Zonder programmeerkennis bouwen aan AI-agents: zo ver kun je ermee komen

AI ontwikkelt zich in een ongekend tempo. Wat je vandaag over AI weet, kan morgen alweer achterhaald zijn. Juist daarom volgde ik een training over een specifiek onderwerp waar veel over wordt gesproken maar weinig concreet over wordt uitgelegd: het bouwen van AI-agents.

Online worden grote beloftes gedaan: AI die complete reizen boekt, je agenda beheert, boodschappen doet en fungeert als beste medewerker ooit. Dat klinkt indrukwekkend, maar het roept ook vragen op. Want tussen belofte en praktijk zit op dit moment best een grote kloof. Hoever kun je vandaag de dag nu écht komen met het bouwen van AI-agents, zonder development-skills en zonder complexe technische set-up? En wat kun je daar als niet-programmeur concreet mee?

Allereerst: wat is een AI-agent?

Een AI-agent is een digitaal systeem dat zelfstandig taken uitvoert binnen vooraf gestelde kaders. Zie het als een assistent die namens jou of je organisatie handelingen verricht: van afspraken plannen en boekingen verwerken tot eerstelijns klantenservice. Slimme agents worden al lange tijd door bedrijven ingezet maar zijn sinds kort ook toegankelijk voor het grote publiek. AI-bedrijven bieden hiervoor allemaal hun eigen tooling aan en gebruiken hiervoor hun eigen termen: Bot, Assistent, Gem of GPT. Allemaal verschillende benamingen voor agents, maar de kern van wat ze doen is hetzelfde.

Van experimenteren naar toepassen

Sinds de introductie van agents, experimenteer ik met het gebruik ervan. Mijn agents – gevoed met specifieke merk- en bedrijfsinformatie – zette ik destijds vooral in om per opdrachtgever sneller in de juiste tone of voice te schrijven. Dat werkte (en werkt nog steeds) goed. Het verschil tussen een AI-agent en de ‘gewone chat’ (bijvoorbeeld via ChatGPT of Gemini) voelde voor mij echter vrij minimaal.

Maar die situatie begint te veranderen. Voor het eerst wordt het mogelijk om zélf agents te bouwen, zónder programmeerkennis. Waar je vroeger vastliep op codering of complexe technische omgevingen, kun je nu met kant-en-klare blokken en logische stappen steeds beter zélf agents bouwen die taken uitvoeren en processen automatiseren.

Een paar voorbeelden van agents die je zonder development-skills nu al kunt bouwen:

• Een agent die na elke meeting automatisch verschijnt, de vergadering met je doorneemt en notulen + acties opstelt
• Een agent die dagelijks je CC-mail bundelt en de samenvatting met je doorneemt
• Een agent die vacatures analyseert en een reactie klaarzet

AI-agent vs. traditionele automatisering: wat is het verschil?

Deze vraag heb ik mezelf regelmatig gesteld. Want wat is nu daadwerkelijk het verschil tussen AI-agents en heel goede automatisering? Een tool die LinkedIn-profielen scant en automatisch berichten verstuurt, is dat nu AI? Niet per se. Maar het verschil zit ‘m in de nuance.

Een AI-agent bedenkt geen eigen doelen en besluit niet zelfstandig of er wel of geen actie nodig is. De kaders liggen vast. Maar waar klassieke automatisering één vast pad volgt, kan een agent binnen dat kader contextueel meebewegen en keuzes maken in vorm, toon en prioriteit. Niet vrij, maar wel flexibel. Automatisering doet wat je hebt uitgeschreven. Een agent doet wat je bedoelde, ook als de situatie net iets anders is.

Welke modellen zijn er om AI-agents te bouwen?

Wie met AI-agents aan de slag wil, komt al snel terecht bij veel verschillende modellen, functies en platforms. Wat me tijdens de training opviel, is hoe sterk iemands huidige werkomgeving bepaalt welke AI-tools in het verlengde liggen. Werk je in Outlook (wat schijnbaar 80% van de Nederlandse organisaties doet), dan gebruik je hoogstwaarschijnlijk ook Copilot. Ben je ooit met ChatGPT begonnen? Dan gebruik je dat waarschijnlijk nog steeds. En hoewel de standaard chatervaring in veel tools op elkaar lijkt, zit er best wat verschil in mogelijkheden voor bouwen, uitbreiden en koppelen van je AI-tools per aanbieder. Belangrijk dus om over na te denken, als je start met agents bouwen.

Toch werken de grote AI-aanbieders in de praktijk grotendeels op dezelfde manier. Ze bieden allemaal een combinatie van:

• Een model – de chatomgeving waar je je dagelijkse gesprekjes mee hebt
• Een agent-functie – de uitvoerder die taken oppakt
• Een platform – een inlog-omgeving waar je onder andere agents bouwt en agents en systemen aan elkaar kunt koppelen

Voor drie grote aanbieders van AI ziet dat er in de praktijk zo uit:

Hoe kies je een platform om agents te bouwen?

Als je kijkt naar de grote AI-aanbieders, bouwen ze allemaal aan hun eigen ecosystemen, op hun eigen eilandje. Vergelijk het met Apple en Android als besturingssystemen, of Vodafone-Ziggo en Odido als providers: ze doen grotendeels hetzelfde, maar ze werken niet altijd soepel met elkaar samen.

Het voordeel: door de concurrentie zijn de kosten voor AI-gebruik (nu nog) relatief laag.
Het nadeel: de ontwikkeling is vooral gericht op marktaandeel, niet op het moeiteloos laten samenwerken van alle systemen. Denk aan het klassieke iPhone- versus Android-stekkertje: jarenlang nét anders.

Binnen AI is dat nu niet anders: samenwerking komt er steeds meer, maar van volledige integratie is zeker nog geen sprake.

Waar moet je op letten bij het kiezen van een model?

De keuze voor een AI-model heeft zowel technische als logische overwegingen. Het gaat niet alleen om wat een platform kan, maar ook om hoe goed het aansluit op je huidige werkprocessen. In de praktijk spelen er een aantal factoren mee:

• Functionaliteiten: hoe makkelijk kun je agents bouwen, automatiseren en uitbreiden? Sommige platformen bieden kant-en-klare blokken en triggers, andere vereisen meer technische kennis.
• Koppelmogelijkheden: met welke systemen werkt het platform samen (nu én straks)? Denk aan mail, agenda, CRM, documentopslag, HR-systemen en workflows binnen je organisatie. Een model dat past bij je huidige omgeving maakt adoptie veel makkelijker en voorkomt dat je alles moet omgooien.
• Kosten & licenties: wat krijg je precies voor je abonnement en welke huidige abonnementen en tools vervangt het mogelijk?

Wat werkt nu het best voor niet-developers?

In de training heb ik geleerd wat op dit moment wél en niet kan op het gebied van agents bouwen. In theorie kan er veel. Maar in de praktijk loop je zonder programmeerkennis nog tegen grenzen aan.

Daardoor is de afweging nu minder een vraag van welk model is het slimst, maar vooral: welk platform is het verst ontwikkeld in gebruiksvriendelijk agents bouwen voor niet-developers?

Op dat punt kwam Copilot Studio duidelijk als beste uit de test. Waar het in bijvoorbeeld ChatGPT alleen ín het platform en met API-koppelingen mogelijk is om agents écht te automatiseren, is dit in Copilot Studio nu met vrij simpele instellingen al mogelijk.

Voor mij persoonlijk niet het meest ideaal, aangezien mijn AI-werk is ingericht in ChatGPT. Tegelijkertijd is het waarschijnlijk een kwestie van tijd voordat andere modellen dezelfde mogelijkheden kunnen aanbieden.

De voordelen van Copilot op dit moment:

• De interface werkt met duidelijke stappen, triggers en acties
• Koppeling mogelijk met niet-Microsoft-systemen zoals Gmail of Google Calendar
• Makkelijk agent-workflows maken, om zo complexe taken door meerdere agents te laten uitvoeren
• Er is nagedacht over UX voor de huis-tuin-en-keukenbouwer: voelt aan als ‘logisch nadenken’ in plaats van ‘techniek begrijpen’

Wat kun je vandaag zélf bouwen (zonder programmeerkennis)

Hieronder vind je per platform een concreet overzicht van wat er mogelijk is, op basis van wat ik in de training heb geleerd. Let op: ik heb geen verder onderzoek gedaan na afloop. De data zijn puur op basis van mijn ervaring en learnings.

ChatGPT

Ik ben fervent ChatGPT-gebruiker, maar voor het bouwen van agents is OpenAI voor non-tech gebruikers op dit moment nog minder ver ontwikkeld dan sommige andere platforms. In de webversie kun je wel eenvoudig eigen agents maken, bijvoorbeeld door een bot af te stemmen op de tone of voice en inhoud van een organisatie. Handig voor tekst en stijl, maar (nog) niet gekoppeld aan systemen zoals mail of agenda.

In het OpenAI Platform – het developersplatform achter ChatGPT – zijn die mogelijkheden er wel, maar voor non-tech gebruikers wordt het daar al snel technisch.

Copilot

Alhoewel niet mijn voorkeur, bleek Copilot op dit moment het verst in gebruiksvriendelijk agents bouwen. Hier kun je zonder technische achtergrond agents bouwen die echte handelingen uitvoeren.

Agents die je concreet kunt bouwen:

• Een mail assistent die berichten leest, samenvat en conceptmails maakt
• Een agenda-buddy die afspraken plant, verzet en mensen uitnodigt
• Een meeting prepper die een agenda voorbereidt, deze naar deelnemers stuurt en na afloop notulen ordent
• Een dagelijkse CC-digest die CC-mails bundelt in één overzicht of audiobestand
• Een wekelijkse employer-branding digest die nieuwe onderzoeken en publicaties deelt

Daarnaast kun je in Copilot Studio ook meerdere agents laten samenwerken aan één grotere workflow.

Bijvoorbeeld:

• Agent 1 haalt automatisch de nieuwe sollicitaties op uit je mailbox
• Agent 2 analyseert elk CV en maakt een beoordeling + matchscore
• Agent 3 genereert conceptreacties per kandidaat
• Agent 4 zet de beoordeling en conceptmail klaar of verzendt deze direct

Zo ontstaat een kettingreactie van agents die samen een compleet proces uitvoeren, zonder dat jij steeds opnieuw prompts hoeft te schrijven of handmatig stappen hoeft uit te voeren.

Gemini

Handig wanneer je al werkt met andere Google-diensten. NotebookLM voelt als een laagdrempelige variant van een agent die je voorziet van bronnen en waar je vragen aan kunt stellen. Google biedt schijnbaar wel uitgebreidere tools om agents makkelijk te bouwen, maar wederom wel in de betaalde platform-omgeving en niet in Gemini zelf. Ik heb dit niet verder dus niet getest.

Claude

Claude kwam heel kort even aan bod maar is niet uitgebreid behandeld in de training. Toch staat Claude wel in dit overzicht, omdat Anthropic een van de grotere spelers is binnen het AI-landschap. Als je zelf onderzoek gaat doen naar modellen of naar de toekomst van agents, is dit dus zeker een platform om in de gaten te houden.

Wat moet je als niet-developer minimaal snappen

Wat ik in de training leerde, is dat agents bouwen voor niet-developers minder draait om techniek en meer om helder denken. Je hoeft geen code te kunnen schrijven, maar je moet wél snappen wat je een agent vraagt om te doen, waar zijn verantwoordelijkheid begint en eindigt, en welke input hij nodig heeft om goed te functioneren.

In de praktijk betekent dat: kunnen denken in stappen, keuzes en uitzonderingen. Weten wanneer een agent mag handelen en wanneer niet. En accepteren dat je niet alles in één keer perfect bouwt, maar iteratief werkt: testen, bijstellen, opnieuw proberen. Wie verwacht dat alles meteen goed werkt en AI gemakkelijk je problemen oplost, raakt gefrustreerd. Wie ‘m ziet als een slimme collega die je goed moet inwerken, komt waarschijnlijk een stuk verder. 😊

Agents bouwen zonder programmeerkennis

Als je het AI-geweld zo volgt, lijkt het soms alsof AI alles kan. Maar de werkelijkheid is genuanceerder: het kan steeds meer, maar écht bruikbare automatiseringen bouwen zonder programmeerkennis? Dat staat pas sinds kort binnen handbereik.

Met platforms als Copilot Studio kun je vandaag de dag zélf agents bouwen die taken uitvoeren, informatie ophalen, processen automatiseren en zelfs met elkaar samenwerken. Niet meteen perfect maar wel volwassen genoeg om je werkdag merkbaar slimmer te organiseren.

Betekent dit dat je meteen op die rijdende trein moet springen? Zeker niet. Laat je niet gek maken door de grote beloftes. Veel systemen staan nog in de pioniersfase, integraties bevatten kinderziektes en er zal heus nog wat trial & error bij komen kijken.

Maar weet: iedere dag wordt generatieve AI beter. Als dit tempo zich zo doorzet, dan bouwen we binnenkort net zo makkelijk een agent als dat we een PowerPoint maken. En dat opent deuren voor iedereen: marketing, HR, operations en MKB. Een wereld aan mogelijkheden.