En eerlijk is eerlijk: agentic AI kan je werk flink versnellen. Je voert sneller aanpassingen door, automatiseert herhaalwerk en kunt in korte tijd veel bouwen. Maar snelheid is niet hetzelfde als kwaliteit. Een agent kan vol overtuiging code schrijven die niet klopt, een halve feature als ‘af’ bestempelen of ongemerkt flink wat geld verbruiken. Bij Info Support werken steeds meer collega’s dagelijks met agents. Daniël Floor, Jurre Brandsen en Thijs Baan vertellen hoe zij grip houden op veiligheid, controle en kosten.
De agent doet het werk, maar jij blijft verantwoordelijk
Klikken op ‘accept’, bij de voorstellen die je agent maakt, is verleidelijk. Voor je het weet doe je dat net zo gedachteloos als bij de voorwaarden van een app. Precies daar wordt het volgens Daniël Floor, Software Engineer en AI Champion, spannend. Een agent voert het werk uit, maar neemt de verantwoordelijkheid niet over. Die blijft bij jou liggen: vanaf je eerste prompt tot het moment waarop de code naar productie gaat.
Daarom moet je weten wat er onderweg mis kan gaan. Een agent kan worden misleid via externe content, een tool verkeerd gebruiken of gevoelige informatie in zijn context krijgen. Dat laatste gebeurt makkelijker dan je denkt. Staat er nog ergens een wachtwoord of token in een vergeten configuratiebestand, dan kan de agent dat meenemen. Je moet dan meteen ingrijpen. Alleen je prompt beveiligen is dus niet genoeg; de hele agent loop moet veilig zijn.
Daniël vergelijkt die beveiliging met een soort ui van drie lagen:
- de buitenste laag ben jij. Welke taak geef je uit handen? Hoe scherp baken je die af? En controleer je het resultaat ook echt?
- De tweede laag is een veilige uitvoeromgeving, bijvoorbeeld een devcontainer waarin de agent alleen toegang krijgt tot wat nodig is. Internet, productiesystemen en privacygevoelige data scherm je standaard af. Alleen als daar een goede reden voor is, zet je iets open. Info Support gebruikt hiervoor Huddle, een open source security gateway die devcontainers afschermt van de buitenwereld en gratis beschikbaar is voor de community.
- De binnenste laag bepaalt wat de agent binnen die omgeving mag: welke tools kan hij gebruiken, welke permissies krijgt hij en hoeveel autonomie past bij de taak?
Het doel is dus niet om een agent zo weinig mogelijk te laten doen. Je wilt hem juist zelfstandig laten werken, maar wel binnen duidelijke en veilige grenzen.
“Dat je AI mag gebruiken, betekent niet dat je de controle uit handen moet geven.”
“Dat je AI mag gebruiken, betekent niet dat je de controle uit handen moet geven. Wees bewust van wat je uit handen geeft. Wie processen ongecontroleerd automatiseert en resultaten zonder kritische beoordeling overneemt, verliest uiteindelijk de regie. Agentic engineering draait juist om het toevoegen van kaders, controles en verantwoordelijkheid rond die automatisering.”
– Daniël Floor, Software Engineer
Je harnas bepaalt hoe goed de agent werkt
Jurre Brandsen, IT-consultant en AI Champion, ziet vooral bij grotere opdrachten waar agents vastlopen. Een kleine taak lukt vaak prima. Maar laat een agent een complete feature bouwen en het contextvenster raakt steeds voller. Het model vat eerdere informatie samen, waarbij belangrijke details kunnen verdwijnen. Voor je het weet meldt de agent dat hij klaar is, terwijl een deel van de feature nog ontbreekt.
Dat is geen toeval. Onderzoek van Anthropic naar long-running agents beschrijft hetzelfde patroon: agents proberen te veel tegelijk, raken onderweg context kwijt of verklaren een project te vroeg als ‘afgerond’.
De oplossing zit volgens Jurre in een agent harness: de operationele laag die je zelf rond het model bouwt. Op het model van Anthropic of OpenAI heb je beperkt invloed, maar de omgeving eromheen bepaal je wel zelf. Aan de voorkant geef je de agent goede guides mee, zoals instructiefiles, skills voor terugkerende stappen en geheugen over het project en het jargon van je team. Zo hoef je niet elke sessie vanaf nul te beginnen. Aan de achterkant plaats je sensoren: linters, type checks en unit tests die automatisch draaien zodra de agent iets oplevert. Ze vangen fouten vroeg op en zorgen dat de output beter aansluit op de kwaliteitseisen van het team, ook als collega’s verschillende workflows gebruiken.
“Het harnas bepaalt of je agent betrouwbaar, veilig en voorspelbaar werkt. En daar heb jij zelf controle over.”
“Een goed model met een slecht harnas geeft veel minder resultaat dan een goed harnas met een minder model. Modellen blijven veranderen, het harnas is waar je controle behoudt. Het harnas bepaalt of je agent betrouwbaar, veilig en voorspelbaar werkt. En daar heb jij zelf controle over.”
– Jurre Brandsen, IT-consultant en AI Champion
Tokens vertellen wat je werkwijze kost
Agentic AI heeft ook een prijskaartje. Alles wat je naar een model stuurt en alles wat het teruggeeft, kost tokens. Thijs Baan, IT Consultant, rekende zijn eigen gebruik uit. Een agentsessie van een half uur kostte hem ongeveer tien dollar. Twee derde daarvan ging op aan het cachen van een gesprekshistorie die steeds langer werd. Instructiefiles, tools en MCP-servers reizen bovendien elke sessie mee, ook als je ze op dat moment niet gebruikt.
Thijs pakt dat op een handige manier aan: eerst meten, dan de oorzaak zoeken en pas daarna iets aanpassen. Een belangrijke vraag is bijvoorbeeld of het duurste model echt al het werk moet doen. Thijs laat een sterk model een gedetailleerd plan maken en controleert dat zelf. Daarna kan een goedkoper model de uitvoering oppakken. Dat sluit aan bij aanbevelingen van Anthropic en OpenAI: gebruik een sterk model voor complexe redeneertaken en een goedkoper model voor routinematige stappen. Zo dalen de kosten zonder dat de kwaliteit merkbaar achteruitgaat. Een analysetool liet Thijs ook zien dat hij drie MCP-servers meestuurde die hij nooit gebruikte. Die verbruikten elke sessie tokens, maar leverden niets op.
Met zijn achtergrond als toegepast psycholoog kijkt Thijs ook naar ons eigen gedrag. Tools die output heel kort samenvatten besparen tokens, maar kunnen automation bias versterken: we geloven informatie sneller als die overtuigend en overzichtelijk klinkt. Zelf blijven nadenken over hoe een antwoord tot stand komt, hoort daarom nog steeds bij het vak.
Grip op agentic AI leer je samen
Veiligheid, controle en kosten lijken verschillende onderwerpen, maar Daniël, Jurre en Thijs komen op hetzelfde punt uit: een agent wordt pas echt waardevol als jij de regie houdt. Dat betekent dat je nadenkt over veiligheid voordat je meer autonomie geeft, een goed harnas bouwt en begrijpt wat je werkwijze kost. De agent mag dan veel werk overnemen, nadenken blijft voorlopig gewoon mensenwerk.
Voor studenten en starters is dat goed nieuws. Het vak wordt niet kleiner, maar breder. Je schrijft code en bouwt de omgeving waarin een agent betrouwbaar kan werken. Dat leer je door te experimenteren, fouten te delen en elkaar scherp te houden. Modellen blijven veranderen; jouw vakmanschap bepaalt wat je ermee kunt.
