De ene vraag die een agent van een chatbot onderscheidt
Wie bepaalt wat er hierna gebeurt?
Bij een chatbot doet niemand dat. Je stuurt een bericht, het model geeft één antwoord, en de beurt is voorbij. Vraagt het antwoord om een vervolg, dan schrijf jij dat. Het model onderneemt nooit actie in de wereld, het schrijft alleen tekst.
Bij een agent beslist het model. Gegeven een doel kiest het een actie, zoals het web doorzoeken, een stukje code uitvoeren, een pagina openen of een bestand bewerken, krijgt het resultaat terug als tekst, leest het, en kiest de volgende actie. Het gaat door tot het oordeelt dat het doel bereikt is, of tot een stappenlimiet het stopt. Het model is de besturing van de lus.
Anthropic's technische gids "Building effective agents", gepubliceerd in december 2024, trekt dezelfde grens: workflows zijn systemen waarin het model draait binnen code die het pad vastlegt, en agents zijn systemen waarin het model zijn eigen proces en toolgebruik stuurt. Die gids is ook onomwonden over welke van de twee je eerst moet bouwen, en het antwoord is de workflow.
Chatbot, workflow, agent: hetzelfde model, drie verschillende lussen
Alle drie kunnen op hetzelfde taalmodel draaien. Wat verschilt, is wat eromheen zit.
| Chatbot | Workflow | Agent | |
|---|---|---|---|
| Wie kiest de volgende stap | Niemand; één antwoord per bericht | Een script geschreven door een ontwikkelaar | Het model, op basis van het laatste resultaat |
| Gebruikt tools | Soms, één aanroep per beurt | Ja, in een vaste volgorde | Ja, in welke volgorde het zelf kiest |
| Wanneer het stopt | Na één antwoord | Als het script eindigt | Als het beslist dat het doel bereikt is, of bij een stappenlimiet |
| Typische fout | Een fout antwoord | Een stap die slechte input krijgt | Een lus die afdwaalt, herhaalt, of te vroeg stopt |
| Kosten per taak | Eén antwoord | Een bekend aantal antwoorden | Onbekend tot het klaar is |
In de workflowkolom zit het meeste bruikbare automatiseringswerk. Een pijplijn die een document samenvat, dan de data extraheert, en dan een antwoord opstelt, is drie modelaanroepen in een vaste volgorde. Betrouwbaar, omdat de ontwikkelaar het pad bepaalde. Het is geen agent, wat de landingspagina ook beweert, en het zo noemen verhult de echte afweging: een vast pad is voorspelbaar en goedkoop, een door het model gekozen pad is flexibel en geen van beide.
Hoe de lus er stap voor stap uitziet
Een concrete run. Het doel: "Zoek uit of onze concurrent deze maand hun prijzen heeft aangepast en schrijf me een samenvatting van twee alinea's."
- Het model leest het doel en bepaalt de eerste actie: een websearch naar de prijspagina van de concurrent.
- De zoektool geeft een lijst met resultaten terug als tekst. Het model leest die en kiest er een om te openen.
- De browsertool geeft de pagina terug. Het model haalt de huidige prijzen eruit.
- Het model besluit dat het de oude prijzen nodig heeft, zoekt naar een gearchiveerde kopie, en opent die.
- Het vergelijkt de twee, oordeelt dat het genoeg heeft, en schrijft de samenvatting.
Vijf stappen, vier toolaanroepen, zes modelaanroepen. Elke stap is een volledig antwoord van het model, met de hele geschiedenis tot nu toe als input. Dat laatste detail bepaalt de kosten: bij stap vijf leest het model bij elke aanroep opnieuw vier pagina's zoekresultaten en paginatekst. Wat zijn tokens in AI legt uit waarom input die elke beurt groeit de dure vorm is.
En elke stap is een plek om het mis te laten gaan. Als de zoekopdracht in stap 1 het verkeerde bedrijf teruggeeft, vatten stappen 2 tot 5 zelfverzekerd de verkeerde prijzen samen. De lus stapelt fouten op dezelfde manier op als vooruitgang. Een stappenlimiet en een menselijk controlepunt voordat er iets verstuurd wordt, zijn niet optioneel.
Wat een agentrun kost tegenover één antwoord
De rekensom is simpel en mensen slaan hem over. Eén standaardantwoord, 1.000 tokens in en 500 uit, heeft een adviesprijs per model in de AI-modelkostenindex, met OpenRouter-tarieven opgehaald op 2026-08-20. Een agentrun van 20 stappen is minstens 20 van zulke antwoorden, en in de praktijk meer, omdat de input elke stap groeit.
Twintig stappen op Claude Sonnet 5 kost $0.14 aan de ondergrens, tegenover $0.007 voor één antwoord; op Claude Opus 5 is dat $0.35, en elk uur uitgevoerd is dat ongeveer $250 per maand, nog voor de groeiende-inputvermenigvuldiger. In Whizi-credits leest dezelfde rekensom af van de Auto-ladder hierboven: 100 credits is 100 snelle vragen op het huismodel of 5 redeneerbeurten op GPT-5.6 Sol, dus een lus van 20 stappen op het redeneerniveau kost 400 credits, ongeveer een zesde van een Pro-maand van 2.500 credits, en dezelfde lus op het huismodel kost 20. Daarom stuurt het juiste ontwerp de planningsstappen naar een sterk model en de routinestappen naar een goedkoop model, en daarom is een werkruimte met meerdere modellen de natuurlijke plek voor agentwerk in plaats van een abonnement op één model.
Welke producten echt agents zijn
Codeerassistenten die bestanden bewerken en tests draaien zijn agents in de strikte zin: gegeven een bugrapport lezen ze code, brengen een wijziging aan, draaien de testsuite, lezen de fout, en proberen het opnieuw. De lus is echt en het model stuurt hem.
Deep research-modi in ChatGPT, Gemini en Perplexity zijn agents: ze zoeken, lezen, zoeken opnieuw op basis van wat ze vonden, en stoppen als ze oordelen dat de vraag gedekt is. Het aantal stappen varieert per vraag, en dat is het kenmerk.
De meeste "agents" in productmenu's zijn persona's of workflows. Een rij in een modelkiezer die te boek staat als belastingagent of studiementor is meestal een vaste systeemprompt plus een tool of twee. Whizi's eigen Agents-sectie is daar eerlijk over: de Canadese CPA-rij is een preset die bij elke beurt een websearch afdwingt, met een limiet van zeven zoekopdrachten en een groter tokenbudget van 55.000 in en 40.000 uit. Dat is een persona met een tool eraan vast en een groter budget, en het is precies daarom nuttig omdat het pad vaststaat. Het is geen lus die het model zelf stuurt, en de Auto routing-gids legt uit wat er echt bepaalt welk model achter elk bericht draait.
Het taalgebruik verschuift naar alles een agent noemen. De vraag om aan een product te stellen is dezelfde als bovenaan deze pagina: wie bepaalt de volgende stap? Is het antwoord "een script" of "niemand", dan koop je een workflow of een chatbot, en dat kan precies zijn wat je wilt.
Wanneer een agent het juiste middel is, en wanneer niet
Een agent verdient zijn kosten terug als het pad niet vooraf bekend is: onderzoek waarbij de tweede zoekopdracht afhangt van het eerste resultaat, debuggen waarbij de fix afhangt van de testuitvoer, browsen waarbij de volgende klik afhangt van de pagina. De flexibiliteit is het product.
Een agent is het verkeerde middel als het pad wel bekend is. Samenvatten, extraheren, vertalen, herformatteren, classificeren: dit zijn één aanroep of een vaste reeks aanroepen, en het in een lus verpakken voegt kosten, vertraging en een nieuwe faalmodus toe zonder extra vermogen toe te voegen. Het advies van Anthropic's gids blijft staan: begin met één aanroep, ga naar een workflow als één aanroep niet volstaat, en grijp pas naar een agent als de workflow steeds een vertakking nodig heeft die je niet kunt voorspellen.
De vuistregel: kun je de stappen vooraf op een whiteboard tekenen, bouw dan geen agent.
- Vraag wie de volgende stap bepaalt voordat je gelooft dat een product een agent is
- Begroot een agenttaak als stappen vermenigvuldigd met de prijs per antwoord, en tel de groeiende input erbij op
- Zet een stappenlimiet en een menselijk controlepunt voor elke stap die verstuurt, koopt, verwijdert of publiceert
- Gebruik het sterke model voor planningsstappen en een goedkoop model voor routinestappen
- Kun je de stappen vooraf tekenen, bouw dan een workflow in plaats van een agent
Veelgestelde vragen
Wat is het verschil tussen een AI-agent en een chatbot?
Een chatbot geeft één antwoord per bericht en onderneemt geen actie. Een agent streeft een doel na over meerdere stappen, kiest elke volgende actie zelf, roept tools aan zoals zoeken of code, leest de resultaten en beslist wanneer het klaar is. Hetzelfde model, een andere lus: de agent doorloopt er een, de chatbot niet.
Wat is een voorbeeld van een AI-agent?
Een codeerassistent die een bugrapport leest, de code bewerkt, de tests draait, de fout leest en het opnieuw probeert tot ze slagen. Deep research-modi die zoeken, lezen, en op basis daarvan opnieuw zoeken, zijn een ander voorbeeld. Beide bepalen zelf hun volgende stap, en dat is het kenmerkende eigenschap.
Is ChatGPT een AI-agent?
De gewone chat niet; die beantwoordt één bericht per keer. ChatGPT's agent- en deep research-modi zijn dat wel, omdat het model in die modi zelf plant, tools gebruikt en itereert. Hetzelfde geldt voor Gemini's Agent Mode en Deep Research, en voor Claude's Research-modus en Claude Code. Elk product is een chatbot met agentmodi erin.
Waarom zijn AI-agents duur?
Omdat elke stap een volledige modelaanroep is, en de input elke stap groeit doordat de geschiedenis opstapelt. Een run van 20 stappen op Claude Sonnet 5 kost minstens $0.14 tegen de standaardprijs, tegenover $0.007 voor één antwoord, volgens OpenRouter-tarieven opgehaald op 2026-08-20, en de groeiende input duwt het hoger. Routinestappen naar een goedkoper model routeren is de standaardmanier om dit te beheersen.
Heb ik een AI-agent nodig voor mijn taak?
Alleen als het pad niet vooraf te plannen is. Onderzoek, debuggen en browsen, waarbij elke stap afhangt van het vorige resultaat, hebben baat bij een agent. Samenvatten, extraheren, vertalen en herformatteren zijn één aanroep of een vaste reeks, en een agent voegt kosten en faalmodi toe zonder extra vermogen.
