Agentic Document Workflows: Wat ze echt betekenen

Van sjablonen naar agents: hoe documentverwerking is geëvolueerd

Documentverwerking heeft drie verschillende tijdperken doorgemaakt, elk gedefinieerd door wat het systeem zelfstandig kan uitzoeken. Het is belangrijk om deze evolutie te begrijpen, omdat de meeste DMS-leveranciers "agentic" functies aanprijzen die eigenlijk alleen maar door AI ondersteund worden — en het verschil is niet louter cosmetisch.

Het eerste tijdperk was op regels gebaseerde verwerking: vaste sjablonen, rigide extractievelden, één lay-out per documenttype. Als een veld op de factuur 10 pixels verschoof, liep het systeem vast. Automatisering bleef steken op 60–70% omdat de resterende 30% uitzonderingen waren die de regels niet konden afhandelen. Het tweede tijdperk, beginnend rond 2020, voegde machine learning-classificaties en named entity recognition toe. Het systeem kon gegevens extraheren uit documenten die het nog nooit eerder had gezien — maar elke stap stond op zichzelf. Het kon een document lezen, maar het kon niet beslissen wat het met de informatie moest doen.

Het derde tijdperk is agentic. Een agentic systeem krijgt een doel ("verwerk deze factuur") en bedenkt zelf de stappen: classificeer het document, extraheer de relevante velden, valideer deze tegen wat het al weet, signaleer afwijkingen en stuur het resultaat naar de juiste bestemming. Als een stap mislukt, probeert het een andere aanpak. Bij onzekerheid vraagt het om menselijke input. Het systeem volgt geen script — het redeneert door een taak heen.

LlamaIndex muntte de term "Agentic Document Workflows" in januari 2025, waarbij documentverwerking, retrieval-augmented generation (RAG) en tool-gebruik werden gecombineerd in één kader. Gartner's 2025 Magic Quadrant voor Intelligent Document Processing merkte op dat meer dan 100 leveranciers IDP-producten op de markt brachten, waarbij generatieve AI agentic mogelijkheden mogelijk maakt die de focus verschuiven van "gespecialiseerde data-integratie naar het afhandelen van documentworkflow-automatisering." De markt voor intelligente documentverwerking zal naar verwachting 2,39 miljard dollar bereiken in 2028.

Wat maakt agentic anders dan "gewoon AI"?

Het woord "agentic" komt van het concept agency (handelingsbekwaamheid) — het vermogen om waar te nemen, te beslissen en te handelen naar een doel zonder stapsgewijze instructies. Een door AI ondersteund DMS leest een document en wacht tot u zegt wat er moet gebeuren. Een agentic DMS leest een document en beslist wat er moet gebeuren op basis van het doel dat u hebt gesteld.

Het kernmechanisme is de Reason-Act-Observe-Update-lus: de agent redeneert over de huidige staat, onderneemt een actie (roept een tool aan), observeert het resultaat en werkt zijn begrip bij voordat hij de volgende stap bepaalt. Deze lus herhaalt zich totdat het doel is bereikt of de agent vaststelt dat er menselijke input nodig is.

Hier ziet u hoe dezelfde documenttaak verschilt tussen een traditioneel door AI ondersteund systeem en een agentic systeem:

Hoe agentic er in de praktijk uitziet (voor een klein bedrijf)

Bijna alles wat over agentic document workflows wordt geschreven, is gericht op grote ondernemingen die 100.000 facturen per dag verwerken. Dat is niet uw realiteit. Als u een freelancer, een kleine ondernemer of een gezin bent dat huishoudelijke documenten beheert, betekent agentic AI iets heel anders — en waarschijnlijk iets nuttigers.

Hier zijn echte scenario's waarin een agentic documentassistent zijn waarde bewijst. Deze zijn niet hypothetisch — ze werken vandaag de dag al:

De rode draad: je drukt je intentie uit in natuurlijke taal, en de agent zoekt uit welke tools hij in welke volgorde moet gebruiken en wat hij met de resultaten moet doen. Je hoeft niet te weten hoe het systeem intern werkt. Je hoeft alleen maar te zeggen wat je wilt.

Enterprise agentic vs. agentic voor kleine bedrijven

Het gesprek over agentic AI wordt gedomineerd door use cases voor grote ondernemingen: het vergelijken van 500 raamovereenkomsten op compliance-tekortkomingen, het verwerken van verzekeringsclaims over meerdere systemen, of het routeren van duizenden facturen door goedkeuringsketens van meerdere afdelingen. Dat is reëel en waardevol — maar het is niet de enige manier waarop agentic AI mensen helpt bij het beheren van documenten.

Het verschil zit hem niet in de technologie, maar in de context. Enterprise agentic AI is een verwerkingspijplijn. Agentic AI voor kleine bedrijven is een slimme assistent die in je DMS leeft en je helpt bij je dagelijkse werk met je eigen documenten.

Geen van beide benaderingen is in de basis beter. Enterprise agentic is zinvol wanneer je zoveel documenten verwerkt dat het inhuren van mensen duurder is dan de platformkosten. Agentic voor kleine bedrijven is zinvol wanneer je tijd je schaarste middel is en een tool van € 9 – 29 per maand je wekelijks uren bespaart. De fout is aan te nemen dat je de enterprise-versie nodig hebt om te profiteren van agentic AI.

Hoe model routing agentic AI betaalbaar houdt

Een terechte zorg over agentic AI zijn de kosten. Als elke documentvraag je gegevens naar een duur redeneermodel stuurt, lopen de kosten snel op. De oplossing is model-routing — het sturen van verschillende soorten verzoeken naar verschillende modellen op basis van complexiteit.

Moderne agentic systemen gebruiken een gelaagde aanpak. Eenvoudige vragen (“wat voor type document is dit?”) gaan naar snelle, goedkope modellen. Complex redeneren (“analyseer alle contracten die in het derde kwartaal aflopen en markeer risicovolle clausules”) krijgt het premium model dat het verdient. Het kostenverschil tussen intelligent routeren en alles door het krachtigste model sturen is 70–90%.

In de praktijk valt 90–95% van de vragen over documentbeheer in de snelle laag. Classificatie, tagging, eenvoudige zoekopdrachten en metadata-extractie maken allemaal gebruik van lichtgewicht modellen. Alleen complex redeneren over meerdere documenten vereist de dure modellen. Dit betekent dat een agentic DMS van € 9/maand met 4.000 credits de behoeften van de meeste particulieren en kleine bedrijven kan dekken.

Veluvanto maakt gebruik van automatische modelselectie: eenvoudige vragen worden gerouteerd naar Gemini Flash, complexe analyses naar Gemini Pro. Je kiest het model niet zelf — het systeem selecteert het juiste model op basis van de complexiteit van de vraag. Het resultaat is dat je vraag “zoek mijn verzekeringspolis” een fractie van een cent kost, terwijl je vraag “vergelijk al mijn energiekosten jaar-op-jaar” de denkkracht krijgt die het nodig heeft.

Wanneer agents je documenten verwerken: vertrouwen, veiligheid en eerlijke beperkingen

Agentic AI is geen magie, en doen alsof dat wel zo is, is een slechte dienst aan iedereen die deze systemen beoordeelt. Er zijn reële beveiligingsoverwegingen, reële beperkingen en reële afwegingen. Eerlijkheid hierover is nuttiger dan marketingteksten die “volledig autonome documentverwerking” beloven.

De OWASP Foundation publiceerde in december 2025 haar Top 10 voor Agentic Applications, waarbij agent goal hijacking als het belangrijkste risico werd aangemerkt. Wanneer een AI-agent documenten verwerkt, zou een kwaadaardige payload in een document theoretisch het gedrag van de agent kunnen omleiden. Bovendien creëren agents met een persistent geheugen en toegang tot tools datastromen die zorgvuldig moeten worden beheerd. Dit is hoe verantwoorde implementaties eruitzien:

• ✓Mens-in-de-loop als standaard: AI-suggesties worden ter beoordeling gepresenteerd, nooit stilletjes uitgevoerd. De agent stelt voor; jij keurt goed. Alleen-lezen bewerkingen (zoeken, samenvatten) kunnen autonoom zijn; schrijfbewerkingen (taggen, archiveren, verwijderen) vereisen bevestiging.
• ✓Escalatie op basis van betrouwbaarheid: wanneer de agent onzeker is over een classificatie of extractie, markeert hij het resultaat en vraagt hij om menselijke verificatie in plaats van te gokken. Acties met een hoge betrouwbaarheid gaan door; acties met een lage betrouwbaarheid pauzeren.
• ✓Volledige audit trail: elke actie van de agent wordt gelogd met tijdstempels, het gebruikte model, de aangeroepen tools en de input/output. Dit is niet optioneel — het is een vereiste voor elk systeem dat gevoelige documenten verwerkt.
• ✓Datasoevereiniteit en versleuteling: als een agent je documenten verwerkt, moeten die documenten in een gecontroleerde omgeving blijven. Dataopslag in de EU, versleuteling in rust en tijdens transport, en isolatie per tenant zijn de basis.
• ✓Geen training op jouw data: de agent mag je documenten niet gebruiken om modellen te verbeteren die met andere gebruikers worden gedeeld. Je data wordt uitsluitend voor jouw voordeel verwerkt.

Eerlijke beperkingen om rekening mee te houden: agentic AI kan hallucineren — vol vertrouwen onjuiste gegevens uit documenten extraheren. Context over meerdere pagina's in lange documenten is nog steeds een uitdaging. Zwaar beschadigde scans, handgeschreven tekst en zeer complexe tabelindelingen leiden tot een lagere nauwkeurigheid. En “volledig autonoom” is een marketingclaim — elk agentic systeem in productie heeft niet voor niets menselijke controlepunten.

De EU AI Act (handhaafbaar vanaf augustus 2026) geeft extra gewicht aan deze praktijken. AI-chatbots in documentsystemen vereisen transparantie-etikettering en door AI gegenereerde inhoud moet machineleesbaar gemarkeerd zijn. Voor een diepere analyse van hoe de EU AI Act van toepassing is op DMS-functies, zie onze EU AI Act compliance-gids.

Waar je op moet letten bij het evalueren van een agentic DMS

Niet elke tool die zichzelf “agentic” noemt, is dat ook echt. Sommige leveranciers hebben hun bestaande AI-functies simpelweg van een nieuw label voorzien. Hier is een praktische checklist om echte agentic mogelijkheden te onderscheiden van marketing:

De duidelijkste test: kun je het systeem in één zin een doel geven en laat je het meerdere stappen uitvoeren om dit te bereiken? Zo ja, dan is het agentic. Als je elke stap handmatig moet activeren, is het AI-ondersteund — wat nog steeds nuttig is, maar niet hetzelfde.