Een agentic workflow is een proces met meerdere stappen waarbij een AI-agent onderweg bepaalt wat hij daarna doet, in plaats van een script te volgen dat je vooraf hebt geschreven. Je geeft hem een doel, en hij bedenkt de stappen tijdens het werk, gebruikt tools en controleert onderweg zijn eigen werk.

Het zit één laag boven een losse AI-agent, omdat één agent één taak afhandelt, terwijl een workflow meerdere stappen, en soms meerdere agents, aan elkaar koppelt tot een proces dat een groter doel bereikt. Zo wordt agentic AI aan het werk gezet.

TL;DR

Het meeste wat als agentic workflow wordt verkocht, is dat niet. Het zijn gewone lineaire automatiseringen met één AI-stap erin geschroefd, en het pad verandert nooit van de ene keer op de andere.

Een echte agentic workflow heeft beslismomenten, waarop de agent de volgende stap kiest op basis van wat hij net heeft gevonden. Die flexibiliteit is de hele reden om er een te gebruiken, en het is ook wat hem trager, duurder en minder voorspelbaar maakt.

Maak een workflow dus niet agentic alleen omdat het kan. Gebruik gewone automatisering voor de stappen die nooit veranderen, en zet alleen een agent in waar het pad echt verschilt en je het vooraf niet had kunnen uitschrijven.

Wat maakt een workflow agentic in plaats van gewoon geautomatiseerd?

Het verschil komt neer op één vraag, namelijk wie de volgende stap bepaalt, jij of het systeem.

Bij een normale automatisering bepaal je alles vooraf. Elke stap en elke vertakking staat in de workflow, en hij gedraagt zich elke keer hetzelfde. Een Zapier-zap of een n8n-flow die altijd A, dan B en dan C doet, is automatisering zonder agent.

Bij een agentic workflow beslist het systeem tijdens het werk. Het kijkt naar het doel en naar wat het net heeft geleerd, en kiest daarna wat het gaat doen.

Eén simpele regel beslecht de meeste twijfelgevallen. Als je het pad al kent, gebruik je een deterministische workflow, en als het doel duidelijk is maar het pad niet, verdient een agentic workflow zijn plek.

De vier bouwstenen die je in bijna elke agentic workflow vindt

Andrew Ng beschreef vier patronen die in bijna elke agentic workflow terugkomen. De meeste echte systemen gebruiken er twee of drie tegelijk.

• Plannen. De agent deelt een groot doel op in kleinere stappen en bepaalt zelf de volgorde, in plaats van een pad te volgen dat jij hebt vastgelegd.

• Tools gebruiken. De agent roept API's aan, bevraagt data en zet andere software in gang, zodat hij in de echte wereld kan handelen in plaats van er alleen over te praten.

• Reflectie. De agent bekijkt zijn eigen output, ziet wat zwak is en verbetert het voordat hij verdergaat, zoals een mens een concept opnieuw leest.

• Samenwerking tussen agents. Meerdere agents nemen verschillende rollen op zich, zoals de een die onderzoekt en de ander die schrijft, en geven werk aan elkaar door.

Je hebt ze niet alle vier nodig om een workflow mee te laten tellen. Plannen en tools gebruiken maken iets op zichzelf al echt agentic.

Hoe je de verschillende vormen herkent die een agentic workflow meestal aanneemt

Zodra je gaat kijken, zie je dat agentic workflows in een paar herkenbare vormen voorkomen, en als je die kent, kies je makkelijker de juiste.

De simpelste is één agent in een lus. Hij plant, handelt, controleert en herhaalt dat tot de klus klaar is, helemaal zelfstandig. Dat is genoeg voor de meeste afgebakende onderzoeks- en schrijftaken.

Een stap hoger zit de vorm met een orkestrator en uitvoerders. Eén agent is de manager, deelt het doel op in stukken en geeft elk stuk aan een uitvoerende agent. Het is krachtig voor grote klussen, maar de eerste beslissing van de manager bepaalt alles wat daarna komt, dus een slechte verdeling aan het begin verpest de hele klus.

Dan is er het patroon met een beoordelaar, waarbij de ene agent iets maakt en een tweede agent het beoordeelt en terugstuurt voor nog een ronde. Het vangt veel zwakke output af, maar het kost ook meer tijd en tokens, dus je bewaart het voor werk waar kwaliteit er echt toe doet.

Waarom agentic niet automatisch beter is dan de gewone geautomatiseerde versie

Dit is het deel dat de hype overslaat, namelijk dat zelfstandigheid een prijs heeft en geen gratis upgrade is.

Elke keer dat je een agent laat beslissen, voeg je een beetje vertraging toe, voeg je tokenkosten toe en voeg je een kans toe dat hij verkeerd kiest. Een deterministische stap gedraagt zich elke keer hetzelfde, en die debug je in seconden. Een agentic stap kan je verrassen, en uitzoeken waarom is veel lastiger.

Voorspelbaarheid is dus een eigenschap die je moet beschermen. De beste bouwers houden het grootste deel van de workflow vast en voorspelbaar, en besteden zelfstandigheid alleen aan de paar stappen waar het pad echt verandert. Als een mens de regel vooraf kan opschrijven, heb je er geen agent voor nodig.

Waar agentic workflows passen in GTM, en waar gewone automatisering nog steeds wint

In go-to-market is de grens meestal duidelijk. Een record verplaatsen, een standaardmail versturen of een veld in je CRM bijwerken is vast werk, dus gewone sales automation doet dat beter en goedkoper.

Een onbekend account onderzoeken is een ander verhaal. De agent moet misschien de site lezen, fundingnieuws checken, het team bekijken en bepalen welke invalshoek ertoe doet, en dat pad verschilt per bedrijf, dus daar betaalt een agentic stap zich terug.

We schreven eerder over welke prospectingtaken je aan een machine kunt overlaten en welke nog een mens nodig hebben.

Dit is ook waarom volledig autonome outbound zo vaak tegenvalt. Teams maken de hele aanpak agentic, inclusief de delen die vast hadden moeten blijven, en het resultaat is duur en onvoorspelbaar. Een goede AI-workflow blijft grotendeels deterministisch met een paar slimme stappen, en hoeft nooit van begin tot eind agentic te zijn.

Hoe agentic workflows ook aan de inbound-kant hun plek verdienen

Outbound krijgt de meeste aandacht, maar bij inbound betalen de agentic beslismomenten zich vaak het snelst terug, omdat de intent er al is en je tegen de klok racet.

Neem een bekend bedrijf dat op je prijspagina komt. Een workflow kan het bezoek deanonimiseren, waarna een agent bepaalt of het op een echte koper of op een nieuwsgierige zonder koopplannen lijkt, en het bezoek daarop doorstuurt. Die vertakking verschilt echt per bezoeker, dus daar is het terecht om zelfstandigheid in te zetten.

Onze eigen workflows voor websitebezoekers werken zo. De leidingen die het signaal opvangen en de melding die naar de rep gaat, blijven vast, en alleen het oordeel in het midden, het deel dat vraagt of dit een bericht op maat waard is en welke invalshoek past, wordt door een agent afgehandeld.

Hoe een agentic workflow verschilt van een losse agent en van gewone automatisering

Deze drie woorden worden gebruikt alsof ze hetzelfde betekenen, en dat doen ze niet. Als je ze uit elkaar houdt, bouw je niet het verkeerde.

Een losse AI-agent is één eenheid die zelfstandig één taak doet. Hij plant, handelt en controleert, maar hij is nog steeds op één klus gericht, zoals het opstellen van een onderzoeksbriefing.

Een agentic workflow is de laag daarboven. Die koppelt meerdere stappen, en soms meerdere agents, aan elkaar tot een langer proces met onderweg beslismomenten. De agent in het midden doet meer dan één taak, want hij kiest welke taak er daarna komt.

Gewone automatisering is de laag onder allebei. Die volgt een vast pad dat je vooraf hebt geschreven, zonder eigen beslissingen. De meeste echte GTM-systemen zijn een mix, grotendeels automatisering voor de voorspelbare stappen met een paar agentic beslismomenten precies waar het pad verschilt.

Hoe je bepaalt welke stappen in je workflow eigen beslissingen verdienen

Het lastigste deel van het bouwen is het aan elkaar knopen niet. Het lastigste is bepalen welke stappen zelf mogen beslissen en welke vast blijven, en een paar vragen maken die keuze makkelijker.

Vraag je af of je de regel vooraf kunt opschrijven. Als je de precieze logica van tevoren kunt beschrijven, zoals "als de lead uit deze branche komt, stuur hem naar deze wachtrij", is het een vaste stap en moet hij deterministisch blijven.

Vraag je af of het pad van geval tot geval verandert. Een bedrijf onderzoeken is een goede kandidaat, omdat de juiste bronnen en invalshoeken per account verschillen. Een standaard bevestigingsmail versturen is dat niet, omdat die elke keer identiek is.

Vraag je af wat het kost als de stap het fout doet. Een verkeerde onderzoeksnotitie die een mens nakijkt, is goedkoop. Een verkeerde e-mail die direct naar een koper gaat, kost veel meer, dus ook als het schrijven agentic is, hoort het versturen vast te blijven achter een goedkeuringsstap.

Hoe je een agentic workflow bouwt waar je team vanaf dag één op kan vertrouwen

Begin bij het bouwen met een deterministisch skelet. Zet eerst de vaste stappen neer, markeer daarna de een of twee plekken waar het pad echt verschilt, en maak alleen die agentic.

Zet een human in the loop bij alles wat een koper te zien krijgt, zodat een mens goedkeurt voordat het de deur uit gaat. Een van onze eigen workflows voor websitebezoekers doet precies dit, met een goedkeuringsstap in de flow. Voed het geheel met schone data, omdat een agent die over slechte data redeneert alleen maar sneller slechte keuzes maakt.

Log daarna alles en houd het binnen dezelfde workflow-orkestratie als de rest van je stack, als één onderdeel van een breder GTM-systeem dat je zelf bezit. Als je niet kunt zien wat de agent deed en waarom, kun je hem nog niet vertrouwen.

Tools als Clay zijn vaak de plek waar deze workflows in elkaar worden gezet, omdat ze tussen de data en de actie in zitten. Daarom lopen er ook zoveel van mis.

We schreven eerder over waarom de meeste Clay-implementaties mislukken, en de oorzaak is bijna altijd dezelfde, een agentic stap op een plek waar een deterministische stap het goedkoper en betrouwbaarder had gedaan.

Hoe een paar samenwerkende agents van een workflow een systeem maken

Eén agent in een workflow is nuttig. De vorm wordt een stuk krachtiger, en een stuk lastiger om te beheren, zodra meerdere agents het werk verdelen en resultaten aan elkaar doorgeven.

De klassieke verdeling is een onderzoeker, een schrijver en een beoordelaar. De ene agent verzamelt de feiten over een account, de tweede maakt daar een concept op maat van, en de derde controleert het concept tegen de briefing en stuurt het terug als het zwak is.

Elke agent blijft smal, en dat houdt hem betrouwbaar, terwijl het team samen een grotere klus afdekt dan een van hen alleen zou kunnen.

Elke overdracht is wel een plek waar fouten zich kunnen verstoppen en groeien. Als de onderzoeker een verkeerd feit ophaalt, bouwt de schrijver erop verder en merkt de beoordelaar het misschien niet op, zodat de fout gepolijst in de output belandt.

Daarom hebben workflows met meerdere agents nog strakkere logging en een duidelijke goedkeuring door een mens nodig, omdat een systeem dat geavanceerd oogt daarmee geen korting krijgt op toezicht.

Behandel extra agents dus zoals je extra zelfstandigheid behandelt, als een kostenpost die je alleen neemt als één agent de hele klus echt niet aankan. De meeste GTM-workflows zijn beter af met één goed afgebakende agent en veel stevige deterministische leidingen eromheen.

De fouten die agentic workflows leeg laten lopen zonder ooit een foutmelding te geven

De grootste is het hele ding agentic maken terwijl dat maar voor een stukje nodig was. Je betaalt voor flexibiliteit bij stappen die nooit verschillen, en je geeft de agent ruimte om af te dwalen waar een vaste regel sneller en veiliger was geweest.

De tweede fout is geen terugvalpad hebben. Een goede workflow heeft een vaste route voor als de agent vastloopt of weinig vertrouwen heeft, meestal een overdracht aan een mens. Zonder dat valt een verwarde agent stil of improviseert hij iets vreemds.

De derde fout is vanaf het begin geen zicht inbouwen. Als je een eerdere uitvoering niet kunt terugspelen en elke beslissing kunt zien, samen met waar de agent naar keek, vlieg je blind, en wordt je eerste echte fout een raadsel dat je niet kunt oplossen.

Wat er op schaal nog echt lastig is aan agentic workflows

De hype slaat meestal de delen over die nog niemand heeft opgelost, dus hier zijn ze. Zodra je voorbij één nette demo gaat, duiken er een paar echte problemen op.

Betrouwbaarheid werkt tegen je naarmate de keten langer wordt. Als elke agentic stap negentig procent van de tijd klopt, klopt een keten van vijf van die stappen maar ongeveer zestig procent van de tijd.

Die rekensom is waarom lange, volledig agentic ketens indrukwekkend ogen in een demo en wankel zijn in productie, en waarom de beste bouwers weinig agentic stappen en veel vaste stappen gebruiken.

Debuggen wordt lastiger naarmate de workflow slimmer wordt. Als een deterministische flow breekt, lees je de logs en vind je de kapotte stap. Als een agentic flow ontspoort, moet je reconstrueren waarom de agent koos wat hij koos, en daarvoor heb je vanaf dag één uitgebreide logging nodig, anders blijf je gissen.

Ook de kosten sluipen omhoog. Elke agentic beslissing kost tokens en tijd, en een workflow die door de tijd heen steeds agentic is geworden, kan uiteindelijk trager en duurder zijn dan de saaie automatisering die hij verving, zonder dat iemand het merkt tot de rekening binnenkomt.

Hoe je weet of je agentic workflow zich echt terugbetaalt

Meet een agentic workflow niet af aan hoe autonoom hij voelt. Meet hem aan hoe vaak een mens moet ingrijpen en hoe goed de output is als dat niet hoeft.

Let op hoe vaak je reps de output van de agent corrigeren of herschrijven. Een hoog percentage in het begin is normaal, en een percentage dat over een paar weken daalt, vertelt je dat de workflow zijn geld waard is.

Let ook op de doorlooptijd en de kosten van begin tot eind, omdat een workflow die slim maar traag en duur is, kan verliezen van de saaie automatisering die hij verving.

Let vooral op het resultaat verderop, de reply rate, het aantal meetings en de schone records die er aan het eind uitkomen. Een workflow bestaat om een uitkomst te leveren, en er geavanceerd uitzien telt op zichzelf voor niets.

Als de uitkomst niet beter is dan die van de simpelere versie, was de zelfstandigheid de prijs niet waard, en is de eerlijke stap om hem terug te brengen naar de plekken waar het pad echt verandert.