Wat is een AI-agent (en wat is het niet)?
Een gewone chatbot beantwoordt vragen. Een AI-agent doet meer: hij heeft een doel, beschikt over 'tools' (zoals e-mail sturen, agenda checken, CRM updaten), en bepaalt zelf welke stappen hij neemt om het doel te bereiken. De LLM is het brein, de tools zijn z'n handen.
Voor leadgeneratie betekent dit: een agent leest een binnenkomende lead, beslist of er meer info nodig is (en stelt zelf de vervolgvraag via e-mail), check de bedrijfsinfo via LinkedIn/KvK, scoort op koopintentie, en plant een afspraak in jouw agenda — alles zonder dat jij elke stap aanstuurt.
Realistische verwachtingen anno nu
- Volledig autonoom verkopen sluiten = niet realistisch (en niet gewenst)
- Onbeperkte tools en perfecte besluitvorming = bestaat nog niet
- Vervangt sales-team = nee — versterkt het wel
- Werkt out-of-the-box zonder finetuning = beslist niet
Wat wel realistisch is: een agent die je 60-80% van het kwalificatiewerk uit handen neemt en je sales-team alleen de leads voorzet die het waard zijn.
Architectuur: hoe ziet zo'n agent eruit?
Een lead-agent bestaat in onze praktijk uit 4 lagen die samenwerken. Geen exotische tech-stack — alles met tools waar geen developer voor nodig is.
Trigger-laag
Hoe komt de lead binnen? Webformulier (Typeform, Webflow), inbox (e-mail), WhatsApp, LinkedIn-bericht. Centraal punt: alle leads komen in n8n of Make binnen via webhooks.
In de praktijk
Een B2B-bureau ontvangt leads via 5 kanalen — n8n bundelt alles in één flow.
Verrijkings-laag
De agent haalt extra data op: KvK-uittreksel via OpenKvK API, LinkedIn-profiel via Apollo/Hunter, website-info via een scrape. Belangrijk: AVG-conform — alleen publieke data.
In de praktijk
Een installatiebedrijf wint 5 minuten per lead door automatische bedrijfsverrijking.
Brein-laag (Claude API)
Claude leest verrijkte lead, beslist: direct doorzetten / extra vraag stellen / afwijzen. Genereert ook follow-up e-mail of intake-vragen. Hier zit de echte intelligentie.
In de praktijk
Framboos draait Claude Sonnet hier voor klanten — circa €5-15/maand API-kosten bij 200-500 leads/maand.
Actie-laag
Wat doet de agent? E-mail sturen via Gmail-node, afspraak inplannen via Cal.com, lead aanmaken in HubSpot, Slack-notificatie naar sales. Eén n8n-flow regelt alles.
In de praktijk
Een marketingbureau krijgt elke nieuwe lead binnen 60 seconden volledig verrijkt in HubSpot met aanbevolen actie.
Bouwstappen: in 1 dag een werkende v1
We bouwen geen perfect systeem in 1 dag. We bouwen een werkende v1 die we daarna verbeteren op basis van echte data. Dat is de enige manier die werkt.
Definieer 'goede lead' voor jouw bedrijf
Schrijf in een document: welke kenmerken heeft jouw ideale lead (branche, bedrijfsgrootte, type vraag, budget-indicator)? Welke zijn rode vlaggen (geen budget, geen DMU, te klein)? Zonder dit document gokt de agent — en gokt fout. Reken op 1-2 uur denkwerk.
Bouw de minimum viable flow in n8n
Webhook trigger → Claude API call (met je 'goede lead' criteria in system prompt) → conditie-node (score >7 = direct in CRM + Slack-ping, 4-7 = mens kijkt mee, <4 = polite e-mail-afwijzing). Dat is het. Geen 50 stappen — start simpel.
Test met 50 historische leads
Pak je laatste 50 binnengekomen leads, gooi ze door je flow, en vergelijk de score met de werkelijke uitkomst (wel/niet klant geworden). Score overeenstemming >70%? Live zetten. Lager? Prompt finetunen en opnieuw testen. Dit is het saaiste én belangrijkste deel.
Je bent een sales-kwalificatie agent voor [bedrijfsnaam], een [type bedrijf] in [stad].
ONZE IDEALE LEAD:
- Branche: [branches]
- Bedrijfsgrootte: [aantal medewerkers]
- Type vraag: [bijv. structurele uitbesteding, geen losse opdracht]
- Heeft budget-indicatie of beslissingsbevoegdheid
RODE VLAGGEN:
- Vraag is "kan je even snel iets gratis voor me doen"
- Eenmanszaak met onduidelijk budget vraagt naar high-end dienst
- Concurrenten doen pseudo-research
INPUT: ruwe leadgegevens + (indien beschikbaar) verrijkte KvK/LinkedIn data.
OUTPUT (JSON):
{
"score": 1-10,
"categorie": "warm" | "lauw" | "koud" | "afwijzen",
"samenvatting": "max 2 zinnen",
"rode_vlaggen": [],
"ontbrekende_info": ["..."],
"aanbevolen_actie": "directe doorbel | intake-e-mail | nurture-sequence | beleefd afwijzen",
"conceptbericht": "concrete tekst voor volgende stap"
}
Wees streng. Beter een goede lead doorlaten dan 10 slechte aanpakken.De vier valkuilen waar agents in vastlopen
We hebben zelf veel geleerd over wat WEL en NIET werkt. Hier de patronen die je het beste kunt vermijden.
Misverstand 1
“Hoe meer 'autonoom' de agent, hoe beter.”
Hoe het echt zit
Volledig autonoom een lead binnenhalen werkt nog niet betrouwbaar. Bouw in dat de agent voor onomkeerbare acties (offerte sturen, afspraak bevestigen) eerst een mens om approval vraagt. Daarmee blijf je in control en bouw je vertrouwen op.
Misverstand 2
“Eén grote prompt is genoeg.”
Hoe het echt zit
Eén mega-prompt die alles tegelijk doet, presteert vrijwel altijd slechter dan een keten van kleine, specifieke prompts. Verrijking, scoring, bericht-generatie — splits ze. Per stap meet je nauwkeurigheid en kun je gericht verbeteren.
Misverstand 3
“De agent leert vanzelf beter worden.”
Hoe het echt zit
LLM-agents 'leren' niet uit jouw data zonder dat je het inbouwt. Wel kun je een eenvoudig feedback-mechanisme bouwen (sales-medewerker beoordeelt de classificatie achteraf), en die feedback periodiek in je prompts verwerken. Wij doen dit elke maand bij klantagents.
Misverstand 4
“Eenmaal gebouwd, draait hij voor altijd.”
Hoe het echt zit
LLM-modellen veranderen, je dienstenaanbod verandert, je ICP verandert. Reken op 30-60 minuten onderhoud per maand. Wie de agent vergeet, ziet de kwaliteit langzaam wegzakken zonder dat hij doorhebt waarom.
3 prompts om vandaag mee te beginnen
Vervang de stukken tussen blokhaken door jouw eigen gegevens. Plak in ChatGPT of Claude. Klaar.
Help me een 'ideale klant'-document opstellen voor mijn lead-agent. Mijn bedrijf: [naam] Wat wij doen: [omschrijving in 2 zinnen] Onze beste klanten van de afgelopen jaar zijn: [3-5 beste klanten omschrijven] Stel mij 15 vragen die mij helpen scherp te formuleren: - Welke branches passen wel/niet - Welke bedrijfsgrootte werkt - Welke koopsignalen zijn sterk - Welke rode vlaggen wijs ik vroeg af - Wat is mijn minimum dealwaarde Stel ze één voor één. Na elke vraag wachten op mijn antwoord. Aan het eind van de sessie: vat samen in een document dat ik direct in een AI-agent system prompt kan gebruiken.
Schrijf een 4-staps follow-up sequence voor leads die wel interesse tonen maar nog niet kopen.
Bedrijf: [naam, type bedrijf]
Lead heeft net dit gedaan: [bijv. offerte aangevraagd / brochure gedownload / contact opgenomen]
Tijd tussen mails: [bijv. dag 0, dag 3, dag 7, dag 14]
Per mail:
- Onderwerp (max 50 tekens, geen marketing-spam-stijl)
- Body max 80 woorden
- Eindigt met een specifieke vraag, niet "laat me weten wanneer het uitkomt"
- "Je/jij" toon, geen "u/uw"
- Geen overdreven enthousiasme
- Mail 4: korte, professionele afsluitmail ("ik laat je voor nu met rust")
Output als JSON-array met 4 objecten.Help me bepalen welke publieke databronnen mijn AI-agent moet gebruiken om binnenkomende leads (B2B) te verrijken. Mijn type leads zijn meestal: [omschrijving] Wat ik wil weten over elke lead: [bedrijfsgrootte / branche / DMU / etc] Beschikbare budget voor data-tools: [€/maand] Geef per bron: - Naam en doel - Of het AVG-conform is voor cold outreach - Kosten per opvraging - Hoe het via API/webhook beschikbaar is - Hoe ik het in n8n koppel Bronnen om in elk geval te overwegen: KvK Open Data, Apollo, Hunter.io, Clearbit, LinkedIn Sales Nav, websitescraping. Wees streng op AVG.
Misschien zit jouw vraag erbij
Wat heb je onthouden?
3 korte vragen. Je krijgt direct feedback bij elk antwoord.
1.Wat onderscheidt een AI-agent van een chatbot?
2.Wat is een typische valkuil bij het bouwen van een lead-agent?
3.Welke aanpak is realistisch voor een MKB lead-agent in 2026?