI-agents leveren waarde wanneer ze een echt bedrijfsproces raken, niet wanneer ze alleen technologisch knap zijn. Dertig echte cases halen de hype uit de kamer en brengen de businesscase terug naar werk, tijd, fouten en omzet.
Wie zo start, bouwt kleiner maar slimmer. En juist daardoor wordt de kans groter dat je eerste AI-agent geen demo blijft, maar dagelijks rendement oplevert.
Direct toepasbare prompt
"Geef me een praktische aanpak voor [probleem] voor een Nederlands mkb-bedrijf. Houd het kort, met concrete stappen en voorbeeldtekst."