AI-agent maken: in tien stappen je eigen agent bouwen

Een AI-agent maken doe je in grote lijnen in tien stappen. Je bepaalt wat de agent moet doen, legt vast wat erin gaat en wat eruit komt, schrijft zijn instructies, geeft hem gereedschap en een geheugen en test hem op echte gevallen voordat hij zelfstandig aan het werk gaat. Voor de meeste ondernemers zijn vijf van die tien stappen genoeg om te beginnen. Daar heb je geen regel code voor nodig.

Deze week kwam ik op LinkedIn een overzicht tegen van GenAI Works met de titel “How to build AI agents from scratch”. Tien stappen, keurig getekend, met bij elke stap een rijtje frameworks: LangChain, CrewAI, LangGraph, Pydantic, ChromaDB, FAISS. Het is een goed overzicht. Ik moet er wel eerlijk bij zeggen dat ik halverwege dacht: als ik ondernemer was zonder technische achtergrond, zou ik na stap 4 afhaken.

En dat is jammer, want de stappen zelf kloppen. Alleen is de volgorde van belangrijk naar minder belangrijk voor een ontwikkelaar een andere dan voor iemand die een installatiebedrijf, een adviesbureau of een praktijk runt. Dus ik loop ze hier een voor een door, met bij elke stap wat het betekent als je een agent wilt maken voor je eigen bedrijf.

Wat is een AI-agent en waarin verschilt hij van een chatbot?

Een chatbot beantwoordt de vraag die je stelt. Een AI-agent krijgt een opdracht en bedenkt zelf welke stappen nodig zijn om die uit te voeren. Hij zoekt iets op, leest een document, rekent iets uit, schrijft een concept, leest dat concept nog eens na en levert het resultaat op, zonder dat jij tussen elke stap iets hoeft te typen.

De makkelijkste manier om dat voor je te zien is een nieuwe medewerker. Een goede nieuwe medewerker heeft drie dingen nodig: een duidelijke taak, toegang tot de systemen en informatie waar hij mee werkt en iemand die de eerste weken meekijkt. Een AI-agent heeft precies hetzelfde nodig. Alle tien de stappen hieronder komen neer op het inwerken van die nieuwe collega.

Wil je eerst weten wat agents op dit moment wel en niet goed kunnen, lees dan AI-agents: wat kan het echt in 2026. Dit artikel gaat over het maken zelf.

Stap 1. Wat moet je agent doen, voor wie en wat levert hij op?

Dit is de stap die het vaakst wordt overgeslagen. Het is ook de stap waar de meeste agents later op stuklopen.

“Een agent die helpt met de klantenservice” klinkt als een opdracht, maar je kunt je voorstellen hoe een nieuwe medewerker kijkt als je hem op zijn eerste dag alleen dat meegeeft. Welke klanten? Welke vragen? Mag hij zelf iets toezeggen? Wie kijkt het na? Een bruikbare opdracht klinkt eerder zo: “een agent die binnenkomende mails over leveringen leest, de status opzoekt in ons systeem en een conceptantwoord klaarzet dat Sandra nakijkt voordat het verstuurd wordt”.

Schrijf daarom drie dingen op. Wat doet de agent precies, voor wie doet hij het en hoe ziet het resultaat eruit als het goed is? Lukt dat niet in een paar zinnen, dan is de taak nog niet rijp voor een agent. Dat valt mee, want dan weet je in elk geval waar het eerste werk ligt: het proces zelf helder krijgen.

In NLP noemen we dat modelleren: uitzoeken hoe iemand iets precies doet, tot op het niveau van de beslissingen die hij onderweg neemt zonder erbij na te denken. Daar ben ik sinds 2005 mee bezig en het is precies de vaardigheid die je hier nodig hebt. Een agent kan alleen overnemen wat jij kunt uitleggen.

Stap 2. Wat gaat erin en wat komt eruit?

Het overzicht zegt het mooi: denk als een API. Een API is de vaste manier waarop twee systemen met elkaar praten. Het werkt omdat beide kanten weten wat ze kunnen verwachten.

Voor een agent betekent dat: leg vast in welke vorm de informatie binnenkomt en in welke vorm het resultaat terugkomt. Een offerte heeft altijd een klantnaam, een lijst regels met aantallen en prijzen en een totaal. Een gespreksverslag heeft altijd de afspraken, wie wat doet en de volgende stap. Een antwoord op een klachtmail heeft altijd een erkenning, een oplossing en een termijn.

Ontwikkelaars leggen dat vast in een schema, met tools als Pydantic of een JSON-schema. Als ondernemer doe je hetzelfde met voorbeelden. Geef de agent twee of drie ingevulde voorbeelden van hoe het resultaat eruit moet zien, uit je eigen archief. Dat werkt beter dan een pagina uitleg, want een voorbeeld laat ook alle dingen zien die je vergeten was op te schrijven.

Stap 3. Hoe geef je de agent zijn rol en zijn regels?

Nu schrijf je de instructies. Wie is de agent, wat doet hij wel en wat laat hij liggen, in welke toon schrijft hij en wanneer moet hij stoppen en het aan een mens vragen? Dat laatste wordt vaak vergeten en het is misschien wel de belangrijkste regel van allemaal. Een nieuwe medewerker die niet weet wanneer hij iets moet voorleggen, gaat vroeg of laat iets beloven wat je niet kunt waarmaken.

In Claude zet je die instructies in een Project of in een skill. In ChatGPT heet hetzelfde een GPT, in Microsoft 365 bouw je het in Copilot Studio. De naam verschilt, het principe is hetzelfde: vaste instructies die bij elk gesprek meegaan, zodat je niet elke keer opnieuw hoeft uit te leggen wie de agent is.

Het overzicht noemt bij deze stap ook MCP, het Model Context Protocol. Dat is een standaard die Anthropic heeft ontwikkeld om een AI-model op een vaste manier te koppelen aan andere systemen: je agenda, je mail, je CRM, je boekhouding. Voor veel bekende pakketten bestaat al een kant-en-klare koppeling. In Claude heten die koppelingen connectoren. Daarmee kan je agent bij je gegevens zonder dat iemand hoeft te programmeren.

Stap 4. Hoe laat je een agent nadenken en gereedschap gebruiken?

Hier wordt een assistent een agent. Hij moet zelf kunnen beslissen welke stap hij als volgende zet. Het overzicht noemt twee werkwijzen. Bij ReAct wisselt het model redeneren en doen af: het denkt na, zoekt iets op, kijkt naar wat eruit kwam en denkt opnieuw na. Bij chain-of-thought schrijft het model zijn redenering stap voor stap uit voordat het antwoordt.

Het goede nieuws is dat de huidige modellen van Anthropic, OpenAI en Google dat van zichzelf al goed doen. Daar hoef je als ondernemer weinig voor in te richten. Wat jij wel bepaalt, is welk gereedschap de agent mag gebruiken: zoeken op internet, bestanden lezen, code uitvoeren, een koppeling met je eigen systemen.

Mijn advies is om daar zuinig mee te zijn. Geef de agent alleen het gereedschap dat hij voor deze ene taak nodig heeft, zeker als het gaat om dingen die hij kan wijzigen of versturen. Een agent die mails mag lezen is iets anders dan een agent die mails mag versturen. Je geeft een nieuwe medewerker op dag één ook niet meteen de pinpas van de zaak.

Stap 5. Heb je meerdere agents nodig?

Het overzicht zet er zelf “als het nodig is” bij. Dat zou ik nog wat groter drukken. Met meerdere agents verdeel je het werk over specialisten: een planner die de taak opknipt, een onderzoeker die informatie verzamelt en een schrijver die het resultaat maakt. Frameworks als CrewAI en LangGraph zijn daarvoor gebouwd en voor grote, ingewikkelde processen is dat een goede aanpak.

Voor de meeste taken in een mkb-bedrijf is één goed ingerichte agent genoeg. Elke extra agent is een extra plek waar het mis kan gaan en een extra overdracht waarbij informatie verloren kan raken. Dat is bij mensen niet anders, trouwens. Begin met één agent en splits pas als je merkt dat zijn instructies zo lang en zo tegenstrijdig worden dat hij de draad kwijtraakt.

Stap 6. Wat moet je agent onthouden?

Een taalmodel onthoudt van zichzelf niets tussen twee gesprekken. Elke keer dat je een nieuw gesprek begint, staat er iemand voor je die niet weet wie je klanten zijn, wat je prijzen zijn of wat er vorige week is afgesproken. Moet de agent dat wel weten, dan moet je het ergens vastleggen waar hij het kan terugvinden.

In het overzicht heet dat RAG, retrieval augmented generation, met vectordatabases als ChromaDB en FAISS. Dat is de techniek om een agent in grote hoeveelheden documenten het juiste stuk te laten vinden. Voor een ondernemer komt het eerst neer op een andere vraag: welke kennis heeft deze agent nodig en waar staat die nu?

Het eerlijke antwoord is meestal: in het hoofd van de eigenaar, of van die ene collega die al vijftien jaar weet hoe het zit. Daar helpt geen database tegen. Die kennis moet eerst op papier. Dat is precies waar ik in Het MasterBrain Principe over schrijf. Eerst haal je de kennis uit je hoofd, daarna pas kies je de techniek.

Voor de hoeveelheid kennis die een klein bedrijf heeft, is een database vaak niet eens nodig. Een paar goed geschreven documenten in een Claude Project werken prima. Zo heb ik het MasterBrain-bouwpakket ook opgezet: vier documenten over je klant, je toon, je positionering en je aanbod, waar dertien experts vanuit werken. Corrigeer je er een, dan stelt hij voor om die correctie in het document vast te leggen, zodat de rest van het team het ook weet.

Stap 7. Moet je agent kunnen praten of kijken?

Deze stap is optioneel en zo staat hij ook in het overzicht. Een agent kan tegenwoordig spraak omzetten in tekst en andersom, met diensten als ElevenLabs. Hij kan ook afbeeldingen lezen: een foto van een bonnetje, een scan van een ingevuld formulier, een schermafbeelding van een foutmelding.

Dat is handig voor een monteur die onderweg een werkbon inspreekt of voor een administratie die stapels papieren formulieren verwerkt. Voor de meeste kantoortaken kun je deze stap gerust overslaan tot de rest werkt. Een agent die praat maar de verkeerde dingen zegt, is vooral sneller verkeerd.

Stap 8. In welke vorm levert de agent zijn werk op?

Een agent die een prachtig antwoord geeft in een chatvenster, waarna iemand het er handmatig uit kopieert, in een ander programma plakt en opmaakt, bespaart minder tijd dan je zou hopen. Ik zie dat vaak gebeuren bij mensen die net beginnen met AI: het schrijven gaat sneller, maar alles eromheen blijft hetzelfde.

Bepaal daarom vooraf waar het resultaat terecht moet komen. Een concept in je mailprogramma, een regel in een spreadsheet, een PDF in de klantmap, een taak in je planningssysteem. Dit hangt direct samen met stap 2. Als vastligt hoe het resultaat eruitziet, kun je het ook automatisch doorzetten naar de plek waar het gebruikt wordt.

Stap 9. Heb je een eigen scherm nodig?

Het overzicht noemt dit de stap die van een agent een product maakt, met tools als Streamlit, Gradio en FastAPI. Dat klopt als je de agent aan klanten wilt aanbieden of als collega’s ermee moeten werken die nooit Claude of ChatGPT openen.

Gebruik je de agent in je eigen bedrijf, dan is een eigen scherm vaak overbodig. Claude zelf, een Slack-kanaal of een knop in een systeem dat je al gebruikt werkt net zo goed. En het scheelt je een stuk software dat je moet bouwen, beveiligen en bijhouden. Dat laatste wordt bij de begroting van een eigen app nogal eens vergeten.

Stap 10. Hoe test je of je agent goed werkt?

Deze stap staat in het overzicht onderaan. Ik zou hem naar voren halen, direct na stap 3.

Test je agent op tien echte gevallen uit je eigen archief voordat hij zelfstandig iets doet. Tien mails die je vorige maand hebt beantwoord, tien offertes die je al hebt verstuurd, tien gesprekken die je hebt samengevat. Leg zijn antwoorden naast wat jij toen deed. Waar het verschilt, zoek je uit waardoor dat komt. Meestal is het een van drie dingen: de instructies waren onduidelijk, er ontbrak kennis of de taak heeft meer uitzonderingen dan je dacht.

Blijf daarna meekijken. Laat de agent de eerste weken alleen concepten maken die een mens goedkeurt. Pas als je een tijd lang niets meer hoeft te verbeteren, geef je hem meer ruimte. Dat is precies hoe je een nieuwe medewerker inwerkt en ik ken eerlijk gezegd geen betere manier.

Met welke stappen begin je als ondernemer?

Als ik het overzicht terugbreng tot wat een mkb-bedrijf in de eerste maand nodig heeft, blijven er vijf stappen over:

• De opdracht (stap 1): één taak, voor één persoon, met een helder resultaat.
• Het format (stap 2): twee of drie voorbeelden uit je eigen archief.
• De instructies (stap 3): rol, regels en wanneer hij het aan jou vraagt.
• De kennis (stap 6): de documenten die hij nodig heeft om het werk te doen.
• Het testen (stap 10): tien echte gevallen voordat hij zelfstandig iets doet.

Daarmee maak je in Claude, ChatGPT of Copilot een agent die een echte taak van je overneemt, zonder één regel code. Stap 4 komt er grotendeels vanzelf bij, want de modellen redeneren zelf. De stappen 5, 7, 8 en 9 zijn voor later, als de eerste agent draait en je weet waar de winst zit.

Wie meer wil weten over de overstap van losse vragen naar een vaste werkwijze, vindt dat in van losse prompts naar een AI-systeem.

Veelgestelde vragen over een AI-agent maken

Kun je zelf een AI-agent maken zonder te programmeren?

Ja. Met een Project in Claude, een GPT in ChatGPT of een agent in Copilot Studio maak je een agent door instructies te schrijven, documenten toe te voegen en koppelingen aan te zetten. Programmeren wordt pas nodig als je meerdere agents wilt laten samenwerken, een eigen scherm wilt bouwen of koppelingen nodig hebt die nog niet kant-en-klaar bestaan.

Hoeveel kost een AI-agent?

Een agent die je zelf inricht in Claude of ChatGPT kost je het abonnement, rond de twintig euro per maand per gebruiker, plus de tijd die je in de opdracht, de instructies en het testen steekt. Een agent die een bureau op maat voor je bouwt, met koppelingen naar je eigen systemen, kost al snel enkele duizenden euro’s. De tijd om je eigen kennis op papier te krijgen, zit in beide gevallen bij jou.

Kun je een AI-agent maken met Claude?

Ja. In Claude maak je een agent met een Project, waarin je de instructies en de documenten zet die hij nodig heeft. Met skills leg je vaste werkwijzen vast en met connectoren koppel je hem aan andere systemen, zoals je mail of agenda. Hoe je met Claude begint, lees je in de beginnersgids voor Claude.

Welke AI-agent is het beste?

Dat hangt meer af van de taak dan van het model. Werk je in Microsoft 365, dan ligt Copilot Studio voor de hand. Schrijf je veel of werk je met lange documenten, dan kies ik zelf voor Claude. De keuze voor het model maakt uiteindelijk minder uit dan de kwaliteit van je opdracht, je voorbeelden en je instructies.

Waar begin ik als ik niet weet welke taak geschikt is?

Kijk naar werk dat vaak terugkomt, steeds ongeveer hetzelfde gaat en nu bij één persoon ligt. Wil je dat voor je eigen bedrijf op een rij hebben, doe dan de AI Kansencheck. Die laat per taak zien hoeveel tijd erin zit en waar een eerste agent het meeste oplevert.