--- title: "AI-agent voorbeelden uit de praktijk (7 cases)" description: "7 echte AI-agent voorbeelden met cijfers: klantenservice, sales, tenders en interne kennis. Wat we bouwden, voor wie, en wat het opleverde." canonical: "https://www.whatsnext-ai.com/nl/blog/ai-agent-examples" published: "2026-08-13T00:00:00.000Z" updated: "2026-08-13T10:45:41.901Z" --- # AI-agent voorbeelden uit de praktijk (7 cases) 7 echte AI-agent voorbeelden met cijfers: klantenservice, sales, tenders en interne kennis. Wat we bouwden, voor wie, en wat het opleverde. ![A portfolio of built AI agents across support, sales, tenders and knowledge](https://fgzcpjbyiakhjifaciaj.supabase.co/storage/v1/object/public/media/steve-a-johnson-1fd-e7ioblw-unsplash.jpg) Voorbeelden van AI-agents in de praktijk: een klantenservice-agent die tickets in 11 talen afhandelt, een lead-engine die dagelijks gekwalificeerde leads scoort, en een tender-agent die offertes van 10 dagen naar 2 minuten brengt. Hieronder zeven echte systemen met cijfers. Zoek je op "AI-agent voorbeelden", dan krijg je vooral definities en generieke lijstjes: een agent "zou" dit of dat kunnen. De voorbeelden hieronder zijn geen categorieën, maar systemen die we voor klanten met naam bouwden, elk met een gesourced resultaat van hun eigen case-pagina. Ze staan geordend per gebruiksvorm, zodat je snel de vorm vindt die op jouw proces lijkt. ### Klantenservice #### Just Carpets: klantenservice in 11 talen Voor Just Carpets bouwden we een klantenservice-agent als orchestrator met gespecialiseerde sub-agents: één haalt de orderstatus op uit de order-API, één zoekt en verstuurt de juiste factuur uit ExactOnline, en één maakt creditfacturen aan door de oorspronkelijke factuur om te keren en terug te boeken. De orchestrator heeft harde regels: nooit ruwe API-output tonen, escaleren bij twijfel, en antwoorden in de taal van de klant. - 100.000+ klantgesprekken afgehandeld, 24/7 in 11 talen. - 100x lagere kosten per opgelost ticket (personeel circa €5,00, eigen stack circa €0,05). De factuur- en creditfactuur-agents laten zien dat dit verder gaat dan chatten: de agent handelt in je boekhouding. Meer daarover in [facturen automatiseren met AI](https://www.whatsnext-ai.com/blog/ai-invoice-automation). [Lees de Just Carpets-case](https://www.whatsnext-ai.com/cases/just-carpets). ### Sales en leadopvolging #### Backstage IT: pijplijn uit realtime signalen Backstage IT wilde meer pijplijn zonder meer SDR's. We bouwden een agent die realtime aanwervingssignalen verzamelt (LinkedIn, TechMap, Adzuna), die scoort tegen hun ideale klantprofiel en de outreach voorbereidt. Twee SDR's draaien nu een proces dat eerder een heel team zou kosten. - 40% van de pijplijn komt uit AI-gesignaleerde deals. - 16 uur per week teruggewonnen. - 25% van alle leads reageerde. [Lees de Backstage IT-case](https://www.whatsnext-ai.com/cases/backstage-it). #### Strix: een autonome lead-engine voor €1 per dag Voor Strix bouwden we een autonome lead-engine die zeven signalen combineert, waaronder LinkedIn-engagement, en elk signaal scoort tegen het ICP. Het resultaat komt binnen als een wekelijkse digest, zodat het salesteam alleen naar gekwalificeerde leads kijkt. - 435 gekwalificeerde leads uit één run. - Circa 27 gekwalificeerde leads per dag, doorlopend. - €1 per dag om de volledige engine te draaien. - Circa 51% conversie van ruw signaal naar gekwalificeerde lead. [Lees de Strix-case](https://www.whatsnext-ai.com/cases/how-strix-surfaced-435-qualified-leads). #### iClicks: leads én content in één pijplijn Bij iClicks lopen twee agentpijplijnen naast elkaar: één voor leadverrijking en -scoring met geautomatiseerde outreach, en een pijplijn van drie agents, een brief-agent, een schrijf-agent en een redactie-agent, die SEO-content produceert. De outreach-rapportage gaat automatisch de deur uit. - 7.500+ gekwalificeerde leads gegenereerd. - 28% van de leads reageerde op berichten. - 1.000+ geautomatiseerde rapporten opgeleverd. [Lees de iClicks-case](https://www.whatsnext-ai.com/cases/how-iclicks-built-a-scalable-ai-sales-engine). ### Tenders en offertes #### CIRFOOD: van 4 naar 45 tenders per jaar CIRFOOD liep tegen een plafond aan bij aanbestedingen: het uitpluizen van een tender kostte dagen, dus veel kansen bleven liggen. We bouwden een tender-extractietool plus een aanneemsom-calculator die per aanbesteding 72 gestructureerde velden uitleest, zodat het team in minuten een onderbouwd bod heeft in plaats van in dagen. - 45 tenders per jaar, eerder 4, met hetzelfde team. - Circa 2 minuten per tender, eerder 10 dagen. [Lees de CIRFOOD-case](https://www.whatsnext-ai.com/cases/how-cirfood-scaled-from-4-to-45-tenders-a-year-without-adding-headcount). ### Interne kennis en research #### Traffic Today: "Nessy" bewaakt 100+ accounts Voor bureau Traffic Today bouwden we "Nessy", een Slack-native agent die per klant meeleest in Slack, e-mail, VOIP, Asana en analytics, en sentiment en urgentie scoort. Accountmanagers zien zo vroeg welke klant aandacht nodig heeft, zonder handmatig alle kanalen langs te gaan. - 100+ klantaccounts dagelijks bewaakt. - 10 uur per week teruggegeven aan het team. - €1M+ aan capaciteit vrijgespeeld op bureauniveau. [Lees de Traffic Today-case](https://www.whatsnext-ai.com/cases/traffic-today). #### More2Win: vijf jaar documenten in seconden doorzoekbaar More2Win zat op vijf jaar aan voorstellen en documenten in OneDrive, maar niemand kon er snel het juiste uithalen. We bouwden een privé, EU-gehoste research-engine (Pinecone plus Microsoft Graph) die de hele documentberg doorzoekbaar maakt met bronvermelding, zonder dat de data het bedrijf verlaat. - 30 seconden per vraag. - 640x goedkoper per voorstel dan handmatig zoeken. - 1.000+ documenten in seconden beschikbaar. [Lees de More2Win-case](https://www.whatsnext-ai.com/cases/turning-scattered-knowledge-into-an-ai-powered-research-engine). ### Wat deze zeven voorbeelden gemeen hebben Vier dingen komen in elke case terug. Ten eerste: het zijn agents die iets dóén in een echt systeem (een ERP, een CRM, een documentenarchief), geen chatvensters die tekst teruggeven. Ten tweede: ze draaien in code op een eigen stack, die de klant bezit en kan auditen, niet als losse low-code-laag met een per-stuk-prijs. Ten derde: er zit een mens in de lus waar het ertoe doet. Bij twijfel escaleert de agent met context, in plaats van een antwoord te forceren. Ten vierde: elk cijfer hierboven komt van de live case-pagina van die klant, niet van een gemiddelde uit een verkoopdeck. Dat is het verschil tussen een voorbeeld en een bewijs. Wil je eerst het concept scherp hebben, lees dan [wat een AI-agent is](https://www.whatsnext-ai.com/blog/what-is-an-ai-agent). ### Wat is het verschil tussen een AI-agent en agentic AI? "Agentic AI" beschrijft de eigenschap dat een systeem zelfstandig meerdere stappen plant en uitvoert om een doel te bereiken; een AI-agent is het concrete systeem dat dat doet. De voorbeelden hierboven zijn agents met agentic gedrag: ze redeneren, roepen tools aan en handelen. Meer hierover in [agentic AI uitgelegd](https://www.whatsnext-ai.com/blog/agentic-ai). ### Wat kost het om een AI-agent te laten bouwen? Dat hangt af van de scope, de systemen waarmee de agent moet praten en de mate van autonomie. De Strix-engine draait voor €1 per dag; een klantenservice-systeem als dat van Just Carpets is een grotere bouw. We lichten de kostenopbouw toe in [wat kost een AI-agent](https://www.whatsnext-ai.com/blog/how-much-does-an-ai-agent-cost). ### Is ChatGPT een AI-agent? Niet uit zichzelf. ChatGPT is een taalmodel dat tekst genereert; het wordt pas een agent als het tools kan aanroepen en acties kan uitvoeren binnen je systemen, met regels en escalatie. Het onderscheid staat uitgewerkt in [AI-agent vs chatbot](https://www.whatsnext-ai.com/blog/ai-agent-vs-chatbot). ### Wil je zo'n voorbeeld voor je eigen proces? Elk van deze zeven systemen begon met één afgebakend proces dat te veel tijd of geld kostte. Zie je in bovenstaande voorbeelden iets dat op jouw situatie lijkt, bekijk dan onze [AI-agents](https://www.whatsnext-ai.com/ai-agents) of [boek een gratis adviesgesprek](https://www.whatsnext-ai.com/contact). Dan kijken we welk proces bij jou het eerste bewijs oplevert. *Verantwoording: elk cijfer hierboven komt uit de eigen klantcases van What's Next (Just Carpets, Backstage IT, Strix, iClicks, CIRFOOD, Traffic Today en More2Win), telkens inline gelinkt naar de bijbehorende case-pagina. Het zijn onze eigen projectresultaten, geen schattingen van derden.*