De lus is het verschil
Anthropic maakt in “Building effective agents” een onderscheid dat helpt om door de marketing heen te kijken. Een workflow is een systeem waarin taalmodellen en tools “via vooraf vastgelegde paden in code” worden aangestuurd. Een agent is een systeem waarin het model “zelf zijn proces en toolgebruik stuurt”. De documentatie van de Claude Agent SDK zegt het nog praktischer: een agent is een applicatie die een taak afmaakt door zelf zijn stappen te plannen en tools aan te roepen die bestanden lezen, commando’s draaien of code bewerken.
In de praktijk ziet zo’n lus er zo uit:
- Het model krijgt een taak en de context die erbij hoort: instructies, eerdere berichten, beschikbare tools.
- Het kiest een actie, bijvoorbeeld “zoek in de map met offertes”.
- De omgeving voert die actie uit en geeft het resultaat terug.
- Het model leest het resultaat en kiest de volgende actie, of zegt dat de taak klaar is.
Een chatbot doet alleen stap 1 en geeft antwoord. Een agent herhaalt stap 2 tot 4 zo vaak als nodig.
De bouwstenen
Anthropic noemt het basisonderdeel van elk agentsysteem een “augmented LLM”: een taalmodel uitgebreid met ophalen (retrieval), tools en geheugen. De Agents SDK van OpenAI beschrijft een agent op vergelijkbare wijze als een taalmodel met instructies en tools, aangevuld met sessies als geheugenlaag binnen de lus.
| Onderdeel | Wat het doet | Voorbeeld |
|---|---|---|
| Model | Denkt, kiest de volgende stap | Claude, GPT, Grok |
| Instructies | Zegt wat de agent is en hoe hij werkt | Systeemprompt, CLAUDE.md, AGENTS.md |
| Tools | Laat de agent iets doen in de wereld | Bestanden lezen, zoeken, mail versturen, MCP-koppelingen |
| Context en geheugen | Wat de agent op dit moment weet, en wat bewaard blijft | Het contextvenster, notities, een kennisbron |
| De lus eromheen | Voert tools uit, bewaakt rechten, houdt de sessie bij | Claude Code, Codex, de Agent SDK, n8n |
Wanneer is een agent de juiste keuze?
Niet altijd. Anthropic raadt aan “de eenvoudigste oplossing” te zoeken en complexiteit pas toe te voegen als het nodig is. Workflows geven voorspelbaarheid bij taken die goed omschreven zijn. Agents passen bij open problemen waarbij je niet vooraf weet hoeveel stappen nodig zijn: een bug zoeken in een codebase, een dossier uitzoeken, een klantvraag beantwoorden waarvoor drie systemen geraadpleegd moeten worden.
Een vuistregel voor een team: kun je de stappen op een whiteboard tekenen en zijn ze elke keer gelijk, bouw dan een workflow. Verschillen de stappen per geval, dan heb je een agent nodig. Voor de afweging in je bedrijf staat er meer in Wanneer is een AI-agent interessant voor mijn bedrijf?
Het misverstand: een agent is zo slim als zijn model
De meeste aandacht gaat naar het model. Maar een agent met het beste model van dit moment maakt nog steeds fouten als hij de verkeerde informatie ziet. Anthropic schrijft dat taalmodellen een beperkt “aandachtsbudget” hebben: hoe meer er in het contextvenster staat, hoe slechter het model details terugvindt. Wat een agent goed of slecht maakt, is daarom vaak niet het model maar de context: welke instructies hij krijgt, welke documenten hij vindt en wat hij van eerdere keren weet. Dat vak heet context engineering.
Een agent heeft ook geen eigen geheugen. Elke nieuwe sessie begint met een leeg contextvenster. Wat hij gisteren leerde over jouw klant of jouw codebase is weg, tenzij het ergens is opgeslagen en weer wordt ingeladen.
Wat dit voor een team betekent
In een team draaien al snel meerdere agents naast elkaar: Claude Code bij de ontwikkelaar, Copilot in Outlook, een eigen agent in n8n voor de supportmail. Elk van die agents heeft zijn eigen instructies en zijn eigen geheugen. Wat de ene agent leert, weet de andere niet. Een correctie die een collega aan zijn agent geeft, helpt jouw agent niet. Hoe meer agents, hoe belangrijker het wordt dat ze uit dezelfde bron van teamkennis werken. Wil je er zelf een bouwen, lees dan Hoe maak je een AI-agent voor je team?
Waar Bombos past
Bombos is de geheugenlaag onder de agents die een team al gebruikt. Het is een plugin die Claude, Claude Code, ChatGPT, Copilot, Grok, Codex, Cursor en eigen agents één gedeeld geheugen geeft: teamkennis, regels die het team geleerd heeft, en wat er al in mail, documenten en repo’s staat. Elke agent haalt daar zijn context uit, en je ziet waarop een antwoord rust. Eén persoon kan het eerst zelf proberen met zijn eigen agents.
Vragen die hierbij horen
Wat is het verschil tussen een AI-agent en een workflow?
In een workflow ligt de volgorde van stappen vast in code en roept die code het model aan. Bij een agent kiest het model zelf de volgende stap. Anthropic raadt aan met de eenvoudigste oplossing te beginnen en pas een agent te bouwen als het aantal stappen niet vooraf te voorspellen is.
Is ChatGPT een AI-agent?
Een gewoon chatgesprek niet: daar geeft het model één antwoord per vraag. Zodra het model zelf tools gebruikt en stappen achter elkaar zet om een taak af te maken, zoals Claude Code of Codex in je code, werkt het als een agent.
Leert een AI-agent van zijn werk?
Het model zelf niet: de gewichten veranderen niet terwijl je ermee werkt. Een agent onthoudt alleen wat iemand buiten het model opslaat en de volgende keer weer in zijn context laadt, zoals een instructiebestand of geheugenmap.
Wat is agentic AI?
Een verzamelnaam voor systemen die zelfstandig stappen zetten met tools. Een AI-agent is één zo'n systeem; met agentic AI bedoelen mensen vaak ook opstellingen waarin meerdere agents samenwerken.
