AI-agent gebouwd — en dan? Beheer, onderhoud en wat het kost

Je AI-agent draait. De eerste week checkt iedereen 'm dagelijks, de tweede week af en toe, en na een maand kijkt er niemand meer naar — tot de agent op een dinsdagochtend stilletjes drie facturen verkeerd wegzet en niemand weet waarom. Dat moment is geen uitzondering. Het is de normale levensloop van software die je "af" waande.

De meeste verhalen over AI-agents stoppen bij de oplevering: gebouwd, getest, live, klaar. Maar de bouw is het startpunt, niet de eindstreep. Een agent is geen meubelstuk dat je één keer koopt en dat daarna twintig jaar in de hoek staat. Het is levende software die praat met taalmodellen en systemen die continu onder 'm veranderen. Dit artikel gaat over het deel dat de meeste offertes overslaan: wat er ná go-live op je afkomt, waar agents in de praktijk stukgaan, en wat het maandelijks kost om er één draaiende te houden.

Waarom "af" niet bestaat bij een AI-agent

Een AI-agent staat op drie pijlers, en alle drie bewegen los van jou:

1. Een taalmodel van een externe leverancier — OpenAI (GPT-4o / GPT-4.1), Anthropic (Claude) of Google (Gemini). Die leveranciers brengen nieuwe modelversies uit en zetten oude uit.
2. Koppelingen met jouw systemen — je mailbox, Moneybird, Exact Online, HubSpot, een CRM of een orkestratielaag als n8n of Make. Elke koppeling kan wijzigen.
3. Een set instructies (prompts) afgestemd op jouw proces — precies zoals dat proces er op de bouwdag uitzag.

Zolang die drie stilstaan, staat je agent stil en werkt hij prima. Maar ze staan nooit stil. Een model wordt uitgefaseerd, een API krijgt een nieuwe versie, jij voegt een productlijn toe. Onderhoud is niet het repareren van een fout die de bouwer maakte — het is het meebewegen met een wereld die verandert.

Wat er ná de bouw komt kijken

Concreet komt er na go-live dit op je bord, of je het nu zelf doet of uitbesteedt:

• Monitoring — iemand moet zien of de agent nog doet wat 'ie moet. Logs bekijken, foutmeldingen opvangen, steekproeven nemen op de output.
• Modelbeheer — als je modelversie wordt uitgefaseerd, moet je agent naar een nieuwere versie, opnieuw getest.
• Koppeling-onderhoud — elke integratie kan veranderen: een API-versie, de authenticatie, een veldnaam of een webhook.
• Prompt- en versiebeheer — verandert je proces, dan moeten de instructies mee, en je wilt kunnen terugrollen als een aanpassing meer stukmaakt dan repareert.
• Uitzonderingen afvangen — nieuwe soorten input die de agent nog niet kende.
• Kosten bewaken — het API-verbruik schaalt met volume; zonder limieten loopt de rekening op.
• Security en toegang — API-sleutels roteren, rechten kloppend houden, datastromen netjes.

Niets hiervan is dramatisch op zichzelf. Bij elkaar is het de reden dat "we hebben een agent gebouwd" en "we hebben een agent die het al een jaar betrouwbaar doet" twee heel verschillende dingen zijn.

Waar AI-agents in de praktijk stukgaan

Modelupdates en deprecations

Grote modelleveranciers publiceren deprecation-schema's: oudere modelversies worden na verloop van tijd uitgezet. Bouwde je je agent op een specifieke modelversie, dan gooit hij op de uitfaseringsdatum fouten, of je wordt automatisch naar een nieuwer model verplaatst dat nét iets anders reageert. Een prompt die perfect was afgesteld op het ene model, geeft op het volgende soms subtiel andere output. Dat is geen bug — het is de prijs van bovenop andermans model bouwen. Je moet het testen en bijstellen bij elke migratie.

Kapotte koppelingen

De agent zelf mankeert niks; de pijp eronder breekt. Een systeem als Moneybird, Exact Online of HubSpot werkt een endpoint bij, een authenticatietoken verloopt, of je raakt een rate limit. Het gevolg: de agent stopt met synchroniseren, vaak zonder luide foutmelding. Zonder monitoring merk je het pas als er een week aan data ontbreekt.

Drift: de agent verandert niet, de wereld wel

Dit is de sluipmoordenaar. De instructies waren afgestemd op je proces zoals het was. Dan komt er een nieuwe leverancier die facturen in een ander formaat mailt, je past je factuurlay-out aan, of je begint een tweede productlijn. De agent is niet slechter geworden — de input is verschoven. De output zakt langzaam, en juist omdat het geleidelijk gaat, valt het lang niet op. Regelmatige steekproeven zijn de enige manier om drift op tijd te zien.

Prompt- en versiebeheer

Iemand sleutelt aan een prompt om één randgeval op te lossen en breekt er ongemerkt drie. Zonder versiebeheer en een terugrol-knop debug je live, in productie. Een onafhankelijk platform als AgentWorks (met een eigen backend voor logging en versiebeheer) legt elke run en elke promptversie vast, juist zodat je kunt zien wát er veranderde en desnoods terug kunt naar de vorige versie. Dat verschil — kunnen terugrollen versus improviseren — bepaalt hoe stressvol een storing wordt.

Wat kost het beheer van een AI-agent per maand?

Belangrijk onderscheid: dit gaat over de doorlopende kosten, niet over de eenmalige bouw. De upfront investering (ontwerp, bouw, testen) behandelen we apart in wat kost een AI-agent? — reken die hier dus níet nog eens mee.

De maandelijkse kosten vallen in twee bakken:

1. Verbruikskosten — het API-gebruik van het taalmodel. Dit schaalt met volume: een agent die 50 e-mails per dag verwerkt kost meer dan één die er 5 doet. Grofweg €20 tot €150 per maand voor een typische MKB-agent, soms hoger bij grote volumes.
2. Beheerkosten — de uren of het abonnement om alles draaiende te houden.

Voor die tweede bak heb je een keuze: zelf beheren of uitbesteden. De vergelijking:

De cijfers zijn indicaties, geen tarieven — de echte prijs hangt af van volume, complexiteit en hoe kritisch het proces is. De valkuil bij "zelf beheren" is dat de kosten verdwijnen in uren die niemand bijhoudt, tot de dag dat de agent uitvalt en die uren opeens allemaal tegelijk komen.

Praktijkvoorbeeld: een e-mailverwerkingsagent, zes maanden later

Een van de agents die we bouwden verwerkt inkomende administratieve e-mails voor een klein administratiekantoor: hij leest de mail, haalt de relevante gegevens eruit en zet ze klaar in het juiste systeem. Hoe zag het onderhoud er in het eerste halfjaar uit — eerlijk, zonder verzonnen cijfers?

• Maand 1–2: intensieve monitoring. Een paar keer een uitzondering die de agent nog niet kende (een nieuw type bijlage) bijgeschaafd in de instructies.
• Maand 3: de modelleverancier kondigde het uitfaseren van de gebruikte modelversie aan. Getest op de nieuwere versie, de prompt licht bijgesteld — samen ongeveer een middag werk.
• Maand 4: één verzender ging facturen in een ander formaat sturen. De agent herkende ze niet goed (drift), opgelost door een extra voorbeeld aan de instructies toe te voegen.
• Doorlopend: ongeveer 1 à 2 uur per maand aan monitoring en steekproeven. Het verbruik bleef laag omdat het volume beperkt was.

Het onderhoud kwam dus neer op een paar uur per maand plus twee kleine ingrepen in een half jaar. Niet veel — maar wél iets, en het gebeurt niet vanzelf. Of je die uren zelf pakt of via een abonnement laat afdekken, dát is de keuze. "Nul" is het niet.

Zelf beheren of uitbesteden? Zo kies je

Zelf beheren is prima als iemand intern taalmodellen én API's begrijpt, de agent relatief simpel is, een dag uitval geen ramp is, en je het bijhouden niet vergeet zodra het druk wordt.

Uitbesteden loont als de agent in een kritisch proces zit (uitval kost direct geld of klanten), de kennis intern ontbreekt, je een gegarandeerde reactietijd wilt, of je je uren simpelweg liever aan je eigen vak besteedt. Dit is dezelfde afweging als bij de bouw zelf — die behandelen we in zelf een AI-agent bouwen of laten bouwen.

Kies je voor uitbesteden, spreek dan een lichte SLA af: wie monitort, wat de reactietijd is bij een storing, wie modelmigraties en koppeling-updates draagt, en hoe vaak jullie samen evalueren. Twijfel je of jouw proces onderhoud-intensief wordt, dan geeft een gesprek via AI-consultancy snel duidelijkheid, of doe eerst de gratis AI-scan om te zien welk proces zich überhaupt leent voor een agent.

Hoe wij continuïteit inrichten

Bij Unify is Erwin Berkouwer het vaste aanspreekpunt — één gezicht dat jouw agent kent, niet een wisselend supportteam dat elke keer opnieuw moet inlezen. Voor capaciteit en specialismen werken we met een partnernetwerk, zonder dat je daar last van hebt: jij belt één nummer. Monitoring en versiebeheer regelen we via AgentWorks, een onafhankelijk platform met een eigen backend, zodat je altijd kunt zien wat er draait en wat er veranderde. Remote-first, met korte lijnen — geen kantoor, wel bereikbaarheid.

De kern: een agent bouwen is de makkelijke helft. Hem jarenlang betrouwbaar laten draaien, dwars door modelupdates en veranderende koppelingen heen, is waar de echte waarde zit — en waar het misgaat als niemand zich er verantwoordelijk voor voelt.

Wil je een agent die niet alleen op dag één werkt, maar ook op dag driehonderd? Bekijk hoe we AI-agents bouwen én onderhouden en plan een vrijblijvend gesprek. Dan brengen we samen in kaart wat jouw agent na go-live nodig heeft — vóórdat je erin investeert, niet erna.