Het echte verschil tussen een chatbot en een agent

De ene beantwoordt een vraag. De andere beslist wat er moet gebeuren, doet het, controleert het eigen werk en gaat door naar de volgende stap — zonder te wachten tot jij het vraagt. Dat verschil is niet academisch. Het verandert wat er mis kan gaan en wie dat hoort te ontdekken.

Een chatbot neemt wat je typt, genereert een antwoord en stopt. Een agent neemt wat je typt, beslist wat er moet gebeuren, doet er iets aan, controleert of dat werkte en beslist wat daarna moet gebeuren — zelfstandig, vaak over veel stappen — voordat een mens er iets van ziet. Dat is het hele onderscheid. Alles waarover mensen redetwisten als ze het over "AI-agenten" hebben — het risico, het toezicht dat een systeem nodig heeft, en het grootste deel van de marketingverwarring — volgt uit dat ene verschil.

Wat een chatbot werkelijk doet

Een chatbot is een systeem met één doorgang. Je geeft hem tekst, hij genereert tekst terug, en de interactie eindigt daar. Zelfs een chatbot met een lang geheugen van je gesprek doet per beurt nog steeds één ding: alles lezen wat tot dan toe is gezegd en het volgende bericht voorspellen. Hij doorzoekt nooit een database om een feit te controleren, verstuurt nooit iets namens jou en komt later nooit terug om te zien of zijn antwoord standhield. Als hij ernaast zit, is de schade een zin die een mens leest — en die die persoon, in de gewone gang van zaken, kan opmerken voordat hij ernaar handelt.

Het meeste van wat mensen aan chatbots vragen past in deze vorm zonder dat iemand het merkt: vat dit document samen, stel een verjaardagsbericht op, leg ons restitutiebeleid uit, schrijf drie kopopties. Geen van deze taken vereist dat het systeem iets toetst aan de echte wereld of een handeling verricht buiten het chatvenster. Dat blijft waar als de interface "AI-assistent" of "copilot" heet in plaats van "chatbot" — het etiket op de doos verandert niet wat erin gebeurt.

Wat een agent werkelijk doet

Een agent draait een lus, geen enkele doorgang: een stap plannen, een handeling uitvoeren door een echte tool aan te roepen — een database doorzoeken, een bericht sturen, een bestand bewerken, een API aanroepen — kijken naar wat die handeling daadwerkelijk teruggaf, en dat resultaat gebruiken om de volgende stap te bepalen. Hij herhaalt dit tot de taak klaar is, hij vastloopt, of hij is gebouwd om bij een mens in te checken. Het belangrijke punt is dat niemand onderweg elke afzonderlijke stap goedkeurt. Het systeem beslist zelf wat het daarna probeert, op basis van wat er de vorige keer dat het handelde echt gebeurde — en het kan op elk van die beslismomenten ernaast zitten, niet alleen in een eindantwoord.

Deze lus is niet nieuw of exotisch. Onderzoekers beschrijven er al jaren varianten van — redeneren over wat te doen, handelen, het resultaat observeren, opnieuw redeneren — en het is wat er daadwerkelijk draait onder producten die zichzelf agenten noemen, van software die declaraties indient tot codeertools die een terminal openen en hun eigen opdrachten uitvoeren. Wat iets tot een agent maakt in plaats van een erg praatgrage chatbot, is dat het op de wereld handelt, kijkt wat er gebeurde en bijstuurt — herhaaldelijk, zonder dat een mens elke zet goedkeurt.

Hetzelfde verzoek, op twee manieren uitgevoerd

Zo ziet dat verschil eruit als twee systemen instructies krijgen die vergelijkbaar klinken.

Stel een chatbot de tweede vraag en hij geeft je nog steeds iets dat op een antwoord lijkt: drie plausibel klinkende herinneringsmails, gegenereerd uit wat je toevallig in het gesprek plakte. Wat hij niet doet, is je echte factuursysteem doorzoeken, het aantal controleren of iets in een echte conceptenmap zetten. De uitvoer kan er vergelijkbaar uitzien. Wat het systeem daadwerkelijk deed, is dat niet.

Waarom dit niet alleen een semantische discussie is

Het onderscheid telt omdat het verandert wat er mis kan gaan, en wie het opmerkt. Het ergste geval van een chatbot is een fout antwoord. Iemand leest het en merkt, in de gewone gang van zaken, de fout op of besluit er niet naar te handelen — de vergissing verlaat het gesprek nooit. Het ergste geval van een agent is een foute handeling die in de echte wereld al is uitgevoerd: de herinnering die naar de verkeerde klant ging met het verkeerde saldo, het record dat met de verkeerde waarde is bijgewerkt, de restitutie die twee keer is uitgekeerd — voordat iemand iets had beoordeeld. De fout is geen zin meer. Het is een gebeurtenis, en gebeurtenissen maken zichzelf niet ongedaan.

Daarom heeft een agent een ander soort toezicht nodig dan een chatbot. Een chatbot heeft vooral iemand nodig die de antwoorden controleert, wanneer diegene eraan toekomt. Een agent heeft nodig dat de ontwerpers al hebben besloten, voordat hij ooit draait, welke handelingen hij mag uitvoeren zonder te vragen, welke vereisen dat een mens het plan eerst ziet, en wat er gebeurt als hij vastloopt. Werk je dat achteraf uit, dan kom je op de harde manier te weten wat de agent al heeft gedaan.

Je kunt alleen vertrouwen wat je kunt zien

Dit is dezelfde gedachte achter het concept Leesbaarheid van FabricLoop: je kunt alleen toegang, en gedrag, besturen dat je daadwerkelijk kunt zien. Bij een chatbot is dat bijna vanzelfsprekend — de hele uitvoer is een bericht dat een mens leest, dus de handeling en het verslag van de handeling zijn hetzelfde. Bij een agent niet. Zijn handelingen gebeuren in andere systemen — een CRM, een inbox, een database, een bestand — en tenzij iets vastlegt wat hij aanraakte, wijzigde of verstuurde, is er geen manier om het achteraf te beoordelen, laat staan het vooraf te stoppen. Leesbaarheid is geen compliance-extra dat je boven op een agent legt. Voor een agent is het de hele vraag, want zijn "antwoord" is geen zin die je kunt nalezen — het is een reeks handelingen waarvan je misschien nooit weet dat ze gebeurden, tenzij het systeem is gebouwd om ze te laten zien.

Dat is de praktische schakel tussen de twee ideeën: een agent neemt meer, en ander, risico op zich dan een chatbot, en precies daarom heeft hij een zichtbaar spoor nodig van wat hij deed en, in de gevallen met hogere inzet, een controlepunt voordat hij handelt — wat het concept Tarief menselijke tussenkomst van FabricLoop behandelt als een getal dat je ontwerpt en meet, niet als een nagedachte die je eraan schroeft zodra er al iets is misgegaan.

De markt prijst dit voortdurend achterstevoren

Zodra je de echte toets hebt, is het duidelijk hoe vaak het etiket in beide richtingen liegt. Tal van producten die hard als "AI-agenten" in de markt worden gezet — het woord in de hoofdkop, in de prijsklassen — zijn daaronder één goed afgestelde prompt: lees de invoer, genereer de uitvoer, klaar. Geen zelfstandige toolaanroep, geen lus, geen beslissing zonder dat een mens de volgende klik goedkeurt. Intussen draait veel software die het woord "agent" nooit gebruikt — een geautomatiseerde factuurworkflow, een bewakingssysteem dat verkeer zelf omleidt, een ops-script dat een vastgelopen dienst herstart en controleert of dat het probleem verholp — stilletjes precies de lus die hierboven is beschreven. Het woord op het etiket vertelt je niets betrouwbaars over welke machine je werkelijk gebruikt.

Je hebt geen technische achtergrond nodig om dit toe te passen. De volgende keer dat een leverancier, of een collega, iets een agent noemt, vraag wat het daadwerkelijk deed tussen jouw instructie en het resultaat — en hoeveel van die stappen het zelf besliste.