Ga naar de hoofdinhoud

Contacteer ons
View from horseback of a rider’s hand on the saddle and the horse’s windblown mane against an open grassy plain under a blue sky.

Je AI-agents als werkpaarden: zo nemen ze tijdrovend werk over

Nov 19, 2026

Er zijn taken in je organisatie die altijd gedaan worden, nooit worden uitgedaagd en daardoor nooit worden verbeterd. Geen glamoureuze klussen, maar ze kosten wel enorm veel tijd van mensen die eigenlijk andere dingen zouden moeten doen. 

Precies dat soort werk is vandaag al betrouwbaar overdraagbaar aan een AI-agent. Een werkpaard dat zijn ronde draait, een taak afwerkt en het resultaat teruggeeft; zonder dat jij erbij hoeft te staan. Twee concrete cases laten zien hoe dat eruitziet in de praktijk, en wat er nodig is om het goed te doen. 

Case 1: AI-agents bij contentmigratie

Bij een contentmigratie doorloop je altijd dezelfde stappen: inventariseren, analyseren en opschonen, ontwerpen en mappen, afspraken maken, verrijken en migreren. De meeste tijd gaat zitten in die eerste twee. En dat is precies het soort werk waar een agent voor gemaakt is. In de praktijk betekent dat: crawlanalyses draaien, controleren welke gepubliceerde URL’s zijn geïndexeerd in analytics en uitzoeken wat er in de database van het CMS staat. Noodzakelijk, maar eentonig. We besteden dat werk nu uit aan werkpaarden en daardoor verandert de rol van de analist fundamenteel. 

De echte winst zit niet alleen in tijdsbesparing. Het zit in diepgang. Waar een analist voorheen op hoofdlijnen bleef - simpelweg omdat er geen tijd was voor meer - kan een werkpaard op paginaniveau analyseren. Zelfs met twee businessanalisten kom je niet op het detailniveau dat AI-modellen nu bieden. En dat schept ruimte voor wat er echt toe doet: samen met de klant bepalen welke content de migratie waard is. 

Close-up of a cluttered computer desktop filled with overlapping folders and spreadsheet file icons.

Open het gesprek met leveranciers

Die diepere analyse geeft ook toegang tot context die eerder buiten bereik lag. CMS-leveranciers zijn soms terughoudend met het vrijgeven van datamodelstructuren of broncode. Maar als je een concrete businesscase hebt en kunt laten zien hoe je die informatie veilig analyseert, luisteren ze. 

De sleutel daarvoor is een platform met de juiste guardrails, de regels die bepalen wat de AI wel en niet mag doen met je data. We werken met iO Bonzai, ons unified AI-platform voor integraties, governance en AI-orchestratie. Bonzai fungeert als harness voor verschillende LLM’s (Large language models: taalmodellen), afhankelijk van de situatie, en is EU AI Act-conform en ISO 27001-gecertificeerd. Zo verlaag je de drempel bij de leverancier: de beveiligingsvragen zijn al beantwoord voordat ze worden gesteld.  

Close-up of a blue human eye seen through a round magnifying lens, showing detailed iris patterns and eyelashes.

Human-in-the-loop: menselijke controle op AI agents

Zelfs met de juiste guardrails blijft menselijke controle onmisbaar, en dat is bij iO een bewuste keuze. Hoewel het verleidelijk is om bijvoorbeeld AI de mapping te laten doen zodra je de componenten en de content hebt aangeleverd, gaat dat in de praktijk wel eens mis. Geef een LLM vrij spel over een grote hoeveelheid content, en hij vult eventuele gaten op met wat hij denkt dat er zou moeten staan. De oplossing: geef elk stuk content een ID. Laat de AI alleen die ID’s mappen. Zet daarna de originele tekst terug. Zo gebruik je precies de bedoelde content, en niets wat de AI heeft verzonnen. Uitkomsten worden bovendien gecontroleerd door andere agents. Daarna kijkt een mens er nog eens overheen om te beoordelen of de pagina werkt voor de lezer die hem straks leest.

Die menselijke betrokkenheid stopt niet bij het controleren van resultaten. Het prompten, installeren en inrichten van agents is nog steeds mensenwerk. Dat is ook precies de bedoeling. Wie de regie bewust inbouwt van het begin af aan, hoeft hem later niet terug te veroveren.

Case 2: AI-agents voor architectuurdocumentatie en threat modeling

Wat voor een contentmigratie geldt, geldt net zo goed voor softwarebeveiliging. Agents die tijdrovend werk overnemen, mensen die de regie bewaren. Alleen staan er hier andere dingen op het spel.  

Threat modeling is een theoretische oefening waarbij je een systeem bekijkt door de ogen van een aanvaller, voordat een echte aanvaller dat doet. Je kijkt naar de architectuur, de data die het systeem verwerkt en de trust boundaries tussen de onderdelen; de plekken waar het ene deel het andere niet zomaar mag vertrouwen. Daarna wordt vanuit verschillende invalshoeken in kaart gebracht hoe een aanvaller het systeem zou kunnen raken. 

Het is een arbeidsintensief proces dat experts uit het ontwikkelteam, de business en systems engineering bij elkaar brengt. En de urgentie groeit: ook aanvallers gebruiken AI. Wie ze voor wil blijven, moet zelf onderzoeken hoe weerbaar het eigen systeem is. 

Documentatie: het ontbrekende fundament

En daarvoor heb je architectuurdocumentatie nodig. Een beschrijving van hoe het systeem in elkaar zit, met de onderdelen, de koppelingen, de datastromen en de keuzes die zijn gemaakt. Juist die documentatie ontbreekt vaak. In de IT is documentatie al jaren notoir zwak. Bij go-live is er misschien nog wat, maar daarna wordt het nooit meer bijgewerkt. Er wordt liever geïnvesteerd in functionaliteit dan in hygiëne. Maar zonder die context kun je geen redelijke threat modeling doen. Garbage in, garbage out. 

Voor een klant die al jaren zonder actuele architectuurdocumentatie werkte, bouwden we een set werkpaarden die die documentatie achteraf reconstrueerde. Een planningsagent stuurde hierbij een orchestrerende agent aan. Die zette agents in op de broncode, de commitgeschiedenis en de Jira-tickets, waarin de echte zakelijke vragen achter elke wijziging stonden. Het resultaat: vierhonderd pagina’s documentatie, met veel diagrammen en diepgaande informatie. En als bijvangst: elf beveiligingsissues, uiteenlopend van laag tot hoog risico in een bestaand systeem. Een systeem dat was gebouwd door mensen. 

Toch bleek de documentatie op één punt incompleet. De functionele kant van de applicatie was niet meegenomen. De oplossing: een functionele-analyse-agent die met een demo-account in een afgeschermde testomgeving de applicatie doorliep. Een agent reconstrueert wat er is. Een mens ziet wat er mist.

Colorful sticky notes with handwritten reminders overlap on a wall, creating a cluttered, organized planning space.

Een kantelpunt in security

Een eerste threat-modeling oefening op een bestaand systeem kan uitkomen op ruim tienduizend euro. Dat lijkt veel. Maar voor systemen met een grote beveiligingsimpact is het gewoon hygiëne. En met werkpaarden die de documentatie voorbereiden, is de drempel om het eindelijk te doen een stuk lager geworden. 

Meer dan dat: we naderen een punt waarop AI-agents op het gebied van security beter presteren dan menselijke developers. Niet omdat mensen onzorgvuldig zijn, maar omdat een agent consistent patronen herkent die mensen missen.  

We bouwen daarom bewust peer review tussen agents in: verschillende modellen doen de codeanalyse, een ander model beoordeelt de bevindingen, en een security-expert valideert het eindresultaat. We vertrouwen niet blindelings op één model. De mens blijft in controle en zit op elk niveau in de loop. En AI is er om het werk dat we met mensen kunnen bereiken te vermenigvuldigen. 

Empty theater stage with a single bright spotlight shining through haze onto the wooden floor, viewed from the dark audience seats.

Welk onderdeel van jouw proces verdient een werkpaard?

De taken die daarvoor in aanmerking komen, zijn zelden de meest zichtbare. Het zijn de taken die gewoon altijd gedaan moeten worden en die daardoor nooit worden uitgedaagd. Een agent die dat werk overneemt, maakt ruimte voor wat een mens écht toevoegt.

Wil je weten welke taken in jouw organisatie een betrouwbaar AI-werkpaard kunnen worden? Laten we praten.