AI-agent in 6 weken voor je MKB-bedrijf: het stappenplan

Een AI-agent in 6 weken productie-klaar krijgen is realistisch voor veel van de MKB use cases die ik tegenkom. Voor de overige gevallen past een andere oplossing beter, daar kom ik verderop in dit artikel op terug. Ik leg eerst uit wat een AI-agent precies is en waarom dat iets anders is dan een chatbot. Daarna volgt de stack die ik aanraad voor MKB-bedrijven van 5 tot 50 medewerkers, en het concrete weken-plan dat ik hanteer bij het bouwen van mijn eigen agents, die via mijn platform BeeManaged in productie draaien.

Kort samengevat

• Een AI-agent voert zelfstandig werk uit, terwijl een chatbot alleen vragen beantwoordt.
• Voor MKB werk ik met vier bouwstenen: Slack als interface, Supabase als database, Vercel als hosting en Anthropic Managed Agents als brein.
• In zes weken ga je van use case-definitie en technisch fundament via custom tools en error-handling naar een agent in productie met observability.
• Reken op een eenmalig implementatie-budget tussen 8.000 en 35.000 euro en circa 80 tot 100 euro per maand aan vaste lasten plus verbruik.
• Een AI-agent is niet de juiste keuze bij vast regelwerk, strikte regelgeving zonder fouttolerantie, on-premise data, het ontbreken van een procesverantwoordelijke of de eis van 100% accuraatheid zonder mens-in-de-loop.

Wat is een AI-agent en wat doet hij anders dan een chatbot?

Een chatbot beantwoordt vragen, terwijl een AI-agent zelfstandig werk uitvoert.

Het verschil zit in de combinatie van tools, context en autonomie. Een chatbot kent alleen zijn eigen kennisbank. Een AI-agent kan databases bevragen, APIs aanroepen, bestanden lezen en e-mails sturen, en voert op basis daarvan een keten van acties uit zonder dat een mens elke stap goedkeurt.

Een rekenvoorbeeld om dit concreet te maken. Stel: een groothandel met ruim 20 medewerkers laat nieuwe inkoopfacturen scannen en automatisch vergelijken met de bijbehorende inkooporder in het ERP. Alleen de afwijkingen (bedrag wijkt meer dan 5% af, regel ontbreekt, leverancier onbekend) worden aan de boekhouder voorgelegd in Slack, de rest wordt rechtstreeks geboekt. Zo'n flow is binnen het 6-wekenplan uit dit artikel te bouwen, en als het controleren en boeken van facturen nu een paar uur per dag kost, loopt de bespaarde tijd na livegang al snel in de tientallen uren per maand.

Zoiets kan een chatbot niet, omdat dit autonoom werk is met een fall-back naar de mens op het moment dat het lastig wordt.

De stack: waarom deze keuzes voor MKB

Ik werk standaard met vier bouwstenen. Die combinatie is bewust gekozen: de onderdelen versterken elkaar en je hebt er geen DevOps-team voor nodig.

Slack als interface. MKB-medewerkers werken al in Slack, Teams of WhatsApp. Een aparte UI bouwen kost weken en niemand opent hem na twee maanden. Landen in een bestaand kanaal vraagt geen training en werkt vanaf dag 1.

Supabase als database. Postgres met een dashboard erop, in een uurtje klaar. Het schaalt naar honderdduizenden records voordat je er over hoeft na te denken, en auth en row-level-security zitten erin voor als je later toegang wilt beperken.

Vercel als hosting. Edge functions, deploys in 30 seconden en env-vars in de UI. Je beheert geen servers en draait geen patches. Iedere agent krijgt een eigen route, en alle routes vallen samen onder een budget-guard.

Anthropic Managed Agents als brein. Het LLM-werk gebeurt aan Anthropic-zijde, met sessies die langer dan een chat-window leven, eigen geheugen-stores en custom tools die ik aan mijn eigen Hub-code koppel.

Deze stack past overigens niet overal. Heb je on-premise data die je systeem niet uit mag, dan moet je een gehoste LLM-router naar bijvoorbeeld een Azure OpenAI Private Link bouwen, wat de timeline verdubbelt. En doe je real-time trading of safety-critical werk, dan is een LLM-agent geen optie.

De 6 weken in detail

Week 1, use case definitie en scope. Shortlist maximaal drie use cases en kies er één. De selectiecriteria: structureel werk dat minstens 4 uur per week kost, een meetbare uitkomst (factuur geboekt, lead gekwalificeerd, mail beantwoord), en een procesverantwoordelijke die mee wil helpen. Zonder zo'n eigenaar zou ik niet aan een pilot beginnen.

Week 2, technisch fundament. Database-schema in Supabase, eerste agent-skelet in de Anthropic Console, basis-tools (web search, web fetch, schrijf-naar-database). De Slack-bot wordt ingericht en gekoppeld aan de Vercel hub. Aan het eind van deze week werkt de keten al end-to-end: een Slack-bericht gaat erin en de agent antwoordt terug.

Week 3, custom tools. Hier zit het echte werk. De koppeling met het eigen systeem (boekhouding, CRM, ERP) wordt een custom tool die de agent kan aanroepen. Definieer inputs en outputs strak, vang fouten netjes op en maskeer gevoelige velden voordat ze naar het LLM gaan.

Week 4, eerste end-to-end flow. De agent doorloopt de volledige use case: input ontvangen, data ophalen, beslissing nemen, actie uitvoeren of voorleggen. Meet de output-kwaliteit op een vaste set van 20 testcases.

Week 5, edge cases en error-handling. Deze week draait om de vraag wat er gebeurt als de API down is, als data ontbreekt of als de agent twijfelt. Bouw retries met exponential backoff, een human-in-the-loop fallback, en logging die rijk genoeg is om twee weken later nog te begrijpen wat er gebeurde.

Week 6, productie en observability. Er komt een dashboard met run-statistieken, kosten per dag en het foutpercentage. De eerste echte gebruikers krijgen toegang. Monitor elke run de eerste twee weken en vang op wat je mist.

Na week 6 is de agent in productie, al is hij dan nog niet af. In de eerste maand erna komt een flink deel van het werk voort uit observatie, werk dat je vooraf niet had kunnen bedenken. Bij mijn eigen agents zie ik dat patroon elke keer terug.

Wat het kost

Eenmalig: implementatie-budget tussen 8.000 en 35.000 euro, afhankelijk van scope en aantal koppelingen. De onderkant geldt voor één duidelijke use case met één bestaande API, de bovenkant voor complexere flows met meerdere systemen en strenge data-eisen.

Maandelijks: hosting Vercel Pro circa 20 euro, Supabase Pro circa 25 dollar, Anthropic API verbruik tussen 10 en 200 dollar afhankelijk van volume. Reken voor een redelijk actieve agent op 80 tot 100 euro per maand totaal in vaste lasten plus verbruik.

Tijdsinvestering: laat je dit extern bouwen, reken dan als opdrachtgever op 4 tot 8 uur per week tijdens de bouw, voor use case input, review-momenten en eind-acceptatie. Na go-live is dat nog 1 uur per week voor monitoring en feedback.

Tijdshorizon ROI: bij een goed gekozen use case is de eerste tijdwinst meetbaar in maand 1. Volledig terugverdiend tussen maand 2 en maand 4 voor een implementatie van 15.000 euro die 10 uur per week bespaart aan een medewerker van 50 euro per uur.

Wanneer een AI-agent niet de juiste oplossing is

Ik raad een AI-agent expliciet af in vijf situaties.

Repeterend werk met vaste regels. Daarvoor is een RPA-tool of een goed scriptje goedkoper en betrouwbaarder, een LLM voegt er niets aan toe.

Strikte regelgeving zonder fouttolerantie, zoals medisch advies, financieel advies waar regelgevers per fout een boete uitdelen, of juridische claims. LLMs maken nu eenmaal fouten en dat risico kun je in die context niet dragen.

Data die niet uit je systeem mag. On-premise vereisten betekenen dat je geen managed LLM kunt gebruiken. Het kan eventueel met een lokale of private deployment, maar dan loopt de timeline op naar 4 tot 6 maanden en de kosten naar 60.000 plus.

Geen interne procesverantwoordelijke. Zonder eigenaar mislukt elke implementatie, of het nu een ERP-uitrol is of een AI-agent. De beste voorspeller van succes is of er iemand iedere week tijd vrijmaakt om de agent te verbeteren. De techniek zelf komt daarna pas.

Verwachting van 100% accuracy zonder fall-back naar een mens. Een AI-agent zal soms fout zitten. Bouw je geen mens-in-de-loop voor de twijfelgevallen, dan boek je verkeerde facturen of verstuur je verkeerde mails, en dat kost je meer dan de tijdwinst oplevert.

Hoe meet je of het werkt: vier KPIs

Adoptie: hoeveel mensen gebruiken hem actief per week. Blijft dat na maand 2 onder de 30% van het beoogde team, dan is dat een teken dat de use case verkeerd gekozen is of dat het traject onderweg gewijzigd had moeten worden.

Tijdwinst: hoeveel uur bespaart hij ten opzichte van de baseline-meting voor de pilot. Meet die baseline twee weken voordat de agent live gaat, anders weet je niets.

Foutpercentage: het percentage keren dat een mens moest corrigeren. Het streefcijfer in een typische administratie-context: onder 5% na maand 2.

Maandelijkse runkosten versus bespaarde uren omgerekend in euro. Als de agent 80 euro per maand kost en 40 uur bespaart aan een medewerker van 50 euro per uur, is de ratio 1 op 25. Onder de 1 op 5 zou ik me afvragen of de agent het waard is.

Veelgestelde vragen

Heb ik een eigen developer nodig om dit te onderhouden?

Niet voor de basis. Een goed gebouwde agent draait maanden zonder ingreep. Voor uitbreidingen of nieuwe use cases is technische kennis welkom, maar mijn eigen agents bouw ik zo dat een nieuwe tool of skill via configuratie toegevoegd kan worden, zonder dat er code aan te pas komt.

Wat als Anthropic morgen failliet gaat, ben ik dan vendor-locked?

De stack zit zo in elkaar dat het LLM een vervangbaar onderdeel is. Custom tools, database, Slack-bot en business-logica blijven van jou. Switchen naar OpenAI of een ander model kost typisch een paar dagen werk, geen volledige herbouw.

Werkt dit ook met onze on-premise data?

Niet zonder aanpassingen. Wel met een private LLM-deployment via Azure of AWS Bedrock met VPC-peering. Dat verdubbelt de timeline en de kosten, maar het kan.

Hoe voorkom je dat de agent gevoelige info naar buiten lekt?

Drie lagen: gevoelige velden worden gemaskeerd voordat ze naar het LLM gaan, ik gebruik een service-role key die alleen specifieke tabellen mag lezen, en alle agent-output wordt gelogd zodat je achteraf kunt zien wat hij wist en deed.

Kan ik dit zelf bouwen als ik een technische achtergrond heb?

Ja, mits je 6 tot 10 weken vol kunt vrijmaken. De Anthropic-documentatie is uitstekend, Supabase en Vercel hebben starter-templates. Wat je betaalt aan een externe partij is voornamelijk de versnelling en de scope-discipline. De techniek zelf is niet exotisch.

---

Geschreven door Peter Davelaar met AI-assistance.