Agentic AI: van experiment naar operatie – dit leerden we tijdens de rondetafel op Webwinkel Vakdagen 2026

De conclusie: de technologie ontwikkelt razendsnel, maar succesvolle toepassing vraagt vooral om een sterk datafundament, duidelijke keuzes in autonomie én realistische verwachtingen.

Om het gesprek scherp te krijgen, werd eerst ingezoomd op wat ‘agentic’ eigenlijk betekent. Daarbij helpt het om AI te beschouwen als een spectrum van toenemende autonomie en risico. Aan de basis staat generative AI als ChatGPT of Copilot. Deze tools ondersteunen vooral individuele productiviteit: ze geven antwoorden, genereren content en helpen bij dagelijkse taken. De waarde ervan is duidelijk, maar relatief beperkt waar het de impact op bedrijfsprocessen aangaat.

De volgende stap zijn AI agents. Deze gaan verder dan alleen antwoorden geven: ze kunnen ook acties uitvoeren in systemen. Denk aan een chatbot die niet alleen productinformatie geeft, maar direct een bestelling plaatst zodra de klant daarom vraagt.

Daarboven ontstaat een agentic netwerk, waarin meerdere agents samenwerken en complete processen uitvoeren, zoals orderafhandeling. Hier is vaak nog een ‘human in the loop’ die controleert of alles goed gaat.

Het meest geavanceerde niveau is volledig autonome AI, waarbij menselijke controle verdwijnt. Dat biedt maximale efficiëntie, maar brengt ook de grootste risico’s met zich mee. Zoals een deelnemer het verwoordde: “Dat is het moment dat het echt spannend wordt.”

De praktijk: experimenteren gebeurt al volop

Hoewel agentic AI vaak nog futuristisch klinkt, blijkt uit de discussie dat veel organisaties daarin al concrete stappen zetten.

Zo zijn er partijen die continu data laten verzamelen en analyseren via AI-agents, bijvoorbeeld door communities te scrapen en inzichten automatisch in databases te verwerken. Deze data wordt vervolgens weer gebruikt door andere agents in de keten.

Ook zijn er al operationele toepassingen. Bij een grote post-organisatie in België draait bijvoorbeeld een agent die klantvragen afhandelt en via Salesforce automatisch accounts aanmaakt. Daarmee wordt een deel van het proces volledig geautomatiseerd, zonder dat alle systemen perfect ingericht hoeven te zijn.

De gedeelde mindset: progress before perfection. Wachten tot alles perfect is, remt innovatie.

Binnen drie jaar een AI-agent in elke webshop?

Een stelling die op tafel kwam: binnen drie jaar heeft elke succesvolle webwinkel een AI-agent in dienst die 24/7 meedraait in de operatie.

De consensus luidde: dit is realistisch. Maar er werd ook direct een kanttekening geplaatst.
AI is namelijk niet “gratis arbeid”. Waar een agent geen salaris vraagt, zitten de kosten van een agent in het gebruik van tokens, maar ook de stabiliteit van de onderliggende techniek. Kunnen leveranciers tegen voorsptelbare kosten blijven leveren als hun businessmodellen onder druk staan door (geo) politieke ontwikkelingen, hogere kosten voor energie en beschikbaarheid van locaties voor cruciale datacenters? Het businessmodel rondom AI is nog volop in ontwikkeling en zeker niet uitgekristalliseerd.

Zonder data geen agents

Een van de belangrijkste zaken blijft: succesvolle toepassing van agentic AI staat of valt met data. Om agents beslissingen te laten nemen, moet je datastructuur op orde zijn. Welke data moet je gebruiken voor een proces, wat is hiervan de kwaliteit en beschikbaarheid? Een best-practice is om niet te wachten op een hele grote dataconversie, maar juist heel gericht per proces de data op te pakken en waar nodig te verbeteren.  Een tip van een van de aanwezigen: verzamel liever teveel data dan te weinig. “Denk niet: dit veld heb ik nu niet nodig. Achteraf toevoegen kost je veel meer tijd en moeite.”

Omdat opslagkosten relatief laag zijn (bijvoorbeeld in BigQuery), is het risico van te veel data beperkt. Het echte probleem ontstaat juist als data ontbreekt.

Kent AI de klant straks beter dan de marketeer?

Ook de impact op marketing kwam uitgebreid aan bod. De stelling luidde: een AI-agent kent de klant straks beter dan de beste marketeer. De meningen hierover liepen uiteen. Aan de ene kant werd benadrukt dat emotie en menselijk contact cruciaal blijven, zeker in categorieën waar beleving centraal staat – zoals in de categorie van sieraden. Aan de andere kant is de kracht van AI moeilijk te negeren. Op basis van slechts enkele interacties kan AI al sterke voorspellingen doen over voorkeuren, zoals materiaalkeuze of stijl.

De realiteit ligt waarschijnlijk in de combinatie: AI voor schaal en precisie, de mens voor context en emotie.

GEO: zichtbaar blijven in AI-antwoorden

Een ander thema dat werd besproken was Generative Engine Optimization (GEO): hoe zorg je dat je merk zichtbaar blijft in AI-gegenereerde antwoorden? Hoewel daar nog geen duidelijke spelregels voor zijn, wordt er al volop geëxperimenteerd. Zo testen bedrijven dagelijks hoe modellen als ChatGPT en Gemini hun merk noemen in antwoord op een vaste set van specifieke vragen. Door dit proces systematisch te analyseren, proberen organisaties grip te krijgen op de wijze waarop AI-systemen informatie selecteren en presenteren.

Technologie vs. controle: de rol van MCP

Tot slot werd gekeken naar de onderliggende technologie, zoals het Model Context Protocol (MCP).Hiermee kunnen AI-modellen direct acties uitvoeren op websites, zoals het aanpassen van een winkelmandje. De grootste uitdaging zit echter niet in de techniek, maar in autorisatie en controle. Hoe weet je zeker dat een AI-agent daadwerkelijk namens een geautoriseerde gebruiker handelt? Dit raakt aan een bredere vraag die centraal stond in de sessie: hoe houd je controle terwijl je steeds meer autonomie weggeeft?

De balans tussen snelheid en verantwoordelijkheid

Wat blijft hangen na deze rondetafel is dat agentic AI geen toekomstscenario meer is, maar een ontwikkeling die nú al impact heeft. Tegelijkertijd vraagt succesvolle implementatie om een zorgvuldige balans:

• tussen autonomie en controle
• tussen snelheid en datakwaliteit
• tussen technologie en menselijkheid

Of, zoals een van de deelnemers het samenvatte: “De technologie is er. De echte uitdaging zit in hoe we ermee omgaan.”

Volg DDMA en zijn activiteiten om op de hoogte te blijven over dit onderwerp en nieuwe ontwikkelingen binnen de markt.

Content DDMA 

Kennisbank voor marketing en data