AI-agents die taken echt overnemen. Niet ooit. Nu.

Jij levert de kennis van het proces, wij doen de rest. We bakenen samen één taak af, bouwen de agent, koppelen hem aan je systemen, testen hem op echte voorbeelden en zetten hem live met logging en menselijke controle waar nodig. Daarna verbeteren we hem op basis van wat we in productie zien. Je hoeft zelf niet te programmeren of een AI-platform te kiezen. Wel heb je iemand nodig die eigenaar is en in het begin de output controleert.

Zelf bouwen kan prima voor een persoonlijke workflow of een eerste experiment, met tools als n8n of Make. Laten bouwen loont zodra de agent met klantdata werkt, meerdere systemen aanstuurt of betrouwbaar moet draaien: dan heb je rechten, logging, foutafhandeling, monitoring en afspraken over de AVG nodig, en iemand die de agent bijhoudt als modellen en systemen veranderen. Wij bouwen zelf ook met n8n waar dat past, zoals de agent-workflow voor LAB63.

Ja. Wij koppelen agents aan de tools die je al gebruikt: Moneybird, AFAS, Exact, je CRM, Google Workspace, Outlook, WhatsApp. We bouwen op wat er al staat, niet ernaast. Geen losse tool die je team weer apart moet leren.

Een eerste werkende agent staat in 2 tot 4 weken. Daarna verbeteren we 'm continu op basis van wat we in productie zien. Niet eerst maandenlang specs schrijven, maar snel iets tastbaars dat groeit met je bedrijf.

AI-agents worden gebouwd door AI-bureaus, softwarebureaus en IT-dienstverleners, en steeds vaker voegen softwareleveranciers agents toe aan hun eigen pakket. Innoworks is een Nederlandse AI-implementatiepartner met kantoren in Enschede en Rotterdam die AI-agents, ook wel AI-medewerkers of digitale medewerkers genoemd, bouwt voor mkb-bedrijven en middelgrote organisaties in heel Nederland. Een voorbeeld is de WhatsApp-agent voor United Lease in Oldenzaal, die de complete lead-intake doet en gekwalificeerde leads in het CRM zet. Een eerste werkende agent staat doorgaans binnen 2 tot 4 weken live, gekoppeld aan je eigen systemen.

Een paar voorbeelden uit onze cases. Voor United Lease een WhatsApp-agent die de lead-intake doet, documenten herkent en gekwalificeerde leads in het Tribe CRM zet. Voor du Gardijn Verzekeringen twee agents die polisbladen vergelijken en VvE-verslagen vullen, in ongeveer 30 seconden per document. Voor LAB63 vijf researcher-agents die parallel onderzoek doen, goed voor 3 tot 5 dagen besparing per opdracht. En voor In het Veld een workflow die gesprekken vastlegt en omzet in actiepunten, wat het team 7 tot 10 uur per week scheelt.

Ja. Voor aannemers, installateurs en andere bouwbedrijven bouwen we AI-agents voor werfadministratie en dagrapporten, planning en inkoop, bestek- en tenderanalyse en het Wkb-dossier, gekoppeld aan de planning- en projectadministratie die je al gebruikt. Cases van bouwbedrijven staan nog niet op onze site. Het principe achter een ingesproken dagrapport draait wel al bij In het Veld, waar gesprekken automatisch worden omgezet in verslagen en actiepunten. De aanpak per toepassing staat op onze pagina over AI in de bouw.

Dat hebben we gedaan: voor LAB63, een AI-marketingbureau uit Antwerpen, bouwden we een agent-workflow waarin vijf researcher-agents parallel onderzoek doen en een strateeg-agent de synthese maakt, goed voor 3 tot 5 dagen besparing per opdracht. Onze vaste teams zitten in Enschede en Rotterdam. Een groot deel van een traject kan online.

Dat hangt af van drie dingen: hoeveel systemen de agent moet aansturen, hoe kritisch de taak is (en dus hoeveel controle en logging nodig is) en of hij eenmalig wordt opgeleverd of doorlopend wordt verbeterd. Een agent voor één taak is een kleiner traject dan een agent die meerdere systemen aanstuurt; die draaien meestal in een retainer-model. We spreken altijd vooraf een vast bedrag af. Plan een gesprek voor een concrete inschatting voor jouw use case.

Een agent werkt het best als onderdeel van je bedrijfsvoering: met toegang tot de juiste data, heldere afspraken over wat hij zelf mag beslissen en een vaste plek in het proces. Daarom kijken we ook naar het proces, de koppelingen en de datalaag eromheen. Zo groeit één agent uit tot een nieuwe manier van werken, in plaats van een experiment dat blijft liggen.

Voor kritieke acties bouwen we een human-in-the-loop in. De agent stelt voor, een mens keurt goed. Voor routinetaken laten we de agent zelfstandig werken met monitoring en logging als vangnet. Je ziet altijd wat er gebeurt en je kunt corrigeren.

Door feedback en monitoring. Wij bouwen logging in zodat je per actie ziet wat de agent doet, en de agent leert van correcties. Elke week beter, niet elke twee jaar een grote release. Dat is het verschil met traditionele software.

Voor losse vragen vaak wel. Copilot en ChatGPT helpen per persoon, met wat ze op dat moment te zien krijgen. Wat wij bouwen werkt uit zichzelf in je eigen werk: het haalt de gegevens uit je systemen, kent jullie manier van werken en zet het klaar voordat je erom vraagt. Het kan prima naast Copilot bestaan, en voor veel bedrijven is dat juist de combinatie.

Dat is de zorg die we het vaakst horen, en terecht: een tool die de eerste keren niet goed werkt, belandt in de la. Daarom bouwen we het in de programma’s die je team al gebruikt, testen we eerst met een paar collega’s en zetten we het daarna samen met je team in. Geen uitlegfilmpjes die op de stapel blijven liggen.