De cijfers voor 2026 op een rij
Wat de analisten verwachten en wat organisaties daadwerkelijk doen, ligt ver uit elkaar:
- Eind 2026 bevat naar verwachting 40 procent van de zakelijke applicaties taakspecifieke AI-agents, tegen minder dan 5 procent in 2025 (Gartner)
- Van de organisaties zelf heeft 17 procent AI-agents daadwerkelijk uitgerold, terwijl ruim 60 procent dat binnen twee jaar verwacht (Gartner CIO- en technologiedirecteurensurvey 2026)
- Ongeveer 23 procent van de organisaties schaalt agents op naar echte productie
- Meer dan 40 procent van de agentic AI-projecten wordt naar verwachting voor eind 2027 geannuleerd
- Richting 2029 zou 70 procent van de bedrijven agentic AI inzetten binnen IT-operations, tegen minder dan 5 procent in 2025
De boodschap achter die getallen: agents komen sowieso naar je toe, ingebakken in de software die je al gebruikt. De vraag is niet of je ermee te maken krijgt, maar of jouw eigen toepassingen bij de 23 procent horen die opschaalt of bij de 40 procent die sneuvelt.
Waarom vier op de tien projecten stranden
Gartner noemt drie oorzaken: onduidelijke businesswaarde, kosten die uit de hand lopen en zwakke governance. In de praktijk zien wij die drie steeds in dezelfde volgorde ontstaan.
Het begint met een indrukwekkende demo. Iemand laat zien dat een agent een offerte kan opstellen of een mailbox kan afhandelen, en het enthousiasme is groot. Wat ontbreekt is de vraag: welk proces precies, hoeveel uur kost dat nu, en hoe meten we of dat minder wordt?
Vervolgens lopen de kosten op omdat elke stap door een groot taalmodel gaat, ook stappen waar een simpele regel of een bestaande koppeling volstaat. En als er iets misgaat, blijkt niemand te kunnen reconstrueren wat de agent precies heeft gedaan en op basis waarvan.
Dan volgt de conclusie dat het niet werkt. Terwijl het probleem niet de techniek was, maar het ontbreken van scope, meetpunten en controle.
Wat het onderscheid maakt bij projecten die wel blijven draaien
Bij de trajecten die wel productie halen zien we steeds dezelfde principes terug:
- **Eén proces, met cijfers vooraf.** Hoeveel aanvragen per week, hoeveel minuten per stuk, wat is de foutmarge nu? Zonder nulmeting is er later geen gesprek over waarde.
- **Mens in de lus waar het telt.** De agent bereidt voor, een medewerker keurt goed. Dat is niet alleen veiliger, het versnelt ook de acceptatie en levert direct trainingsdata op.
- **Niet alles door het model.** Gebruik bestaande API's en regels waar dat kan, en zet het taalmodel in waar echt interpretatie nodig is. Dat drukt de kosten met een factor, niet met een paar procent.
- **Logging en audit-trail vanaf dag één.** Elke actie herleidbaar, inclusief wat de agent zag en besloot. Dat is ook wat de EU AI Act van je vraagt zodra je richting risicovolle toepassingen gaat.
- **Een eigenaar met mandaat.** Iemand die mag besluiten dat de grens verschuift van voorleggen naar zelfstandig handelen, of juist andersom.
Waar agents in 2026 het meest opleveren
De toepassingen die zich het snelst terugverdienen zijn zelden de spectaculairste:
- Aanvragen en e-mail classificeren, verrijken met gegevens uit je systemen en klaarzetten voor opvolging
- Conceptoffertes en documenten opstellen uit je eigen prijzen, voorwaarden en historie
- Factuur- en orderverwerking met goedkeuring boven een drempelbedrag
- Eerstelijns klantvragen beantwoorden op basis van je eigen documentatie, met nette escalatie
Wat deze gemeen hebben: veel volume, duidelijke definitie van goed, en een mens die de laatste stap zet. Precies daarom staan ze ook op onze pagina over agentic AI voor bedrijven, waar we deze processen met een pilot van zes weken aanpakken.
Data, kosten en de keuze voor lokale modellen
Twee praktische factoren bepalen vaak of een agent überhaupt mag draaien. De eerste is data: mag je bedrijfsinformatie naar een cloudmodel? Voor veel organisaties, zeker in zorg en overheid, is het antwoord nee of pas na een lang traject. Daarom draaien wij taalmodellen waar nodig volledig lokaal, zoals bij IntraGPT.
De tweede is kosten. Een agent die voor elke stap een groot model aanroept is duur en traag. Door goedkopere modellen te gebruiken voor routinestappen en alleen op te schalen waar het echt nodig is, blijven de kosten voorspelbaar. Dat is niet alleen een technische keuze, het is precies de knop waarmee je voorkomt dat je project bij die 40 procent geannuleerde initiatieven belandt.
Interne links en vervolgstappen
Wil je weten welk proces bij jou het meest oplevert? Lees onze aanpak voor agentic AI en onze bredere AI-oplossingen, of bekijk hoe wij integraties en koppelingen bouwen waar agents veilig op kunnen werken.
In een gratis agentic AI-scan rekenen we door welk proces zich het snelst terugverdient en welke grenzen je erop moet zetten. Plan een scan en je weet binnen een gesprek of het bij jou zinvol is.