Nu je weet wat je agent gaat doen en waar deze actief zal zijn, is het tijd om een belangrijke vraag te stellen.
Is er voor dit probleem daadwerkelijk een agent nodig?
Niet elk project heeft een agent nodig; zelfs niet elk automatiseringsproject. Soms is een eenvoudige workflow, script of regelgebaseerd proces effectiever. Het verschil begrijpen bespaart tijd, geld en verwarring later.
Een AI-agent doet meer dan alleen instructies uitvoeren. Hij leest, schrijft en spreekt in natuurlijke taal. Hij interpreteert intenties, past kennis toe en neemt beslissingen in onzekere situaties. Die flexibiliteit maakt hem krachtig, maar brengt ook extra complexiteit met zich mee. Elke LLM-aanroep kost tokens, tijd en brengt risico’s met zich mee. Gebruik dus alleen een agent als het werk echt redeneervermogen of taalbegrip vereist.
Als de taak deterministisch is (dus één voorspelbare input en één voorspelbare output heeft), is een workflow of automatiseringstool meestal beter. (kleine tip: Botpress kan beide!)
Als de taak context, interpretatie of een gesprek vereist, is een AI-agent de juiste keuze.
Laten we kijken hoe Terminal Roast dit aanpakt.
Het team van Taryn heeft hun eerste taak bepaald: klantfeedback verzamelen over nieuwe koffiesmaken en recepten. Adrian, de hoofdbarista, stelt twee manieren voor waarop de agent dit kan aanpakken.
De eerste manier is conversatiegericht. De agent vraagt waarom een klant een drankje lekker of niet lekker vond en probeert hun redenatie te begrijpen. Dat vereist nuance, interpretatie en geheugen. Dit past goed bij een agent.
De tweede manier is programmatisch. De agent toont een eenvoudige lijst met nieuwe recepten en vraagt klanten om met “ja” of “nee” te antwoorden. Voor die interactie is geen redeneervermogen nodig. Dat is ideaal voor automatisering.
Door deze twee flows te scheiden, maakt het team het systeem efficiënter. Ze gebruiken een agent waar taalbegrip belangrijk is, en een workflow waar logica voldoende is.
Veel teams maken dit onderscheid niet. Ze proberen een agent te bouwen die alles doet: vragen beantwoorden, data ophalen, gegevens bijwerken en transacties beheren. Maar elke extra functie verhoogt de kosten, vertraging en onderhoudslast. Een betere aanpak is om agents en workflows te combineren.
Gebruik workflows voor structuur en betrouwbaarheid. Gebruik agents voor intelligentie en aanpassingsvermogen.
Zie de agent als het ‘frontlinie’-interface die gebruikers begrijpt, en gestructureerde acties doorgeeft aan automatiseringssystemen die deze precies uitvoeren. Als deze twee systemen duidelijk zijn afgebakend, is het resultaat stabieler, schaalbaarder en transparanter.
Hier is een snelle test.
Vraag jezelf af: vereist deze taak begrip van natuurlijke taal, of kan het met een eenvoudige set regels? Als er begrip nodig is — bijvoorbeeld intentie herkennen, omgaan met ambiguïteit of kennis raadplegen — dan is een agent nodig. Zo niet, bouw het dan als een workflow.
Je kunt altijd later een agent toevoegen zodra de logica en data duidelijk zijn. Het is veel makkelijker om een werkende workflow uit te breiden tot een intelligente workflow dan om een complexe, te uitgebreide agent te debuggen.
De aanpak van Terminal Roast (het scheiden van conversatie- en programmatische taken) is een goed voorbeeld. Zo krijgen ze een slanker systeem dat precies doet waar elk onderdeel het beste in is.
Duidelijkheid op dit punt betaalt zich later uit in onderhoud, kosten en prestaties.
Actie: Bekijk de taken van je voorgestelde agent en bepaal welke echt taalbegrip vereisen.
Laat alleen die taken onder controle van de agent vallen en plan de rest te automatiseren via standaardworkflows.
