Zelf AI-agents maken: zo begin je als MKB'er
Van idee naar werkende AI-agent — een praktische gids voor ondernemers die zelf willen bouwen, zonder ontwikkelachtergrond.
Zelf AI-agents maken: is dat realistisch voor een niet-developer?
Ik krijg de vraag regelmatig: "Kan ik zelf een AI-agent maken, of heb ik daar een developer voor nodig?" Het eerlijke antwoord is: het hangt ervan af. Voor eenvoudige agents — een agent die je e-mail sorteert, klantvragen beantwoordt, of offertes samenvatelt — is codering vandaag de dag grotendeels optioneel. Voor complexere, productiewaardige agents die in meerdere systemen werken, heb je vroeg of laat technische kennis nodig.
Maar het beginpunt ligt een stuk lager dan de meeste ondernemers denken. En het is precies dat beginpunt dat het verschil maakt: wie begint, leert. Wie wacht op de perfecte tool of het perfecte moment, staat over een jaar nog op dezelfde plek.
In dit artikel leg ik je uit wat een AI-agent eigenlijk is (kort — want er is al een heel artikel over het verschil met een chatbot), wat je concreet nodig hebt om er zelf een te maken, welke tools er zijn per niveau, en hoe een eerste werkende agent eruit kan zien. Inclusief de valkuilen die ik keer op keer zie bij mensen die ermee beginnen.
Wat is een AI-agent — en waarom is dat anders dan een chatbot?
Een chatbot beantwoordt vragen. Een AI-agent voert taken uit. Dat klinkt als een subtiel verschil, maar het is fundamenteel.
Een chatbot heeft geen geheugen tussen gesprekken, kan niet zelfstandig iets doen in andere systemen, en wacht altijd op jouw volgende input. Een AI-agent krijgt een doel, bedenkt zelf welke stappen nodig zijn, gebruikt tools om die stappen uit te voeren — een API, een mailbox, een database, een kalender — en rapporteert het resultaat. Jij stelt het doel in, de agent regelt de uitvoering.
Een concreet voorbeeld: je kunt een chatbot vragen "schrijf een concept-antwoord op deze klantvraag". Je kunt een agent opdracht geven: "verwerk inkomende klantvragen, stuur urgente gevallen door naar Slack, maak een ticket aan in ons systeem, en stel een conceptantwoord op". De agent doet dat automatisch, elke keer als er een nieuwe e-mail binnenkomt — zonder dat jij erbij hoeft te zijn.
Wat heb je nodig om zelf een AI-agent te maken?
Voordat je een tool opent, zijn er drie dingen die je scherp moet hebben. Zonder deze drie loopt elk bouwproces vroeg of laat vast.
1. Een helder, afgebakend proces
Een AI-agent is zo goed als het proces dat je erin stopt. Als je zelf niet precies weet welke stappen er zijn, welke informatie als input dient, en wat de gewenste output is — dan weet de agent het ook niet. Schrijf het eerst op. Elke stap, elk beslissingsmoment, elk criterium. Dit klinkt saai, maar het is het meest waardevolle werk dat je doet.
Een goede vuistregel: als je het proces niet kunt uitleggen aan een nieuwe medewerker op hun eerste dag, kun je het ook niet uitleggen aan een agent.
2. Toegang tot de juiste data en systemen
Een agent werkt alleen goed als hij toegang heeft tot de informatie die hij nodig heeft. Dat kan een e-mailinbox zijn, een CRM-systeem, een kennisbank met veelgestelde vragen, of een bestandsopslag. Denk van tevoren na over welke systemen de agent moet kunnen bereiken — en welke niet.
Veel no-code tools bieden kant-en-klare koppelingen met populaire systemen zoals Gmail, Slack, Notion, HubSpot en Airtable. Als jij in die systemen werkt, kom je al ver zonder één regel code te schrijven.
3. Guardrails: wat mag de agent nooit doen?
Dit is het onderdeel dat de meeste mensen overslaan — en dat leidt gegarandeerd tot onverwachte uitkomsten. Voordat je bouwt, bepaal je de harde grenzen: wat mag de agent absoluut nooit zelfstandig doen? Nooit externe e-mails versturen zonder goedkeuring? Nooit klantdata verwijderen? Nooit toezeggingen doen boven een bepaald bedrag?
Begin altijd met een menselijke goedkeuringsstap voor elke actie die naar buiten gaat. Je verwijdert die controle pas als je genoeg vertrouwen hebt opgebouwd in het gedrag van de agent.
Tools om zelf AI-agents te maken: van no-code tot krachtigere opties
Er is een breed spectrum aan tools, van volledig visueel tot technisch. Welk niveau past bij jou hangt af van je proces, je ambities, en hoeveel controle je wilt hebben.
No-code en low-code: snel beginnen
Voor eenvoudige agents zijn tools als Make (voorheen Integromat), Zapier, en n8n uitstekende startpunten. Je bouwt visueel: stap voor stap, met blokken die je aan elkaar verbindt. Je kunt AI-stappen toevoegen — samenvatting, classificatie, tekstgeneratie — via ingebouwde koppelingen met modellen als Claude of GPT.
Ook specifieke agent-builders zoals Voiceflow (voor gespreksagents) of Botpress zijn toegankelijk voor niet-developers. Ze zijn gebouwd voor precies dit doel: een werkende agent opzetten zonder code te schrijven.
Het nadeel: je bent gebonden aan de mogelijkheden van de tool. Voor complexere logica, maatwerk-integraties, of agents die echt goed moeten presteren in een productieomgeving, loop je vroeg of laat tegen limieten aan.
Meer controle: Claude Code en MCP
Als je verder wilt gaan dan de standaard no-code tools, kom je in het domein van Claude Code en het Model Context Protocol (MCP). Dit is de stack waar ik zelf mee werk bij truck8.ai, en ik wil er eerlijk over zijn: dit vereist enige technische bereidheid. Je hoeft geen senior developer te zijn, maar je moet niet bang zijn voor een terminal-venster en wat configuratiebestanden.
Het voordeel is aanzienlijk: je hebt volledige controle over wat de agent kan doen, je kunt hem koppelen aan vrijwel elk systeem via MCP-servers, en je bouwt op een fundament dat echt schaalbaar is. Claude Code stelt je in staat om agents te bouwen die meerdere tools combineren, context onthouden over langere taken, en complexe stappen zelfstandig afhandelen.
Voor MKB-ondernemers die serieus willen beginnen met zelf bouwen — en niet alleen willen experimenteren — is dit het niveau waarop het echt interessant wordt. Maar neem er de tijd voor: een week experimenteren in Make is een prima manier om te begrijpen wat je van een agent wilt, vóórdat je overschakelt naar een krachtigere omgeving.
Stap voor stap je eerste agent bouwen: een concreet voorbeeld
Laten we het concreet maken. Stel: je ontvangt dagelijks tientallen klantvragen per e-mail. Je wilt een agent die die vragen leest, ze categoriseert (product, levering, klacht, overig), een conceptantwoord opstelt op basis van je kennisbank, en een notificatie stuurt naar de juiste persoon in je team.
Stap 1 — Beschrijf het proces op papier
Schrijf op: wat triggert de agent (nieuwe e-mail in inbox), wat is de input (de e-mailtekst), welke stappen zijn er (lees → categoriseer → stel concept op → stuur melding), en wat is de output (concept in een draft-map, notificatie in Slack). Dit duurt 30 minuten en bespaart je uren aan verwarring later.
Stap 2 — Kies je tool en bouw het skelet
Voor dit voorbeeld is Make of n8n een prima keus. Maak een workflow: trigger op nieuwe Gmail-e-mail → stuur de tekst naar Claude (via de ingebouwde AI-stap) met een prompt die uitlegt wat de categorieën zijn en hoe het conceptantwoord eruit moet zien → sla het concept op als concept-e-mail in Gmail → stuur een Slack-bericht naar het juiste kanaal.
De eerste versie hoeft niet perfect te zijn. Het gaat erom dat je een werkende loop hebt die je kunt testen.
Stap 3 — Test met echte, maar veilige data
Voer tien echte e-mails door de agent. Bekijk elk resultaat. Klopt de categorie? Is het conceptantwoord bruikbaar? Waar gaat het mis? Noteer de patronen — en pas je prompt aan op basis van wat je ziet. Prompten is een vaardigheid die je opbouwt door te oefenen, niet door erover te lezen.
Stap 4 — Voeg menselijke controle toe vóórdat je live gaat
Ga pas live als je een controle-stap hebt ingebouwd. In dit voorbeeld: het concept wordt nooit automatisch verstuurd. Een medewerker leest het, past het eventueel aan, en stuurt het zelf. Pas na weken of maanden van goede resultaten kun je overwegen om die controle-stap te verwijderen — en alleen voor bepaalde categorieën, niet voor alles.
Veelgemaakte fouten bij zelf AI-agents maken
Ik zie deze fouten zo regelmatig dat ik ze hier apart benoem. Niet als waarschuwing, maar als herkenningspunten: als je er een tegenkomt, weet je wat je moet doen.
- Het proces niet eerst op papier uitschrijven — dan bouw je op drijfzand en kun je halverwege niet meer verklaren waarom de agent doet wat hij doet.
- Beginnen met een te complex proces — kies voor je eerste agent iets eenvoudigs, met een duidelijke input en output. Je kunt later opschalen.
- Geen guardrails definiëren — geen harde grenzen betekent vroeg of laat een agent die iets doet wat je niet verwacht. Definieer wat nooit mag, vóórdat je begint.
- De happy path testen maar de uitzonderingen vergeten — wat doet de agent als de e-mail in een andere taal is? Als de vraag buiten je kennisbank valt? Test de randgevallen.
- Overengineering — direct een complexe stack opzetten vóórdat je weet of het concept werkt. Gebruik de eenvoudigste tool die het probleem oplost.
Wanneer zelf doen, wanneer laten bouwen?
Zelf AI-agents maken heeft echte voordelen: je begrijpt wat je hebt gebouwd, je kunt het zelf aanpassen, en je bouwt kennis op die je in je hele bedrijf kunt toepassen. Maar het kost ook tijd — en niet elke ondernemer heeft die tijd.
Mijn vuistregel: bouw zelf als het proces simpel en afgebakend is, als je de tijd hebt om te experimenteren, en als je de kennis in huis wilt halen. Laat bouwen als het proces complex is, als het om een kritisch systeem gaat, of als de snelheid van oplevering belangrijker is dan het leerproces.
Een derde weg die ik steeds vaker zie werken: leer de methode zelf, zodat je kunt sturen en beoordelen — maar laat de feitelijke bouw over aan iemand die er dagelijks mee werkt. Je hoeft niet te kunnen rijden als een coureur om een goede autocoureur te kunnen coachen.
In het AI-cohort dat ik aanbied leer je precies die combinatie: de denkwijze, de procesanalyse, de toolkeuze, en het bouwen van een eerste werkende agent — zodat je weet wat je koopt en wat je zelf kunt doen.
Belangrijkste inzichten
- Een AI-agent voert taken uit; een chatbot beantwoordt vragen — dat onderscheid bepaalt wat je van een agent mag verwachten.
- Proceshelderheid gaat vóór technologie: schrijf het proces volledig op voordat je een tool opent.
- No-code tools zoals Make en n8n zijn goede startpunten; voor meer controle en schaalbaarheid kijk je naar Claude Code en MCP.
- Definieer guardrails vóór je begint: wat mag de agent nooit doen zonder menselijke goedkeuring?
- Begin met het eenvoudigste nuttige proces, bouw een werkende versie, test met echte data, en schaal daarna op.
Leer zelf AI-toepassingen en agents bouwen
In het AI-cohort van truck8.ai leer je in zeven sessies hoe je AI-agents ontwerpt, bouwt en toepast op echte processen in jouw bedrijf — ook zonder technische achtergrond.
Bekijk het AI-cohort