Agentic AI is AI die naar een doel toe werkt in plaats van één vraag te beantwoorden. Je vertelt wat er gedaan moet worden. De AI zoekt de informatie die nodig is, bepaalt de stappen, gebruikt je tools (e-mail, documenten, CRM), controleert het eigen werk en gaat door tot de klus klaar is of tot de AI jou nodig heeft.
Een chatassistent antwoordt en wacht. Een agentic systeem zet zelf de volgende stap.
Eén ding vertelt het woord je niet: of het werk klopt, en waar het systeem aan mag komen. Dat zijn aparte vragen. Wie ze door elkaar haalt, veroorzaakt het grootste deel van de verwarring rond agentic AI. Daarom houdt deze gids ze uit elkaar.
De brede term wordt concreter in de uitwerking van één agenttaak, van doel en context tot toolgebruik en controle. Als vooral productlabels verwarrend zijn, legt de vergelijking van agents en agentische AI uit hoe de woorden overlappen, zonder ze als opeenvolgende generaties te behandelen of aan te nemen dat agentische AI altijd meerdere agents betekent.
Wat “agentic” betekent
“Agentic” komt van agency: het vermogen om zelfstandig te handelen om een doel te bereiken. Merriam-Webster noemt het inmiddels een trending term met de betekenis "able to accomplish results with autonomy, used especially in reference to artificial intelligence" (vrije vertaling: in staat om autonoom resultaten te bereiken, vooral gebruikt in verband met kunstmatige intelligentie), zoals AP in november 2025 meldde.
De handigste manier om erover na te denken: agentic is een schaal, geen ja-of-nee-label. Een OpenAI-paper uit 2023, Practices for Governing Agentic AI Systems, omschrijft het als de mate waarin een systeem een lastig doel kan bereiken, in een rommelige omgeving, zonder dat iemand elke stap in de gaten houdt. Sommige tools zijn een beetje agentic. Ze kiezen een tool als je erom vraagt. Andere zijn erg agentic. Ze kunnen een lange klus met veel stappen uitvoeren en hoeven maar weinig terug te koppelen.
Als een product zichzelf dus “agentic” noemt, is de echte vraag: hoeveel van het werk doet het echt zelf?
Hoe agentic AI werkt
De meeste agentic systemen draaien op hetzelfde soort AI-model als een chatbot. Het verschil zit in de opzet eromheen. In plaats van één antwoord werkt het model in een lus.
Andrew Ng, die de term mee populair maakte, legde het verschil uit in een lezing uit 2024. Een chatbot op de gewone manier gebruiken is alsof je iemand vraagt een essay in één keer te schrijven, van begin tot eind, zonder ooit op backspace te drukken. Met een agentic opzet kan de AI een opzet maken, onderzoek doen, een eerste versie schrijven, die herlezen en verbeteren. Zo schrijven mensen ook.
De agentic lus controleert de toestemming voordat er iets gebeurt. Na elke actie levert de lus afgerond werk in, gaat terug om de volgende stap te plannen of pauzeert om hulp te vragen.
Zo werkt de lus in gewone taal:
- Jij stelt het doel. Zeg wat je wilt en hoe “klaar” eruitziet. “Bereid me voor op het verlengingsgesprek van donderdag” is een doel. “Kijk eens naar dit account” is dat niet.
- De AI verzamelt context. De AI leest waar de klus van afhangt: recente e-mails, vergadernotities, het CRM-record. Deze stap bepaalt het grootste deel van de kwaliteit. Een goed plan op basis van de verkeerde informatie is nog steeds fout.
- De AI plant. De AI deelt het doel op in kleinere stappen.
- De AI voert uit. De AI gebruikt de tools waartoe die toegang heeft: doorzoekt de inbox, opent het document, schrijft een concept van de e-mail.
- De AI controleert. De AI kijkt naar wat er echt gebeurde, niet naar wat er verwacht werd. Als het CRM geen gespreksnotities heeft, zoekt de AI in plaats daarvan op de gedeelde schijf.
- De AI levert het werk in, of stopt en vraagt het. Je krijgt iets om te beoordelen, of de AI pauzeert omdat toegang ontbreekt, het doel onduidelijk is of de volgende stap jouw akkoord nodig heeft.
In stap 6 zit een keuze die vaak wordt overgeslagen: in welke vorm het resultaat komt. Hetzelfde onderzoek kan een bericht van twee regels zijn, een document waar iemand opmerkingen in kan zetten, of een korte presentatie voor een vergadering. Een goed antwoord in de verkeerde vorm betekent nog steeds dat iemand anders het werk opnieuw moet doen.
Agentic AI vs. generatieve AI vs. automatisering
Deze drie worden vaak door elkaar gehaald, dus hier de korte versie:
- Generatieve AI maakt content als je erom vraagt: tekst, afbeeldingen, code. Daarna stopt het.
- Regelgebaseerde automatisering volgt stappen die iemand vooraf heeft ingesteld: “Als er een formulier binnenkomt, voeg een rij toe en stuur een e-mail.” Snel en voorspelbaar. Het loopt vast zodra iets niet in de regel past.
- Agentic AI gebruikt generatieve AI binnen een lus. Het bepaalt zelf de volgende stap, gebruikt tools en controleert het resultaat.
De makkelijkste manier om ze uit elkaar te houden is de vraag wie de volgende stap bepaalt. Bij automatisering heeft iemand elke stap vooraf bepaald. Bij een chatassistent beslis jij na elk antwoord. Bij agentic AI beslist het systeem, gericht op jouw doel en binnen de grenzen die jij stelt.
Kijk je liever een video? Deze korte uitleg zet hetzelfde onderscheid goed neer:
YouTube · IBM Technology
Generative vs Agentic AI: Shaping the Future of AI Collaboration · 21 april 2025
Een uitleg van zeven minuten door Martin Keen over waarom generatieve AI op je prompt wacht, terwijl agentic AI blijft doorwerken richting een doel.
Je hoort voor hetzelfde idee ook de term “AI-agent” (AI agent). Grofweg: een AI-agent is het ding dat het werk doet, en “agentic” beschrijft hoe het werkt.
Drie aparte vragen: zelfstandigheid, betrouwbaarheid, toestemming
Als mensen “meer agentic” horen, denken ze vaak aan “beter” of “automatischer”. Het is geen van beide. In het woord zitten drie verschillende vragen verstopt:
- Zelfstandigheid (agency): hoeveel beslist het zelf?
- Betrouwbaarheid: hoe vaak klopt het resultaat?
- Toestemming: waar mag het aan komen?
“Agentic” beschrijft alleen de eerste vraag.
Meer zelfstandigheid betekent niet meer betrouwbaarheid. Elke stap bouwt voort op de vorige. Eén verkeerde aanname aan het begin kan eindigen in een verzorgd, zelfverzekerd en fout rapport. Zelfs mensen die deze systemen voor hun beroep bouwen, zeggen dat dit deel lastig is:
YouTube · LangChain
The Future of AI Agents with Andrew Ng | Interrupt 26 · 17 juni 2026
Ng: "building agentic workflows is hard." Hij legt uit dat je echte kennis van het bedrijf en voortdurend testen nodig hebt om ze betrouwbaar te maken.
Vrije vertaling: agentic workflows bouwen is moeilijk.
Meer zelfstandigheid vraagt niet om meer toestemming. Een AI kan veel werk zelfstandig doen (lezen, vergelijken, concepten schrijven) en tegelijk maar heel weinig mogen dat buiten het team terechtkomt. In dezelfde lezing wijst Ng erop dat de meeste bedrijfsrechten zijn ingericht voor mensen, niet voor AI (28:50). Het loont dus om hier bewust over te beslissen. Ervaren gebruikers houden het vaak strak:
X · Simon Willison / @simonw · 23 oktober 2026
"I don't let my agents have production access to modify deployed services"
Vrije vertaling: ik geef mijn agents geen productietoegang om draaiende diensten aan te passen.
Willison is een bekende softwareontwikkelaar, en hij had het in een reactiethread over coding agents. Voor bedrijven geldt hetzelfde idee: laat de AI vrij lezen en concepten schrijven, en laat “versturen”, “betalen”, “publiceren” en “verwijderen” bij een mens tot je de AI voor die specifieke klus vertrouwt.
Een uitgewerkt voorbeeld: voorbereiding op een verlengingsgesprek
Zo ziet dit eruit bij een realistisch soort taak. Het account, de mensen en de details hieronder zijn verzonnen om te laten zien hoe de stappen in elkaar grijpen. Dit is geen klantresultaat.
De vraag. Een accountmanager zegt tegen Okou, de AI-teamgenoot die wij bouwen: “Bereid me voor op het verlengingsgesprek met Northwind van donderdag, en schrijf een concept voor de follow-up die ik daarna stuur.” Okou kan haar Gmail, de gedeelde schijf en het CRM lezen, en kan Gmail-concepten maken. Okou kan geen e-mail versturen en geen CRM-records wijzigen.
De context verandert het plan. Volgens het CRM is het account gezond en staat er een upsellkans genoteerd. Maar in de e-mailthread vindt Okou een bericht van drie weken geleden: de operationeel leidinggevende van de klant schrijft dat een beloofde integratie te laat is en vraagt om een nieuwe datum. Niemand heeft gereageerd. Die ene e-mail verandert het gesprek. De briefing begint nu met de niet-nagekomen belofte, niet met de upsell.
Dit is het punt dat veel mensen in het vakgebied op dit moment steeds weer maken:
X · Aaron Levie / @levie · 6 november 2026
"Every AI agent deployment comes down to how successfully they can get access to the critical context to make a decision"
Vrije vertaling: elke inzet van AI-agents komt neer op hoe goed ze toegang krijgen tot de cruciale context om een beslissing te nemen.
Levie leidt Box, een bedrijf dat zakelijke documenten opslaat, dus hij heeft belang bij dit standpunt. Maar het verlengingsvoorbeeld laat zien waarom het klopt: de AI kon het probleem alleen ontdekken omdat die de e-mail kon lezen.
Wat er terugkomt, in de juiste vorm voor iedereen.
- Voor de accountmanager: een briefing van één pagina om voor het gesprek te lezen (wat er is afgesproken, wat er is veranderd, drie vragen om te beslechten).
- Voor de klant: nog niets, alleen een Gmail-concept dat wacht op beoordeling.
- Voor het team: een korte voorgestelde CRM-notitie, die wacht tot een mens die goedkeurt.
Zo ziet een concept dat wacht op beoordeling eruit in Okou (een ander verzonnen voorbeeld):
Een echt Okou-concept dat wacht op beoordeling: op de Gmail-kaart staat Draft, en de Send-knop is aan de mens om in te drukken. De ontvanger en de inhoud zijn fictieve demogegevens. Open de screenshot op volledige grootte.
De mens beslist, daarna hergebruikt het team het. De accountmanager vraagt in dezelfde chat om de opening wat zachter te maken en een regel over prijzen te schrappen. Okou heeft het eerdere gesprek nog en past het concept aan zonder opnieuw gebrieft te worden. Zij verstuurt de e-mail zelf en keurt de CRM-notitie goed.
Daarna slaat het team de werkwijze op als gedeelde workflow (een opgeslagen, herbruikbare manier om een taak uit te voeren): welke bronnen gecontroleerd worden, hoe de briefing eruitziet en de regel dat follow-ups concepten blijven. De volgende accountmanager draait de workflow voor de eigen accounts, met de eigen toegang. Moet die elke maandag draaien voor aankomende verlengingen, dan komt er een automatisering bij (een schema of trigger die de workflow start).
Twee dingen om te weten. Een nieuwe chat ziet een oude chat niet automatisch; je verwijst ernaar als het ertoe doet. En wie een workflow deelt, deelt de werkwijze, niet iemands inbox of login. De documentatie van Okou legt beide uit: hoe chatcontext werkt en wat een team deelt.
Wanneer agentic AI helpt, en wanneer niet
Agentic AI past bij werk zoals het verlengingsgesprek: meerdere stappen, meer dan één tool, wat oordeelsvermogen tussendoor en een resultaat dat iemand kan controleren. Bijvoorbeeld:
- Operations: “Verzamel wat elk team deze week heeft opgeleverd, markeer alles wat vastzit en plaats elke maandag een overzicht.”
- Marketing: “Vergelijk de campagneresultaten van vorige maand met de briefing en schrijf een concept met vervolgstappen ter beoordeling.”
- Sales: “Beoordeel de inbound leads van deze week aan de hand van ons ideale klantprofiel en vertel me wie ik moet bellen, met redenen.”
- Customer success: “Groepeer de tickets van deze maand op oorzaak en schrijf concept-updates voor de drie accounts met de meeste openstaande problemen.”
Meer voorbeelden per team: use cases voor AI-agents.
Het is het verkeerde gereedschap als een klus elke keer precies dezelfde stappen volgt (gebruik dan gewone automatisering, dat is goedkoper) of als je maar één antwoord nodig hebt (gebruik dan een chatassistent).
Analisten waarschuwen al een tijd voor overmatig gebruik. In juni 2025 voorspelde Gartner dat meer dan 40% van de agentic-AI-projecten eind 2027 geschrapt zou zijn, vanwege kosten, onduidelijke waarde of zwakke risicobeheersing. Dat is een voorspelling, geen gemeten resultaat. In juli 2026 deed Gartner een verwante voorspelling voor salesteams: in 2028 zijn er tien keer zoveel AI-agents als verkopers, maar minder dan 40% van de verkopers zal zeggen dat agents hen productiever hebben gemaakt. Dezelfde les: meer agents betekent niet automatisch beter werk.
Eén gewoonte om te veranderen: agentic werk kan minuten duren, geen seconden. Geef een helder doel en beoordeel daarna het resultaat, zoals je dat bij een collega zou doen.
Zo houd je de regie
De nuttige vraag is niet “hoe autonoom is het?” Maar: “welke beslissingen neemt het, en welke komen bij mij terug?” Je houdt de regie op drie plekken.
Waar het bij kan. Geef alleen toegang tot wat de klus nodig heeft. In Okou geef je toegang per tool en per actie, en kies je hoe lang die geldt. Zo kan Okou toestemming krijgen om een Gmail-concept te schrijven zonder het te mogen versturen. Zie Okou-machtigingen.
Wat jouw akkoord nodig heeft. Risicovolle acties horen op een mens te wachten. Als Okou een nieuwe toestemming nodig heeft, zie je precies waar om gevraagd wordt voordat er iets wordt toegekend:
Een echt toestemmingsverzoek in Okou. De persoon ziet de tool, de actie, waar die geldt en hoe lang (1 uur, 24 uur, 7 dagen of altijd) voordat die bevestigt. Open de screenshot op volledige grootte.
Wat jij beoordeelt. Het werk moet terugkomen als iets wat je kunt lezen en aanpassen, met een overzicht van wat de AI heeft gedaan.
Is “een mens in de lus” genoeg?
Niet op zichzelf, en dat is een van de nuttigere argumenten die op dit moment rondgaan.
YouTube · IBM Technology
Human in the Loop Is Not a Governance Strategy for Agentic AI · 11 oktober 2026
Phaedra Boinodiris: "a human reviewed it is not the same as the system is governed." In vier minuten zet ze op een rij wat een beoordelaar echt nodig heeft.
Vrije vertaling: dat een mens het heeft beoordeeld, betekent nog niet dat het systeem onder controle is.
Haar checklist in het kort: de beoordelaar moet de redenering kunnen zien, de macht hebben om het te stoppen, weten hoe goed werk eruitziet en correcties kunnen terugkoppelen.
Er is een tweede, stiller probleem: de AI kan beïnvloeden wat de beoordelaar denkt.
X · Ethan Mollick / @emollick · 27 oktober 2026
"experts working with AI agents are swayed by the positions of the AI, even if they think they are working independently"
Vrije vertaling: experts die met AI-agents werken, laten zich beïnvloeden door de standpunten van de AI, ook als ze denken dat ze onafhankelijk werken.
Mollick, hoogleraar aan Wharton die onderzoek doet naar AI op het werk, vatte een onderzoek samen waar hij naar linkte. Wij hebben dat onderzoek niet zelf bekeken, dus zie het als zijn interpretatie. Zijn advies is wel praktisch: als je eigen oordeel ertoe doet, beslis dan voordat je naar het concept van de AI kijkt. Voor het verlengingsgesprek betekent dat: de accountmanager bepaalt wat het gesprek moet opleveren voordat ze de briefing van Okou leest.
Mensen zien hun rol al deze kant op verschuiven. In de Work Trend Index 2026 van Microsoft (gepubliceerd in mei 2026; 20.000 werknemers die AI gebruiken, in 10 landen) zei 86% dat ze AI-output behandelen als vertrekpunt, niet als definitief antwoord. Dat is wat mensen zelf aangeven, geen maatstaf voor kwaliteit, maar het wijst dezelfde kant op.
Een beoordeling is dus echt als:
- Je het werk achter het resultaat kunt zien: bronnen, stappen en wat er is veranderd.
- Je het kunt stoppen of aanpassen: het concept bewerken, de toestemming weigeren.
- Je weet hoe goed werk eruitziet: een briefingformat, een toon, een regel als “follow-ups blijven concepten”.
- Correcties niet verloren gaan: als je elke week dezelfde correctie maakt, neem die dan op in de workflow. In Okou gebeurt dat alleen als iemand de workflow bijwerkt; een correctie in één chat wordt niet stilletjes een teamregel.
Meer over goedkeuringen in de praktijk: waarom je bedrijf het laatste woord moet hebben over AI-acties.
Vragen om te stellen voordat je werk aan agentic AI overdraagt
- Kan ik gewoon het resultaat beschrijven? Of moet ik elke stap uitschrijven?
- Kan het lezen waar de klus van afhangt? En vertelt het me wat het niet kon vinden?
- Kan ik beperken wat het doet? Alleen lezen, of wel een concept maken maar niet versturen?
- Wat gebeurt er als het vastloopt? Vraagt het iets, of gokt het?
- Kan ik zien wat het heeft gedaan? Bronnen, stappen, wijzigingen.
- Kan mijn team een goed resultaat hergebruiken? Met ieders eigen toegang?
Als een product hier geen antwoord op heeft, zegt het woord “agentic” je niet veel.
Hoe dit eruitziet met Okou
Okou is een AI-teamgenoot voor zakelijke teams. Je geeft Okou een klus zoals je een collega zou briefen. Okou haalt uit je gekoppelde tools wat de klus nodig heeft, werkt die af in de cloud (Okou gaat door als je je laptop dichtklapt) en levert iets op dat je kunt beoordelen, in de vorm die past bij wie het daarna leest: een kort bericht, een document, een webpagina, een presentatie of een concept. Goede werkwijzen worden gedeelde workflows, en automatiseringen laten ze volgens schema draaien.
In de termen van deze gids: Okou zet de zelfstandigheid hoog voor het vinden van context en het uitvoeren van het monnikenwerk, en houdt de toestemmingen waar jouw team ze instelt. Lees meer in Wat is Okou, of begin gratis.
FAQ
Wat is agentic AI in eenvoudige woorden?
AI die stap voor stap naar een doel toe werkt. Jij zegt wat je wilt; de AI zoekt de informatie, gebruikt je tools, controleert het eigen werk en gaat door tot de klus klaar is of jou nodig heeft. Een chatbot antwoordt één keer en wacht.
Wat is het verschil tussen generatieve AI en agentic AI?
Generatieve AI maakt content als je erom vraagt en stopt dan. Agentic AI gebruikt dat vermogen in een lus: het bepaalt de volgende stap, gebruikt andere tools en controleert of het doel is bereikt. Een sales-e-mail schrijven is generatief. De accountgeschiedenis lezen, de e-mail opstellen en een CRM-update voorstellen ter goedkeuring is agentic.
Wat is het verschil tussen conversational AI en agentic AI?
Conversational AI is gemaakt om te praten: jij vraagt, het antwoordt, jij beslist wat er daarna gebeurt. Agentic AI is gemaakt om werk gedaan te krijgen: jij stelt het doel, het kiest de stappen en voert ze uit. Veel producten doen allebei, met een chat aan de buitenkant en een agentic lus eronder.
Wat zijn de risico's van agentic AI?
Die komen vooral van handelen, niet van praten. Fouten kunnen zich over meerdere stappen opstapelen. De AI kan handelen op basis van verkeerde of ontbrekende informatie. Ruime toestemmingen kunnen ervoor zorgen dat een fout klanten of geld raakt. De kosten kunnen oplopen omdat elke klus veel stappen kost. Beperk de toegang, laat risicovolle acties goedkeuren door een mens en beoordeel het resultaat.
Voor welke taken is agentic AI het meest geschikt?
Taken met meerdere stappen, meer dan één tool, wat oordeelsvermogen en een resultaat dat je kunt controleren: vergaderingen voorbereiden, wekelijkse rapportages, onderzoek dat uitmondt in een concept, leads of tickets sorteren. Voor elke keer dezelfde vaste stappen gebruik je gewone automatisering. Voor één vraag gebruik je een chatassistent.
Is meer agentic AI altijd beter?
Nee. Meer zelfstandigheid betekent dat de AI meer zelf beslist. Dat maakt die beslissingen niet nauwkeuriger, en het bepaalt ook niet wat de AI mag doen. Voor het meeste zakelijke werk is de beste opzet een AI die het onderzoek en de concepten doet, en een mens die goedkeurt wat het team verlaat.
