Er gaan twee verhalen rond over Ai-agents, en ze zijn allebei half waar. Het ene zegt: agents gaan al je werk overnemen, morgen. Het andere zegt: agents zijn hype, ze werken niet, kijk maar hoeveel er omvallen. Ik draai zelf dagelijks met autonome agents, en mijn ervaring past bij geen van beide. De waarheid is scherper en bruikbaarder: agents zijn heel goed in een paar specifieke dingen en structureel slecht in een paar andere. Als je die grens kent, wordt het ineens een nuchtere gereedschapskeuze in plaats van een geloofskwestie.

De cijfers, en meteen de nuance erbij#

Laat ik met de harde cijfers beginnen, want die zijn er. Analistenbureau Gartner verwacht dat vóór 2027 zo’n 40% van de agentic-Ai-projecten wordt geschrapt. En in de startup-wereld zijn er in 2025 meer dan 3800 agent-startups omgevallen. Dat zijn geen kleine getallen.

Maar hier komt de nuance, en die is belangrijk genoeg om apart te zetten: 40% geannuleerd betekent ook dat de meerderheid níét geannuleerd wordt. En dat startups omvallen is de normale gang van zaken in elke jonge markt, met of zonder Ai. Een cijfer als “40% sneuvelt” is dus geen bewijs dat de technologie niet deugt. Het is een signaal dat heel veel projecten om de verkeerde reden zijn begonnen, met de verkeerde verwachting. Ik gebruik dit soort cijfers zelf ook: niet om iemand af te schrikken, maar om te laten zien waar de valkuil zit. Een percentage zonder context is een spookverhaal, en spookverhalen helpen niemand een beslissing te nemen.

De interessante vraag is dus niet “werken agents wel”, maar “waaraan lopen die 40% precies stuk”. En daar heb ik uit eigen ervaring een vrij duidelijk antwoord op.

Wat agents wél goed doen: signalen scannen en samenvatten#

Er is één taak waar ik agents zonder aarzelen op inzet, omdat ze er aantoonbaar goed in zijn: signalen scannen en die samenvatten tot iets bruikbaars. Grote hoeveelheden ruwe informatie afstruinen, patronen eruit vissen, en er een kort, leesbaar overzicht van maken. Denk aan het doorlezen van eindeloze logs, het volgen van openbare gesprekken waarin mensen klagen over een probleem dat jij oplost, of het samenvatten van wat er in een berg documenten staat.

Dat werkt omdat de agent hier niet hoeft te oordelen over de buitenwereld, maar informatie moet verwerken die je hem geeft. Het is lezen, filteren en herformuleren, en dat is precies waar taalmodellen sterk in zijn. In mijn eigen projecten is dit het onomstreden patroon: als een agent iets moet scannen en synthetiseren, levert hij betrouwbaar waarde. Ik laat er dagelijks werk door doen dat ik anders zelf niet zou halen.

Waar het structureel misgaat: distributie en het eerste klantgesprek#

En dan de andere kant. Er zijn taken waar agents in mijn ervaring keer op keer vastlopen, en het is geen toeval welke: het zijn de taken die de échte buitenwereld raken. Distributie, oftewel je product aan de man brengen. En het eerste klantgesprek.

Er zijn openbaar gedeelde experimenten waar dit pijnlijk duidelijk werd. Iemand liet een agent tien dagen lang volledig zelfstandig producten bouwen en op de markt zetten: zes producten, en aan het eind nul euro omzet. De treffende omschrijving die daarbij hoorde was “building in a vacuum”, bouwen in een luchtbel. De agent kon van alles maken, maar niemand kwam kijken, want de stap waar het echt om draait (mensen bereiken, vertrouwen winnen, luisteren naar wat een klant echt bedoelt) is precies de stap die een agent niet kan zetten.

Dat is geen toevallige tekortkoming die met het volgende model wel opgelost wordt. Het is fundamenteel. Distributie en dat eerste gesprek draaien om een relatie, en een relatie kun je niet automatiseren. Je kunt het voorwerk automatiseren: research, concepten, voorbereiding. De relatie zelf niet. Wie zijn hele go-to-market aan een agent overlaat, zit al in die 40%, hij weet het alleen nog niet.

Hoe ik mezelf tegen de valkuil bescherm#

Omdat ik weet dat agents een structurele blinde vlek hebben voor “wil de markt dit eigenlijk wel”, heb ik daar een tegengif voor gebouwd. Voor mijn eigen projecten draait er een monitor die openbare signalen scant en die vergelijkt met de aannames waarop een project rust: gelooft de markt echt in wat wij denken?

Het cruciale onderdeel daarvan is een verplichte tegenspreker. Een aparte rol die als enige taak heeft om het positieve verhaal onderuit te halen. Want dat is de menselijke én de machinale valkuil: je gaat op zoek naar bevestiging van wat je al hoopt. Een Ai die enthousiast meepraat met je eigen aanname is gevaarlijker dan geen Ai. Door er standaard een sceptische rol tegenover te zetten, dwing ik dat het bewijs vóór de conclusie komt, en niet andersom.

Dit is dezelfde les die achter de 40% zit. Heel veel projecten falen niet op de techniek, maar op een aanname die niemand ooit hard heeft getoetst. De agent bouwde precies wat gevraagd was. Er was alleen geen markt voor.

Wat betekent dit voor jouw bedrijf?#

Als je overweegt Ai-agents in te zetten, is dit de nuttigste zeef die ik je kan geven. Zet de taak die je wilt automatiseren naast deze vraag: gaat dit over informatie verwerken, of over een relatie met een mens?

  • Informatie verwerken (scannen, samenvatten, classificeren, controleren, voorbereiden): grote kans dat een agent hier direct waarde levert. Begin hier.
  • Een relatie met de buitenwereld (verkopen, onderhandelen, een klant echt begrijpen, vertrouwen winnen): laat de agent hooguit het voorwerk doen en houd de relatie zelf in handen. Automatiseer je dit weg, dan bouw je in een luchtbel.

En de belangrijkste bescherming tegen de 40%: toets je aanname vóór je bouwt. Niet “kan de agent dit bouwen”, maar “wil er eigenlijk iemand op zitten wachten”. Zet, letterlijk of figuurlijk, iemand neer wiens taak het is om je eigen enthousiasme onderuit te schoffelen. Dat ene ingebouwde wantrouwen scheelt je maanden werk aan het verkeerde.

De cijfers over mislukte agent-projecten zijn dus geen reden om weg te blijven. Ze zijn een routekaart: ze wijzen precies aan waar je niet moet beginnen. Begin bij het saaie, afgebakende, informatie-verwerkende werk, en houd de mens op de plek waar het om mensen gaat.

Wil je voor jouw eigen processen scherp krijgen welke taken zich lenen voor een agent en welke juist niet, en waar de risico’s zitten? Kijk dan op de consulting-pagina hoe ik werk, of breng met het gratis Ai-stoplicht eerst zelf per taak in kaart wat je een agent wél en niet uit handen geeft.