AI-agent-ontwikkeling die productie overleeft

AI-agent-ontwikkeling is software bouwen waarin een taalmodel bepaalt welke stap volgt, echte tools aanroept om die stap te zetten, het resultaat leest en opnieuw beslist — totdat een doel is bereikt of een grens het stopt. Het product is niet het model, maar de lus eromheen. Daar zit de engineering: wat de agent mag aanroepen, hoe fouten bij hem terugkomen, hoe toestand tussen stappen meegaat, wat er gebeurt als hij afdwaalt, en hoe je achteraf weet of het werk gedaan is. Een chatbot antwoordt. Een agent handelt — en dat handelen maakt er een softwareproject van in plaats van een prompt.

Een werkend prototype voor een smalle taak kost meestal één tot drie weken. Dat prototype op een niveau brengen dat je aan klanten durft te tonen kost aanzienlijk langer — doorgaans twee tot vier maanden — en bijna niets daarvan gaat naar prompts. Het gaat naar integraties die falen op manieren die het model moet opvangen, naar een evaluatieset die regressies vangt, naar rechten, naar logs waarmee je kunt debuggen, en naar de overdrachtsroute naar een mens voor gevallen die de agent niet alleen mag beslissen. Teams die de demo begroten en de tweede fase niet, komen nooit voorbij de pilot.

Begin met het lichtste dat de taak oplost. Voor één agent met een handvol tools is de SDK van de modelaanbieder plus een zelfgeschreven lus vaak het hele werk, en je kunt elke stap blijven debuggen. Grijp naar een orkestratieframework wanneer je echt duurzame toestand, vertakte control flow, herpogingen over langlopende stappen of meerdere samenwerkende agents nodig hebt. De prijs van een framework is niet de API, maar dat juist de onderdelen die je op een slechte dag moet inspecteren in andermans abstractie zitten. Wat je ook kiest: houd prompts, tooldefinities en evaluatieset buiten het framework, dan is overstappen een dag werk en geen herschrijving.

Er zijn twee kosten en teams plannen stelselmatig de verkeerde. Bouwkosten: een smalle interne agent ligt doorgaans tussen $8.000 en $30.000 aan engineering; een klantgerichte agent met echte integraties, evaluatie en monitoring vaker tussen $30.000 en $120.000. Draaikosten: tokenuitgaven zijn meestal de kleinere post en het makkelijkst te verlagen — eenvoudige stappen naar een goedkoper model routeren, cachen en context snoeien halveren de rekening vaak. De vergeten post is onderhoud: modellen verdwijnen, API’s veranderen, de evaluatieset moet opnieuw draaien. Reken op ongeveer 15–25% van de bouwkosten per jaar.

Door te begrenzen wat hij kán, in plaats van te hopen dat hij zich gedraagt. In de praktijk: onderbouw antwoorden met opgehaalde documenten en laat de gebruikte bron citeren; geef tools strikte, getypeerde argumenten en valideer ze vóór uitvoering; laat een tool eerlijk „niet gevonden” teruggeven en leer de agent dat niets teruggeven een aanvaardbare uitkomst is; begrens het aantal stappen en de uitgaven per run; en zet een menselijke goedkeuring vóór alles wat onomkeerbaar is — betalingen, verwijderingen, uitgaande berichten aan klanten. En meet dan. Een evaluatieset van vijftig echte gevallen, juist de ongemakkelijke, zegt meer over betrouwbaarheid dan welke prompttuning ook.

Gebruik een no-codeplatform wanneer de taak standaard is, het volume bescheiden en de kosten van een fout antwoord laag — interne FAQ-routering, leadtriage, eerste conceptantwoorden. Ze brengen je echt sneller bij een werkend resultaat en leren je wat de taak nodig heeft. Bouw maatwerk wanneer de agent je eigen systemen met echte rechten moet raken, wanneer latency of kosten per stuk meetellen bij jouw volume, wanneer je een eigen evaluatie en audittrail nodig hebt, of wanneer de agent onderdeel is van het product dat je verkoopt. Het gebruikelijke pad is verstandig: bewijs de flow op een platform en bouw daarna de delen opnieuw die dat verdiend hebben.