De termen "AI agent" en "AI workflow" worden regelmatig door elkaar gehaald. Begrijpelijk, want beide gebruiken een Large Language Model om taken uit te voeren. Toch zijn het fundamenteel verschillende benaderingen. En de keuze tussen de twee heeft bijvoorbeeld invloed op hoe betrouwbaar, testbaar en schaalbaar je oplossing wordt.
In dit artikel leg ik het verschil uit en geef ik richtlijnen voor wanneer je welke aanpak kiest.
Voorbeeld van een AI workflow in n8n
Wat is een AI workflow?
Een workflow is een vooraf gedefinieerde reeks stappen waarin een LLM wordt aangeroepen. Jij als ontwikkelaar bepaalt de volgorde, de invoer per stap en de logica ertussen. Denk aan stappen als classificatie, het ophalen van data via een API, of het genereren van structured outputs. Het model voert uit wat je vraagt, maar neemt geen eigen beslissingen over welke stap hierna komt.
In bovenstaande afbeelding vind je een simpel voorbeeld. Voor klantenservice-berichten worden één voor één reacties geschreven voor AI die steeds goedgekeurd moeten worden door een mens. Als een mens akkoord geeft wordt de reactie verstuurd.
Het grote voordeel van workflows zit hem in die voorspelbaarheid. Omdat je elke stap kent, kun je ze afzonderlijk testen. Je kunt meten waar het misgaat. Je kunt de output van elke stap evalueren. Je kunt een stap vervangen zonder de rest te breken. Dat maakt workflows makkelijker te debuggen en in productie te draaien.
De beperking is flexibiliteit. Een workflow kan alleen doen wat jij van tevoren hebt bedacht. Komt er een situatie voor die buiten je gedefinieerde stappen valt, dan loopt de workflow vast of geeft een slecht antwoord. Je kunt dat opvangen met meer vertakkingen, maar op een gegeven moment wordt je workflow zo complex dat je eigenlijk een agent aan het bouwen bent.
Voorbeeld van een AI agent in n8n
Wat is een AI agent?
Een agent krijgt een doel en een set tools. Via function calling bepaalt het model zelf welke tool het wanneer aanroept, welke informatie het nog nodig heeft en wanneer het klaar is. Zo kan een agent soms grote hoeveelheden data bevragen via RAG functionaliteit, data opvragen via een API, of tools combineren via MCP.
In bovenstaand schreenshot vind je een simpel voorbeeld van een AI Agent. Je kunt interactie hebben met deze agent via een chatvenster. De AI Agent kiest zelf of hij gebruikmaakt van de beschikbare tools of niet. In het screenshot zie je dat deze agent beschikking heeft over bijvoorbeeld een rekenmachine, bepaalde beleidsstukken, en een andere workflow kan aanroepen om een HR afdeling op te hoogte te brengen.
AI Agents leveren flexibiliteit op. De agent kan omgaan met situaties die je niet van tevoren hebt voorzien. Dat is waardevol bij taken die sterk variëren of waar de mogelijke paden te talrijk zijn om vooraf uit te werken.
De keerzijde: je weet niet altijd wat een agent gaat doen. Alleen het doel staat vast. Daarom moet je bij agents niet alleen het doel definiëren, maar ook bedenken hoe je (of de LLM zelf) controleert of dat doel behaald is. Dat is soms lastiger dan het klinkt. Goede prompt engineering helpt om het gedrag van de agent te sturen, maar garandeert het niet.
Wanneer kies je wat?
De keuze hangt af van twee factoren: hoe voorspelbaar de taak is en hoeveel variatie je verwacht.
Kies een workflow als:
- Je de mogelijke invoer en de gewenste stappen goed kunt afbakenen
- Betrouwbaarheid en testbaarheid belangrijker zijn dan flexibiliteit
- Je te maken hebt met gereguleerde processen waar je wilt aantonen wat er precies gebeurt
- De taak zich herhaalt met beperkte variatie
Kies een agent als:
- De mogelijke paden te divers zijn om vooraf te definiëren
- De taak creatief probleemoplossend vermogen vereist
- Je wilt dat het systeem zich aanpast aan nieuwe situaties zonder dat je code aanpast
In de praktijk zie je vaak een combinatie. Een workflow als ruggengraat, met op specifieke punten een agent die de complexere beslissingen neemt. Zo behoud je de voorspelbaarheid van de workflow waar dat kan, en gebruik je de flexibiliteit van een agent alleen waar dat nodig is. Waar je organisatie staat in die keuze hangt ook af van je AI volwassenheid.
Bouw alleen agents als een workflow geen optie is
De grootste fout die ik tegenkom: teams die direct een agent bouwen voor een probleem dat prima met een workflow op te lossen is. Een agent klinkt spannender. Maar als je weet welke stappen er nodig zijn dan is een workflow uiteindelijk makkelijker te testen en betrouwbaarder in productie. Agents zijn krachtig, maar die kracht heeft pas zin als je ze ook goed kunt evalueren.
Kortom, begin met een workflow, en stap pas over op een agent als de complexiteit van de taak dat afdwingt.
Rik is data scientist, AI engineer en marketeer bij Data Science Partners. Vanuit zijn achtergrond op de Technische Universiteit Eindhoven heeft hij veel affiniteit met data. Na zijn studie heeft hij als consultant altijd met data gewerkt en tevens ervaring opgedaan in het geven van trainingen.
