Zo voorkom je dat je AI-agents langs elkaar heen werken

Als je twee AI-hulpjes hebt die niets van elkaar weten

Stel je voor: je hebt een AI-agent die nieuwe leads opvolgt met een vriendelijke mail. En je hebt een AI-agent die klantvragen afhandelt. Allebei doen ze prima hun werk. Tot de sales-agent enthousiast een klant benadert met een aanbieding, terwijl diezelfde klant net een klacht heeft ingediend die de service-agent nog aan het oplossen is. De klant voelt zich niet gezien, en jij komt er pas achter als het misgaat.

Dit is geen bedachte situatie. Het gebeurt bij bedrijven die losse AI-tools zijn gaan proberen. Elk tool lost een stukje op, maar niemand houdt overzicht. HubSpot bracht in juli 2026 precies hiervoor een oplossing uit, en het onderliggende probleem raakt elk bedrijf dat met meerdere AI-agents begint te werken.

Wat "agent sprawl" heet, en waarom het sluipt

De term die er inmiddels voor bestaat is "agent sprawl": een wildgroei aan losse AI-agents die je niet meer overziet. Het sluipt binnen, omdat het zo logisch begint. Iemand van sales zet een agent op voor leadopvolging. De klantenservice probeert een chatbot. De administratie automatiseert facturen. Stuk voor stuk goede stappen, maar ze staan los van elkaar.

Het probleem ontstaat op drie punten:

1. Geen eigenaar. Niemand is verantwoordelijk voor het geheel, dus als iets misgaat weet je niet wie of wat het deed.
2. Geen gedeelde kennis. De ene agent weet niet wat de andere weet over dezelfde klant.
3. Geen zicht. Je ziet niet in één oogopslag wat je agents eigenlijk aan het doen zijn.

Zolang je één agent hebt is dit geen thema. Vanaf de tweede of derde wel. En omdat AI-tools tegenwoordig zo makkelijk aan te zetten zijn, ben je sneller bij die tweede en derde dan je denkt.

Het echte probleem zit in gedeelde klantcontext

De kern van het verhaal is klantcontext: alles wat je over een klant weet, op één plek, beschikbaar voor iedereen die met die klant werkt. Een mens die de telefoon opneemt, checkt normaal even het klantdossier. Een AI-agent doet dat alleen als je hem toegang geeft tot diezelfde informatie.

Als je agents ieder hun eigen eilandje aan gegevens hebben, krijg je precies het gedrag uit het voorbeeld hierboven. De oplossing die grote platforms nu aanbieden, komt neer op één simpel principe: laat je agents putten uit dezelfde bron. Dan weet de sales-agent dat er een klacht loopt, en houdt hij zich even in.

Voor het MKB is de les belangrijker dan het specifieke product. Je hoeft geen duur platform te kopen. Je moet vooral zorgen dat je automatiseringen dezelfde waarheid delen, en dat je weet wat er speelt.

Begin bij één plek en één bron van waarheid

De eerste praktische stap is saai maar cruciaal: bepaal waar de waarheid over je klanten staat. Meestal is dat je CRM of je administratiepakket. Dat is de plek waar alles samenkomt, en waar je agents uit moeten lezen (en naar terugschrijven).

Werk je met losse lijstjes, een mailbox hier en een spreadsheet daar? Dan is dat het eerste dat je opruimt, nog voor je aan agents begint. Een AI-agent maakt een rommelige situatie namelijk niet netter, hij automatiseert de rommel alleen sneller.

Zodra er één bron van waarheid is, wordt de vraag "wat weten we van deze klant" voor elke agent hetzelfde antwoord. En dat is precies wat het langs-elkaar-heen-werken voorkomt.

Houd zicht: één overzicht van wat je agents doen

Het tweede dat de nieuwe platforms benadrukken, is zicht. Niet alleen agents bouwen, maar ook op één dashboard kunnen zien wat ze doen en wanneer. Dat klinkt vanzelfsprekend, maar in de praktijk draaien veel automatiseringen onzichtbaar op de achtergrond tot er iets fout gaat. Dat wordt urgenter nu agents dagenlang zelfstandig doorwerken in plaats van één taakje te doen.

Voor jou als ondernemer betekent dit een simpele gewoonte: zorg dat elke agent een logboek bijhoudt (wat deed hij, voor welke klant, met welk resultaat) en kijk daar bijvoorbeeld één keer per week naar. Zo merk je vreemd gedrag voordat een klant het merkt. Dit sluit naadloos aan op je klantenservice: een goed opgezette AI-chatbot voor klantenservice hoort ook te laten zien welke vragen hij zelf afhandelde en welke hij doorgaf aan een mens.

Wat er sinds de zomer van 2026 is bijgekomen

Toen we dit schreven was "zorg dat je agents dezelfde waarheid delen" vooral een goed voornemen: je moest het zelf regelen, want de tools deden er niets voor. Dat is aan het veranderen, en op drie punten tegelijk.

Er ligt inmiddels een gedeelde afspraak waarmee agents van verschillende leveranciers elkaar kunnen aanspreken, het A2A-protocol. Volgens de Linux Foundation, die het protocol beheert, steunen er in het eerste jaar meer dan 150 organisaties op, waaronder Microsoft, AWS, Salesforce, SAP, ServiceNow, Workday en IBM, en zit het ingebouwd in de agentplatformen van Microsoft, Amazon en Google. Versie 1.0 voegde ondertekende agentkaarten toe: een agent die door een andere wordt aangesproken kan controleren of die tegenpartij echt van het opgegeven bedrijf komt. Voor jou betekent dat vooral iets over de toekomst: de kans dat je straks vastzit aan agents van één leverancier wordt kleiner.

Daarnaast komt er beweging in de vraag wie er eigenlijk handelt. Tot nu toe leende je je eigen inloggegevens uit aan een agent, waardoor in het logboek jouw naam staat bij wat de agent deed. De routekaart voor MCP, de standaard waarmee AI-tools aan bedrijfssoftware worden gekoppeld, zet daar sinds augustus 2026 een eigen intrekbare identiteit voor agents tegenover. Dat maakt het antwoord op "wie deed dit" eindelijk te geven, en we werkten dat verder uit in het stuk over waarom je agent een eigen personeelspas krijgt.

En het derde punt is precies het zicht waar hierboven om werd gevraagd. Microsoft kondigde in augustus 2026 aan dat een agent die iemand zelf in elkaar zet pas beschikbaar komt voor collega's nadat een beheerder hem goedkeurt, met een overzicht erbij van welke systemen agents aanraken.

De rode draad voor het MKB: dit gereedschap komt niet als los product op je af, maar als functie in pakketten die je al afneemt. De vraag verschuift daarmee van "hoe bouw ik dit" naar "ondersteunt mijn leverancier dit al". Dat is een mail, geen project.

Bouw een menselijke controlestap in

Hoe slim je agents ook samenwerken, laat ze geen onomkeerbare dingen zelf afmaken. Een offerte versturen, een klant aanschrijven, een factuur de deur uit doen: dat zijn momenten waar een mens even mag meekijken. "Klaargezet" is niet hetzelfde als "verzonden". Waar je die grens precies legt, lees je in ons stuk over wanneer AI om toestemming moet vragen.

Dat hoeft geen rem te zijn. Je agent doet het voorwerk (opzoeken, opstellen, klaarzetten) en jij of een medewerker drukt op de knop. Zeker in het begin, als je nog leert wat je agents wel en niet goed doen, is die controlestap goud waard. Naarmate je vertrouwen groeit, kun je de teugels op de veilige stukken laten vieren. Een AI-verkoopadviseur die suggesties doet werkt bijvoorbeeld prima autonoom, zolang de daadwerkelijke afspraak of aanbieding door een mens gaat.

Klein beginnen: welke agent eerst

Je hoeft dit niet in één keer groots aan te pakken. Kies één proces dat vaak voorkomt, een duidelijk patroon heeft en laag risico draagt. Denk aan het beantwoorden van veelgestelde vragen, of het klaarzetten van een standaardofferte. Zet daar één agent op, koppel hem aan je bron van waarheid, geef hem een logboek en een controlestap. Meet vervolgens hoeveel tijd het scheelt en of de kwaliteit klopt.

Pas als die eerste agent stabiel draait, voeg je de tweede toe. En dan is de vraag meteen: weet deze nieuwe agent wat de eerste weet? Zo bouw je stap voor stap een systeem waarin je agents elkaar aanvullen in plaats van tegenwerken, in plaats van een verzameling losse tools waar je het overzicht over kwijtraakt.

Benieuwd wat dit voor jouw bedrijf betekent? We kijken het graag samen met je door.