Workflows vs Agents

01

Waarom dit, waarom nu

Op enig moment ligt er een voorstel op tafel voor een systeem van samenwerkende agents, elk met een eigen taak. Het klinkt geavanceerd en het demonstreert prachtig. De vraag die dan zelden gesteld wordt, is of een script van vijf stappen hetzelfde werk niet betrouwbaarder en veel goedkoper had gedaan.

Zodra je aanneemt dat AI-werk een lus is die in een harness draait, is de volgende vraag namelijk bouwkundig. Hoe richt je die lus in? Schrijf je de stappen vooraf vast, of geef je het model het stuur en laat je het onderweg beslissen? Die ene keuze, workflow of agent, bepaalt de kosten en de betrouwbaarheid en de voorspelbaarheid van alles wat erop volgt.

Het onderscheid klinkt abstract, en één beeld houdt het vast. Een workflow is een recept: de stappen staan vooraf opgeschreven en worden elke keer in dezelfde volgorde gevolgd. Een agent is een kok: die krijgt een doel en een keuken en bepaalt onderweg wat er moet gebeuren. Een recept is betrouwbaar en herhaalbaar en kan niet omgaan met een onverwacht ingrediënt. Een kok is flexibel en kan improviseren en is duurder en minder voorspelbaar. Geen van beide is in het algemeen beter. De vaardigheid zit in weten wat een taak nodig heeft, en naar onze ervaring grijpen de meeste teams naar de kok waar een recept veiliger en goedkoper was geweest.

Eind 2024 publiceerde Anthropic een handleiding, "Building Effective Agents", die het vakgebied een gedeeld vocabulaire gaf: een schoon onderscheid tussen workflows en agents, en vijf patronen die vrijwel alles dekken wat de moeite van het bouwen waard is. Dit is deel vier van een handleiding in vijf delen. Het loopt dat vocabulaire langs met uitgewerkte voorbeelden, dan langs de nieuwste en meest verleidelijke optie, teams van agents die parallel werken, en eindigt bij een simpele discipline om ertussen te kiezen.

02

1. Waarom nu: de bouwkundige vraag

Elk AI-systeem heeft een vorm. Aan het ene uiterste staan de stappen vast in code en wordt het model op afgesproken punten aangeroepen. Aan het andere voert het model de regie en bepaalt het elke zet onderweg. De keuze daartussen, en tussen alles wat ertussen ligt, beslist waarschijnlijk meer over kosten en betrouwbaarheid dan de keuze van het model.

De reden om er nu precies over te zijn, is dat het vocabulaire eindelijk bestaat. Anthropic gaf het vakgebied met "Building Effective Agents" schone namen, workflows en agents en vijf patronen, en volgens iedereen die er sindsdien over publiceert zijn die namen de manier geworden waarop serieuze teams over ontwerp praten.

Dit dossier gebruikt dat vocabulaire om de echte afweging van 2026 te doorlopen: de aantrekkingskracht van autonome multi-agent-systemen die krachtig zijn, indrukwekkend, en stilletjes erg duur. Klopt de vorm, dan doet een bescheiden model het werk voor weinig. Klopt hij niet, dan verbrandt een duur team van agents budget aan iets wat een simpel recept voor een fractie had gedaan.

03

2. Workflow of agent

Het begint bij de splitsing in de weg.

Een workflow is een systeem waarin de stappen vooraf vastliggen, in code. De runtime voert een script uit dat iemand geschreven heeft en roept het model op afgesproken punten aan. Voorspelbaar, goedkoper en makkelijk te debuggen, en de juiste keuze zodra de stappen vooraf bekend zijn. Een agent is een systeem waarin het model per beurt bepaalt wat er nu moet gebeuren, met eigen keuze van gereedschap en route. Flexibel en krachtig en lastiger te voorspellen, en de juiste keuze wanneer de stappen werkelijk niet vooraf te kennen zijn.

Eén taak, allebei de kanten op gebouwd, laat het verschil voelen: het beantwoorden van een binnenkomende klantmail. Als workflow deel je de mail in bij een van vijf bekende types, zoek je het bijbehorende antwoordsjabloon op, vul je de gegevens van de klant in en verstuur je hem. Vaste stappen, goedkoop, voorspelbaar, en precies goed zolang de mails in bekende hokjes vallen. Als agent leest het model de mail en bepaalt het zelf of het de kennisbank doorzoekt, het account opvraagt, een orderstatus controleert of escaleert, en werkt het de route onderweg uit. Flexibeler, gewapend tegen de rare mail waar de workflow op stukliep, en duurder en wisselvalliger. Wat de juiste keuze is hangt volledig af van de vraag of de mails grotendeels voorspelbaar zijn of werkelijk open.

De fout die bijna iedereen maakt, is naar de agent grijpen waar een workflow simpeler en goedkoper en betrouwbaarder was geweest. "Autonoom" klinkt gevorderd en "een script met vijf stappen" klinkt saai, en in productie wint de saaie vaker dan de pitchdecks doen vermoeden.

04

3. De vijf patronen, met echte taken

Tussen die twee polen benoemt Anthropic vijf patronen die volgens hen in de praktijk vrijwel alles dekken wat er gebouwd wordt. Ze zijn het makkelijkst te leren met een echte taak eraan vast.

In de rechterkolom houdt elk patroon op abstract te zijn. Prompt chaining vermindert fouten door elke aanroep minder te laten doen. Routing zet de juiste specialist op elke klus. Parallellisatie koopt snelheid en breedte. Orchestrator-workers is het patroon achter de meeste indrukwekkende multi-agent-systemen, een leider die een team aanstuurt. En evaluator-optimizer is de lus uit deel één, expliciet gemaakt: een maker en een criticus die het werk heen en weer schuiven. Vijf vormen, en zelden is er iets exotischers nodig dan een combinatie ervan.

05

4. De patronen stapelen

De reden dat vijf patronen zo ver komen, is dat ze stapelen. Het zijn geen vijf aparte architecturen om tussen te kiezen; het zijn bouwstenen die in elkaar passen. Een routingstap voedt vaak een prompt chain. Een orchestrator die naar workers delegeert, wikkelt regelmatig een evaluator-optimizer-lus om elke worker heen, zodat elke worker zijn eigen uitvoer nakijkt voordat hij terugrapporteert. Een parallellisatiestap kan in elk van de andere zitten. Echte systemen zijn meestal twee of drie van deze, in elkaar geschoven.

Een contentpijplijn is daar een klein voorbeeld van. Routing bepaalt of een binnengekomen verzoek een blogpost, een productbeschrijving of een advertentie is. Is het een advertentie, dan splitst een orchestrator hem in een kop, een body en een call-to-action, geeft elk aan een worker, en draait elke worker een evaluator-optimizer-lus van schrijven en bekritiseren en herschrijven tot zijn deel de lat haalt. Die ene pijplijn is drie patronen in elkaar, en geen ervan is exotisch.

Daarom doet het vocabulaire er meer toe dan welk diagram ook. Zodra de onderdelen een naam hebben, is elk AI-systeem te beschrijven als een combinatie ervan, en is bij een systeem dat niet werkt de vraag te stellen welk onderdeel het probleem is. Ik ben de overbouwde agents die wij hebben bekeken op dit punt gaan nalopen, en bijna allemaal bleken ze een zwaarder patroon te gebruiken waar een lichter, of een gewone workflow, het werk had gedaan.

06

5. Multi-agent: de kracht en de prijs

Het meestbesproken patroon is orchestrator-workers tot het uiterste doorgevoerd: een leidende agent die een heel team subagents aanstuurt, elk parallel aan het werk. Het is oprecht krachtig, en het loont om over zowel de kracht als de prijs precies te zijn.

Anthropic rapporteerde dat een multi-agent-opzet, een leidend model dat subagents aanstuurt, een enkele agent op hun interne onderzoekstaak met ruwweg 90 procent versloeg. Dat is een grote sprong. Er hing ook een prijs aan, en die is het duidelijkst als kale rekensom.

Dezelfde onderzoekstaak, op drie manieren gedaan, rekent als volgt. Eén chatbericht is de basis: 1x. Een enkele agent, dus een lus, kost ongeveer 4x zoveel, want meer denken, meer gereedschapsaanroepen en meer nieuwe pogingen. Een team van agents kost ongeveer 15x zoveel, met parallel onderzoek over de subagents heen. En het gemeten tokenverbruik verklaarde in zijn eentje zo'n 80 procent van het prestatieverschil.

Die laatste zin is de hele beslissing. Multi-agent verbrandt zo'n 15x de tokens van een simpele chat, en het tokenverbruik alleen al verklaarde rond de 80 procent van het verschil, wat een andere manier is om te zeggen dat je met multi-agent vooral méér denkwerk koopt, parallel, tegen een prijs. Voor een waardevolle onderzoeksvraag is 15x de kosten voor een 90 procent beter antwoord een koopje. Voor een routineopzoeking is het verspilling. Het patroon loont zodra de waarde van de taak boven de tokenrekening uitkomt, en niet eerder. Dit zijn cijfers van één bedrijf op één interne taak, dus de factoren zijn een vorm en geen ijkpunt voor ander werk.

07

6. Wanneer uitwaaieren

Wanneer is een team van agents dan wél de juiste keuze? Het eerlijke antwoord is smaller dan de hype suggereert.

Uitwaaieren werkt wanneer een taak werkelijk in onafhankelijke delen uiteenvalt, wanneer breedte meer oplevert dan één diepe redeneerlijn, en wanneer de taak waardevol genoeg is om de tokenrekening te rechtvaardigen. Onderzoek, breed zoeken, uit veel bronnen tegelijk verzamelen. Het werkt slecht wanneer elke agent dezelfde gedeelde context nodig heeft, wanneer stappen strak van elkaar afhangen, of wanneer de taak weinig waarde heeft of snel moet.

De eigen kanttekening van Anthropic is hier veelzeggend: het meeste programmeerwerk past slecht bij multi-agent, omdat codeerstappen strak aan elkaar hangen en elke wijziging op de vorige voortbouwt, dus het werk splitsen over agents die elkaars veranderingen niet zien levert chaos op. Onderzoek past juist goed, omdat het vanzelf uiteenvalt en drie subagents elk een andere concurrent kunnen uitpluizen zonder elkaar voor de voeten te lopen.

Vóór het uitwaaieren zijn twee vragen de moeite waard. Valt dit werkelijk uiteen? En is het de kosten waard? Genoeg taken zijn geen van beide, en dan is een enkele agent of een gewone workflow het juiste antwoord.

08

7. Een echt systeem: hoe een bank het bedradde

Het helpt om de patronen in het wild te zien staan. Het onderzoeksteam van JP Morgan beschrijft zijn interne systeem "Ask David", en wat het schetst komt dicht bij een leerboekcombinatie van de ideeën uit deze serie.

Bovenaan staat een supervisor die het werk plant en het team aanstuurt. Daaronder hangen gespecialiseerde subagents die elk één klus doen: documenten vinden, cijfers uit gestructureerde data halen, de analyse draaien. Voordat er een antwoord uitgaat, controleert een reflectiestap het, een taalmodel dat als beoordelaar optreedt. En een mens blijft in de lus voor het laatste stuk nauwkeurigheid dat de machine niet alleen kan garanderen.

Dat is orchestrator-workers plus evaluator-optimizer plus een menselijke poort, vier van de ideeën uit deze serie samengevoegd tot één systeem. Het is ook de vorm die telkens opduikt bij serieuze uitrol: een leider die plant, specialisten die uitvoeren, een beoordelaar die controleert, en een mens die de eindverantwoordelijkheid draagt. Het is de vorm waar ik in onze eigen agent-stack op uitkwam zonder dat na te streven. Wie het vocabulaire kent, ziet hetzelfde skelet onder de meeste productie-agents, en kan het bewust overnemen.

09

8. Begin simpel

Dat wijst allemaal op de belangrijkste discipline in dit vakgebied, en het is de discipline die de meeste teams overslaan. Begin simpel.

De neiging gaat naar de meest autonome en indrukwekkende optie, een vrij rondlopende agent met veel gereedschappen, omdat die prachtig demonstreert. In productie is dat precies waar de onvoorspelbaarheid en de kosten wonen. Anthropic adviseert zelf de andere kant op: begin met een enkele aanroep of een vaste workflow, en voeg zelfstandigheid alleen toe waar die aantoonbaar de uitkomst verbetert.

In de praktijk ziet dat eruit als een ladder. Eerst een enkele prompt. Vraagt de taak om een paar betrouwbare stappen, dan een workflow. Moet hij reageren op wat hij tegenkomt, dan een agent. Valt het werk werkelijk uiteen en is het de kosten waard, dan pas een team. Elke trede omhoog koopt flexibiliteit en kost geld en voorspelbaarheid, dus je klimt alleen zo ver als de taak echt vraagt. Complexiteit is een prijs die je bij elke run opnieuw betaalt, geen medaille voor het bouwen van iets geavanceerds.

10

9. Wie kiest, jij of het model

Er zit een wending in die het benoemen waard is, want ze verandert hoe dit in de praktijk uitpakt. Steeds vaker kiest het model het patroon zelf. Geef een capabel model een taak en de juiste gereedschappen, en het besluit of het direct antwoordt, subagents opstart of een verificatielus draait, en combineert die vaak halverwege zonder dat iemand het heeft gevraagd. Ethan Mollick maakte dat punt over de nieuwste agent-teamfuncties: een groot deel van de beslissing welke aanpak gebruikt wordt, ligt inmiddels bij de AI en niet bij de mens.

Dat maakt het vocabulaire niet overbodig. Het maakt het bruikbaarder. Kiest het model tussen deze patronen, dan is ze begrijpen precies hoe je zijn keuzes controleert. In een transcript is te zien dat het vijf subagents opstartte voor een vraag die met één opzoeking beantwoord was, en dat is bij te sturen. Er zijn grenzen te stellen, budgetplafonds en scope-limieten en een regel die zegt: waaier niet uit tenzij de taak boven deze lat uitkomt, die zijn zelfstandigheid economisch houden. De verschuiving is van de orkestratie met de hand schrijven naar een orkestratie besturen die het model draait, en besturen kan niet wat je niet kunt benoemen.

11

10. De eerlijke tegenwerping

Drie kanttekeningen houden dit eerlijk. Ten eerste vervaagt de scheidslijn tussen workflow en agent. Naarmate modellen beter plannen, kan het betrouwbare en voorspelbare gedrag waar vroeger een handgeschreven workflow voor nodig was steeds vaker aan een agent worden toevertrouwd. De balans schuift dus met de tijd naar meer zelfstandigheid, en wat vandaag overbouwd is, kan volgend jaar verstandig zijn.

Ten tweede zijn de tokenkosten richtinggevend en geen wetten. Ze komen van specifieke taken, en de economie verandert elke keer dat modellen goedkoper worden, wat ze blijven doen. Een multi-agent-ontwerp dat vandaag niet uitkan, kan het bij dalende prijzen alsnog worden.

Ten derde is simpel een richtlijn en geen dogma. Sommige oprecht complexe, waardevolle, splitsbare problemen hebben wel degelijk een team van agents nodig, en er uit minimalisme van afzien is een fout op zich. Die onderzoeksvraag die een enkele agent met 90 procent verslaat, is echt. De rode draad overleeft alle drie: de juiste architectuur is de simpelste die het werk betrouwbaar doet, en de prijs van complexiteit is echt en het tellen waard. Zelfstandigheid en multi-agent verdienen hun plek wanneer de taak erom vraagt, en niet omdat ze het indrukwekkende ding zijn om te bouwen.

12

11. Wat een bedrijf hiermee doet

Voor een bestuurder is dit een bril om elk AI-voorstel mee te lezen dat op het bureau belandt. Komt er een ambitieus multi-agent-systeem voorbij, dan zijn de vragen concreet, en er is geen technische achtergrond voor nodig om ze te stellen. Kan dit ook een simpele workflow zijn? Valt de taak werkelijk uiteen, of wordt hij uitgewaaierd omdat dat gevorderd klinkt? Zit er een beoordelaarsstap in en een menselijke poort, zoals in het systeem van de bank? En heeft iemand de tokenkosten naast de waarde van de taak gelegd? Die vier scheiden een systeem dat werkt en zich terugverdient van een systeem dat in een demo indruk maakt en in productie geld lekt.

Dit is See, Understand, Adopt toegepast op hoe AI-werk wordt ingericht. Zien of een systeem een workflow of een agent is, en uit welke van de vijf patronen het bestaat. Begrijpen dat zelfstandigheid en multi-agent krachtig en duur zijn, en dat de discipline is om simpel te beginnen en de ladder alleen zo ver op te klimmen als de taak vraagt. En dan adopteren door de architectuur op de taak af te stemmen en complexiteit alleen te kopen waar de waarde er duidelijk is. De teams die winnen draaien de minste agents die het werk doen, niet de meeste.

De zet: elk AI-systeem begint bij het simpelste patroon dat werkt, en complexiteit komt er pas bij als de taak ervoor betaalt. Een workflow als de stappen bekend zijn, een agent als ze dat niet zijn, en een team van agents alleen als het werk werkelijk uiteenvalt en de waarde boven de kosten uitkomt.

13

12. Verantwoording en bronnen

Dit dossier steunt op live webresearch en een persoonlijk archief van ruim 15.000 bronnen. Dragende cijfers zijn waar mogelijk gecontroleerd. De patroonvoorbeelden, de tokenrekensom en het Ask David-diagram zijn illustratief, gemaakt om de mechaniek uit te leggen. De notities hieronder geven per claim het vertrouwen en de belangrijkste voorbehouden, in de geest van ons uitgangspunt: laat zien hoe je eraan gekomen bent.

Grafieken met het label "BFF" zijn van ons, getekend naar de bronnen die eronder staan. De patroon-takentabel, het tokenvoorbeeld en het Ask David-diagram zijn illustratief, geschreven om het idee uit te leggen.

Back From the Future · BFF Inzichten · Werken met AI · Deel 4 van 5 · juli 2026