18 november 2026
Een AI-agent en een LLM (large language model) zijn niet hetzelfde. Een LLM is een taalmodel dat tekst genereert op basis van een invoer. Een AI-agent gebruikt dat taalmodel als redeneermotor, maar voegt daar autonoom handelen aan toe: het stelt doelen, plant stappen, roept externe tools aan en voert acties uit in de echte wereld. Het verschil zit hem dus niet in intelligentie, maar in handelingsvermogen. In dit artikel beantwoorden we de meest gestelde vragen over dit onderscheid, inclusief wat dat betekent voor de hardware waarop je dit draait.
Een large language model is een neuraal netwerk dat getraind is op enorme hoeveelheden tekst. Het leert statistische patronen in taal en gebruikt die om bij een gegeven invoer de meest waarschijnlijke vervolgtekst te genereren. Het model heeft geen geheugen tussen sessies, geen toegang tot externe systemen en voert zelf geen acties uit.
De kern van een LLM is de transformerarchitectuur, waarbij zogenoemde aandachtsmechanismen bepalen welke woorden in een zin het meest relevant zijn voor de betekenis van andere woorden. Tijdens training worden miljarden parameters bijgesteld totdat het model in staat is coherente, contextueel passende tekst te produceren.
Wat een LLM goed kan, is redeneren over tekst, samenvatten, vertalen, code schrijven en complexe vragen beantwoorden. Wat het niet kan, is uit zichzelf een API aanroepen, een bestand opslaan, een zoekopdracht uitvoeren of een beslissing omzetten in een concrete actie. Daarvoor heb je een laag boven op het model nodig: een AI-agent.
Een AI-agent kan zelfstandig handelen. Waar een LLM alleen reageert op wat je invoert, kan een AI-agent een doel ontvangen, dat doel opsplitsen in deeltaken, externe tools aanroepen (zoals een zoekmachine, een database of een API), de resultaten verwerken en op basis daarvan vervolgstappen plannen. De agent houdt de voortgang bij en past zijn aanpak aan als iets niet werkt.
Concreet betekent dit dat een AI-agent taken kan uitvoeren zoals:
Het LLM fungeert hierbij als het redenerende brein van de agent. De agent zelf is de structuur eromheen die zorgt dat die redenering leidt tot echte output in de wereld. Populaire frameworks voor het bouwen van AI-agents zijn onder andere LangChain, AutoGen en CrewAI.
Traditionele automatisering volgt vaste regels: als situatie A zich voordoet, voer dan actie B uit. Een AI-agent werkt anders. In plaats van vooraf gedefinieerde regels gebruikt een agent redenering om te bepalen welke stap het meest logisch is, ook in situaties die de ontwerper niet heeft voorzien. Dat maakt AI-agents flexibeler, maar ook minder voorspelbaar dan klassieke scripts of workflows.
Een traditioneel automatiseringsscript is deterministisch: dezelfde invoer levert altijd dezelfde uitvoer. Een AI-agent is dat niet per definitie. Dat heeft voordelen bij complexe, wisselende taken, maar vraagt ook om goede monitoring en duidelijke grenzen aan wat de agent mag doen.
Het praktische onderscheid zit in de soort taken waarvoor je elk inzet. Traditionele automatisering werkt uitstekend voor gestructureerde, herhalende processen met duidelijke regels. AI-agents zijn waardevol bij taken die variatie, interpretatie of meerstapsbeslissingen vereisen, zoals het verwerken van ongestructureerde documenten, het beantwoorden van complexe klantvragen of het uitvoeren van onderzoek.
De hardwarebehoefte voor een AI-agent hangt af van welk LLM de agent gebruikt en of dat model lokaal draait of via een externe API wordt aangeroepen. Bij gebruik van een cloud-API (zoals OpenAI of Anthropic) is de hardware aan jouw kant relatief licht. Maar voor organisaties die om privacy-, latency- of kostenoverwegingen een eigen model willen draaien, is serieuze rekenkracht vereist.
On-premise inferentie van grote taalmodellen vereist GPU-servers met voldoende geheugenbandbreedte en VRAM. Modellen met tientallen miljarden parameters passen simpelweg niet in het geheugen van een gewone server. Voor AI-agents die intensief gebruikmaken van een lokaal LLM, heb je doorgaans minimaal een server met meerdere high-end GPU-kaarten nodig, zoals Nvidia H100- of B200-modellen.
Supermicro is een van de weinige fabrikanten die nieuwe Nvidia GPU-generaties als eerste ondersteunt in zijn serverplatforms. Via onze AI-serveroplossingen leveren wij bij NCS International volledig geconfigureerde systemen die specifiek zijn afgestemd op AI-inferentie en agentworkloads. Dat betekent dat je niet hoeft te wachten tot grote merken als HP of Dell hun productlijnen hebben bijgewerkt.
Naast GPU-capaciteit speelt ook opslag een rol. AI-agents die werken met grote datasets, vectordatabases of logbestanden hebben snelle, betrouwbare opslagoplossingen nodig. Meer over de opslagkant van AI-infrastructuur lees je op onze pagina over opslagoplossingen.
Kies voor een AI-agent wanneer je taak meerdere stappen vereist, afhankelijk is van externe informatie of systemen, of wanneer de uitkomst niet vaststaat bij de start. Een losse LLM volstaat voor enkelvoudige taken zoals het samenvatten van een tekst, het beantwoorden van een vraag of het genereren van content op basis van een duidelijke prompt.
In de praktijk zijn er een paar duidelijke signalen dat een AI-agent de juiste keuze is:
Voor eenvoudige use cases, zoals een interne chatbot die vragen beantwoordt op basis van documentatie, is een losse LLM met een goede promptstrategie vaak voldoende en eenvoudiger te beheren. AI-agents voegen complexiteit toe die gerechtvaardigd moet worden door de meerwaarde van autonoom handelen.
In 2026 zien we steeds meer organisaties overstappen van experimentele LLM-implementaties naar productie-AI-agents die daadwerkelijk taken overnemen in bedrijfsprocessen. Die verschuiving stelt hogere eisen aan de onderliggende infrastructuur: betrouwbare GPU-servers, lage latency en voldoende opslagcapaciteit voor vectordatabases en agent-logs. Wie daar nu in investeert, legt de basis voor een schaalbare AI-omgeving.
Ja, in zogenoemde multi-agent systemen kunnen verschillende agents elk een eigen LLM gebruiken die gespecialiseerd is in een bepaalde taak. Zo kan één agent een klein, snel model gebruiken voor eenvoudige classificatietaken, terwijl een andere agent een groter model inzet voor complexe redenering. Frameworks zoals AutoGen en CrewAI ondersteunen dit soort architecturen standaard.
De laagste drempel is om te starten met een bestaand framework zoals LangChain of LlamaIndex in combinatie met een cloud-API zoals OpenAI. Definieer eerst een concreet, afgebakend doel voor je agent en bouw van daaruit stap voor stap tools en geheugen toe. Vermijd de valkuil om meteen een volledig autonome agent te bouwen: begin klein, test grondig en breid de handelingsvrijheid van de agent geleidelijk uit.
De voornaamste risico’s zijn onbedoelde acties door onjuiste redenering, gebrek aan controleerbaarheid en moeilijk te debuggen gedrag doordat de agent dynamisch beslissingen neemt. Het is essentieel om duidelijke grenzen te definiëren aan wat een agent mag doen, menselijke goedkeuring in te bouwen voor kritieke acties, en alle beslissingen en tool-aanroepen te loggen. Zonder goede monitoring kan een foutieve agentrun aanzienlijke schade aanrichten in gekoppelde systemen.
Als vuistregel geldt dat je voor een model van 7 miljard parameters minimaal 16 GB VRAM nodig hebt bij gebruik van 4-bit quantisatie, terwijl modellen van 70 miljard parameters al snel 80 GB of meer vereisen. Voor productie-AI-agents die continu inferentie draaien, is het bovendien aan te raden om te werken met servers die meerdere GPU’s kunnen combineren via NVLink of PCIe, zodat je VRAM kunt schalen met de modelgrootte. Neem contact op met NCS International voor een configuratieadvies dat aansluit bij jouw specifieke modelkeuze en workload.
Een RAG-systeem (Retrieval-Augmented Generation) is een specifieke techniek waarbij een LLM bij elke query relevante documenten ophaalt uit een vectordatabase om zo actuele of domeinspecifieke informatie te kunnen gebruiken. Een AI-agent is een bredere architectuur die RAG als één van zijn tools kan inzetten, maar daarnaast ook andere acties kan uitvoeren zoals het aanroepen van API’s, het uitvoeren van code of het plannen van meerstapstaken. Je kunt RAG dus zien als een bouwsteen die een AI-agent slimmer maakt, maar een agent is veel meer dan alleen RAG.
Voor het bouwen en inzetten van AI-agents heb je geen diepgaande ML-kennis nodig, maar basiskennis van programmeren (bij voorkeur Python) en begrip van API-integraties is wel essentieel. Low-code platforms zoals n8n of Make beginnen ook AI-agentfunctionaliteit te bieden voor minder technische gebruikers, al zijn deze oplossingen beperkter in flexibiliteit. Voor productiewaardige, bedrijfskritische agents is samenwerking met een technisch team of partner sterk aan te raden.
De meest directe oplossing is het draaien van het onderliggende LLM volledig on-premise, zodat geen data de organisatie verlaat. Als je toch gebruik maakt van een cloud-API, zorg dan voor dataminimalisatie in je prompts, anonimiseer persoonsgegevens voor ze de agent bereiken, en controleer de verwerkersovereenkomsten van je API-aanbieder zorgvuldig. Voor organisaties in gereguleerde sectoren zoals zorg of financiën is een volledig lokale infrastructuur met dedicated GPU-servers doorgaans de enige compliant optie.
Den Sliem 89
7141 JG Groenlo
The Netherlands
+31 544 470 000
sales@ncs.nl
GPU-servers verwerken duizenden berekeningen parallel — ontdek wanneer ze onmisbaar zijn voor jouw organisatie.
Wat is een AI-server en wanneer heb je er een nodig? Ontdek de techniek, hardware en toepassingen.