De meest fundamentele keuze
De vraag waar alles in begint en waar de meeste vast in lopen is en blijft, waarin gaan we onze AI-assistenten bouwen? De meest fundamentele keuze die alles lijkt te bepalen. In de praktijk valt het wel mee als je het landschap een beetje kent. Dan kom je er vrij snel uit als je kijkt wat je al hebt en wat je budget en tijdsinvestering is. De belangrijkere vraag is, wat voor AI-applicatie ga ik bouwen?
In de praktijk kom ik vier soorten AI-werk tegen. Elk soort vraagt om ander gereedschap en vraagt ander onderhoudt. Weet je in welke laag je zit, dan is de vervolgkeuze vaak simpel.
Vier lagen AI-werk
AI-chat
AI-chat is één mens in één gesprek. ChatGPT, Claude, Gemini, Copilot Chat. Je typt, je krijgt antwoord en je plakt het resultaat ergens neer. Er zit geen proces omheen en er blijft niets van bewaard behalve de chatgeschiedenis. Dit is de laag waar iedereen begint en waar de meeste organisaties blijven hangen. Deze laag is de laatste tijd door beter geheugen, connectoren en system prompts veel beter geworden.
Cowork
Cowork is de laag die er het afgelopen jaar bij is gekomen. Claude Cowork en sinds juni 2026 Copilot Cowork van Microsoft. Je geeft een opdracht mee met bestanden, een map en tools erbij en het systeem doet meerdere stappen achter elkaar: bestanden lezen, iets uitrekenen, een document opleveren. Zo is AI van je assistent naar projectmanager gegaan.
Dit is de laag voor werk dat te groot is voor één prompt en te wisselend voor een vaste workflow. Bijvoorbeeld:
- Dertig polisdossiers doorlopen en er een afwijkingenlijst uit halen.
- Een offertetraject voorbereiden.
- Een maandrapportage samenstellen uit vier bronnen die elke maand net iets anders zijn.
Het werk hoeft niet elke keer identiek te verlopen want er zit een mens bij die ziet wanneer het spoor loopt. Het is dus niet standaard werk en varieert per keer maar het is te complex voor de chat functie. Cowork is hiervoor de oplossing omdat je zo de kwaliteiten van AI met die van de mens combineert.
Workflowbouwer
De workflowbouwer is de laag waar de grootste meerwaarde zit. Een trigger, vaste stappen en een resultaat dat elke keer hetzelfde output format heeft. n8n, Copilot Studio, Power Automate, Make zijn hier goede voorbeelden van. AI is hier één stap in een keten die verder gewoon deterministisch is: mail komt binnen, bijlage wordt gelezen, model haalt er zes velden uit, een regel controleert of die velden kloppen, het systeem maakt het dossier aan en de behandelaar krijgt alleen de twijfelgevallen te zien.
Voor financiële dienstverlening is dit de belangrijkste laag. Je kunt per stap aantonen wat er gebeurd is. Wie het aanleverde, wat het model eruit haalde, welke regel het tegenhield en wie het goedkeurde. Workflows leveren veel meerwaarde op of besparen veel met de traceability die de financiële dienstverlening nodig heeft.
Autonome agents
Autonome agents krijgen een doel zonder vaste manier van werken. Het systeem bepaalt zelf welke stappen het neemt, in welke volgorde en wanneer het klaar is. LangGraph, LangSmith Fleet, de agentbuilders in n8n en Copilot Studio. Dit is de laag waar de meeste demo's vandaan komen die veel indruk maken en de minste in productie staan.
Autonomie is geen niveau waar je naartoe groeit. Het is een eigenschap die je aanzet wanneer er van tevoren geen standaard plan te bepalen is. Dit maakt het eindproduct moeilijker te beoordelen en op kwaliteit te schatten. Dit is ook de duurste optie van de vier want AI moet alles zelf bepalen. Dit kost best wat tokens.
Bijvoorbeeld:
- Een onderzoeksopdracht waarbij het antwoord op stap drie bepaalt of er een stap vier is, hoort in deze laag.
- Een acceptatiecheck met variabele controles.
Deze eigenschappen maakt Autonome agents minder geschikt voor de financiële sector. De traceability is laag en hoe borg je dat wanneer deze agent duizenden keren per dag loopt alles goed gaat? Die controle wil je wel hebben in deze sector met deze volumes.
| Wie stuurt | Herhaalbaar | Typisch werk | Waar het misgaat | |
|---|---|---|---|---|
| AI-chat | De mens, per bericht | Nee | Eenmalig werk, elke keer anders | Geen controle, alles staat bij de gebruiker op de account |
| Cowork | De mens, per opdracht | Deels | Te groot voor één prompt, te wisselend voor een workflow | Geen controle, alles staat bij de gebruiker op de account |
| Workflowbouwer | Het proces | Ja | Vast patroon, hoog volume, aantoonbaar | AI inbouwen waar een regel volstaat |
| Autonome agent | Het systeem | In principe wel | Er is geen standaard plan voor dit werk | Kwaliteitscontrole, hoe bepaal je of deze goed genoeg is om op productie te zetten? |
Het zijn andere tools, niet een doorgroei van
Iedereen chat, het bevalt en de volgende stap die op tafel komt is een autonome agent. Het voelt alsof dit makkelijker is dan de moeite steken in het opzetten van Cowork of een workflowbouwer. Het kost namelijk best wat tijd om dit goed te doen. Je geeft je taak aan een autonome agent en hij komt tot een goed resultaat. Dat is toch veel sneller en makkelijker?
Als je over de tijd van een jaar kijkt hebben workflows en Cowork een groot voordeel. Ze zijn goedkoper omdat ze minder tokens gebruiken of in een abonnement zitten en ze zijn beheersbaar. Dit beheersbaar zijn is belangrijk als je wilt groeien als bedrijf. Je weet wat de kwaliteit van je output is en je kunt dus vertrouwen op dat het proces goed gaat. Dit geeft je het fundament om verder te groeien. Dit geeft je ruimte en tijd om verder te kijken naar meer automatisering en misschien naar autonomous agents.
Vier vragen die de keuze maken
Wie heeft al toegang tot je data?
Een assistent die weet welke documenten hij moet lezen, verslaat een slimmer model die niet bij je data kan. Veel organisaties hebben al Microsoft en daardoor is Copilot met WorkIQ / Graph een hele oplossing. Je hoeft niets in te stellen en AI kan al goed bij de relevante data. Integreer je vooral met niet Microsoftproducten heb je meer flexibiliteit. Dan is de keuze voor een Europees product of een product met superieure mogelijkheden voor jouw makkelijk. Of je de integraties voor Microsoft, Anthropic of n8n bouwt maakt niet. Een integratie is een integratie.
Hoe is het onderhoudt geregeld?
Onderhoud is niet sexy en leuk. Daarom wordt daar niet vaak niet aan gedacht terwijl dit vaak de grootste kostenplaats is over 5 jaar, niet het bouwen. Modellen worden vervangen, koppelingen veranderen, de business past haar proces aan. Je hebt een ontwikkelaar nodig die jouw code begrijpt als je jouw AI in code hebt gebouwd. Bouw je in low-code, dan zit een groot deel van dat onderhoud in het platform. Dit zijn de keuzes die op termijn het kostenplaatsje maken.
Hoe complex is jouw AI?
De ene AI is de andere niet. Sommige werken perfect in Cowork en andere in workflowbouwers. Dus de vraag is niet alleen "welk platform kan de complexiteit van onze AI aan?" maar "welk platform heeft voldoende logging en monitoring voor onze AI?". Een AI-assistent die de acceptatie van verzekeringen doet kan je in Cowork bouwen maar een workflowbouwer is een betere oplossing omdat je zo logging hebt. Je wilt namelijk wel opslaan en controleren waarom een verzekering geaccepteerd hebt. Sterker nog, van de wet moet je dit opslaan en kunnen reproduceren. Dit zijn ook zaken die je moet meenemen als je AI bouwt.
De gereedschapskist
n8n is mijn standaard voor de workflowlaag omdat:
- Ze releasen in een tempo waar de rest niet bij in de buurt komt en de agentfunctionaliteit die ze nu in bouwen is daar het jongste voorbeeld van. Je kunt het zelf hosten op een eigen server. Wat flink in de kosten scheelt.
- Het is een Duits bedrijf. Ik vind het gewoon leuker om met een Europees te werken in plaats van de grote Amerikaanse tech.
Waar n8n minder sterk is: het weet niets van jouw organisatie tot je het vertelt. Elke koppeling, elke rechtenstructuur en elke kennisbron richt je zelf in.
Microsoft 365 Copilot en Copilot Cowork zijn de logische keuze als je werk al in Microsoft zit. Microsoft heeft al je documenten, je mail en je agenda al, weet wie waar bij mag en heeft er een semantische index van gemaakt. Daardoor krijg je snel een goed antwoord op vragen over je eigen werk. Zonder dat iemand eerst een kennisbank hoeft in te richten.
Copilot Studio is waar ik de afgelopen maanden van onder de indruk ben geraakt. Je bouwt een agent in Microsoft 365 Copilot en kopieert hem naar Copilot Studio. Daar krijg je gescheiden omgevingen, versiebeheer, rechten per rol, meerstapslogica en koppelingen naar systemen buiten Microsoft. De instructies en de kern van je agent blijven staan, je bouwt er alleen op door.
Dat is een prettige route: van AI-assistent naar AI-workflow zonder opnieuw te beginnen. Je levert wat losheid in en krijgt er controle en constantere output voor terug. Voor werk dat de organisatie in gaat is dat vrijwel altijd de betere ruil omdat je zo de business in de bestuurderstoel zet. Je bouwt echt wat zij willen.
LangSmith Fleet is de aanrader voor wie een autonome agent nodig heeft en niet kan of wil programmeren. Het heette tot voor kort Agent Builder en is de no-code kant van LangChain: je beschrijft wat de agent moet doen, kiest waar hij bij mag en bouwt goedkeuringsstappen in.
Zelf programmeren blijft ook een optie. Lees daarvoor hieronder door.
| Laag | Sterk in | Zwak in | Kies dit als |
|---|---|---|---|
| n8n | Workflow, agent — tempo, self-hosting, koppelingen, Europees | Je richt alles zelf in | Je data verspreid staat of buiten Microsoft |
| Microsoft 365 Copilot en Cowork | Chat, cowork — index van je eigen data, geen inrichting vooraf | Alleen wat in Microsoft zit | Je werk al in Microsoft 365 staat |
| Copilot Studio | Workflow, agent — governance, omgevingen, doorgroei vanaf Copilot | Power Platform-kennis nodig | Je van assistent naar proces wilt |
| LangSmith Fleet | Agent — autonome agents zonder code | Jong, minder bedrijfsbrede governance | Je een complexe use case hebt die je niet anders kan oplossen, op zelf coderen na. |
| Code, zoals LangGraph | Agent — alles kan | Onderhoud, afhankelijk van mensen | Er echt geen andere weg is |
Wie bouwt wat
Niet alles hoeft door dezelfde mensen gebouwd te worden. Zelf hou ik deze vier routes aan:
- Persoonlijke productiviteit bouwen mensen zelf, met prompts en gedeelde templates, binnen licenties die je al hebt.
- Werkstromen voor een team laat je via superuser configureren in een afgeschermde omgeving.
- Specialistische oplossingen koop je als de prijs goed. Soms voelt het zelf bouwen beter en goedkoper maar als je bij een goede partij een oplossing koopt koop je ook doorontwikkeling en compliance. Zaken die ook erg duur zijn om zelf goed te doen en te onderhouden.
- Als laatste optie laat je ontwikkelaars jouw complexe AI programmeren.
Welke route je neemt hangt af van hoe ingewikkeld het is om te bouwen, te onderhouden en de kosten om het extern te kopen.
Waarom de tweede assistent goedkoper is dan de eerste
Bij de eerste assistent bouw je ook de omgeving met verbindingen, beveiliging, security etc. Dat is meteen een groot gedeelte van het budget maar dit is daarna wel grotendeels herbruikbaar bij de volgende assistenten. Vooral in workflowbouwers.
Dit hoort ook echt bij je toolkeuze. Een assistent verhuis je in een week naar een ander platform. Een kennislaag, een rechtenmodel en een set gedeelde functies verhuis je niet. Kies je platform dus op wat eronder komt te liggen, niet op de eerste assistent die je erop bouwt.
Programmeren is meestal overkill
De use cases die ik in de praktijk tegenkom zijn tekst verwerken, samenvatten, velden uit een document halen, een risico-inschatting maken, een dossier controleren op ontbrekende stukken. Dat kan low-code allemaal erg goed. De specialistische use case waarvoor je echt zelf moet bouwen, komt in de meeste organisaties simpelweg niet voor. Je gaat pas programmeren wanneer je een handelsstrategie modelleert of een molecuul ontwerpt. Eerder niet. Voor het werk in een assurantiekantoor, een verzekeraar of een MKB-organisatie komt dit gewoon niet voor.
Low-code heeft de afgelopen jaren een professionaliseringsslag gemaakt die veel mensen gemist hebben. Monitoring, observability, foutafhandeling, versiebeheer, koppelingen met de systemen waarmee je dat allemaal in de gaten houdt. Het is niet meer het hang en vliegwerk van vijf jaar geleden.
Dat programmeren toch zo vaak de default is komt vaker voort uit voorkeur dan uit noodzaak. Ontwikkelaars houden van programmeren want anders waren ze wat anders gaan doen. Dit is een keuze uit passie en niet uit financiële en bedrijfsmatige overwegingen.
De eerlijkheid gebiedt te zeggen dat er grenzen aan dit standpunt zitten. Bij strakke latency-eisen kom je met een workflowbouwer niet uit. Code wint dit het gewoon altijd op latency. Gelukkig maakt het bij veel automatisering niet uit of het 120 milliseconden duurt of 3 seconden. Een andere overweging is natuurlijk de lock-in bij een specifieke partij. Microsoft zit bijna overal en je stapt niet zo snel over. Dat maakt je wel gevoelig voor de verhoging van hun prijzen, je kunt niet erg makkelijk bij hen weg. Dat is een goede overweging om bij een ander platform te gaan ontwikkelen. Hiervoor betaal je een prijs. De hoogte van die prijs is afhankelijk van wat je wilt bouwen.
Wat dit model niet oplost
Alle tools blijven doorontwikkelen en met AI die hen helpt gaat dit alleen maar sneller. Hierdoor zie je ook dat de grenzen tussen de vier lagen verschuiven. Workflowbouwers krijgen agentfunctionaliteit erbij, chatomgevingen krijgen tools en geheugen. n8n en Copilot Studio kunnen inmiddels allebei dingen die twee jaar geleden alleen in code konden. Daardoor is de vraag over de vier lagen AI-werk het belangrijkste. Wanneer je die beantwoord hebt kijk je naar je gereedschapskist en door mijn whitepaper heb je een mooi start punt om te kijken naar welke tool je wilt gaan gebruiken.
Veel bouwplezier!