> ## Content Index > Fetch the complete content index at: https://vanenkhuizen.com/llms.txt > Use this file to discover other available public pages before exploring further. # Agent first in de maakindustrie: werken zonder schermen - URL: https://vanenkhuizen.com/newsletter/editions/agent-first-in-de-maakindustrie-werken-zonder-schermen/ - Published: 2026-05-29T12:00:00.000Z - Updated: 2026-09-11T13:10:46.000Z - Description: Werken zonder schermen: een agent die je proces zelfstandig doorloopt terwijl jij de richtlijnen geeft. Ik leg uit wat agent first betekent, waarom juist high mix low volume hiervan profiteert, en waar het vandaag al kan. - Author: Luke van Enkhuizen - Tags: #archive-news, #archive-nl Werken zonder schermen. Geen tabs meer overtikken, geen systemen los aansturen, maar een agent die je proces zelfstandig doorloopt terwijl jij de richtlijnen geeft. Agent first heet dat. Ik wil je in dit stuk laten zien wat het is, waarom het juist voor de maakindustrie relevant wordt, en waar het vandaag al kan. **Even over mijn achtergrond, want dat is relevant voor wat volgt.** Ik kom van de werkvloer. Begonnen als constructiebankwerker, opgewerkt naar tekenaar en engineer. Daarna jaren ERP-software geïmplementeerd bij Nederlandse metaalbedrijven en koppelingen geschreven. En ondertussen, bijna tien jaar lang, heb ik veel met AI gewerkt. Voor ChatGPT er was deed ik een jaar van een master artificial intelligence: machine learning, reinforcement learning, de fundamenten. De markt was toen nog niet zover. Ik heb steeds afgewacht tot ik dacht: nu kunnen we hier in de maak echt iets mee. Dat moment is wat mij betreft nu aangebroken. Ik ben geen voorstander van de daken roepen dat AI alles overneemt. De cursusverkopers op YouTube die elke week roepen dat alles weer anders is, daar word ik moe van. Dus laat ik het praktisch houden. Dit begon als een talk op Metaal Connect LIVE. De opname staat hieronder. ## Eerst even uit elkaar trekken: AI, machine learning, LLM ![Twee grote gloeiende cobaltblauwe bollen naast elkaar op een licht rasterveld.](https://vanenkhuizen.com/content/images/imported/body/llm-proprietary-models.png) De grote propriëtaire taalmodellen: ChatGPT en Claude. | via [FLUX.2 Pro](https://bfl.ai/models/flux-2?ref=vanenkhuizen.com) AI is een brede noemer. Iedereen denkt ChatGPT, maar dat is één product in een veel groter geheel. **Machine learning** bestaat al lang. Je geeft het veel data over wat er in het verleden gebeurde, en het voorspelt de volgende stap. In 2019 werkte ik mee aan zo'n project bij een metaalbewerker: per product registreerden we hoe lang er aan gewerkt werd, hoeveel zettingen, hoeveel gaten, hoe zwaar. Genoeg van die metingen op elkaar en je voorspelt een normtijd. Predictive maintenance valt hier ook onder, al speelt dat in onze hoek minder. Kwaliteitscontrole op beeld en slijtdetectie wel. Een **LLM**, een taalmodel, is iets anders. Het is getraind op heel veel tekst en voorspelt het volgende woord. Net als de woordvoorspelling op je telefoon, maar dan groot genoeg om hele verhalen te maken. LLM's zijn ontstaan uit dingen als het lezen van reviews: is een review positief of negatief? Wij Nederlanders zitten vol spreekwoorden, dus dat sentiment bepalen is lastig. Het model leerde jouw intentie te begrijpen. Daar komt het vandaan. Let op één ding: het is voorspellend, niet vast. Niet deterministisch. Dezelfde vraag kan een andere uitkomst geven. De voorspellingen worden alleen zo goed dat je het bijna niet meer merkt. De eerste modellen waren slecht, nu lijkt alles perfect, maar onder de motorkap kiest het nog steeds het meest aannemelijke. [AI in de fabriek: drie niveaus in de productieAI die antwoordt, AI die doet, AI die bouwt: drie niveaus die je fabriek stap voor stap veranderen. Ik leg uit waarom een gekochte agent zonder de juiste datastvanenkhuizen.com![](https://vanenkhuizen.com/content/images/imported/covers/ai-three-levels.png)](https://vanenkhuizen.com/newsletter/editions/ai-in-de-fabriek-drie-niveaus-in-de-productie/) --- ## Wat is dan een agent? Een agent is een rol. Ik ben ook een agent, in mijn eigen leven. Een agent is een systeem dat input verwerkt, reageert en output teruggeeft. Stop een taalmodel in software met de juiste tools en het juiste geheugen, en het kan dingen interpreteren, commando's starten en systemen bedienen. Je ERP aansturen. Zelf kleine scripts schrijven. Sinds 2025, en vooral begin dit jaar, wordt dat echt solide. In de [UNS Cursus](https://vanenkhuizen.com/articles/unified-namespace-uns-versnel-digitale-transformatie/) gaf Richard Kühling een gastles over dit onderwerp. Hij zei iets wat is blijven hangen: je agent kan alles, hij heeft alleen de context nodig. Dat is precies de kern. De meeste mensen kennen alleen de eerste generatie ChatGPT of Copilot. Dat model weet niks van jou. Tot je structureel vastlegt hoe jij werkt, kan zo'n agent je nooit echt helpen. --- ## Van oud naar nieuw Het oude model: jij klikt zelf door alle systemen, start zelf elke analyse, typt over tussen tabs. Elk systeem zijn eigen taal, de software dwingt jouw werkwijze af. Agent first draait dat om. Je communiceert niet meer door op schermen te klikken, maar door te chatten, instructies te geven of binnenkomende signalen te laten verwerken. Het systeem werkt op de achtergrond. Jij geeft de richtlijnen, de grenzen, de afspraken. De agent loopt je proces zelfstandig door en kan dingen lezen, interpreteren, wijzigen of aanmaken. Een voorbeeld uit onze wereld. Er komt een mail binnen: kunnen jullie dit maken en wanneer? De agent kijkt in het ERP. Kennen we deze klant? Ja. Betaalt die goed? Ja, verder. Wat stuurt hij mee? STEP-files en pdf's. Dan roept de agent een calculatietool aan, bijvoorbeeld richting QuotationFactory, haalt prijzen, maakbaarheid en bewerkingen op, en maakt een offerteconcept. Jij krijgt als werkvoorbereider een berichtje op Teams of Slack: dit project is voorbereid, kijk je even? In plaats van dat je het zelf allemaal doet. Eerst dacht ik: utopie, dat duurt nog jaren. Nu durf ik te zeggen dat het begint te kunnen. --- ## De bezwaren, eerlijk langsgelopen Geven we niet te veel uit handen? Ja, maar wat is het alternatief. Ik sprak vlak voor de stream nog een ondernemer die duizenden euro's per maand kwijt is aan werving en gewoon geen mensen vindt. Wat doe je dan. En de hallucinaties dan, de fouten? Dat ligt deels in je eigen hand. En privacy en data? Ook in je hand, want je kunt het zelf hosten en opzetten. Kwaliteit? Dat moet je leren. Het zijn skills. 💡 Agent first is niet dat je iets koopt en iemand komt het installeren. Agent first is dat je leert begrijpen hoe AI echt denkt, zodat je ermee processen kunt automatiseren. Het kost geld, dat klopt, maar je kunt simpel uitrekenen wat een medewerker per maand kost. Als die agent dat werk versnelt of ondersteunt, komt het goed uit. En om duidelijk te zijn: ik geloof niet dat AI ons vanaf dag één moet vervangen. Het gaat je werk sneller maken. Wie heeft er zin om handmatig tientallen regels in een ERP te kloppen, of door vijf inboxen te zoeken naar wat een klant vorige keer bestelde? Dat soort werk is voor robots bedoeld. Laat het dan ook door robots doen. --- ## Waarom juist high mix low volume Bedrijven met massaproductie hebben vaste producten en vaste routines. Die machines draaien al jaren en zijn vaak al bezig met machine learning, denk aan predictive maintenance. Bij ons, in de [high mix low volume](https://vanenkhuizen.com/articles/4-stappen-om-de-productiviteit-te-verbeteren-bij-kleine-series/), zit de uitdaging in het kantoorwerk. Elke order is anders, elke order is een korte serie. Tien klanten op één dag, steeds wisselen van context. Wat is hun voorkeur, wat bedoelen ze, wat moeten we precies doen. En als die ene persoon die het weet er net niet is, loopt het vast. Stel een klant stuurt een aanvraag met honderd tekeningen, honderd regels en een mail met opmerkingen erbij. Half indicatief, deels in de tekening gekrabbeld. Je gaat dat met de hand niet bijbenen op schaal. Daar heb je agents voor nodig die meelezen en interpreteren. Daar wordt het in mijn beleving nu extreem nuttig. Even ter onderscheid: heb je een continu proces dat altijd hetzelfde is, met steeds dezelfde snij- en zettijden? Dan zit je in de hoek van machine learning, gewoon voorspellen. Lees je documenten en moet je begrijpen wat er gebeurt? Dan zit je bij de agents. --- ## Drie dingen die je hiermee wint **Snelheid.** Een agent werkt 24/7 op de achtergrond. Ik kom 's ochtends binnen en krijg een briefing van alles wat er in de afgelopen 24 uur is gebeurd: mijn inbox, mijn CRM, een paar klantprojecten, rapporten van de freelancers met wie ik werk. Ik kan erop reageren met een voice command. In veel dingen is een agent gewoon sneller dan ik. **Automatisering als bijproduct.** Het ding schrijft bijna zijn eigen software. Wat één keer werkt, kopieer je naar de volgende. **Kennis als gedeeld geheugen.** De meeste mensen hebben hun eigen losse ChatGPT en doen hun eigen ding. Maar je kunt het ook inrichten als een virtueel bedrijf, waarin alles wat je leert gedeeld wordt met al je medewerkers. Dan bouw je een kennishub voor je hele bedrijf. --- ## Kort lexicon Drie termen die langskwamen, voor wie ze nog niet kent: - **CLI**, command line interface. Je terminal, de commandoregel van je computer. Daar geeft de agent zijn opdrachten. - **MCP**, Model Context Protocol, een standaard van Anthropic. Die maakt het makkelijker om een agent aan je systemen te koppelen, omdat je vooraf vertelt wat hij kan. - **Harness.** Een agent draait nooit alleen, hij draait in een schil. Claude Code is een harness, Codex ook, OpenCode is de open source variant. Daarin leg je vast hoe hij werkt: als dit, dan dat. Wat altijd moet, wat nooit mag. Plus een geheugen van wat er eerder gebeurde. Dat houdt het ruwe model in toom. En je kunt meerdere agents aan elkaar koppelen, zodat ze samenwerken zoals collega's dat doen. --- ## De demo: een virtueel team op een open source MES ![Een ring van cobaltblauwe knopen verbonden met een centrale gloed op een licht rasterveld.](https://vanenkhuizen.com/content/images/imported/body/virtual-agent-team-mes.png) Een virtueel team van agents rond één gedeeld open-source MES. | via [FLUX.2 Pro](https://bfl.ai/models/flux-2?ref=vanenkhuizen.com) Voor wie het niet kent: ik heb een open source MES gemaakt, [ERYXON](https://app.eryxon.eu/?ref=vanenkhuizen.com). Geen enkele regel heb ik zelf geschreven, het is volledig met AI gebouwd. Begin dit jaar gestart, alle modellen die uitkwamen met gratis credits aan het werk gezet. Ik heb gekeken naar alle bekende pakketten die ik ooit heb geautomatiseerd en de vraag gesteld: wat als we het beste daarvan samenvoegen in één open pakket? Ik wilde het doorontwikkelen, maar mijn tijd is beperkt. Dus heb ik het anders aangepakt. In plaats van zelf met Claude te chatten, gebruik ik nu Paperclip. Dat is een agent framework waarmee je in één keer een virtueel team opzet: een CEO bovenaan, daaronder een CTO, engineers, een UX-designer, een executive assistant. Die train je als echte medewerkers, elk op een eigen model. Ik geef bovenin door wat ik wil: bouw deze feature, voeg dit toe. De CEO bepaalt welke agent dat oppakt en bewaakt de standaarden. Op dit moment draait zo de hele website, de artikelen, de vertalingen en de app zelf. Features en bugfixes worden 24/7 doorontwikkeld. Vind ik ergens een issue, dan vertel ik dat tegen mijn stemassistent, er wordt automatisch een taak van gemaakt, het team programmeert en test het, en er zit een security reviewer in die alles tegen vaste regels controleert. Zit dit erin, dan mag je niet verder. Klinkt misschien gek, maar het is echt. En de sneak peek voor de volgende afleveringen: dit werkt net zo goed voor een metaalbedrijf. Daar heb je ook een CEO, een implementatie-engineer, een sales engineer. Die sales engineer koppel je aan je tools en die gaat voor je werken. Zijn we er vandaag al helemaal? Nee, er zijn nog stappen te gaan, daar ben ik eerlijk over. Maar het kan. Begin klein. Een tool die je eigen app onderhoudt, of die elke ochtend kijkt of er nieuwe orders op tijd zijn. --- ## Wat het kost ![Een open zwerm kleine cobaltblauwe en lichtblauwe knopen verspreid over een licht rasterveld.](https://vanenkhuizen.com/content/images/imported/body/llm-open-source-models.png) Open-weight modellen zoals DeepSeek en Qwen, vrij te hosten. | via [FLUX.2 Pro](https://bfl.ai/models/flux-2?ref=vanenkhuizen.com) Het kost geld, agents en tokens lopen door. Maar de markt schuift naar open source spelers, en waar privacy telt kun je open source modellen (open-weight) draaien. DeepSeek vind ik op het moment sterk, al is het Chinees. Qwen vind ik sterk voor zelf hosten. Wat hier nu draait kost ongeveer 100 dollar per maand op Codex, plus een paar Claude-abonnementen. Investeer je eenmalig in hardware, dan kun je dit ook gewoon lokaal doen. In [aflevering 4 van deze nieuwsbrief](https://vanenkhuizen.com/newsletter/editions/4-use-cases-van-ai-en-cad-in-de-metaal/) liet ik vier AI-tools zien die je vandaag al kunt proberen voor CAD en tekening-review. Dit verhaal gaat een laag dieper: de agent die je tools voor je aanstuurt. Over twee weken weer een nieuwe aflevering. Dan ga ik verder met hoe zo'n agent ook echt met systemen praat. Op een productieve, agent first toekomst. Luke Hierover schreef ik eerder: [AI in the Factory: Three Levels in ProductionAI that answers, AI that does, AI that builds: three levels that change your factory step by step. I explain why an off-the-shelf agent stalls without the rightvanenkhuizen.com![](https://vanenkhuizen.com/content/images/imported/covers/ai-in-the-factory-three-levels-in-production-en.png)](https://vanenkhuizen.com/newsletter/editions/ai-in-the-factory-three-levels-in-production-en/)