AI-agents voor het mkb: lessen van PostNL, HubSpot en PwC

De ‘AI-agent’ is allang geen Silicon Valley-jargon meer, omdat de toepassingen zich in de praktijk bewijzen. Door complete taken voor hun rekening te nemen, slimmer dan een chatbot die losse vragen kan beantwoorden. De agents werken als virtuele collega’s die zowel reageren op klantvragen áls de orderstatus checken, de voorraad bijwerken en een bericht in het CRM loggen. PwC spreekt van een ‘agentic shift’, omdat organisaties tientallen micro-agents inzetten die samen complexe processen afhandelen. Het is de realiteit bij tal van internationale spelers, net als grote organisaties in Nederland. 

Dankzij gespecialiseerde bedrijven die AI-agents ontwikkelen, is het niet langer nodig om die kennis in-house beschikbaar te maken. Internationaal ontwikkelt bijvoorbeeld DeepL AI Labs oplossingen voor bedrijven, terwijl Watermelon AI zich ook specifiek op de Nederlandse markt richt. Watermelon helpt bedrijven om de klantenservice te automatiseren en optimaliseren, door tot 50 procent van de gesprekken door een AI-agent te laten afhandelen. DeepL Agent werd ontwikkeld om herhalende taken in sales, marketing en finance te automatiseren. 

Lees ook: 'De vier manieren waarop AI ondernemen gaat veranderen'

Zelfs zonder tientallen of honderden agents is het verstandig om de automatisering gestructureerd aan te pakken. Dat voorkomt dat individuele medewerkers en teams met eigen tools en agents werken, zonder dat de rest van het bedrijf meeprofiteert. Of zelfs zonder dat er een goed overzicht bestaat.Een praktisch stappenplan voor AI-agents in het mkb voorkomt verwarring en chaos:

1 Kies één concreet proces - Geen ‘AI-agents inzetten in de hele organisatie’, maar focus op één proces of use-case. Automatiseer bijvoorbeeld het klantcontact met vragen over de levertijd, retouren en openingstijden. Of sales, voor de opvolging van leads die langer dan 48 uur liggen. 

2 Start met bestaande tools - Microsoft Copilot of Watermelon maken de implementatie makkelijker. Of kies voor Zapier, Make en open-source frameworks met Retrieval Augmented Generation. Een IT-specialist kan daarbij helpen. 

3 Bouw een agent-register - Houd een agent-register bij, waarin de naam, taak, data-toegang en verantwoordelijke eigenaar genoemd staan. Leg daarin ook vast wie beslissingsbevoegd is, bij eventuele fouten. Dat voorkomt een wirwar, omdat het zorgt voor overzicht.

4 Schaal op na succes - Start met maandelijkse reviews en verander dat na verloop van tijd in een kwartaalupdate. Voeg pas nieuwe agents toe, als de vorige stabiel draaien én waarde toevoegen. Overweeg een overkoepelend Agent OS zodra er drie of meer agents tegelijkertijd draaien, om het overzicht te bewaren. 

Het liefst met bestaande agents. Test in de praktijk, eventueel intern om pas op te schalen bij succes. Deel de voortgang binnen het bedrijf en betrek meerdere collega’s of afdelingen. Op die manier valt er veel te leren van de AI-agents van PostNL, HubSpot en PwC, omdat die ook binnen het mkb veel waarde kunnen toevoegen. 

Ook interessant: 'Stoomcursus AI: hoe schrijft u de slimme, effectieve prompt'

Case 1 - HubSpot Breeze Agents: sales op de automatische piloot - Internationaal heeft CRM-reus HubSpot succes met de in 2025 gelanceerde Breeze Agents. Het gaat om customer agents, die meer dan de helft van de supporttickets zelfstandig oplossen. Daarnaast programmeerde het bedrijf prospecting agents die leads opvolgen en personaliseren en knowledge base agents die gaten in de FAQ opsporen.  Vooral dat laatste is heel interessant voor mkb-bedrijven die merken dat veel klanten dezelfde vragen stellen. Door binnen de FAQ te zoeken naar ontbrekende, veelgestelde vragen (en antwoorden) lukt het om de druk op de klantenservice enorm te verlichten.De AI-agents bij HubSpot lossen tickets naar eigen zeggen tot 40 procent sneller op. Dat betekent dat er veel meer tijd ontstaat voor wat echt telt, zoals persoonlijke salesgesprekken en het onderhouden van relaties. 

Case 2 - PostNL’s SuperTracy: Nederlandse pionier - Dichtbij huis startte PostNL samen met de Vrije Universiteit al in 2024 het project SuperTracy. Dat is een multi-agent die werkt als track & trace-assistent op basis van verschillende agents (de LLM’s, LLaMA 3 en Gemma 2). De drie agents bieden inzicht in de pakketstatus en geven in real-time antwoord op vragen. 

Het gaat gezamenlijk om een:

• Reception Agent: begeleidt interacties en verzamelt barcodes
• Parcel Agent: genereert begrijpelijke parcel-journey communicatie
• Knowledge Expert Agent: legt interne PostNL-termen en processen uit

Samen monitoren ze het proces, signaleren ze eventuele storingen en zorgen ze voor automatische en gebruiksvriendelijke communicatie. Dat lukt dankzij Retrieval-Augmented Generation (RAG), om actuele data uit de PostNL-systemen te combineren met natuurlijke taalverwerking. 

De MVP test van SuperTracy heeft de technologische haalbaarheid bewezen, mede dankzij operationele testen op Track & Trace-communicatie. De voordelen in efficiency én klantcommunicatie overtroffen de verwachtingen. De reactietijd was altijd korter dan 2 seconden en in 75% van de gevallen kreeg SuperTracy bij evaluatie door logistiek experts een goede score. 

'Tech4Business ontdekt de toekomst van werk (met AI)'

Case 3 - PwC Agent OS: groots en gecoördineerd - PwC experimenteert met meer dan 250 agents, verdeeld over HR, supply chain en finance. Om dat enorme aantal beheersbaar te houden, ontwikkelde het bedrijf Agent OS. Dat is een platform om de diverse agents gecoördineerd te laten samenwerken. 

Dankzij de aansturing door Agent OS ontstaat er overzicht. De agents zorgen er ondertussen voor dat de processen geautomatiseerd worden. Dat lukt tot tien keer sneller dan bij traditionele implementaties van software. Samen zorgen de agents voor voordelen binnen de ERP, CRM en HR-systemen. Dat bespaart tijd en kosten in de supply chain, bij de facturatie en bijvoorbeeld de onboarding van nieuwe medewerkers. 

Benieuwd naar hoe u kunt profiteren van AI? Lees 'Laat uw bedrijf in 2025 groeien met AI – op 6 manieren'