agent-washing herkennen

Van de duizenden leveranciers die zichzelf agentic AI noemen, leveren er volgens Gartner maar zo’n 130 daadwerkelijk agentic-capaciteiten. De rest verkoopt opgepoetste chatbots en herverpakte procesautomatisering. Gartner gaf dat verschijnsel in juni 2025 een naam, agent-washing, en dat woord is sindsdien in juridische naslagwerken beland, maar niet in de gemiddelde leveranciersdemo. Wie nu software inkoopt, kan niet wachten op een toezichthouder die voorfiltreert: die is er in Nederland simpelweg nog niet. De lat moet je zelf leggen, en dat kan, met een handvol vragen die geen leverancier met een slide kan beantwoorden.

In de 95-procent-mythe leg ik de faalcijfers rond AI-projecten naast hun methode. Dit essay is de inkoopkant van datzelfde verhaal: hoe voorkom je dat jouw project start op een belofte die het product niet waarmaakt?

wat is agent-washing precies?

Het herlabelen van bestaande software als agentic AI zonder dat er wezenlijk iets agentisch aan is. Gartner beschrijft het als leveranciers die AI-assistenten, chatbots en RPA-tooling een nieuw etiket geven, en voorspelt in hetzelfde persbericht dat ruim 40 procent van de agentic-AI-projecten voor eind 2027 wordt geannuleerd, door oplopende kosten, onduidelijke waarde of gebrekkige risicobeheersing (Gartner, 2025). De schatting dat maar circa 130 van de duizenden zelfbenoemde leveranciers echt zijn, komt uit datzelfde bericht. Een precieze methodologie of noemer publiceert Gartner er niet bij, dus behandel het als orde van grootte van een analistenbureau, niet als meting. Secundaire bronnen maken er graag “95 procent is nep” van; dat percentage staat nergens in de primaire tekst.

Dat het verschijnsel kan bestaan, heeft een simpele oorzaak: er is geen vaste definitie om tegen te toetsen. Zelfs MIT Sloan stelt expliciet dat een universeel overeengekomen definitie van agentic AI ontbreekt (MIT Sloan, 2025). De gangbare vuistregel, generatieve AI reageert op een prompt, een agent neemt waar, redeneert en handelt zelfstandig richting een doel, is bruikbaar, maar elke leverancier tekent zijn eigen volwassenheidsladder erbij. Een definitorisch vacuüm is een marketingvrijhaven. Precies daarom werkt een eigen toets beter dan een etiket.

hoe herken je het verschil tussen ai erbij en agent-native?

Met twee proeven die je zonder technische kennis kunt uitvoeren. De eerste is de verwijderproef: stel je voor dat de AI-functie morgen uit het product verdwijnt. Verandert er dan iets wezenlijks aan wat het systeem kan? Als het antwoord nee is, was de AI een chatlaag bovenop een verder ongewijzigd pakket. De tweede is de gelijkwaardigheidsproef: kan de agent dezelfde handelingen uitvoeren als een mens achter het scherm? Niet alleen samenvatten en suggereren, maar aanmaken, wijzigen, inplannen, en in het beste geval het systeem zelf inrichten. Analistenbureau HFS Research vat dezelfde toets formeler in een tweetrapstest, agency en schaalbaarheid, en waarschuwt specifiek voor copilots die als agents worden herlabeld terwijl ze alleen tekst-naar-actie binnen bestaande workflows bieden (HFS Research, 2025).

Het onderscheid is geen academische kwestie. AI erbij betekent dat elke nieuwe automatisering opnieuw maatwerk is: de chatlaag kan praten over je data, maar niet handelen in je proces. Agent-native betekent dat de handelingen zelf voor agents bereikbaar zijn, waardoor de tweede en derde automatisering geen nieuw project meer vragen. Dat verschil zie je niet aan de demo, want demo’s tonen altijd de beste kant. Je ziet het aan de architectuur, en dus aan de antwoorden op je vragen.

welke vragen stel je een leverancier?

Zes, en je stelt ze in gewone taal. De antwoorden vertellen je meer dan elke productvideo.

1. Kan de agent de handeling zelf uitvoeren, of alleen adviseren? Vraag concreet: kan hij een order aanmaken, een afspraak verzetten, een veld toevoegen? In welke systemen heeft hij schrijftoegang?
2. Mag ik een live demo zien op mijn eigen scenario? Geen opgenomen filmpje, geen voorbereid script: jouw klant, jouw proces, ter plekke.
3. Waar vind ik terug wat de agent heeft gedaan? Een serieus product heeft een logboek per handeling. HFS raadt kopers expliciet aan bewijs te eisen, testresultaten, audit logs, run traces, in plaats van claims te accepteren.
4. Wat gebeurt er als de agent het fout heeft? Is de handeling omkeerbaar, zijn er permissiegrenzen, wanneer schakelt hij een mens in?
5. Hoe meet u het succespercentage? Klantenservice-leverancier fin.ai, zelf partij in deze markt, beschrijft twee patronen om op te letten: gemengde cijfers waarin mens en machine samen één score vormen, en klanten die afhaken zonder hulp maar als “opgelost door AI” tellen (fin.ai, 2026). Vraag naar het cijfer zonder menselijke tussenkomst.
6. Maakt het platform onderscheid tussen menselijke gebruikers en agents? Aparte permissies voor agents zijn een teken dat het systeem voor agents ontworpen is, geen achteraf-gedachte (MindStudio, 2026, leveranciersgeassocieerd maar concreet stelbaar).

Een leverancier die deze vragen soepel beantwoordt, hoeft geen enkel etiket meer te dragen. Een leverancier die terugvalt op de slide met het woord agentic erop, heeft je antwoord ook gegeven.

waar loopt het mis als niemand doorvraagt?

Dan wordt het uiteindelijk een zaak voor de rechter, en dat is geen theoretisch scenario. De Amerikaanse FTC draait sinds september 2024 handhavingszaken tegen misleidende AI-claims onder de noemer Operation AI Comply, van de “robotadvocaat” DoNotPay tot AI-tools die nepreviews schreven (FTC, 2024). De SEC beboette beleggingsadviseurs die AI claimden maar niet gebruikten, en pakte in januari 2025 met Presto Automation het eerste beursgenoteerde bedrijf: de “eigen” spraaktechnologie bleek van een derde partij en de meeste bestellingen hadden alsnog menselijke verwerking nodig (SEC, 2025). De oprichter van shopping-app Nate wordt sinds april 2025 zelfs strafrechtelijk vervolgd: de app beloofde neurale netwerken, de bestellingen deden contractwerkers met de hand (Holland & Knight, 2025). Het patroon in al die zaken is steeds hetzelfde, en het leest als de spiegel van de zes vragen hierboven: technologieclaims die niet klopten, overdreven automatiseringspercentages, verzwegen menselijke tussenkomst.

Twee beroemde verhalen verdienen daarbij dezelfde scepsis die je leveranciers gunt. Het virale verhaal dat Builder.ai “700 engineers had die zich voordeden als AI” klopt niet: de grondigste reconstructie laat een klein AI-team zien, een dikke laag legitieme uitbestede ontwikkeling die als AI-snelheid werd gemarket, en een faillissement dat uiteindelijk door omzetfraude kwam, niet door de AI-fictie zelf (Pragmatic Engineer, 2025). En Amazons kassaloze winkels waren geen “gewoon duizend mensen in plaats van AI”: er was een echt werkend model, en het geschil ging over de verzwegen omvang van de menselijke controle (The Verge, 2024). De les is preciezer dan het meme: een mens in de lus is normaal in serieuze AI-systemen. Het rode vlag is een leverancier die de verhouding niet eerlijk vertelt.

en in nederland?

Hier is nog geen enkele zaak over agentic-claims. Het dichtstbijzijnde precedent is een uitspraak van de Reclame Code Commissie over AI-gegenereerde liedjes die als “persoonlijk gecomponeerd” werden verkocht (Stichting Reclame Code, 2024): reëel, maar smal. Het Nederlandse AI-toezicht wordt verdeeld over zo’n tien instanties, met de ACM aan zet voor consumentenmisleiding, en de transparantieverplichtingen uit de AI Act gaan pas per 2 augustus 2026 gelden (ICTRecht, 2026). De ACM heeft tegen greenwashing bewezen dat ze vage claims hard kan aanpakken; dat draaiboek past in theorie naadloos op AI-claims, maar dat is vandaag een analogie, geen praktijk.

De nuchtere conclusie: wie in Nederland software inkoopt, doet er verstandig aan te handelen alsof er nooit een toezichthouder komt. De zes vragen kosten een half uur in een verkoopgesprek. Een project dat start op een belofte die het product niet waarmaakt, kost een jaar. En voor de volledigheid: ik bouw zelf agent-native software, dus leg diezelfde lat gerust naast mijn werk. Dat is precies waar hij voor is.