We hebben een sales-agent gebouwd voor onze eigen pipeline en draaien hem nu drie weken in productie. Hij doet ongeveer het werk van een halve fte. Dat klinkt als marketing, maar de cijfers zijn vrij eerlijk: ik heb mezelf 18 uur per week zien terugverdienen op één type taak.
Drie dingen die ik niet had verwacht voordat ik er aan begon.
1. Pre-call-research kost nu vier minuten in plaats van vijfentwintig
Vóór de agent: ik logde in HubSpot, opende de deal, scrolde door de e-mailthread, kopieerde drie of vier passages, schakelde naar Outlook, zocht op de bedrijfsnaam, sorteerde op datum, opende de drie meest recente threads, en schreef m'n belbriefing. Een kwartier per klant op de goede dagen. Twintig à vijfentwintig minuten op de slechte.
Met de agent: ik typ “wat is de stand van [bedrijf]”. Hij draait twee inbox-zoekopdrachten op de twee Outlook-mailboxen, leest de meest recente thread, haalt de HubSpot-deal-data op, en levert een briefing in vier blokken: huidige status, laatste gespreksstof, wat de klant verwacht, wat ik mag voorstellen.
“Het verschil zit niet in “AI doet het sneller”. Het zit in dat ik niet meer 25 minuten in m'n hoofd hoef te schakelen tussen vier tools.”
Vier minuten gemiddeld. Op een dag waarop ik vier of vijf klanten bel, win ik dus ergens tussen de 80 en 105 minuten terug. Dat is de halve-fte-claim, plus-minus.
2. De foutmodes zijn anders dan ik dacht
Ik had verwacht dat de agent zou hallucineren. Verzonnen klant-quotes, verkeerde bedragen, niet-bestaande mensen. Dat gebeurt soms wel maar zelden — misschien één op de twintig briefings. En als het gebeurt is het meestal te herkennen omdat de briefing dan opvallend gladder leest dan de werkelijkheid.
Wat ik niet had verwacht: de agent is heel terughoudend met details die hij wel mag gebruiken. Hij vat samen op een manier die formeel correct is maar contextarm. “De klant heeft op 14 april interesse getoond in onze diensten.” Klopt. Maar als ik zelf de mailthread lees, zie ik dat het sturend was: de oprichter typte op een vrijdag om kwart over zes “ja, ik wil dit, kunnen we maandag bellen?”. Dat woord “ja” in die mail is meer waard dan vijftien woorden samenvatting.
Oplossing voor nu: bij de drie of vier hoogst-prioritaire deals lees ik de oorspronkelijke thread alsnog kort door. De briefing dient als brug, niet als vervanger.
3. De grootste tijdwinst zit niet in het werk dat de agent doet
Verrassend: de agent kost m'n dag minder uren dan ik had ingeschat — maar levert alsnog meer tijd op dan ik had verwacht. Dat klopt niet rekenkundig, totdat je beseft dat de echte winst zit in niet hoeven schakelen.
Voorheen sprong ik tussen Outlook, HubSpot, m'n notities-app en Slack. Elke switch kostte me een paar minuten om weer in te tunen. Nu blijf ik in Cowork, krijg de briefing in één conversatie, en ben binnen een minuut bel-klaar.
Dat focus-voordeel is moeilijk te kwantificeren maar voelt als de helft van het effect. De andere helft is de directe tijdwinst op de research-taak.
Wat dit betekent voor jouw team
Eén belangrijke nuance: dit werkt voor mijn workflow omdat het werk repetitief en gestructureerd is. Pre-call-research heeft elke keer dezelfde vorm, alleen met andere invuldata. Dat is exact het soort taak waar agents goed in zijn.
Als jouw team een vergelijkbaar repetitief proces heeft — klantonboarding, dossier-research, weeknotities, factuurmatching — is een eigen agent realistischer dan de meeste mensen denken. We hebben hem in twee zaterdagen gebouwd. Niet de eerste twee zaterdagen, maar wel de tweede en derde nadat ik echt was begonnen. Het patroon van “input → ophalen → samenvatten in vast format” is over te zetten op verrassend veel werkprocessen. Voor de bredere context over wanneer dit wel of niet loont, zie de aanpak die we voor klanten hanteren.
Wat ik niet zou doen: een agent inzetten op een proces dat zelf nog chaotisch is. Eerst proces opschonen, dan agent. Andersom levert frustratie op voor het team en geeft de agent slechte data om mee te werken.
Verder lezen in de kennisbank
Welke processen kun je automatiseren in je MKB?
Concreet beslismodel om voor elk proces te bepalen of AI-automatisering zin heeft. Met interactieve test, 4 categorieën en 10 voorbeelden uit Nederlandse MKB-praktijk.
Lees verderKennisbankAI agent vs chatbot — Wat is het verschil en wanneer welke?
Het echt-echte verschil tussen agents en chatbots, vier signalen waaraan je herkent welke je nodig hebt, en een matcher voor jouw situatie.
Lees verderKennisbankAI implementeren in je bedrijf — Stappenplan voor 2026
Het bewezen 3-fase model voor AI implementatie in het MKB: van oriëntatie tot pilot tot opschaling. Met interactieve checklist en concrete kostenraming.
Lees verder
