Agentic workflow

Een agentic workflow is een proces van meerdere stappen waarin een AI-agent tijdens het draaien een deel van de volgende stappen bepaalt, in plaats van een pad te volgen dat jij vooraf hebt uitgeschreven. Jij stelt het doel en de grenzen vast. De agent kiest zijn route op de punten waar die route afhangt van wat hij vindt, en vaste stappen doen de rest.

Om die mix draait het. Een agentic workflow zit één laag boven een losse AI-agent, die één taak afhandelt, en zo zetten de meeste bedrijven agentic AI in de praktijk aan het werk: een grotendeels voorspelbaar proces met een paar plekken waar software zelf mag oordelen.

Het meeste wat onder die naam wordt verkocht, heeft zulke plekken niet. Het zijn lineaire automatiseringen met een taalmodel in één stap, die bij elke run hetzelfde pad volgen. Dat kan een prima build zijn, agentic is het alleen niet. De omgekeerde fout, elke stap agentic maken, is de duurdere.

TL;DR

• Een workflow is agentic als minstens één stap de volgende zet kiest op basis van wat de vorige stappen vonden. Een vast pad met een model dat binnen één stap schrijft, is een AI-workflow, en dat is vaak de betere build.

• Markeer elke stap als vast of agentic. In een typische inbound-flow blijven de bezoeker identificeren, routing, versturen en loggen vast. Alleen het inschatten van intent, het zoeken naar een invalshoek en het schrijven van een concept krijgen een agent.

• De vier patronen van Andrew Ng (plannen, tools gebruiken, reflectie en samenwerking tussen agents) dekken bijna elke build. In de codeerresultaten die hij publiceerde, ging GPT-3.5 van 48% naar wel 95% zodra het in een agent-lus draaide, en liet het daarmee GPT-4 met één prompt achter zich.

• Kies de kleinste vorm die past: één agent in een lus, een orchestrator met workers, of een schrijver met een beoordelaar. Elke extra agent voegt een overdracht toe waar fouten zich kunnen verstoppen.

• Elk beslispunt kost tijd, tokens en een kans op een verkeerde keuze, en die kansen vermenigvuldigen zich. Vijf stappen die elk 90% van de tijd goed zitten, vormen samen een keten die ongeveer 59% van de tijd goed zit.

• Bouw eerst het vaste skelet, geef elke agentic stap een terugvaloptie naar een mens, eis goedkeuring voor alles wat een koper leest en log elke beslissing, zodat je een mislukte run kunt terugspelen.

Agentic workflow of automatisering? Zoek de stap die kiest

Elke workflow heeft momenten waarop iets bepaalt wat er daarna gebeurt. Bij gewone automatisering heb jij al die beslissingen genomen toen je hem bouwde. Een Zapier-zap of een n8n-flow die A, dan B en dan C draait, draait morgen weer A, B en C, wat de data ook zegt. Elke vertakking die hij neemt, heb jij geschreven.

In een agentic workflow neemt minstens één stap die beslissing tijdens het draaien. Die stap kijkt naar het doel en naar wat eerdere stappen opleverden, en kiest dan de volgende actie: de vacaturepagina van het bedrijf lezen, checken of er recent funding is opgehaald, of allebei overslaan omdat de website de vraag al beantwoordde.

Een AI-stap op zich verandert daar niets aan. Een model dat binnen een vaste reeks een persoonlijke openingszin schrijft, doet werk zonder een route te kiezen, en dat is een AI-workflow. De gids van Neo4j over agentic workflows brengt de keuze terug tot één regel: ken je het pad, gebruik dan een deterministische workflow, en is het doel duidelijk maar het pad niet, overweeg dan een agentic workflow.

Een inbound-flow in kaart: welke stappen mogen beslissen

De hybride vorm is het makkelijkst te begrijpen aan de hand van een echt proces waarin elke stap een label heeft. Hier is een inbound-flow voor een bekend bedrijf dat op je prijspagina belandt, het soort flow dat we bouwen in onze workflows voor websitebezoekers.

Drie van de zeven stappen krijgen zelfstandigheid, en de agent komt nooit aan routing, versturen of het terugschrijven naar het CRM. Dat is de vorm die in productie overeind blijft. Het leidingwerk dat het signaal opvangt en de rep inlicht, blijft voorspelbaar, en de agent doet alleen het oordeel in het midden. Daar telt een snel en relevant antwoord ook het zwaarst.

Outbound valt op dezelfde manier uiteen. Een record verplaatsen, een standaardmail versturen of een veld bijwerken is vast werk, en gewone sales automation doet dat goedkoper. Een onbekend account onderzoeken is iets anders, omdat de juiste bronnen en de juiste invalshoek per bedrijf verschillen. We hebben beschreven welke prospectingtaken je met AI kunt automatiseren en waar een mens de regie moet houden.

Daarom valt volledig autonome outbound ook zo vaak tegen. Teams maken de hele aanpak agentic, inclusief de stappen die vast hadden moeten blijven, en krijgen iets wat traag, duur en moeilijk te voorspellen is.

De vier patronen van Ng, en wat elk oplevert

In maart 2024 beschreef Andrew Ng vier ontwerppatronen voor agentic workflows, en bijna elke build sindsdien gebruikt er een paar van. Zijn betoog rustte op een benchmark voor code. In de eerste brief van die reeks deelde hij resultaten op HumanEval die hij bij verschillende onderzoeksteams had verzameld. GPT-3.5 met één prompt had 48,1% goed en GPT-4 67,0%, terwijl GPT-3.5 binnen een agent-lus tot wel 95,1% kwam. De lus om het model heen deed er meer toe dan de upgrade naar een beter model.

Plannen

De agent deelt een doel op in stappen en bepaalt de volgorde. Je krijgt flexibiliteit bij taken die steeds anders zijn, en je levert wat voorspelbaarheid in, omdat twee vergelijkbare inputs een andere route kunnen nemen.

Tools gebruiken

De agent roept API's aan, zoekt op het web en bevraagt je CRM, zodat hij kan handelen in plaats van beschrijven. Zijn plafond wordt bepaald door de tools die je hem geeft, en elke tool is ook een recht waar je goed over wilt nadenken.

Reflectie

De agent toetst zijn eigen output aan de briefing en verbetert die voordat hij verdergaat, zoals een mens een concept herleest. De kwaliteit gaat omhoog, en de tijd en het aantal tokens ook, want elke ronde is een extra aanroep.

Samenwerking tussen agents

Meerdere agents nemen verschillende rollen op zich, bijvoorbeeld een die onderzoekt en een die schrijft, en geven werk aan elkaar door. Daarmee kan de workflow meer aan, ten koste van meer overdrachten die je in de gaten moet houden.

Je hebt ze niet alle vier nodig. Plannen plus tools gebruiken maakt een stap al agentic, en bij de meeste GTM-builds blijft het daarbij.

Kies de kleinste vorm die de taak aankan

De patronen combineren tot een paar vormen die steeds terugkomen. Het engineeringteam van Anthropic beschrijft de gangbare vormen in zijn gids over effectieve agents bouwen, en ze passen goed op saleswerk.

Eén agent in een lus plant, handelt, controleert en herhaalt dat tot hij klaar is. Dat dekt het meeste accountonderzoek en schrijfwerk, en daar begin je.

In de vorm orchestrator-workers deelt een centraal model een taak tijdens het draaien op in stukken, geeft die aan worker-modellen en voegt samen wat er terugkomt. Anthropic raadt het aan voor taken waarvan je de deeltaken niet vooraf kunt voorspellen. Denk in GTM aan het onderzoeken van een lijst van 40 accounts waarbij elk account andere lookups nodig heeft. Het zwakke punt is de eerste verdeling. Verdeelt de orchestrator de taak slecht, dan doet elke worker het verkeerde ding heel goed.

De vorm met een schrijver en een beoordelaar (Anthropic noemt het evaluator-optimizer) laat het ene model een concept schrijven en het andere model dat concept aan duidelijke criteria toetsen en terugsturen. Dat vangt veel zwakke output af en verdubbelt ongeveer het aantal aanroepen. Bewaar het dus voor werk waar de kwaliteit het resultaat bepaalt, zoals een eerste e-mail aan een target account.

Een team van onderzoeker, schrijver en beoordelaar ziet er indrukwekkend uit, maar elke overdracht is een plek waar een fout zich kan verstoppen. Haalt de onderzoeker een verkeerd feit op, dan bouwt de schrijver daarop verder en beoordeelt de beoordelaar misschien alleen de toon. Zo belandt de fout gepolijst in de output. De meeste GTM-taken zijn beter af met één goed afgebakende agent en veel vast leidingwerk eromheen.

Waarom elk beslispunt een prijs heeft

Zelfstandigheid is geen gratis upgrade. Elke stap waarin de agent beslist, voegt wachttijd toe, kost tokens en brengt een kans op een verkeerde keuze mee. Een vaste stap gedraagt zich bij elke run hetzelfde, en als hij faalt, wijst de log direct naar de stap die misging. Een agentic stap kan je verrassen, en om te achterhalen waarom moet je reconstrueren wat hij zag en wat hij koos.

Langs een keten vermenigvuldigen de kansen zich. Zit elke agentic stap 90% van de tijd goed, dan zitten vijf op een rij maar ongeveer 59% van de tijd goed (0,9⁵). De gids van Anthropic zegt hetzelfde in eenvoudigere woorden en waarschuwt dat meer autonomie hogere kosten meebrengt, en het risico dat fouten zich opstapelen. Daarom maken lange, volledig agentic ketens indruk in een demo en worden ze wankel in productie.

Ook de kosten lopen op. Een workflow die er in een jaar een paar agentic stappen bij krijgt, kan uiteindelijk trager en duurder zijn dan de gewone automatisering die hij verving, en niemand merkt het tot de factuur binnenkomt. Houd het aantal agentic stappen klein en het aantal vaste stappen groot. Kan een mens de regel vooraf opschrijven, schrijf dan de regel.

Er zelf een bouwen: eerst het skelet, dan de zelfstandigheid

1. Teken de vaste stappen. Zet het hele proces uit alsof er geen agent bestond, en markeer daarna de een of twee plekken waar de route van geval tot geval verandert. Alleen die worden agentic.

2. Test elke kandidaat. Een stap krijgt alleen een agent als je de regel niet vooraf had kunnen opschrijven en het pad echt per run verschilt. Wat een fout antwoord zou kosten, bepaalt of een mens het controleert.

3. Geef elke agentic stap een uitweg. Leg vast wat er gebeurt als de agent twijfelt of vastloopt, meestal een overdracht aan een mens samen met wat hij tot dan toe vond. Zonder uitweg valt een verwarde agent stil of gaat hij improviseren.

4. Zet een check op alles wat kopers zien. Alles wat bij een prospect terechtkomt, wacht tot een human in the loop het goedkeurt. In n8n kun je menselijke goedkeuring verplichten voordat een AI-agent een bepaalde tool gebruikt. Zo kan de agent vrij onderzoeken, terwijl hij moet wachten voordat hij een bericht verstuurt of een record wijzigt. Een van onze workflows voor websitebezoekers heeft dezelfde goedkeuringsstap in de flow.

5. Log elke beslissing. Houd de workflow onder dezelfde workfloworkestratie die de rest van je GTM-systeem draait, en leg vast waar de agent naar keek en waarom hij elke stap koos. Dan kun je een mislukte run terugspelen in plaats van ernaar te gissen.

Schone data doet bij elke stap ertoe. Een agent die redeneert over verouderde functietitels of dubbele bedrijven maakt dezelfde slechte keuze als een mens, alleen sneller en vaker.

Clay is de plek waar veel van deze workflows in elkaar worden gezet, omdat het tussen de data en de actie in zit, en een agentic stap kan daar draaien als onderzoekskolom. Een onderzoeksagent inzetten waar een simpele lookup volstaat, is een van de meest voorkomende redenen waarom Clay-builds duur worden. We schreven breder over waarom de meeste Clay-implementaties mislukken.

Kort gezegd

Een agentic workflow is een grotendeels gewoon proces met een paar stappen die mogen nadenken. De waarde hangt af van hoe goed je die stappen kiest: de stappen waar de route echt per run verschilt, en waar een verkeerde afslag goedkoop is of wordt opgevangen voordat een koper hem ziet.

Al het andere hoort vast te blijven, omdat vaste stappen snel, goedkoop en makkelijk te debuggen zijn. De builds die standhouden, lezen op papier wat saai, met een stevig skelet, een of twee beslispunten, een terugvaloptie naar een mens, een goedkeuringsstap en een log die iemand leest. Is het resultaat niet duidelijk beter dan de simpelere versie, schroef de zelfstandigheid dan terug.

Wil je hulp bij het trekken van die grens? Wij bouwen agentic workflows bovenop je huidige Clay-, n8n- en CRM-omgeving, leggen vast welke stappen beslissen en waarom, en dragen de afgeronde build over aan je team, dat hem zelf draait.

Veelgestelde vragen