Wat is een AI-agent

Een AI-agent werkt volgens een continue cyclus: de status van een taak waarnemen, de betekenis ervan beredeneren, een reeks acties plannen en die acties uitvoeren via tools die met echte systemen zijn verbonden. Dit alles is erop gericht de kans te maximaliseren dat een door een menselijke opdrachtgever vastgesteld doel wordt bereikt. ISO (2021) definieert een AI-agent als een agent die met behulp van kunstmatige-intelligentietechnieken de kans op het succesvol bereiken van zijn doelen probeert te maximaliseren. Volgens die definitie gaat de term verder dan eenvoudige automatisering: de agent bepaalt welke stappen nodig zijn en in welke volgorde, in plaats van één vaste output te produceren. Bij bid teams en aanbestedingsteams aan leverancierszijde omvat die besluitvorming documentintake, het extraheren van vereisten, het opstellen van concepten en routering, en niet slechts één uitwisseling van vragen en antwoorden.

De regelkring van de agent en de grenzen ervan

De cyclus waarnemen, redeneren, plannen, handelen en reflecteren

Het gedrag van een AI-agent kan het best worden begrepen als een terugkerende cyclus, niet als één enkele inferentiestap. De agent neemt de huidige status van een taak waar, redeneert over wat die status vereist, plant de volgende actie, voert die uit door een tool of systeem aan te roepen en reflecteert vervolgens op het resultaat. Daarna besluit de agent om door te gaan, de koers bij te stellen of te stoppen.

Elke cyclus actualiseert het werkbeeld dat de agent van de taak heeft. Daardoor worden latere acties afgestemd op de resultaten van eerdere acties. Zo kan een agent een document met een onverwachte structuur of een vraag zonder exacte overeenkomst in eerdere antwoorden verwerken, in plaats van direct vast te lopen.

De lus is ook het punt waarop fouten zich opstapelen. Als in een redeneerstap een vereiste verkeerd wordt geïnterpreteerd, werkt die fout door in elke daaropvolgende actie totdat een menselijke beoordelaar of een validatieregel de fout signaleert. Daarom zijn de reflectiefase en menselijke controlemomenten net zo belangrijk als de planningsfase.

Begrensde autonomie, geen onbeperkte onafhankelijkheid

De autonomie van een AI-agent is voorwaardelijk, niet onbeperkt. NIST (2024) beschouwt AI-agents als onderdeel van agentic AI: systemen die binnen de hun toegewezen kaders zelfstandig beslissingen kunnen nemen, van interacties kunnen leren en zich aan veranderende omstandigheden kunnen aanpassen, niet systemen die hun eigen doelstellingen bepalen.

In de praktijk wordt die reikwijdte bepaald door de tools die een agent mag aanroepen, de prompts die zijn taak afbakenen en expliciete stopregels die op vastgestelde momenten overdracht aan een mens afdwingen. Een agent voor het beantwoorden van aanbestedingen mag bijvoorbeeld een antwoord opstellen en een tekortkoming in de naleving signaleren, maar geen bid indienen of prijsafspraken vastleggen.

Dit onderscheid is belangrijk omdat het de meest voorkomende misvatting over de term rechtzet. Een agent die zich buiten de beoogde grenzen onvoorspelbaar gedraagt, vertoont niet meer autonomie. Het is een teken dat de grenzen niet strikt genoeg zijn afgebakend. De oplossing is beperktere toegang tot tools of strengere stopvoorwaarden, niet minder AI.

AI-agent versus chatbot

Een AI-agent onderscheidt zich van een chatbot door wat deze is ontworpen om te doen: een chatbot voert gesprekken en geeft antwoord, terwijl een agent werkzaamheden met meerdere stappen over verschillende systemen heen plant en uitvoert. Een chatbot die een vraag over de deadline van een aanbesteding beantwoordt, reageert op een verzoek. Een agent die diezelfde deadline bewaakt aan de hand van een indieningsplan en vertraging signaleert, handelt doelgericht.

Het mechanisme achter dit verschil is het gebruik van tools. De output van een chatbot is doorgaans tekst die aan een gebruiker wordt teruggegeven, terwijl de output van een agent vaak een actie is: een document wordt bijgewerkt, een record wordt aangemaakt of een taak wordt toegewezen aan een beoordelaar, waarbij tekst een van de verschillende componenten is.

Het praktische gevolg voor bid teams is dat agentgebaseerde tools strikter toezicht vereisen dan chatbotgebaseerde tools, omdat hun output de status van een workflow verandert in plaats van alleen informatie te geven aan iemand die een scherm leest.

Oorsprong van de term

Van economie en AI-onderzoek tot standaarden

Het woord “agent” vindt zijn oorsprong in vroege literatuur over kunstmatige intelligentie en economie. Daarin beschrijft het een entiteit die namens een principaal handelt om binnen een omgeving doelen na te streven. Dit gebruik dateert van vóór elke AI-specifieke betekenis en bepaalt nog altijd hoe de term tegenwoordig wordt toegepast.

De definitie van ISO weerspiegelt dit al langer bestaande gebruik en voegt de kwalificatie “AI” toe aan agents die technieken voor kunstmatige intelligentie gebruiken om hun doelen na te streven. Halverwege de jaren 2020 maakten beleidsmakers en onderzoekers “agentic AI” gangbaar als overkoepelende term voor semi-autonome of volledig autonome systemen. In het bedrijfsleven raakte “AI-agent” in gebruik voor praktische systemen die plannen, tools gebruiken en handelen binnen bedrijfsprocessen, zoals bids en aanbestedingen.

Voor bid teams die tools beoordelen, is deze ontstaansgeschiedenis relevant omdat leveranciers de term “AI-agent” ruim gebruiken. Een systeem dat alleen een document samenvat, is geen agent in de betekenis die normalisatie-instellingen hanteren. Een systeem dat vereisten extraheert, conceptantwoorden opstelt en deze ter goedkeuring doorstuurt, komt dichter in de buurt.

AI-agents voor bid-, aanbestedings- en offertetrajecten

AI-agents voor aanbestedingsresponses

Een AI-agent voor aanbestedingsresponses leest het aanbestedingspakket, zet de vereisten in een gestructureerde matrix, haalt passende antwoorden uit een kennisbank met eerdere inschrijvingen en stelt eerste conceptresponses op in de stijl van de organisatie. De agent signaleert ook hiaten ten opzichte van no-go-criteria en bewaakt indieningsdeadlines, terwijl mensen de responses beoordelen, bewerken en goedkeuren.

Het mechanisme combineert documentverwerking met retrieval: de agent koppelt elke geëxtraheerde eis aan goedgekeurde content, in plaats van een antwoord uitsluitend op basis van algemene kennis te genereren. Dankzij bronvermeldingen is elk conceptantwoord zo te herleiden tot een brondocument.

De beperking is dat de kwaliteit van de matching volledig afhangt van de onderliggende kennisbank. Een agent die met verouderde of onvolledige content werkt, produceert concepten die overtuigend klinken maar onjuist zijn. Daarom zijn controlemomenten een vast onderdeel van de workflow en niet optioneel.

Agents voor documentverwerking

Een AI-agent voor documentverwerking verwerkt documenten zoals pdf's, e-mails, scans, aanbestedingen, facturen en contracten, begrijpt de inhoud en context ervan en extraheert gestructureerde gegevens. Vervolgens valideert de agent die gegevens aan de hand van bedrijfsregels en voert deze onder toezicht acties uit in gekoppelde systemen, met menselijke goedkeuring wanneer de belangen groot zijn of er veel onduidelijkheid bestaat.

Het mechanisme scheidt extractie van actie: de agent zet eerst ongestructureerde tekst om in gestructureerde velden en toetst die velden vervolgens aan regels voordat er iets naar een downstreamsysteem wordt geschreven. Deze stapsgewijze aanpak beperkt de schade die een verkeerd uitgelezen veld kan veroorzaken.

Een uitgewerkt voorbeeld is een aanbestedingspakket met verschillende bestandsindelingen: een gescande technische bijlage, een prijsschema in de oorspronkelijke bestandsindeling en een per e-mail verstuurd addendum. Een agent voor documentverwerking brengt alle drie samen in één set vereisten, nog voordat een bid team ze opent.

Review- en goedkeuringsroutering voor meerdere teams

Bij bid- en offertewerk waarbij meerdere functies betrokken zijn, analyseert een AI-agent de binnenkomende RFP of het bidpakket, haalt vereisten, deadlines en beperkingen eruit en verzamelt goedgekeurde referenties en standaardteksten die relevant zijn voor de opportunity. Vervolgens stelt de agent conceptresponses op op basis van actuele projectbestanden.

De agent stuurt deze concepten achtereenvolgens door voor beoordeling door calculatie, operations, veiligheid, juridische zaken en het management. Zodra elke functie akkoord heeft gegeven, voegt de agent de goedgekeurde content samen in een template in de huisstijl. Dit sluit aan bij de manier waarop bid teams hun beoordelingscycli al inrichten. De agent automatiseert het samenvoegen en volgen, maar vervangt de beoordelaars niet.

Het gevolg is dat de verantwoordelijkheid voor de inhoud precies zo verdeeld blijft als bij een handmatig proces. Legal blijft verantwoordelijk voor juridische formuleringen en calculatie voor de prijsstelling. De agent zorgt ervoor dat concepten sneller tussen hen worden doorgegeven en legt vast wie wat heeft goedgekeurd.

Gedrag van agents beheersen

AI-audit trails

Een AI audit trail voor een agent registreert meer dan alleen invoer en uitvoer. Deze legt de identiteit van de agent en eventuele bovenliggende agents vast, evenals de aanleiding voor elke actie, elke aanroep van tools en systemen met de bijbehorende invoer en uitvoer, en het onderliggende besluitvormingstraject. Gebeurtenissen rond gegevenstoegang, beleidscontroles tijdens de uitvoering, uitgevoerde acties, vervolgeffecten en menselijke interventies horen allemaal in hetzelfde logboek.

Dit detailniveau is nodig omdat de acties van een agent, anders dan een statisch rapport, de status van een systeem wijzigen: een document wordt bijgewerkt, een taak wordt aangemaakt en een concept wordt ter beoordeling ingediend. Om te reconstrueren waarom dat is gebeurd, is de volledige keten nodig, niet alleen de uiteindelijke output.

Voor bid teams is dit vooral van belang wanneer een ingediend antwoord later door een klant of toezichthouder wordt betwist of gecontroleerd. Een logboek dat laat zien welk brondocument een bepaald antwoord onderbouwde en wie het heeft goedgekeurd, maakt het antwoord achteraf verdedigbaar.

Human-in-the-loop-toezicht

Human-in-the-loop-governance houdt de beslissingsbevoegdheid over risicovolle acties van agents bij getrainde mensen. Op kritieke punten in de workflow beschikken zij over actuele context, expliciete bevoegdheid om in te grijpen en een gedocumenteerde onderbouwing. Dit verschilt van toezicht achteraf op een agent; de mens maakt deel uit van de beslissing en staat er niet buiten.

In een bid workflow ligt die bevoegdheid op momenten waarop een fout alleen tegen hoge kosten kan worden teruggedraaid: goedkeuring van de prijsstelling, een contractuele toezegging of een complianceverklaring. De agent kan een concept opstellen of een aanbeveling doen, maar het systeem vereist goedkeuring van een met naam genoemde persoon voordat de handeling van kracht wordt.

Een praktisch voorbeeld is een prijsclausule die een agent opstelt op basis van de tariefkaart van een eerder project. Voordat die clausule in de indiening terechtkomt, toetst een pricing lead deze aan de huidige marges. Die stap kan door geen enkele mate van betrouwbaarheid van de agent worden vervangen.

Adoptie, impact en de realiteit in productie

Adoptie en gemeten waarde

AI-agents zijn inmiddels veel verder dan de pilotfase. Uit enquêtegegevens blijkt dat 79% van de senior executives aangeeft dat AI-agents al binnen hun bedrijf worden ingezet. Van de bedrijven die ze inzetten, meldt 66% dat de technologie meetbare waarde oplevert door een hogere productiviteit.

Deze cijfers hebben betrekking op agentic systemen binnen uiteenlopende bedrijfsfuncties, niet specifiek op bid- en offertewerk. De mate van toepassing in offertetrajecten moet daarom als indicatief worden beschouwd, niet als exact.

Voor een bid leader die een businesscase beoordeelt, is de relevante vergelijking niet of agents in het algemeen werken, want dat blijkt uit de adoptiecijfers. Het gaat erom of de specifieke workflow die wordt geautomatiseerd, lijkt op de documentintensieve, door regels beheerste processen waarvoor daadwerkelijk meetbare waarde is gerapporteerd.

Prototype versus productie

Een werkend prototype van een AI-agent kan snel worden gebouwd, maar het kost aanzienlijk meer tijd om dit betrouwbaar in productie te laten functioneren. Praktijkexperts zijn het hierover eens: maanden werk aan de afhandeling van uitzonderingssituaties, logica voor nieuwe pogingen, guardrails, beëindigingscriteria en het ontwerp van de orkestratie maken het verschil tussen een demo en een systeem waarop een bid team kan vertrouwen.

Het verschil in werking zit vooral in de afhandeling van fouten, niet in het onderliggende model. Een prototype houdt zelden rekening met een onjuist opgemaakte PDF, een toolaanroep die een time-out geeft of een vereiste die in tegenspraak is met een eerdere vereiste in hetzelfde document. Een productieagent moet alle drie detecteren en doorsturen naar een mens, in plaats van stilzwijgend te gokken.

Het praktische gevolg is dat de planning voor de implementatie van een agent voor het beantwoorden van aanbestedingen moet worden afgestemd op dit werk om het systeem robuuster te maken, en niet op de prestaties van de eerste demo. Die geven vaak een te rooskleurig beeld van hoe dicht een systeem bij betrouwbaar gebruik is.

Veelvoorkomende misvattingen

De hardnekkigste misvatting is dat AI-agents hun eigen doelen bepalen en volledig zelfstandig handelen. In de praktijk werkt een agent als voorwaardelijke automatisering, begrensd door de tools die hij kan aanroepen, de prompts die zijn taak afbakenen en expliciete stopregels die de controle weer aan een mens overdragen.

Een tweede misvatting is dat een AI-agent simpelweg een geavanceerdere chatbot is. Het onderscheidende kenmerk is niet de verfijning van de conversatie, maar het vermogen om onder governance acties met meerdere stappen in bedrijfssystemen te plannen en uit te voeren. Zo brengt de agent wijzigingen aan in een workflow, in plaats van alleen tekst op een scherm te produceren.

Een derde misvatting is dat een betrouwbare agent voor bids of aanbestedingen na een korte prototypefase kan worden opgeleverd. Productierijpheid vereist langdurige aandacht voor uitzonderingssituaties, auditregistratie en operationele monitoring. Dit kost doorgaans meer tijd dan het bouwen van de eerste versie die het concept demonstreert.