Ontdek folk het CRM-systeem voor bedrijven die door mensen worden aangestuurd
Een chatbot wacht op de volgende opdracht. Een AI-agent blijft doorwerken. Hij kan een doel interpreteren, actuele context ophalen, een hulpmiddel kiezen, actie ondernemen, het resultaat controleren en zijn aanpak aanpassen zonder bij elke stap instructies te ontvangen.
Hoe werken AI-agenten dan in 2026? Ze doorlopen een iteratieve beslissingscyclus die wordt aangestuurd door een taalmodel, bedrijfsgegevens, geheugen, tools en veiligheidsmaatregelen. Een AI-verkoopassistentkan bijvoorbeeld in een CRM zoeken naar vastgelopen deals, de interactiegeschiedenis bekijken, de waarschijnlijke belemmering identificeren, een herstelplan opstellen en goedgekeurde velden bijwerken. Het model levert de redenering, maar de architectuur van de agent zet die redenering om in een gecontroleerde uitvoering.
Hoe werken AI-agenten? Het korte antwoord
AI-agenten doorlopen een voortdurende cyclus van redeneren en handelen:
Doel → context → plan → inzet van hulpmiddel → observatie → aanpassing → voltooiing
De agent gaat uit van een doel in plaats van een vaste reeks muisklikken. Hij analyseert de beschikbare informatie, beslist wat er vervolgens moet gebeuren en roept de juiste tool op. Die tool kan bijvoorbeeld een CRM doorzoeken, een database raadplegen, een webpagina openen, code uitvoeren of een bedrijfsrecord bijwerken.
De tool levert een waarneming op: gegevens, een bevestiging, een fout of een onverwacht resultaat. De agent voegt die waarneming toe aan zijn werkcontext en kiest de volgende actie. De lus gaat door totdat de taak aan de voltooiingscriteria voldoet of menselijke invoer vereist.
Stel dat er een verzoek komt om gemiste verkoopkansen op te sporen. De agent kan dan:
- Zoek in het CRM naar openstaande deals.
- Filter de records zonder recente interactie.
- Haal de meest recente notities en belanghebbenden op.
- bepaal wat de waarschijnlijke belemmering is.
- stel voor elke account een volgende stap op.
- Vraag goedkeuring aan voordat u de pijplijn bijwerkt.
Bij traditionele automatisering wordt een vooraf vastgestelde route gevolgd en mislukt het proces wanneer de invoer niet aan de regels voldoet. Een AI-agent kan variabele invoer interpreteren, zijn plan aanpassen en een andere actie kiezen, zonder daarbij zijn bevoegdheden te overschrijden.
Hoe de AI-agent-loop werkt in 7 stappen
De agentlus is geen vooraf vastgelegde, vaste workflow. Het model kiest een actie, kijkt wat er is gebeurd en gebruikt de nieuwe toestand om de volgende stap te bepalen.
1. De speler krijgt een doelpunt toegekend
Een taak kan worden gestart door een opdracht, een geplande gebeurtenis, een trigger vanuit een applicatie, een systeemwaarschuwing of een overdracht door een andere medewerker. In het verzoek moet het verwachte resultaat worden omschreven, in plaats van elke tussenstap.
“Breng de zakelijke deals in kaart die dit kwartaal risico lopen en stel een interventieplan op.”
De medewerker ontvangt tevens werkinstructies: beschikbare hulpmiddelen, gegevensgrenzen, bedrijfsregels, goedkeuringsvereisten en criteria voor voltooiing.
2. Het haalt de relevante context op
Het model kan op basis van het doel alleen geen betrouwbare beslissing nemen. Het verzamelt de informatie die nodig is voor de huidige stap uit bronnen zoals:
- Gespreksgeschiedenis
- CRM-records
- E-mails en notulen van vergaderingen
- Interne documentatie
- Databases
- Gekoppelde applicaties
- Systeemgebeurtenissen in realtime
Voor een verzoek met betrekking tot een risicovolle deal kan de medewerker de verlengingsdata, de waarde van de deal, recente interacties, openstaande supportcases, belanghebbenden en vastgelegde vervolgstappen opvragen.
3. Het verdeelt het doel in concrete acties
Het redeneermodel beoordeelt de huidige situatie en stelt een werkplan op. Het kan besluiten om eerst in aanmerking komende deals te identificeren, vervolgens de accountcontext op te halen, daarna het risico in te schatten en ten slotte aanbevelingen op te stellen.
Dit plan kan nog veranderen. Als er voor een transactie geen recente notities zijn, kan de medewerker de e-mailgeschiedenis raadplegen. Als er geen eigenaar aan het account is gekoppeld, wordt het ontbrekende veld mogelijk gemarkeerd in plaats van dat er een ongeautoriseerde toewijzing wordt geprobeerd.
4. Het selecteert een gereedschap en roept het op
De agent heeft geen toegang tot bedrijfssystemen op basis van redeneringen alleen. Hij stuurt een gestructureerd verzoek naar een goedgekeurde tool, zoals:
- CRM-records zoeken
- Een database doorzoeken
- Een document lezen
- Een webpagina bekijken
- Code uitvoeren
- Een taak aanmaken
- Een veld in een pijplijn bijwerken
Een aanroep van een CRM-tool kan als gestructureerde argumenten onder meer een pijplijn, de status van een deal, een minimumwaarde, een verlengingsperiode en een drempelwaarde voor inactiviteit bevatten.
5. Het registreert het resultaat
Elke aanroep van een tool levert nieuwe informatie op. Het antwoord kan de opgevraagde records, gedeeltelijke gegevens, een machtigingsfout, een leeg resultaat of een bevestiging dat een actie is geslaagd bevatten.
Het model neemt die waarneming op in zijn werkcontext en toetst deze aan de doelstelling. Als de zoekopdracht te veel deals oplevert, kan de agent de criteria aanscherpen. Als een verplicht veld ontbreekt, kan het in een andere goedgekeurde bron zoeken of de ontbrekende informatie melden.
6. Het past veiligheidsmaatregelen toe en vraagt om goedkeuring
Veiligheidsmaatregelen controleren of de voorgestelde actie binnen het beleid blijft. Ze kunnen argumenten van tools valideren, de toegang tot records beperken, gestructureerde uitvoer afdwingen, gevoelige gegevens maskeren of een pauze inlassen voordat een ingrijpende actie wordt uitgevoerd.
De agent kan elke lopende transactie zelfstandig analyseren, maar heeft daarvoor wel bevestiging nodig voordat hij:
- Verzendt een extern bericht
- Wijzigingen in de eigendomsstructuur
- Bewerk records in bulk
- Verwijdert informatie
- Geeft geld uit
- Deelt vertrouwelijke gegevens
Goedkeuring maakt een onderscheid tussen autonome voorbereiding en geautoriseerde uitvoering.
7. Het voltooit, escaleert of draagt over
De lus wordt beëindigd wanneer de agent aan de voltooiingscriteria voldoet. De agent geeft de analyse terug, werkt het goedgekeurde systeem bij en registreert wat er is gebeurd.
Als de taak buiten het bereik van zijn tools of machtigingen valt, kan de agent de taak doorgeven aan een hogere instantie, samen met de reeds verzamelde context. In een systeem met meerdere agenten kan hij de taak in plaats daarvan doorgeven aan een gespecialiseerde agent, waarbij de relevante status behouden blijft.
Het resultaat is gecontroleerde autonomie: de agent kiest zelf hoe hij het doel bereikt, maar instructies, machtigingen, veiligheidsmaatregelen en voltooiingscriteria bepalen de grenzen van zijn handelen.
Alle onderdelen van een AI-agent
Een AI-agent is geen taalmodel dat op zichzelf staat. Het combineert een redeneermotor met instructies, zakelijke context, hulpmiddelen, geheugen, coördinatie en veiligheidsmaatregelen. Elk onderdeel lost een ander aspect van het uitvoeringsprobleem op.
Hoe AI-agenten tools gebruiken om actie te ondernemen
Een taalmodel kan redeneren over een taak, maar kan zonder hulpmiddelen geen live-pijplijn controleren, een record bewerken of een berekening uitvoeren. Hulpmiddelen bieden specifieke externe mogelijkheden die de agent via gestructureerde verzoeken kan aanroepen.
Het proces bestaat uit vier stappen:
- Het model geeft aan welke actie nodig is.
- Het selecteert een beschikbaar gereedschap.
- Het genereert de argumenten die door dat programma worden verwacht.
- Het leest het resultaat en beslist wat er vervolgens moet gebeuren.
Een medewerker die bijvoorbeeld inactieve leads onderzoekt, zou een CRM-zoekfunctie kunnen aanroepen met gestructureerde zoekcriteria zoals:
{
"pipeline": "Nieuwe klanten",
"status": "Open",
"minimum_value": 20000,
"days_since_last_interaction": 30
}
Het CRM-systeem geeft overeenkomende deals weer. Het model beoordeelt vervolgens die records en kan een andere tool aanroepen om notities op te halen, belanghebbenden te identificeren of een goedgekeurd veld bij te werken.
API's voor gestructureerde systeemoperaties
API’s stellen vooraf gedefinieerde applicatiefuncties beschikbaar, zoals het ophalen van records, het aanmaken van taken, het bijwerken van velden of het verwerken van transacties. Ze werken goed wanneer het verzoek en het antwoord een vast schema volgen.
De agent maakt geen gebruik van de gebruikersinterface van de applicatie. Hij stuurt een machinaal leesbaar verzoek rechtstreeks naar het systeem en ontvangt daar gestructureerde gegevens voor terug.
MCP-servers voor gestandaardiseerde toegang tot tools en gegevens
Het Model Context Protocol biedt compatibele AI-clients een uniforme manier om verbinding te maken met externe tools en gegevens. In plaats van voor elke combinatie van model en toepassing een afzonderlijke integratie te moeten bouwen, publiceert een MCP-server de mogelijkheden waarover een agent kan beschikken.
folk Met MCP kunnen bijvoorbeeld ChatGPT, Claude, Cursor, VS Code en andere compatibele clients via één gehoste server zoeken in een folk -werkruimte en deze bijwerken. De agent kan werken met personen, bedrijven, deals, notities, groepen en interactiegeschiedenis, afhankelijk van de rechten van de geauthenticeerde gebruiker.
Browsers voor interfacegebaseerd werk
Sommige systemen stellen de benodigde API of MCP-tool niet beschikbaar. Een browseragent kan door pagina’s navigeren, interface-elementen lezen, gegevens invoeren, op bedieningselementen klikken en de resulterende toestand inspecteren.
Het gebruik van een browser biedt ruime toegankelijkheid, maar brengt ook meer variabiliteit met zich mee. Wijzigingen in de lay-out, pop-ups, inlogvereisten en onduidelijke bedieningselementen kunnen de workflow verstoren. Voor gevoelige of onomkeerbare handelingen is meestal een bevestiging vereist voordat de definitieve klik wordt gegeven.
Code-uitvoering voor analyse en transformatie
Het uitvoeren van code helpt agenten bij het verwerken van gegevens, het toetsen van aannames, het omzetten van bestanden, het uitvoeren van simulaties of het valideren van berekeningen. Een data-agent kan bijvoorbeeld Python-code schrijven om CSV-bestanden samen te voegen en uitschieters te identificeren. Een programmeeragent kan een testsuite uitvoeren na het bewerken van de repository.
De uitvoer wordt als een nieuwe waarneming teruggestuurd naar de agent. Een mislukte test, een lege zoekopdracht of een validatiefout betekent niet automatisch dat de taak wordt beëindigd. Het biedt het model juist nieuwe context voor de volgende stap in de lus.
Hoe werken geheugen en context bij AI-agenten?
Een agent heeft voldoende statusinformatie nodig om te begrijpen wat er al is gebeurd, wat er nog moet worden afgehandeld en welke informatie van belang is voor de volgende handeling. Die statusinformatie kan zich bevinden in het huidige contextvenster, in een extern geheugen of in het bedrijfssysteem waarin het werk plaatsvindt.
Werkcontext voor de huidige taak
De werkcontext bevat de informatie die tijdens de actieve uitvoering beschikbaar is:
- Oorspronkelijke doelstelling
- Systeeminstructies
- Recente berichten
- Definities van gereedschappen
- Opgehaalde records
- Resultaten van de tool
- Huidig plan
- Reeds voltooide acties
Het contextvenster heeft een beperkte capaciteit. Agents die langdurig actief zijn, kunnen niet elk onbewerkt document, bericht en elke tooluitvoer voor onbepaalde tijd actief houden. Ze kunnen voltooide stappen samenvatten, irrelevante details verwijderen of informatie alleen ophalen wanneer dat nodig is.
Geheugen dat tussen sessies wordt bewaard
Persistent geheugen bewaart geselecteerde informatie nadat de huidige sessie is beëindigd. Dit kan onder meer bestaan uit gebruikersvoorkeuren, eerdere beslissingen, accountspecifieke gegevens, nog niet afgehandelde taken of overzichten van eerder verricht werk.
Nuttige informatie blijft selectief. Het opslaan van elke interactie leidt tot ruis bij het ophalen ervan en vergroot de kans dat verouderde informatie een toekomstige beslissing beïnvloedt. Productiesystemen hebben daarom regels nodig voor wat er moet worden bewaard, bijgewerkt, vervallen of verwijderd.
Externe systemen als operationeel geheugen
De meest betrouwbare bron van informatie is vaak al te vinden in een bedrijfsapplicatie. Een CRM-systeem bevat de geschiedenis van relaties. Een helpdesk slaat eerdere incidenten op. Een projecttracker registreert verantwoordelijken, knelpunten en statuswijzigingen. Een coderepository bewaart de huidige implementatie.
Een AI-verkoopassistent die is gekoppeld aan folk hoeft niet de volledige klantrelatie in het model op te slaan. De assistent kan bij aanvang van de taak de meest recente contactgegevens, notities, interacties en de status van de deal ophalen en vervolgens goedgekeurde wijzigingen terugschrijven naar het CRM. folk blijft de betrouwbare bron van waarheid.
Geheugen betekent niet dat het model continu wordt getraind
De meeste AI-agenten passen de gewichten van hun onderliggende model niet na elke taak aan. Ze lijken zich dingen te herinneren omdat het systeem informatie extern opslaat en deze tijdens een latere uitvoering weer ophaalt.
Feedback kan toekomstig gedrag verbeteren door middel van gecorrigeerde gegevens, aangepaste instructies, betere beschrijvingen van hulpmiddelen, goedgekeurde voorbeelden of bijgewerkte informatie. Het daadwerkelijke trainen van het model blijft een afzonderlijk proces. Dit onderscheid is van belang omdat opgeslagen context gemakkelijker kan worden gecontroleerd, gecorrigeerd en verwijderd dan kennis die is ingebed in de modelgewichten.
Hoe een AI-verkoopassistent samenwerkt met het CRM-systeem v folk
Een AI-verkoopassistent is operationeel zodra deze toegang heeft tot realtime klantgegevens en goedgekeurde resultaten kan terugschrijven naar het CRM. folk biedt die koppeling via een gehoste MCP-server die compatibel is met ChatGPT, Claude, Cursor, VS Code en andere MCP-clients.
Bekijk de volgende opdracht eens:
“Zoek openstaande transacties van meer dan 20.000 dollar waarbij de afgelopen 30 dagen geen interactie heeft plaatsgevonden, breng de waarschijnlijke oorzaak van de vertraging in kaart en stel een herstelplan op.”
1. De AI-client authenticeren
De gebruiker koppelt de AI-client via beveiligde OAuth aan folk . De agent krijgt dezelfde toegang tot de werkruimte als het geauthenticeerde folk -account, op basis van zijn bestaande rol en rechten.
2. Zet het doel om in zoekcriteria
De agent haalt de bedrijfsvoorwaarden uit het verzoek:
- Status van de deal: open
- Minimumbedrag: 20.000 dollar
- Inactiviteitsperiode: 30 dagen
- Vereiste output: blokkerings- en herstelplan
Vervolgens selecteert het de relevante zoekfuncties van folk .
3. Live transactiegegevens ophalen
Via de MCP- folk -functie doorzoekt de agent de werkruimte op geschikte kansen. Het resultaat kan onder meer de naam van de deal, het bedrijf, de eigenaar, de waarde, de huidige fase en de datum van de laatste interactie bevatten.
Dit eerste resultaat geeft aan welke records er zijn aangetast, maar biedt onvoldoende context om het probleem te diagnosticeren.
4. Reconstrueer elke relatie
De agent haalt de personen, bedrijven, notities, aangepaste velden en interactiegeschiedenis op die aan elke deal zijn gekoppeld. Hij zoekt naar signalen zoals:
- Onbeantwoorde vervolgvragen
- Bezwaren tegen de prijs
- Ontbrekende besluitvormers
- Vertragingen bij de inkoop
- Productvereisten
- Volgende stappen ontbreken
- Afnemende betrokkenheid
Het CRM fungeert als operationeel geheugen. De medewerker werkt op basis van de relatiegeschiedenis die al is opgeslagen in folk , in plaats van te vertrouwen op de context die in de prompt is gekopieerd.
5. Classificeer de blokkeerder
Het redeneermodel vergelijkt de bewijzen en wijst aan elke gemiste kans een waarschijnlijke oorzaak toe. Het moet een onderscheid maken tussen bevestigde feiten en gevolgtrekkingen.
Bijvoorbeeld:
- Bevestigd: De koper heeft om een SSO-beveiligingsbeoordeling gevraagd.
- Vermoedelijke blokkering: De transactie is vastgelopen omdat er na dat verzoek geen eigenaar van het beveiligingsobject is toegevoegd.
- Ontbrekend bewijs: er is geen interactie die bevestigt of de begroting volledig is goedgekeurd.
Deze scheiding voorkomt dat een aannemelijke interpretatie als feit wordt vastgelegd.
6. Stel het herstelplan op
De medewerker raadt een voor de specifieke account geldende volgende actie aan in plaats van één algemene opvolgingsprocedure toe te passen:
- Stel een technische belanghebbende voor
- Stuur de gevraagde veiligheidsdocumentatie
- De economische beslisser opnieuw betrekken
- Bevestig het tijdschema voor de aanbesteding
- Maak een afspraak voor een beslissingsgesprek
- Close een kans zonder geloofwaardig perspectief
Het kan ook een op de context afgestemd bericht opstellen op basis van het opgenomen gesprek en de huidige fase van de deal.
7. Goedkeuring aanvragen
Zoeken, analyseren en opstellen kan plaatsvinden zonder de werkruimte te wijzigen. Voordat een medewerker een deal bewerkt, een bericht verstuurt of meerdere taken aanmaakt, legt hij de voorgestelde acties ter controle voor.
In de goedkeuringsstap kan het volgende worden weergegeven:
“Northstar doorverwijzen naar de beveiligingsbeoordeling, ‘Introduceer een solutions engineer’ toevoegen als volgende stap, en het hersteloverzicht opslaan in de dealnotities?”
8. Schrijf het goedgekeurde resultaat terug naar folk
Na bevestiging roept de medewerker de betreffende folk -tools op om de deal bij te werken, een notitie toe te voegen, een veld te wijzigen of de volgende actie vast te leggen. Vervolgens controleert hij of de tool heeft gereageerd om te bevestigen dat de bijwerking is gelukt.
De volledige cyclus blijft met elkaar verbonden: folk levert de context van de relatie, de AI-assistent interpreteert deze en folk slaat het goedgekeurde resultaat op. Er is geen aparte database of aangepaste middleware nodig tussen analyse en uitvoering.
Conclusie
AI-agenten werken volgens een eenvoudige cyclus: een doel interpreteren, de context ophalen, een hulpmiddel kiezen, actie ondernemen en het resultaat evalueren. Modellen zorgen voor de redenering, terwijl hulpmiddelen, geheugen, coördinatie en veiligheidsmaatregelen die redenering omzetten in betrouwbare bedrijfsuitvoering.
Voor verkoopteams biedt het CRM-systeem ‘folk ’ AI-agenten de realtime context van klantrelaties die nodig is om doelgericht te handelen. Via MCP kan een AI-verkoopassistent deals onderzoeken, volgende stappen voorbereiden en goedgekeurde records bijwerken, zonder dat de besluitvorming losstaat van de workflow.
Veelgestelde vragen
Hoe werken AI-agenten, in eenvoudige bewoordingen?
AI-agenten krijgen een doel toegewezen, verzamelen relevante context, plannen de volgende actie, gebruiken een hulpmiddel, beoordelen het resultaat en herhalen dit proces totdat de taak is voltooid of menselijke tussenkomst vereist is.
Welke hulpmiddelen kan een AI-agent gebruiken?
AI-agenten kunnen gebruikmaken van API’s, MCP-servers, databases, browsers, omgevingen voor het uitvoeren van code, CRM-systemen, helpdesks, agenda’s, e-mailplatforms en andere geautoriseerde bedrijfssystemen.
Leren AI-agenten van elke taak?
De meeste agents trainen hun onderliggende model niet na elke taak opnieuw. Ze bewaren nuttige informatie via de gespreksstatus, het externe geheugen, databases, bestanden en bedrijfssystemen zoals een CRM.
Wat is het verschil tussen een systeem met één agent en een systeem met meerdere agenten?
Eén enkele agent stuurt de volledige workflow aan en roept verschillende tools op. In een multi-agent-systeem wordt het werk verdeeld onder specialisten, gecoördineerd door een manager-agent, of worden taken rechtstreeks doorgegeven.
Hoe werkt een AI-verkoopassistent samen met een CRM-systeem?
Een AI-verkoopassistent haalt realtime informatie over klanten en de pijplijn op, analyseert het account, doet aanbevelingen voor de volgende stap, vraagt indien nodig om goedkeuring en voert het goedgekeurde resultaat in het CRM in.
Ontdek folk -
Net als de verkoopassistent die uw team nooit heeft gehad