In dit artikel:
- Wat was de uitdaging van de klant?
- Wat is een AI-agent en wat is een AI-workflow?
- Wanneer kies je een workflow in plaats van een AI-agent?
- Wat levert een AI-workflow concreet op?
- Hoe verandert de rol van de engineer door AI?
Wat was de uitdaging van de klant?
De klant is een grote onderwijsgroep met meerdere opleidingen en merken. Lesmateriaal is daar de kern van de dienstverlening. En juist dat lesmateriaal wordt grotendeels met de hand gemaakt. Bij één stuk zijn al snel vier of vijf rollen betrokken, met veel lees- en zoekwerk, en een doorlooptijd van weken.
De klant had al met AI geëxperimenteerd, maar met wisselende kwaliteit. Een bekend patroon: veel AI-pilots leveren uiteindelijk geen aantoonbare waarde op. De vraag waarmee ze bij Blis kwamen was daarom concreet.
Kan AI bijdragen aan betere content, in een kortere tijd en tegen lagere kosten?
Blis bouwde een AI-oplossing die taken binnen die rollen oppakt en het proces verkort naar dagen. De rollen zelf verdwenen niet. Robert: "De controlemomenten, de human in the loop, wilde de klant er bewust in houden. Daar vertrouwen ze AI nog niet voldoende voor."
Agent, workflow, orchestrator. Die woorden worden vaak door elkaar gebruikt, terwijl het verschil bepaalt wat je bouwt en hoeveel controle je onderweg houdt. Daarom eerst de begrippen zelf, voordat we bij de keuzes in dit project komen.
Wat is een AI-agent en wat is een AI-workflow?
Het verschil zit in wie de route bepaalt. Bij een AI-agent geef je een doel en laat je los hoe dat bereikt wordt: de agent kiest zelf zijn weg. Bij een workflow bepaal jij de route: welke stappen, in welke volgorde, en wat er gebeurt als iets onzeker is.
Zie een agent als een digitale collega. Je geeft hem een rol met duidelijke instructies en kwaliteitseisen, en hij voert die taak zelfstandig uit. Zo'n agent bestaat uit drie dingen: een rol (wie hij is en wat hij moet doen), gereedschap (de tools die hij mag gebruiken) en een brein (het taalmodel dat voor hem denkt).
Robert: "De meest eenvoudige vorm van een tool is websearch. Je zegt tegen dat ding: ga uitzoeken wat relevante inhoud is voor dit lesmateriaal."
En net als een nieuwe collega moet een agent worden ingewerkt. Dat doe je met context: voorbeelden van goed en slecht werk, en kaders zoals tone of voice en kwaliteitsrichtlijnen.
Een AI-workflow zet meerdere van die agents achter elkaar, elk met een eigen taak. De output van de één wordt de input van de volgende, en jij legt de volgorde en de controlepunten vast. Een agent is dus een specialist die zijn eigen weg kiest. Een workflow is het proces waarin jij die specialisten aan elkaar knoopt.
Er is nog een derde vorm, en die maakt het verschil scherp: de orchestrator-agent. Dat is één agent die de hele flow zelf mag doorlopen en onderweg beslist welke stappen nodig zijn.
Robert: "Bij een orchestrator geef je een specifieke agent de vrijheid om die flow te doorlopen."
Een workflow en een orchestrator willen hetzelfde bereiken. Het verschil is de vrijheid. Bij een workflow ligt het pad vast. Bij een orchestrator kiest de agent het pad. En precies die keuze werd in dit project belangrijk.
Wanneer kies je een workflow in plaats van een AI-agent?
Als het proces strak vastligt en er vaste controlemomenten in zitten, kies je een workflow. Toen we het project bij de onderwijsorganisatie startten, dachten we in eerste instantie dat we een orchestrator-agent nodig hadden. Het bleek toch een workflow te zijn.
Robert: "Het proces zit zo strak in elkaar, daar moeten we niet van afwijken. Met name de validatiestappen waren dusdanig belangrijk dat een workflow het meest voor de hand lag."
Het probleem met een orchestrator is precies zijn kracht. Hij mag zelf beslissen. Een agent die overtuigd is van zijn eigen zaak kan besluiten dat een reviewstap deze keer wel kan wachten. Bij lesmateriaal waar op meerdere plekken mensen meekijken en goedkeuren, kan dat niet. De controlemomenten, de human-in-the-loop, waren geen bijzaak. Ze waren het hele punt.
Wat levert een AI-workflow concreet op?
In dit project werd een handmatig proces van weken teruggebracht naar dagen, met een workflow van 24 stappen en een dikke 120 pagina's lesmateriaal die eruit rolt. Dat resultaat kwam niet van de techniek alleen.
We doen dit nooit met alleen engineers. In een eerdere aflevering noemden we het de gouden driehoek: de AI-engineer, de business consultant en de product owner van de klant die samen bouwen. Ieder brengt iets in wat de ander niet heeft.
Robert bouwde de techniek en liet de inhoud bewust los.
Robert: "Ik geef een voorzet, want ik weet niet genoeg van het werkproces van de klant. Ik wil gewoon zorgen dat het technisch werkt en dat de output juist gegenereerd wordt."
De business consultant van Blis deed de andere helft. Die ging met de klant in gesprek om het échte proces boven tafel te krijgen: welke stappen er in het maken van lesmateriaal zitten, en waar een mens moet meekijken. Op basis daarvan bepaalde de consultant hoeveel agents er nodig waren en welke rol elk kreeg. De prompts die Robert had voorgezet, maakte de consultant af met vakkennis die Robert zelf niet had.
En juist dat gesprek liet zien hoe groot het proces echt was. Robert begon met een workflow van zes stappen die vier kantjes opleverde. Toen het werkelijke proces boven tafel kwam, werden het er 24, met die 120 pagina's als resultaat.
Het werk dat vroeger de kern was, het programmeren, is niet meer waar de tijd in gaat zitten. Die zit nu in weten wat je bouwt en het proces goed inrichten. En dat weten komt precies uit de driehoek: de AI-engineer bouwt, de business consultant en de product owner bepalen wat goed is.
Hoe verandert de rol van de engineer door AI?
De engineer schrijft steeds minder zelf code en stuurt steeds meer. Dit was Roberts eerste project dat hij volledig met Claude Code bouwde, zonder zelf nog in de editor aanpassingen te doen.
Robert: "Ik ben veel meer de orchestrator van het hele ontwikkelproces."
Zo kijken we bij Blis ook naar de rol van de lead engineer. Hij werkt op systeemniveau, op de architectuur en de samenhang van het geheel, terwijl de AI de implementatie verzorgt. Het werk verschuift naar wat wij de middle loop noemen: de laag tussen zelf code schrijven en het opleveren. Daar stuur je de AI aan en haal je de resultaten eruit die plausibel klinken maar niet kloppen.
Je ziet het terug in de kleine keuzes. Toen Robert overstapte van open source tooling naar Microsoft Foundry, draaide hij beide versies een tijdje naast elkaar. Zelfde eindresultaat, 20.000 regels code minder. Zelfs het testen besteedt hij uit. Hij geeft Claude de URL en de wachtwoorden en laat de complete workflow van 24 stappen end-to-end doortesten in de browser, terwijl hij met een schuin oog meekijkt.
De modellen worden beter, maar ze maken nog steeds keuzes waarvan Robert denkt: zo wil ik het niet. Dat is waar hij stuurt.
Robert: "Ik zet de piketpalen waar dat ding zich aan moet houden en dan beginnen we met bouwen."
De ontwikkelaar verdwijnt niet. Zijn rol verschuift. Van code kloppen naar het grote plaatje bewaken en op de juiste momenten ingrijpen.
FAQ
Veelgestelde vragen
Die beantwoorden we graag alvast. Staat je vraag er niet tussen, neem dan gerust contact op.
Bij een AI-agent geef je een doel en bepaalt de agent zelf hoe hij dat bereikt. Bij een AI-workflow leg jij de route vast: welke stappen, in welke volgorde, en met welke controlemomenten. Een orchestrator-agent zit daartussenin: die doorloopt de hele flow zelf en beslist onderweg welke stappen nodig zijn. Het verschil zit dus in hoeveel vrijheid je de AI geeft.
Hoe strakker het proces, hoe eerder een workflow. Zitten er vaste controlemomenten in die niet overgeslagen mogen worden, dan volgt een workflow elke stap in de juiste volgorde. Voor open taken zonder vast pad past een agent beter, omdat die zelf zijn route kiest. Wij bepalen dat per proces, samen met de klant.
Human-in-the-loop betekent dat er vaste momenten in het proces zitten waarop een mens de output beoordeelt en goedkeurt voordat het verdergaat. Zo blijft de kwaliteit bewaakt en de verantwoordelijkheid bij mensen liggen. Bij Blis is dit een standaard onderdeel van hoe we AI-oplossingen bouwen, zeker in omgevingen met strenge kwaliteitseisen zoals het onderwijs.
AI kan grote delen van het proces versnellen, maar onder menselijke supervisie. In het project uit deze aflevering bracht een agentic workflow het maken van lesmateriaal terug van weken naar dagen, terwijl mensen op vaste momenten de inhoud beoordeelden. De techniek levert de basis, de mens bepaalt of het goed genoeg is.
Microsoft Foundry combineert agents, workflows, tracing en guardrails in één omgeving binnen Azure. In dit project verving het 20.000 regels eigen code. Net zo belangrijk: via de portal konden de consultants en de klant zelf de prompts van de agents aanpassen, zodat het beheer van de inhoud terechtkwam bij de mensen die de inhoud kennen.
