De belofte is dit jaar niet aan te slepen: AI gaat van chatbot naar agent, van antwoorden naar dóén. Er zit waarheid in. Maar juni 2026 laat twee dingen tegelijk zien. Er draaien nu agents die echt werk afmaken, en tegelijk is de eerste serieuze afkoeling van de hype begonnen. De vraag die je je vandaag mag stellen voor je een agent op een proces loslaat: levert het écht iets op, of kost het vooral tijd en geld?
Update 25 september 2026: Gecorrigeerd: de agents die ruim twintig minuten zelfstandig werken, kwamen met Notion 3.0 in september 2025, niet met Notion 3.2 in mei 2026. Aangevuld: METR meldde in februari 2026 dat nieuwe metingen een kleiner en onzekerder effect lieten zien, en Gemini Spark zit sinds mei 2026 in de AI Ultra-abonnementen van $100 en $200 per maand, alleen in de VS (Google).
Eerst even: wat een agent anders maakt
Een chatbot reageert op één vraag en stopt. Een agent krijgt een doel en blijft handelen tot het af is: hij knipt het op in stappen, gebruikt tools, leest data uit je apps en corrigeert zichzelf onderweg. Dat verschil klinkt klein, maar het verschuift wie het werk doet. Jij geeft de opdracht; de agent loopt de stappen.
Beginner-tip: Verwar een agent niet met een “slimmere chatbot”. Wil je het complete overzicht (de vier soorten agents, hun risico’s en wanneer je er een inzet), begin dan bij onze pillar AI-agents in 2026: wat zijn ze en wat kun je er echt mee?.
Het werk dat agents nu echt doen
Het zijn al lang geen demo’s meer. Notion heeft sinds versie 3.0 (september 2025) agents die ruim twintig minuten zelfstandig aan een doel werken en meekijken in onder meer Slack en Google Drive (Bron: Notion); in mei 2026 opende Notion zijn werkruimte ook voor externe agents als Claude Code en Cursor (Bron: TechCrunch). Op 2 juni 2026, tijdens Build, toonde Microsoft Scout: een always-on agent die continu op de achtergrond draait in Microsoft 365, vergadertijden plant en stukken voorbereidt zonder dat je telkens een prompt tikt. Scout zit voorlopig in een besloten preview voor een selecte groep klanten (Bron: Microsoft 365 Blog).
Twee thema’s domineren het veld. Het eerste is computer-use: agents die zelf je browser of desktop bedienen in plaats van alleen tekst te produceren. Het tweede is multi-agent: meerdere agents die samen één klus klaren. We schreven eerder al dat het chatvenster langzaam verdwijnt, en Notion en Scout zijn precies dat patroon, in producten die (deels) al te gebruiken zijn. En het blijft niet bij kantoorsoftware: ING zet een zelfontwikkelde agent in bij de hypotheekbeoordeling — agents raken inmiddels ook beslissingen over je geld. Ook ad-tech beweegt mee: Google bouwt Gemini-agents bovenop z’n advertentiestack, waarover we schreven in Google’s Ask Ad Manager: wat het MKB ermee kan.
Maar levert het op? De ongemakkelijke cijfers
Hier wordt het interessant, want naast de demo’s staat een stapel nuchtere data. Gartner verwacht dat meer dan 40% van alle agentic-AI-projecten vóór eind 2027 wordt geschrapt, door oplopende kosten, onduidelijke zakelijke waarde of onvoldoende risicocontrole (Bron: Gartner). MIT keek breder naar generatieve AI en vond dat ongeveer 95% van de bedrijfspilots niet opschaalt naar productie (Bron: Fortune). Eind mei 2026 deed Gartner er nog een schep bovenop: ook agents die wél in productie draaien worden vaak weer teruggeschroefd. Waarom dat gebeurt lees je in Gartner: 40% van de bedrijven zet zijn AI-agents vóór 2027 weer op een lager pitje.
Het scherpste cijfer komt van onderzoeksbureau METR. In een gecontroleerde proef lieten zij zestien ervaren open-source-ontwikkelaars 246 taken doen, de helft mét AI-tools (Cursor Pro, Claude 3.5/3.7), de helft zonder. Het verwachte resultaat was tijdwinst. De uitkomst: de ontwikkelaars deden er mét AI 19% langer over, terwijl ze achteraf dachten 20% sneller te zijn geweest (Bron: METR). Dat ging om coding-tools in plaats van agents, maar het patroon is precies wat je bij autonome systemen wilt vermijden: een gevoel van versnelling dat de meting niet haalt. Wel een kanttekening: in februari 2026 meldde METR dat een nieuwe meetronde schattingen gaf tussen 18% en 4% trager, met marges die ook tijdwinst toelaten, en dat de opzet minder betrouwbaar werd omdat ontwikkelaars steeds minder zonder AI willen werken (Bron: METR).
Die nuchterheid leeft ook buiten de rapporten. In de praktijk lopen mensen tegen agents aan die vastlopen, dubbel werk maken of dure omwegen nemen, een geluid dat je breed terugziet op X:
Daar komt “agent washing” bovenop. Leveranciers plakken een agent-sticker op bestaande chatbots, assistenten en RPA-scripts zonder dat er echte zelfstandigheid bij zit. Van de duizenden partijen die zich agentic noemen, telt Gartner er ongeveer 130 als de echte. De vraag bij elke demo is dus simpel: wat doet dit ding autonoom, en wat niet?
Tegenover die nuchtere cijfers staan wél bedrijven die het laten werken — niet met grootse agents, maar met één afgebakende taak. Een opvallend recent voorbeeld: Rabobank lanceerde op 24 juni 2026 de Agentic Hub, een intern platform voor ~1.100 engineering teams met gedeelde bouwblokken en kaders voor compliance — precies de gestructureerde aanpak die Gartner aanbeveelt als alternatief voor losse experimenten. In AI use cases in het MKB: vier Nederlandse bedrijven die het echt doen zie je hoe een bakker, een metaalbewerker en een huisarts precies dat aanpakten.
Wat het kost: tokens, abonnementen en verborgen integratie
De rekening valt grofweg in twee vormen. Bij open-source frameworks is de software gratis, maar betaal je per LLM-token; een agent die veel stappen zet, stookt dus stevig door. Draait de agent op je eigen hardware, dan vervalt die tokenrekening: Perplexity bracht zijn agent in september 2026 naar Windows-pc’s met een zware NVIDIA-kaart. Bij kant-en-klare tools betaal je een abonnement plus usage-limits. Daar bovenop komt het werk dat zelden in de prijs staat: koppelen aan je eigen systemen, testen, en het toezicht dat je erbij moet organiseren. Dat toezicht heeft ook een beveiligingskant: zie hoe je voorkomt dat een agent gekaapt wordt via een vergiftigd bericht. Het verbruiksmodel rukt intussen ook op bij gevestigde tools: GitHub Copilot rekent sinds 1 juni 2026 af per token. Hoe dat bij een gebundeld abonnement uitpakt, zie je bij Cursor, Grok en X in één plan, waar modellen van derden apart tegen API-prijzen worden afgerekend.
Ter oriëntatie, het landschap in juni 2026 (prijzen indicatief, meestal in dollars, exclusief intensief tokengebruik):
| Tool / platform | Type | Prijsindicatie (2026) | Belangrijkste beperking |
|---|---|---|---|
| Microsoft Copilot (M365) | Grote speler, kant-en-klaar | ~$21–30 p/user/mnd + M365 | Sterk binnen Microsoft, stug daarbuiten |
| Gemini Spark | Grote speler, 24/7 agent | in AI Ultra ($100 of $200/mnd) | Alleen in de VS, toezicht nodig |
| Claude (Desktop + Computer Use) | Grote speler, sterk redeneren | Pro $20, Max $100–200/mnd | Rate limits; computer-use nog niet waterdicht |
| ChatGPT / OpenAI Agents | Grote speler, breed | Plus $20, zwaar gebruik tot ~$200/mnd | Kan hallucineren bij autonome acties |
| Manus | Autonome cloud-agent | gratis (beperkt) tot ~$200/mnd, credits | Credits onvoorspelbaar; rechten output soms grijs |
| LangGraph | Framework (open source) | gratis; je betaalt LLM-tokens | Steile leercurve |
| n8n | Low-code automatisering | gratis self-hosted; cloud ~€29/mnd | Minder “intelligent” zonder tuning |
| Lindy / Gumloop / Relay | No-code agents | ~$10–50/mnd | Zwak bij zeer complexe taken |
Gevorderden: Bij frameworks zit je kost in tokens, bij tools in abonnement plus limits. Een always-on agent die de hele dag meedraait, kan in tokens duurder uitvallen dan het maandbedrag doet vermoeden. Grote spelers winnen nu vooral op integratie en betrouwbaarheid, frameworks op maatwerk. Reken bij elke keuze het tokengebruik van een drukke dag door, niet dat van een demo.
Wat dit voor jou betekent
Afwachten is zonde, groots uitpakken te vroeg. Kies dus één afgebakende, herhaalbare taak waarvan je het goede resultaat herkent: inbox-triage, een vaste wekelijkse rapportage, offertes klaarzetten. Welk platform daar per niveau bij past, werken we uit in AI-agent maken zonder programmeren. Houd een menselijke goedkeuring op alles wat geld, data of klanten raakt, want autonomie betekent ook dat een fout vanzelf doorloopt. Hoe je die controle en grenzen structureel inricht, lees je in AI-agent betrouwbaar inzetten in je mkb. Meet daarna twee dingen eerlijk: hoeveel tijd je echt bespaart, en hoe vaak de agent de mist ingaat. Zet daar ook een eigenaar bij met een naam, want een agent die in beheer ligt bij ICT terwijl niemand in het team weet wat hij doet, is precies hoe die 40% sneuvelt — zie AI invoeren in je team.
Klopt dat plaatje, dan schaal je op. Klopt het niet, dan hoor je bij de 40% die er beter mee stopt, en dat is bespaarde moeite. Welke vijf taken vandaag al betrouwbaar lukken, lopen we stap voor stap door in AI-agents in de praktijk: 5 taken die je deze week kunt automatiseren. En twijfel je tussen Notion, Scout, Manus of Claude Cowork, vergelijk ze dan eerst in AI-computer-agents en -tools vergeleken. Voor een concreet voorbeeld van hoe agentic AI je marketingbudget kan gaan uitgeven: adpaq’s MCP-server laat AI-assistenten campagnes opzetten via natuurlijke taal — inclusief de belangrijkste vraag: wie op je kantoor heeft mandaat om te stoppen? Diezelfde vraag stond centraal toen een AI-agent van OpenAI ongevraagd een blokkade omzeilde bij een Australische overheidsdienst — een les die verder reikt dan alleen overheden.
Precies dit onderscheid — welke taak een volwaardige, zelfcontrolerende cyclus verdient en welke niet — staat centraal in onze praktijkgids over loop engineering, inclusief een vier-vragen-checklist om de knoop snel door te hakken — en onze bredere analyse van automatisering versus versterking laat zien waarom die knoop er meer toe doet dan je op het eerste gezicht zou denken.