Een agentic workflow is een werkproces waarin een AI-agent zelf kiest welke stap en welk gereedschap hij als volgende gebruikt; bij Oase Creative leerden 44 achtergebleven mailconcepten ons dat zo'n workflow pas betrouwbaar is met controle achteraf.
Wat is een agentic workflow?
Een agentic workflow is een werkproces waarin een AI-agent zelf de volgende stap kiest. Een gewone workflow doet elke keer hetzelfde: formulier binnen, gegevens naar het CRM, bevestigingsmail eruit. In een agentic workflow krijgt een AI-agent een doel en een set gereedschap, en bepaalt hij per situatie wat hij doet. Eerst iets opzoeken, dan een concept schrijven, dan nog een bron raadplegen omdat het antwoord niet klopte.
Anthropic, de maker van Claude, maakt het onderscheid zo: workflows volgen vooraf vastgelegde codepaden, agents sturen zelf hun proces en hun gebruik van gereedschap. Een agentic workflow is de combinatie: een vast kader met op één of meer plekken een agent die zelf beslist.
Op onze site heet dit agentic flows. Het is dezelfde soort systeem. De naam doet er minder toe dan de vraag die erachter zit: wie kijkt er mee als de agent een verkeerde keuze maakt?
Hoe verschilt een agentic workflow van gewone automatisering?
Het verschil zit in wie de route bepaalt. Bij gewone automatisering ligt de route vast en bepaalt de bouwer hem vooraf. Bij een agentic workflow ligt alleen het doel vast, en kiest de agent de route.
| Gewone automatisering | Agentic workflow | |
|---|---|---|
| Wie bepaalt de stappen | De bouwer, vooraf | De agent, per keer |
| Gedrag bij dezelfde invoer | Altijd hetzelfde | Kan verschillen |
| Sterk in | Vaste, herhaalbare taken | Taken die oordeel of lezen vragen |
| Typische fout | Stopt als de invoer afwijkt | Gaat door met een verkeerde aanname |
| Kosten per run | Laag en voorspelbaar | Hoger, wisselt met het aantal stappen |
| Wat je moet controleren | Of hij draait | Of hij goed koos en geen actie dubbel deed |
Die laatste rij is de kern. Gewone automatisering die stukgaat, stopt meestal. Maar een agent die verkeerd kiest, gaat door. Zo wordt een verkeerde aanname in stap twee een verkeerde zoekopdracht in stap drie en een verkeerde mail in stap vier.
Daarom draait in ons eigen systeem het grootste deel van de taken als gewoon script, zonder taalmodel. De agent zit alleen op de plekken waar oordeel nodig is: onderzoek, concepten, het sorteren van wat binnenkomt. Kosten tellen ook mee. Bij een agent betaal je per stap die hij neemt, en het aantal tool calls bepaalt de rekening meer dan het aantal workflows.
Waar gaat een agentic workflow mis zonder controle?
Op drie plekken, en alle drie zie je ze niet in een demo.
Dubbele acties. Een agent stuurt een mail, krijgt een time-out terug en probeert het opnieuw. Maar de eerste mail was wél verzonden. Onderzoekers van Old Dominion University maten dit: bij een taak die facturen boekt, gaf een standaardagent dubbele bijwerkingen in 32%, 52% en 76% van de runs bij een laag, middel en hoog storingsniveau. Een agent die eerst controleerde of de actie al gelukt was, bracht dat terug tot 0%, 16% en 20%. De auteurs zeggen er zelf bij dat het een kleine, gesimuleerde opzet is. Lees de getallen als richting.
Geen mens tussen agent en buitenwereld. In een analyse van 6.003 openbare n8n-workflows vroeg maar 2,78% een mens om goedkeuring vóór een externe actie.
Wel kijken, niet testen. LangChain ondervroeg teams die agents bouwen: bijna 89% heeft monitoring op zijn agents, maar 52% test ze ook op vaste voorbeelden. Je ziet dus wat de agent deed, maar je toetst niet vooraf of hij het goed doet.
Welke fouten maakten we zelf met agentic flows?
Wij draaien sinds maart 2026 een agentsysteem dat ons bureau helpt runnen. Elke controle die er nu in zit, komt voort uit iets dat misging. Vijf voorbeelden, allemaal uit ons eigen logboek.
| Wat er misging | Waarom je het niet zag | De controle die we bouwden |
|---|---|---|
| Een mislukte verzending meldde zich als geslaagd; er bleven 44 concepten achter | De exitcode zei "gelukt" | Na elke verzending controleren of de mail echt in Verzonden staat |
| Taken werden als klaar gemarkeerd terwijl het resultaat ontbrak, vijf keer op één dag | Alleen de status werd gecontroleerd | Een taak gaat pas naar klaar als het resultaat er aantoonbaar staat |
| Een controle keurde runs goed op het bestaan van een bestand, niet op wat erin stond | Er lag "iets" | De controle eist het bewijs zelf, zoals een link naar het geplaatste bericht |
| De planner draaide nog oude code uit zijn geheugen | Het bestand was wél bijgewerkt | Herstart na een wijziging, en een melding als het stil blijft |
| De AI-dienst gaf zes keer op rij een fout; veertig minuten lang kwam er geen antwoord | Het systeem kon zelf niets melden | Een aparte bewaking buiten de AI om die na twee fouten op rij meldt |
Het patroon is steeds hetzelfde. Het systeem dacht dat het gelukt was, en niemand controleerde het ding zelf. Over 134 dagen gemeten was bijna een derde van onze mislukte runs onze eigen kwaliteitspoort die weigerde. Dat is geen bijzaak. Dat is waar het systeem zijn werk deed.
Wanneer is een agentic workflow de juiste keuze?
Als een stap oordeel vraagt dat je niet in regels kunt vangen. Een mail lezen en bepalen of het een vraag, een klacht of een offerteaanvraag is. Informatie opzoeken die per geval anders is. Een concept schrijven op basis van wat een klant eerder zei.
Het is de verkeerde keuze als de stappen altijd hetzelfde zijn. Dan is een script goedkoper, sneller en voorspelbaarder. De meeste werkprocessen bestaan uit een paar momenten van oordeel in een lange rij vaste stappen. Bouw die vaste stappen als script en zet de agent alleen op de momenten van oordeel.
Een snelle toets voor elk proces:
- Is de invoer elke keer anders van vorm? Dan heeft een agent waarde.
- Gaat het resultaat naar buiten? Dan moet een mens het eerst zien.
- Kun je een fout terugdraaien? Nee betekent: eerst controleren, dan pas handelen.
Bij Familierestaurant Pluis zie je die verdeling terug. De nieuwsbrief draait als systeem, maar elke mail wordt door een mens goedgekeurd voordat hij de deur uitgaat. De aanmeldingen gaan elk uur via een vast script naar de mailinglijst. Oordeel waar het nodig is, vaste regels waar het kan.
Hoe maak je een agentic workflow betrouwbaar?
Met vier controles die je vóór de livegang vastlegt, niet erna.
- Controleer na elke actie of die gelukt is. Niet op de melding van het systeem, maar op het ding zelf: staat de mail in Verzonden, staat de boeking in de administratie. Pas daarna opnieuw proberen.
- Zet een mens tussen agent en buitenwereld. Alles wat namens je bedrijf naar buiten gaat, krijgt eerst een akkoord. Bij ons is dat een vastgelegd akkoord gekoppeld aan een echt bericht, niet een vinkje.
- Geef elke taak een eigen pauzeknop. Zodat je één onderdeel kunt stilzetten terwijl de rest doorloopt.
- Test op een vaste set voorbeelden. Elke keer dat je de instructies van de agent aanpast, draai je dezelfde set opnieuw en vergelijk je de uitkomst.
Die vier vormen samen het verschil tussen een agentic workflow die je bouwt en een die je beheert. Dat tweede noemen wij managed automation: de bouwer blijft verantwoordelijk na de oplevering.
Hoe bouwt Oase Creative agentic flows?
Wij bouwen AI-systemen en agentic flows voor terugkerend werk, van content en e-mail tot administratie. Eerst brengen we het proces in kaart: welk werk komt elke week terug, wie doet het nu, wat gaat er naar buiten. Dan bepalen we waar een agent oordeel toevoegt en waar een script volstaat.
Elke flow die we opleveren heeft de vier controles hierboven. Niet omdat het in een checklist staat, maar omdat we ze alle vier eerst in ons eigen systeem nodig hadden. Je kunt volgen wat het systeem doet, het op elk moment pauzeren, en na de eerste maand kijken we samen wat het doet en wat beter moet. Wil je dat wij het daarna ook blijven bewaken en verbeteren, dan kan dat als managed automation, met een prijs op aanvraag.
Wil je weten of een agentic workflow bij jou iets oplevert, of dat een script genoeg is? Vertel waar het vastloopt, dan kijken we samen waar je het beste kunt beginnen.
