Wat 300 technici ons vertellen over AI-agents?

Vorige week publiceerden MIT Technology Review Insights en Microsoft een rapport dat ik al een paar dagen voor me uitschoof. Niet omdat het oninteressant is, eerder het tegendeel. Het heet de 2026 Agent Confidence Index, en het is het soort onderzoek waar ik weinig bezwaar tegen heb: geen marktonderzoek door een leverancier die zijn eigen product promoot, maar een meting onder 300 technische leiders en uitvoerders die daadwerkelijk met AI-agents werken. Verspreid over 12 sectoren, van startups tot bedrijven met meer dan 10 miljard dollar jaaromzet.

De vraag die ze stelden: hoeveel vertrouwen heb jij in AI-agents voor 101 concrete taken? Op een schaal van 0 tot 100.

Wat ze terugkregen, is het eerlijkste kaartje van het landschap dat ik tot nu toe gezien heb.

Wat agents al goed doen

Het gemiddelde over alle 101 taken ligt op 64. Dertig taken halen de 70. Dat klinkt misschien als “aardig op weg,” maar de cijfers aan de bovenkant van de index zijn opvallend hoog.

Geautomatiseerde rapportgeneratie staat bovenaan met een score van 83,5. Boilerplate code voor nieuwe softwarefuncties volgt op 82,5. Datakwaliteitsmonitoring scoort 82, real-time datastroommonitoring en geautomatiseerde dataprofiling allebei 80,5.

Het patroon aan de bovenkant van de index is consistent: voorspelbare, laagrisico-taken trekken het hoogste vertrouwen. Wat deze taken gemeen hebben: ze zijn vervelend voor mensen, en je kunt het resultaat snel controleren. Bij boilerplate code kun je de merge rate naar de hoofdcodebase meten. Dat ene getal vertelt je of de kwaliteit klopt.

Dit zijn niet de taken waar je trots op bent als je ze klaar hebt. Het zijn de taken die elke week terugkomen, die energie kosten zonder dat ze iets opleveren, en die mensen te lang blijven doen omdat ze “er nog even snel tussendoor” kunnen.

Waar het vertrouwen daalt en waarom

Service mesh-configuratie en troubleshooting staat onderaan met 37,5. Disaster recovery-testen scoort 43, database-migratieplanning 44,5. Deze taken raken live infrastructuur, coördineren lange workflows en zijn afhankelijk van organisatiekennis die agents nog maar net beginnen op te bouwen.

Maar hier zit de meest interessante bevinding van het hele rapport. Waar het vertrouwen daalt, schrijft het rapport dat toe aan het ontbreken van bedrijfscontext die aan de agents wordt meegegeven, niet aan de capaciteit van het model zelf. Zelfs het ophalen van de top tien klanten op basis van omzet vraagt context: welke klantkolom gebruik je, hoe berekent het bedrijf omzet, werkt het op fiscaal of kalenderjaar. Een nieuwe data-analist heeft dezelfde briefing nodig.

Dat is een fundamenteel ander probleem dan “de AI is nog niet goed genoeg.” Het is een organisatieprobleem. Bedrijven die hun processen niet hebben beschreven, hun definities niet hebben vastgelegd en hun context niet hebben gedocumenteerd, kunnen agents niet goed inzetten, ongeacht hoe capabel het model is.

De zorgen die technici wakker houden

De grootste zorg is verantwoordelijkheid voor beslissingen die agents nemen: 48% van de respondenten noemt dit als primaire zorg. Hallucinaties en onnauwkeurige uitkomsten volgen op 47%.

De zorg verschilt ook per rol. Executives focussen op verantwoordelijkheid (54%), want zij moeten uitleggen wanneer een agent-beslissing fout gaat. Individuele medewerkers maken zich meer zorgen over hallucinaties (56%) en over het verliezen van vakmanschap. Een kleinere groep vreest volledige vervanging.

Als reactie op die zorgen zegt 59% van de respondenten dat ze mensen in de loop houden. Een andere 53% monitort agent-activiteit nauwkeurig en traceert de invoer van beslissingen.

Dat is geen terughoudendheid. Dat is professionele volwassenheid.

Wat het rapport niet zegt, maar wel impliceert

51% van de respondenten ziet het stroomlijnen van processen als de grootste kans die agents bieden voor dagelijks werk. Dat is een meerderheid, maar geen overweldigende. De helft van de technici die het meest met agents werken, ziet verbetering van prestaties en het verminderen van herhalend werk als prioriteit, niet grootschalige automatisering of het vervangen van mensen.

En dan is er dit: voor cloud-gerelateerde taken zegt 96% van de respondenten dat het gebruik van agents voor systeembetrouwbaarheid hun carrièreperspectieven helpt. Voor AI-workflows geldt hetzelfde voor evaluatie en kwaliteitsborging (92%).

Het rapport trekt hier een heldere conclusie: vertrouwen, niet capaciteit, is de echte munt van agent-adoptie. Wie al vroeg leert werken met agents, bouwt een voorsprong op die niet makkelijk in te halen valt.

Wat dit voor jou betekent

Dit rapport is gemaakt voor technische leiders in grote organisaties. Maar de onderliggende logica geldt evengoed voor een MKB-ondernemer die nadenkt over zijn eerste stap met AI-agents.

De taken waar het vertrouwen het hoogst is, zijn precies de taken die in elk bedrijf terugkomen: rapportages maken, data controleren, herhaalbare processen documenteren en uitvoeren. De drempel om daarmee te beginnen is lager dan de meeste mensen denken.

De reden dat het lager in de index zit, is niet dat de technologie faalt. Het is dat de context ontbreekt. En context is iets wat jij kunt aanleveren. Wie zijn bedrijfsprocessen goed heeft beschreven, wie weet hoe hij werkt en dat kan vertalen naar heldere instructies, geeft agents precies wat ze nodig hebben om nuttig te zijn.

De index meet het vertrouwen van technici. Maar het echte vertrouwen begint bij jou: weet jij goed genoeg hoe jouw bedrijf werkt om dat aan een agent uit te leggen?