AI agents of traditionele workflow automation: wanneer kies je wat?

Houd traditionele workflow automation zolang vaste regels het werk dragen, voeg een vaste AI-stap toe waar vrije tekst gelezen moet worden, en zet een AI agent alleen in op de uitzonderingen waar het uitzoekwerk per geval anders loopt; vergelijk de drie op kosten per correct afgerond dossier, niet op prijs per uitvoering.

Deze pagina behandelt de keuze, niet de definities. Je leest wanneer welke aanpak wint op volume, variatie, uitzonderingen, kosten per taak en foutprofiel, met een tabel, de echte rekeneenheden van n8n, Zapier, Make en een taalmodel, en een volledig doorgerekend omslagpunt. Het verschil tussen de twee begrippen staat op de zusterpagina Wat is het verschil tussen een AI agent en workflow automation?.

Het korte antwoord

• Er zijn drie keuzes, geen twee: een vaste workflow, een vaste workflow met één AI-stap, en een begrensde agent die zelf vervolgstappen kiest (Anthropic, 19-12-2024).
• Nederlandse pakketten mengen al: AFAS laat beheerders “AI-opdrachten opnemen in de workflow” en Exact zet AI-boekingsvoorstellen naast zelf ingerichte goedkeuringsflows (AFAS Help, Exact, gelezen 30-09-2026).
• De rekeneenheden verschillen: bij n8n is een uitvoering de hele workflow, bij Zapier is elke geslaagde actie een taak, en Zapier Agents rekent in activiteiten (1.500 per maand voor $400 per jaar) (n8n, Zapier, 30-09-2026).
• Een agent die vijf keer redeneert kost vijf keer zoveel modelverbruik: in ons rekenvoorbeeld $0,009 per ronde, $450 in plaats van $90 bij 10.000 dossiers.
• Een extra minuut controle per dossier kost bij €45 per uur €1.875 per maand over 2.500 dossiers: meer dan het modelverbruik in bijna elk scenario.
• Ook vaste workflows falen: Microsoft documenteert dubbele mails en dubbele records in Power Automate (Microsoft Learn, 07-08-2026).
• De best scorende agent op Zapiers AutomationBench rondt 44,75% van de zakelijke taken volledig af, tegen $1,14 per taak (Zapier, 30-09-2026).
• In ons scenario met 2.500 dossiers en 20% uitzonderingen verdient een agentlaag voor de uitzonderingen zich terug vanaf 152 uitzonderingen per maand; vier minuten review plus 1% extra gemiste fouten draait dat om naar verlies.

Wat is het verschil tussen een AI agent en workflow automation, in twee zinnen?

Bij workflow automation zijn de toegestane paden vooraf ontworpen; bij een AI agent kiest het model tijdens het werk zelf de vervolgstap, binnen de rechten die je hem geeft. Een workflow kan dus vertakken en zelfs een taalmodel bevatten zonder een agent te zijn.

Anthropic, dat zelf modellen verkoopt, schrijft het letterlijk: “Workflows are systems where LLMs and tools are orchestrated through predefined code paths” (Building effective agents, 19-12-2024). Microsoft noemt een product zelfs “agent flow” en schrijft er in dezelfde documentatie bij: “Agent flows are deterministic” (Microsoft Learn, 03-08-2026). Het etiket op het abonnement zegt dus niet wie de route bepaalt. Kijk naar gedrag: wie kiest de volgende stap, en wat mag hij daarna doen?

Voor de koopvraag is dat onderscheid genoeg. Een mail laten classificeren door een taalmodel is een AI-stap in een vaste route, geen agent. Pas als het vervolgonderzoek verandert door wat onderweg gevonden wordt, heb je de handelingsvrijheid van een agent nodig. De uitgebreide uitleg met voorbeelden staat op vraag 49; wat een agent is en hoe lang hij zelfstandig werkt lees je in Wat is een AI-agent?.

Wanneer wint welke aanpak op volume, variatie, uitzonderingen, kosten en fouten?

Een vaste workflow wint bij veel gelijke gevallen met stabiele regels, een AI-stap wint waar alleen de vorm van de invoer varieert, en een agent wint alleen waar het uitzoekwerk per geval een andere route volgt en die meerwaarde gemeten is. De tabel hieronder is onze synthese als koopcriteria, geen gemeten ranglijst. De kolommen zijn ontwerpvarianten die in één proces naast elkaar kunnen draaien: een agent kan een workflow aanroepen, en andersom.

Ondergrond: architectuur uit Anthropic, rekeneenheden uit n8n, Zapier en Make, fouttypen uit Microsoft Learn en OWASP, alle gelezen 30-09-2026.

Een voorbeeld zonder verzonnen klant. Een dagelijkse export van goedgekeurde orders blijft een workflow. Een bestelling in vrije tekst omzetten naar een ordervoorstel met vaste controles is een AI-stap. Een afwijkende bestelling vergelijken met de offerte, de leveringsnotities en de correspondentie vraagt soms onderzoek dat per geval anders loopt. Alleen die laatste categorie is kandidaat voor een agent, en of de agent het daar goedkoper en beter doet, blijkt pas uit een proef op precies die gevallen.

Beslist het volume of je een AI agent of een workflow nodig hebt?

Nee: volume is een vermenigvuldiger, geen keuze. Tienduizend gelijke handelingen pleiten voor vaste regels. Tienduizend uiteenlopende dossiers kunnen juist veel handmatig uitzoekwerk bevatten. Wat beslist is de uitzonderingslast: hoeveel gevallen per soort afwijking, hoeveel minuten ze nu kosten, en hoeveel controletijd er na automatisering overblijft.

Volume vergroot beide kanten. Een verbetering van €0,10 per dossier is bij 500 dossiers €50 per maand en bij 50.000 dossiers €5.000. Maar bij een gelijk foutpercentage groeit het aantal getroffen dossiers met dezelfde factor honderd. Een hoog volume maakt een goede keuze dus lucratiever en een slechte keuze duurder, ongeacht of die keuze workflow of agent heet.

Ook een hoog uitzonderingspercentage is op zichzelf geen argument. Uitzonderingen zijn minstens vier verschillende problemen:

1. Een bekende afwijking, zoals een bedrag boven een drempel, past in een regel.
2. Een onbekende formulering, zoals een leverancier die het projectnummer in de omschrijving zet, past meestal in een vaste AI-stap.
3. Onderzoek dat vertakt op wat het vindt, zoals een factuur zonder projectnummer die je moet koppelen via offerte, mailwisseling en planning, kan een agent rechtvaardigen.
4. Ontbrekende bevoegdheid of onbekend beleid, zoals een nieuwe bankrekening van een leverancier, vraagt een mens of een proceswijziging.

Tel eerst hoeveel van je uitzonderingen in welke bak vallen. Alleen de derde bak is agentwerk. De situatie van een factuur zonder projectnummer is daar een herkenbaar voorbeeld van.

Wat kost een AI agent per taak vergeleken met een workflow?

Dat is niet in één getal te zeggen, omdat elke aanbieder in een andere eenheid rekent en geen van die eenheden gelijk is aan een afgerond dossier. Vergelijk daarom kosten per correct afgehandeld dossier: alle kosten van een periode gedeeld door het aantal dossiers dat aantoonbaar goed is afgerond. De gepubliceerde tarieven op 30 september 2026:

Dit is een tariefkaart, geen prijsranglijst; de totaalkosten staan in wat administratie automatiseren met AI kost. Btw, inrichting, bestaande pakketlicenties, beheer en menselijke controle zitten er niet in, en er is geen valuta omgerekend.

De eenheden verschillen wezenlijk. n8n: “An execution is a single run of your entire workflow.” Zapier: “Each successful action in a Zap counts as a separate task.” Make: “Non-AI apps: 1 operation equals 1 credit”, en bij AI telt het modelverbruik daarbovenop (Make Help). Zapier Agents telt acties, webgebruik en opzoeken in gekoppelde kennis als activiteiten. Eén dossier kan dus één uitvoering zijn, of tien taken, of dertig activiteiten.

Benutting verandert de rekensom ook. Het n8n-abonnement van €20 is €0,008 per uitvoering als je alle 2.500 gebruikt, en €0,08 als je er 250 gebruikt. Dat is toegerekende abonnementsprijs, geen marginaal tarief.

Waarom kost een agent meer modelverbruik dan een AI-stap?

Omdat een agent na elk antwoord van een gereedschap opnieuw redeneert, en elke ronde een nieuwe modelaanroep is. Rekenvoorbeeld met het gepubliceerde tarief van Sonnet 4.6 en aangenomen 2.000 invoertokens en 200 uitvoertokens per ronde, zonder caching of korting: (2.000 × $3 + 200 × $15) / 1.000.000 = $0,009 per ronde. Een vaste AI-stap met één ronde kost bij 10.000 dossiers $90. Een agent met vijf gelijke rondes kost $450, alleen aan modelverbruik. In werkelijkheid groeit de context vaak per ronde, dus de latere rondes worden duurder.

Gebruikers lopen hier tegenaan. Op het forum van n8n vroeg iemand of duizend agenthandelingen op n8n Cloud één workflowuitvoering blijven en welke verborgen kosten er zijn; het antwoord was dat een run één uitvoering is, ongeacht het aantal agenthandelingen, en dat het modelverbruik apart telt (n8n Community, 10-12-2025). Een ander titelde zijn vraag “Ai chat model run twice and incurring cost twice” (n8n Community, 15-07-2025). Tel daarom de aanroepen in het uitvoeringsspoor, niet de blokjes in het ontwerp.

Het belangrijkere punt: modelverbruik is zelden de grootste post. Bij een aangenomen interne uurprijs van €45 kost één minuut €0,75. Eén extra minuut controle over 2.500 dossiers is €1.875 per maand, een veelvoud van de $90 aan modelverbruik uit het voorbeeld. Wie op de prijs per AI-aanroep kiest, kijkt naar de verkeerde regel van de begroting.

Vanaf hoeveel uitzonderingen verdient een agent naast je workflow zich terug?

In het scenario hieronder vanaf 152 uitzonderingen per maand, maar dat getal geldt alleen voor deze aannames. Alle aantallen, tijden en bedragen zijn zelfgekozen rekeninvoer, geen marktgemiddelden en geen resultaten van Bombos of een klant. Het doel is de formule, zodat je hem met je eigen cijfers invult.

Het proces: 2.500 factuurdossiers per maand. De bestaande workflow handelt 2.000 standaardgevallen af. Bij 500 gevallen zoekt een medewerker stukken op. We vergelijken alleen de uitzonderingsbak; de standaardroute blijft in beide varianten hetzelfde.

De rekensom:

• Nu: 500 × 8/60 × €45 = €3.000 per maand.
• Nieuw: €600 vast + 500 × €0,08 = €640, plus review 500 × 2/60 × €45 = €750, plus uitzoekwerk 50 × 6/60 × €45 = €225. Samen €1.615 per maand.
• Verschil: €1.385 per maand, of €6,00 tegenover €3,23 per uitzondering.

De algemene formule, per maand: netto voordeel = E × [w × (t0 - t1 - q × t2) / 60 - a] - F - L, waarbij L de extra gemiste foutschade is. Per uitzondering levert dit scenario €45 × (8 - 2 - 0,6)/60 - €0,08 = €3,97 op. Het omslagpunt is €600 / €3,97 = 151,1, dus vanaf 152 uitzonderingen per maand. Bij 2.500 dossiers is dat ongeveer 6% uitzonderingen.

De uitkomst is kwetsbaar, en juist dat is de les:

Verdubbeling van het AI-verbruik kost €40. Twee minuten extra review kost €750. Eén procent extra gemiste fouten kost €1.250. Wie een agent kiest op goedkope modellen, stuurt op de kleinste post in de tabel. De twee posten die de uitkomst omkeren zijn controletijd en fouten die door de controle glippen.

Welke fouten maakt een workflow, en welke maakt een AI agent?

Allebei maken ze fouten, maar andere: een workflow faalt vooral op techniek en op een verkeerde regel, een agent voegt daar verkeerde routes, onterechte “klaar”-meldingen en ongewenste acties aan toe. De vergelijking gaat dus over het foutprofiel, niet over voorspelbaar tegen onvoorspelbaar.

Dat vaste workflows foutloos zijn, klopt niet. Microsoft schrijft over Power Automate: “you might see the results of the flow being duplicated”, met dubbele mails en dubbele lijstitems als voorbeeld, en noemt verbindingsproblemen, verlopen toegangstokens, licenties en verkeerd ingestelde triggers als oorzaken van storingen (Microsoft Learn, 07-08-2026). Een regel kan bovendien consequent de verkeerde klant kiezen, snel en foutloos herhaald.

Vergelijkingssites spreken elkaar hier tegen. Flowmoat schrijft over workflows “it fails loudly” (Flowmoat, 14-07-2026), SOIS schrijft over agents “De mislukkingen zijn meestal stil” (SOIS, 04-09-2026). Geen van beide onderbouwt dat met incidentcijfers, en beide verkopen automatisering. De oplossing is fouttypen onderscheiden: een afgebroken run is zichtbaar, een verkeerd gekoppeld dossier lijkt technisch geslaagd, in beide ontwerpen.

Tel vijf fouttypen apart: verkeerd besluit, niet uitgevoerd, dubbel uitgevoerd, onterecht als geslaagd gemeld, en buiten bevoegdheid gehandeld. Taalmodellen brengen er een eigen risico bij: “Indirect prompt injections occur when an LLM accepts input from external sources, such as websites or files” (OWASP LLM01:2025). Dat raakt ook een vaste workflow met een AI-stap; hoe meer bevoegdheden, hoe groter de gevolgen.

Kleine fouten stapelen in elke keten. Tien stappen met elk 99% kans van slagen, onafhankelijk en zonder herstel, geven samen 0,99^10 = 90,4% kans dat alles goed gaat. Dat geldt wiskundig evengoed voor een workflow als voor een agent.

Hoe betrouwbaar maken AI agents zakelijke taken nu af?

Op de strengste openbare meting rondt de best scorende agent minder dan de helft van de taken volledig af. Zapiers AutomationBench 1.0.6 bevat meer dan 600 taken in zes bedrijfsfuncties, met 47 gesimuleerde apps. De score controleert de eindtoestand in de systemen, zonder AI-jury, zonder mens in de lus en met maximaal 50 stappen per taak. Bovenaan stond op 30 september 2026 Sonnet 5.5 met 44,75%, tegen gemeten kosten van $1,14 per taak (Zapier, 30-09-2026). Zapier verkoopt zelf agents en automation, en dit zijn gesimuleerde taken, geen veldonderzoek bij Nederlandse kantoren.

Wat de meting wel laat zien: een overtuigend antwoord is iets anders dan een afgerond dossier. Beoordeel een agent op wat er daadwerkelijk in het boekhoudpakket staat, niet op de melding dat hij klaar is. En volledige autonomie is een andere proef dan een agent die een voorstel klaarlegt dat een mens goedkeurt.

Controlelast verschilt ook bij vrijwel gelijke kwaliteit. In de preprint READY scoren GPT-5.4 en Sonnet 5 autonoom 72,8% en 72,5% op 375 klinische auditgevallen. Om dezelfde doelbetrouwbaarheid van 76% te halen, moest bij het eerste model 39,2% van de gevallen naar een mens en bij het tweede 29,6%, bij een aangenomen menselijk succes van 90% (Chatrath e.a., 02-09-2026). Dat is 32% meer nakijkwerk bij 0,3 procentpunt verschil in score. Meet kwaliteit en nakijkwerk dus apart: dat kan het verschil zijn tussen de €1.385 winst en het verlies uit de tabel hierboven.

Een beter model lost technische uitvoering niet vanzelf op. De preprint Verified Tool Calls liet in 300 gesimuleerde runs zien dat controleren vóór opnieuw proberen dubbele acties vermindert (Mansoor, Phadke en Rana, 31-07-2026). Het onderzoek gebruikt één model en een opzettelijk zwakke vergelijking, dus neem het als reden om dubbele effecten te meten, niet als bewijs van betrouwbare agents. Dezelfde eis geldt voor workflows: een herstart mag niet nog een keer mailen of betalen.

Kan een AI agent boven op mijn bestaande automatisering werken?

Ja, en dat is meestal de verstandigste opzet: laat de workflow de standaardgevallen afhandelen en zet de agent alleen op de bak die nu blijft liggen. Een agent kan een bestaande workflow als gereedschap aanroepen, en een workflow kan een agent inschakelen voor één stap. Of dat bij jou kan, hangt af van de systemen, de rechten en de overdracht; lees daarvoor Met je eigen software.

Let bij overstappen op de licentie. Microsoft documenteert de omzetting van een Power Automate-flow naar een Copilot Studio-agentflow als een eenrichtingsbewerking, omdat de facturatie verandert (Microsoft Learn, 03-08-2026). Dezelfde taak kan na een migratie dus anders gefactureerd worden, zonder dat er iets aan de taak verbeterd is.

Test eerlijk door drie varianten op dezelfde dossiers te zetten: de huidige of verbeterde vaste workflow, dezelfde workflow met één AI-stap, en een agent voor het uitzoekwerk. Gebruik dezelfde invoer, bronnen, rechten en definitie van klaar. Meet per variant:

Een foutloze kleine proef bewijst weinig. Bij nul fouten in 100 gevallen kan de echte foutkans nog 2,95% zijn (eenzijdige 95%-bovengrens, eigen berekening); bij nul in 300 nog 0,99%. Facturen van dezelfde leverancier zijn geen onafhankelijke gevallen, dus in de praktijk is die grens nog ruimer. Het volledige testprotocol staat op Hoe test je een AI agent voordat je automatiseert?.

Tel een terechte vraag niet als falen. Als een nieuwe bankrekening volgens je beleid menselijke bevestiging nodig heeft, is doorsturen het juiste gedrag. Meet apart: terecht doorgestuurd, onnodig doorgestuurd, onterecht zelf verwerkt, en fout ondanks goedkeuring. Anders kan een aanbieder zijn automatiseringspercentage opvoeren door twijfelgevallen door te drukken.

Wat betekent dit voor een mkb-bedrijf?

Koop geen autonomie voor al je dossiers; koop minder uitzoekwerk voor de dossiers die nu blijven liggen, en bewijs de kwaliteit op het hele proces. Dat is onze stelling, en ze volgt uit vier feiten die we nergens naast elkaar zagen staan.

Eén: de rekeneenheden van n8n, Zapier en Make tellen uitvoeringen, acties en credits, nooit afgeronde dossiers. Twee: bij bijna gelijke modelscore verschilt het nakijkwerk een derde, zoals READY laat zien. Drie: dubbele uitvoering en verlopen koppelingen treffen workflows en agents allebei, zoals Microsoft documenteert. Vier: AFAS en Exact mengen AI en vaste workflows al in de pakketten die je waarschijnlijk hebt.

Samen betekent dat: de economische eenheid is de opgeloste uitzondering, en de kwaliteitseenheid is het correct afgeronde dossier. Een kantoor van twintig mensen heeft geen budget voor een agent die elk dossier opnieuw doorredeneert, en ook geen ruimte voor een workflow die in stilte de verkeerde klant kiest. Het heeft wel een restbak waar iemand elke dag in zit te zoeken.

Begin daarom bij de pakketfuncties die je al betaalt; hoe je dat afweegt staat op AI of traditionele software voor administratie?. Meet daarna je restbak per soort uitzondering. Pas als de derde soort, het vertakkende uitzoekwerk, groot genoeg is om de formule positief te maken, is een agent het overwegen waard. Daarbij treden drie tweede-orde-effecten op die je vooraf moet kennen:

• De restbak wordt moeilijker. Als de makkelijke gevallen verdwijnen, blijven de lastige over. Halvering van het aantal handmatige dossiers is geen halvering van de uren.
• De wachtrij schuift naar het akkoord. Tweehonderd goede voorstellen zijn weinig waard als de enige bevoegde collega ze pas vrijdag ziet. Plan capaciteit voor wie goedkeurt.
• Betere invoer kan de agent overbodig maken. Daalt de bak van 500 naar 100 uitzonderingen, bijvoorbeeld doordat leveranciers een projectnummer meesturen, dan is de agentlaag in het scenario verlieslatend. Soms is een beter formulier goedkoper dan slimmere software.

Waar gaat dit naartoe?

Er is geen reeks die laat zien wanneer agents workflows economisch inhalen, en wie een jaartal noemt, verzint het (welke ontwikkelingen wel te zien zijn, staat in AI-agent trends voor bedrijven). Er bestaat geen maandreeks van kosten per correct administratief dossier voor beide ontwerpen; modelranglijsten, benchmarks en leveranciersbeloften meten elk iets anders. Wat wel gemeten is: de beste agent rondt 44,75% van de zakelijke taken volledig af op AutomationBench, en de controlelast verschilt per model een derde bij gelijke score.

Onze verwachting: op 30 september 2027 haalt, bij afgebakende administratieve processen waar de standaardroute al werkt, een vaste uitvoering met een begrensde agent voor het variabele uitzoekwerk in de meerderheid van eerlijke vergelijkingen lagere kosten per correct dossier dan een agent die voor elk dossier de hele route opnieuw kiest, bij dezelfde kwaliteit.

De redenering komt uit de gevoeligheidstabel. Halvering van het modelverbruik maakt in het scenario €20 per maand vrij; halvering van de review van twee naar één minuut maakt €375 vrij. De winst zit dus in controleerbare voorstellen, niet in goedkoper redeneren, en die winst haal je het makkelijkst op een smalle, goed afgebakende bak. Omgekeerd kan een afweging die stabiel blijkt later een vaste regel worden: een volwassen inrichting beweegt in beide richtingen.

Wat de verwachting breekt: als de volledige agentvariant in een vooraf vastgelegde vergelijking op minstens de helft van de processen wint, of als review en gemiste fouten zo ver dalen dat extra stapvrijheid geen kostennadeel meer heeft. Tegen die tijd regelt Bombos voor jou wat in beide scenario’s blijft staan: de bronnen bij elk voorstel, jouw akkoord op wat ertoe doet, en correcties die bewaard blijven terwijl de modellen eronder wisselen.

Wat kan een AI agent (nog) niet, en wat kan een workflow niet?

Een agent kan geen bedrijfskennis verzinnen die nergens staat, en een workflow kan geen geval afhandelen waar niemand een regel voor schreef. Beide grenzen zijn hard.

• Ontbrekend beleid blijft mensenwerk. Een agent kan bronnen raadplegen, maar alleen als die bestaan en bereikbaar zijn. Staat de afspraak nergens, dan is een vraag het juiste antwoord.
• Een akkoord bewijst geen controle. Wachten op goedkeuring voorkomt uitvoering vóór toestemming, maar niet dat de beoordelaar een verkeerde onderbouwing mist. Meet ook fouten ná goedkeuring; meer daarover in Fouten en controle.
• Taal is een aanvalsroute. Elk taalmodel dat mail of bestanden leest, is vatbaar voor indirecte prompt injection, of het nu in een agent of in een workflow zit.
• Een model repareert geen koppeling. Verlopen toegangstokens en ontbrekende licenties los je niet op met slimmer redeneren.
• Er is geen universele drempel. Geen onafhankelijke bron geeft een grens in medewerkers, documenten per dag of uitzonderingspercentage waarboven een agent wint. Het omslagpunt van 152 op deze pagina is een rekenvoorbeeld.
• Leverancierscijfers zijn niet vergelijkbaar. Exact noemt op zijn productpagina 73% sneller en 98% accuraatheid (Exact, 30-09-2026) zonder testset erbij; dat meet herkenning en snelheid, geen taakvoltooiing zoals de 44,75% van Zapier.
• Wij hebben deze vergelijking zelf nog niet gemeten. Er is geen gecontroleerde proef van Bombos tegen een vaste workflow en een AI-stap op dezelfde afwijkende facturen. Tot die er is, blijven de getallen hier rekenvoorbeelden.

Voor schermbediening en RPA als derde route: zie AI orchestration platform versus RPA.

Hoe pakt Bombos dit aan?

Bombos zet AI-agents op de uitzonderingen die je bestaande pakketten en workflows laten liggen, en laat de standaardroute waar hij is. Het doel: met hetzelfde team meer werk doen, van een hogere kwaliteit.

Bombos werkt met meerdere agents. Chef kijkt wat er binnenkomt, herkent de klus en geeft hem aan de juiste specialist. De specialisten zijn gebouwd rond jouw taken, in jouw systemen, met jouw regels: ze zoeken de klant, het project en het dossier erbij in bijvoorbeeld Exact of AFAS, en leggen een voorstel klaar waarbij je ziet waarop het gebaseerd is. Wegwijzer legt uit wat Bombos doet, helpt grenzen instellen en stelt voor wat er nog meer over kan.

Je keurt goed, past aan of wijst af in Bombos; in het pakket staat daarna alleen het resultaat. Een betaling, een bericht aan een klant en een contract wachten standaard op jouw akkoord, technisch afgedwongen. Die grens kun je zelf niet uitzetten; op jouw verzoek kan Bombos dat doen, op eigen risico. Een correctie geldt daarna als regel, ook voor je collega’s. Zo schuift werk van uitzoeken naar vaste regel, precies de beweging uit de stelling hierboven.

Staat de afspraak alleen in iemands hoofd, dan vindt Bombos hem niet. Daarom interviewt Bombos je: het stelt de vragen om die kennis vast te leggen, zodat hij er de volgende keer wel staat. En de eerste taak is het begin. Daarna leert je eigen team Bombos de volgende, zonder technisch te zijn. Wij nemen je mee; daarna kun je het zelf.

Bronnen

Elke bron is op 30 september 2026 geopend en elk citaat staat er letterlijk in.

• Anthropic, Building effective agents, 19 december 2024. Verkoopt modellen.
• Microsoft Learn, Agent flows overview, bijgewerkt 3 augustus 2026. Verkoopt Copilot Studio.
• Microsoft Learn, Troubleshoot issues with triggers, bijgewerkt 7 augustus 2026. Verkoopt Power Automate.
• AFAS Help, Toepassingen van AI bij AFAS, geen datum zichtbaar. Verkoopt bedrijfssoftware.
• Exact, Alles over automatische factuurverwerking, geen datum zichtbaar. Verkoopt boekhoudsoftware.
• n8n, Plans and Pricing, tarieven gelezen 30 september 2026.
• Zapier, Plans & Pricing, tarieven gelezen 30 september 2026.
• Make, Pricing, tarieven gelezen 30 september 2026.
• Make Help Center, Credits, geen datum zichtbaar.
• Anthropic, Claude pricing, tarieven gelezen 30 september 2026.
• Zapier, AutomationBench leaderboard, versie 1.0.6, stand 30 september 2026. Zapier verkoopt agents en automation.
• Chatrath e.a., READY or Not: Reliable Enterprise Agent Deployment, preprint, 2 september 2026.
• Mansoor, Phadke en Rana, Verified Tool Calls Improve LLM Agent Reliability Under Non-Atomic Failures, preprint, 31 juli 2026.
• OWASP GenAI Security Project, LLM01:2025 Prompt Injection, editie 2025.
• Flowmoat, AI agents vs automation: when you actually need each, 14 juli 2026. Verkoopt implementatie.
• SOIS, AI-agents versus workflowautomatisering, bijgewerkt 4 september 2026. Verkoopt een platform.
• n8n Community, Costs and limitations of AI Agents (on cloud n8n), 10 december 2025.
• n8n Community, Ai chat model run twice and incurring cost twice, 15 juli 2025.