100 digitale collega’s die 24/7 klaarstaan: van verandering naar voorsprong

Home » AI Kennisbank » 100 digitale collega’s die 24/7 klaarstaan: van verandering naar voorsprong

Stel je voor dat je morgen 100 digitale AI-collega’s krijgt die 24 uur per dag voor je klaarstaan. Wat zou jij ze laten doen?

Die vraag stelde ik tijdens Florifuture, het innovatie-event van Floricode. Hoewel mijn presentatie ging over de sierteelt, gelden de lessen voor veel meer branches. In dit artikel deel ik de belangrijkste inzichten. Niet alleen waardevol voor kwekers of handelaren, maar voor iedere ondernemer die wil weten wat AI nu écht concreet kan betekenen.

Waar staan we nu met AI?

Om te begrijpen waar we naartoe gaan, helpt het om eerst scherp te hebben waar we nu ongeveer zitten. Je kunt grofweg een aantal stappen onderscheiden.

AI-assistent: de slimme chatbot

Dit is waar de meeste mensen AI van kennen. Denk aan ChatGPT of Microsoft Copilot. Een AI-assistent kan onder meer:

• vragen beantwoorden;
• teksten schrijven en herschrijven;
• teksten samenvatten;
• ideeën aandragen.

Altijd op basis van wat jij invoert. De assistent is reactief: jij stelt een vraag, hij geeft een antwoord.

Voorbeelden in de sierteelt:

• Een chatbot op je website die eenvoudige klantvragen beantwoordt over levertijden of productbeschikbaarheid.
• Een assistent die automatisch teksten schrijft voor een productcatalogus.

Handig, maar nog niet echt een collega die zelfstandig taken oppakt.

AI-agent: van antwoord naar actie

Een AI-agent gaat een stap verder. In plaats van alleen antwoord te geven op een vraag, krijgt een agent een doel en bedenkt hij zelf welke stappen en tools nodig zijn om dat doel te bereiken.

Voorbeeld: “Zoek de beste transportoptie voor 10 karren rozen naar Hamburg voor morgen en zet die in een spreadsheet.”

Een AI-agent kan dan zelfstandig:

• vervoerders zoeken;
• prijzen en levertijden vergelijken;
• de beste opties selecteren;
• de resultaten netjes in een tabel zetten.

Agents zijn al ruim beschikbaar. Bijvoorbeeld in ChatGPT, Claude, n8n en veel andere oplossingen.

Agentmodus in ChatGPT

Multi-agent-teams

De volgende stap is dat meerdere AI-agents gaan samenwerken, net als menselijke collega’s in een team. Denk aan een virtueel “Team Flora” met:

• een verkoopagent die orders controleert;
• een logistieke agent die transport plant;
• een kwaliteitsagent die certificaten en specificaties toevoegt.

Komt er een nieuwe order binnen, dan stemmen die agents onderling af welke acties nodig zijn. Voor een deel gebeurt dit nu al in experimentele omgevingen. De bouwstenen bestaan, maar de toepassing in het MKB staat nog aan het begin.

AGI en ASI: de langere termijn

In de media gaat het vaak over:

• AGI (Artificial General Intelligence): een AI die op menselijk niveau breed kan redeneren en leren.
• ASI (Artificial Super Intelligence): een AI die de mens op alle vlakken overvleugelt.

Experts verschillen flink van mening over wanneer dit ongeveer werkelijkheid zou kunnen worden. Sommigen denken binnen een paar jaar, anderen verwachten dat het nog minstens een decennium duurt. Hoe snel het ook gaat, voor de dagelijkse praktijk in bedrijven is één ding nu relevant: de systemen van vandaag zijn al krachtig genoeg om processen merkbaar te verbeteren, mits je ze slim inzet.

Hoe goed zijn AI-agents vandaag?

Onderzoekers testen steeds intensiever wat AI-agents al zelfstandig kunnen. Een interessant voorbeeld komt van Anthropic, de makers van Claude.

Project Vend: een AI runt een snoepautomaat

In Project Vend kreeg een AI-agent één maand lang de taak om een snack- en gadgetautomaat te beheren. De agent kreeg:

• toegang tot een online winkelplatform;
• een budget en een voorraadlijst;
• de mogelijkheid om leveranciers te zoeken;
•  toegang tot Slack om met medewerkers te communiceren.

De AI mocht producten inkopen, prijzen bepalen, bestellingen verwerken en klantenservice doen.

Wat ging verrassend goed:

• De agent nam initiatief en introduceerde een pre-orderservice via Slack.
• Hij vond zelfstandig leveranciers, zelfs in andere landen.
• Hij paste het assortiment aan op basis van voorkeuren van vaste kopers.
• Hij weigerde netjes onveilige of ongepaste verzoeken van collega’s.

Maar er ging ook veel mis, want hij:

• verkocht producten onder de kostprijs;
• zag duidelijke winstkansen niet;
• verzon een niet-bestaand betaalaccount;
• was te goedgelovig in de klantenservice;
• sloeg af en toe onlogische of zelfs wat “verwarde” taal uit.

De les: een AI-agent kan veel, maar mist nog zakelijk instinct en gezond wantrouwen. Zonder duidelijke kaders, goede tools en toezicht gaat het mis.

Lee ook mijn blog over project Vend

Hoe lang kan een AI-agent zich concentreren?

Een belangrijke vraag is: hoe lang kan een AI-agent zich focussen op een complexe taak? De concentratieboog van een AI-agent is nu vergelijkbaar met 100 minuten onafgebroken menselijke focus. Bij langere taken wordt hij minder betrouwbaar, met kans op fouten of “vastlopen”.

Het goede nieuws: de capaciteit verdubbelt gemiddeld elke 7 maanden. Dat betekent dat we in januari 2027 richting een volledige werkdag (8 uur) gaan.

(Bron: METR, 2025 – Measuring AI Ability to Complete Long Tasks)

Waarom goede data belangrijker is dan ooit

Project Vend laat één ding duidelijk zien: een AI-agent is zo goed als de tools en data die je hem geeft. In veel organisaties wordt een agent nu gewoon “het internet opgestuurd”. Die moet dan websites doorzoeken, teksten interpreteren en zelf uitvinden waar welke informatie staat. Daar gaat het vaak mis.

AI-agents en websites: een toerist zonder kaart

Voor een AI-agent is een gemiddelde website een doolhof. Hij kan last hebben van onder meer:

• onlogische navigatie;
• plotselinge lay-outwijzigingen;
• inlogmuren;
• cookiemeldingen en captcha’s.

Het resultaat is trage, onbetrouwbare en incomplete data. Zeker als je wilt dat een agent met kritieke bedrijfssystemen werkt, is dit geen houdbare route.

MCP: van programmeren naar praten met je data

Daarom is er een andere ontwikkeling gaande. Waar we eerst alles via websites en losse API’s ontsloten, ontstaat nu een laag ertussen die speciaal voor AI-systemen bedoeld is. Een belangrijke stap daarin is MCP: het Model Context Protocol.

Wat is MCP?

MCP is een protocol waarmee AI-agents via een MCP-server veilig kunnen praten met databases, interne systemen en externe API’s. In plaats van zelf te moeten programmeren, koppel je systemen één keer aan de MCP-server. De AI-agent ziet vervolgens welke functies beschikbaar zijn, bijvoorbeeld:

• “zoek kwekers met MPS-certificering”;
• “haal de productcode op bij Floricode”;
• “controleer de certificaten voor deze order”.

De gebruiker kan dan in gewone taal een taak geven. De AI-agent vertaalt dat naar de juiste calls naar de MCP-server en presenteert het resultaat in begrijpelijke taal. OpenAI, Anthropic en Microsoft werken actief aan ondersteuning voor MCP. De richting is duidelijk: het wordt steeds eenvoudiger om AI rechtstreeks met bedrijfssystemen te laten praten, zonder dat iedere ondernemer zelf een ontwikkelteam nodig heeft.

Demo: agent aan het werk

Als voorbeeld liet ik zien hoe ik een AI-agent een opdracht gaf. De agent kreeg een korte omschrijving van het Floricode-event en een afbeelding. De opdracht was om een kort muzieknummer te componeren, de portretfoto om te zetten naar een foto van dezelfde persoon op een podium en hem het nummer te laten zingen met lipsynchronisatie. De agent (Gemini 2.5 Pro) ging hiermee aan de slag en koos zelf, op basis van MCP, de tools die hij nodig had (Ideogram, Suno, Omnihuman). Het resultaat zie je hier:

Resultaat van de opdracht:

Wat betekent dit voor Floricode en de sierteeltketen?

Floricode beschikt al over een schat aan goed gestructureerde data, ontsloten via verschillende API’s: productcodes, certificaten, bedrijfsgegevens en meer. Met een Floricode MCP-server zou je die bestaande API’s kunnen bundelen achter één slimme hoofdingang.
Voor kwekers, handelaren en transporteurs betekent dat:

1. geen eigen code meer schrijven om data op te vragen;
2. in gewone taal kunnen werken met Floricode-data;
3. AI-agents inzetten die zelfstandig combinaties maken, controleren en rapporteren.

Voorbeeld: “Controleer voor deze order de MPS-certificaten van de drie genoemde kwekers voor volgende week.” De AI-agent maakt verbinding met de MCP-server van Floricode, kiest de juiste “vaardigheid”, haalt de relevante gegevens op en geeft jou een helder antwoord.

Belangrijk daarbij zijn goede authenticatie, een duidelijke rechtenstructuur en logging van wat een agent precies heeft gedaan. Maar als dit goed is ingericht, wordt werken met data voor eindgebruikers veel eenvoudiger.

Demo van Floricode en MCP

Hoe Nederlandse bedrijven AI nu gebruiken

Hoewel de technologie zich razendsnel ontwikkelt, zitten veel bedrijven nog in een verkennende fase.

De cijfers:

• 3,6 miljoen Nederlanders gebruiken AI in hun werk.
• Waarvan 3 miljoen dagelijks.
• Vooral als inspiratiebron, sparringpartner en hulpmiddel voor het schrijven en bewerken van teksten.(Bron: Newcom, juni 2025)

Tegelijkertijd worstelen veel organisaties met vragen als: waar beginnen we, hoe houden we het veilig en hoe zorgen we dat het meer oplevert dan het kost? Het goede nieuws: je hebt geen groot budget of eigen ontwikkelteam nodig om serieuze stappen te zetten.

Praktische stappen voor ondernemers

Uit mijn werk met MKB-organisaties zie ik een aantal patronen terugkomen. De belangrijkste inzichten uit de presentatie zet ik hier op een rij.

1. Koop slim in, bouw niet alles zelf

Interne AI-projecten hebben een hogere kans om te mislukken dan trajecten met gespecialiseerde externe partners of bestaande tools. Je bouwt je eigen boekhoudsoftware meestal ook niet zelf. Voor AI geldt hetzelfde:

• kies een volwassen tool die 80% van je probleem oplost;
• zoek een partner die meedenkt over inrichting en beleid;
• gebruik maatwerk alleen waar het echt nodig is.

2. Zoek de winst in je backoffice

De snelste en duidelijkste opbrengst vind je vaak in de backoffice, bijvoorbeeld bij facturatie, contractbeheer, het samenvatten van notulen of het voorbewerken van klantvragen. Dit zijn processen met veel herhaling en duidelijke regels. AI kan hier direct uren besparen en fouten verminderen.

3. Experimenteer met AI-workflows en AI-agents

Kijk welke stappen in je processen volledig of deels door AI gedaan kunnen worden. Begin klein, bijvoorbeeld met een workflow die e-mails samenvat en clustert, of een agent die productinformatie controleert. Belangrijk is dat je ervaringen verzamelt en leert wat wel en niet werkt in jouw organisatie.

4. Maak je data klaar voor de toekomst

Zelfs als je nog niet met MCP werkt, kun je nu al stappen zetten: zorg dat je kerngegevens schoon en gestructureerd zijn en documenteer waar welke data staat. Als de tooling rond MCP verder volwassen wordt, ben je klaar om aan te haken.

5. Regel AI-beleid en kennis

AI werkt het beste als medewerkers weten wat de kaders zijn. Richt daarom duidelijke spelregels in over wat wel en niet mag, met aandacht voor privacy en beveiliging. Zo voorkom je wildgroei en zorg je dat AI echt bijdraagt aan bedrijfsdoelen.

Van SEO naar GEO: vindbaar worden voor AI

Tot nu toe dachten we vooral in termen van SEO, zoekmachineoptimalisatie. Met de opkomst van AI-assistants en AI-zoekmachines komt daar iets bij: GEO, generative engine optimization. Het idee: je zorgt ervoor dat AI-systemen jouw informatie kunnen vinden én vertrouwen.

AI in zoekresultaten van Google

Belangrijke bouwstenen:

• Word de autoriteit in jouw niche met goede, inhoudelijke content.
• Structureer je data met hulpmiddelen als Schema.org.
• Beantwoord vragen direct en helder (bijvoorbeeld in FAQ-vorm).
• Bouw aan je digitale reputatie (expertise en betrouwbaarheid).
• Zorg voor een snelle, mobielvriendelijke website.

Als een AI-systeem een vraag krijgt over jouw onderwerp, wil je dat jouw informatie als betrouwbaar bronmateriaal wordt gezien.

Van verandering naar voorsprong

Honderden AI-agents die voor jou werken klinkt misschien ver weg. Maar alle bouwstenen zijn er in de kern al. Of ze echt waarde toevoegen, hangt af van wat jij nu doet: verdiep je in de mogelijkheden, begin klein, zorg dat je data op orde is en deel kennis. Zo ga je van verandering naar voorsprong, in de sierteeltketen en daarbuiten.

Download de volledige presentatie

Wil je de volledige presentatie bekijken die ik voor Floricode heb gegeven? Download hier de PDF.

Vragen of hulp nodig? Wil je weten hoe AI-agents jouw bedrijf kunnen helpen? Neem gerust contact op voor een vrijblijvend gesprek.