De korte versie
Traditionele marketing automation voert een workflow uit die jij hebt getekend: als dit, dan dat. Agentic software krijgt in plaats daarvan een uitkomst mee – de churn in week vier verlagen, de trialfunnel vullen – en bedenkt zelf de stappen: ze roept onderweg tools aan, leest wat er gebeurde en past haar plan aan. Naar die cyclus verwijst het bijvoeglijk naamwoord agentic. Leveranciers verkopen hetzelfde idee ook als autonomous marketing.
Wat het woord je niet vertelt, is hoeveel speelruimte de software heeft. Een systeem kan vijf stappen plannen en toch stoppen tot jij akkoord geeft voordat het iets verstuurt. Dat onderscheid raakt in de meeste beschrijvingen van de categorie zoek, en juist dat bepaalt of je een tool veilig op je klanten kunt loslaten.
Geen neutrale partij heeft het gedefinieerd
Er is geen referentiedefinitie van agentic marketing. Wikipedia heeft geen artikel over de term. Geen normalisatie-instelling heeft hem gedefinieerd. De definities die rondgaan, komen bijna allemaal van bedrijven die de software verkopen die ze definiëren – Salesforce, Adobe, Braze en HubSpot publiceren er elk een, en in deze alinea doen wij dat ook. Dat zeggen we liever ronduit dan dat we doen alsof het anders is.
De twee analistendefinities waar je je aan kunt vasthouden, zijn smaller dan die van de leveranciers. Gartner omschrijft agentic AI als systemen die autonoom plannen en acties ondernemen om doelen te halen die de gebruiker heeft gesteld. De definitie van Forrester is strenger en bruikbaarder, omdat ze eindigt met de nuance die alle anderen weglaten: software die flexibel kan plannen en zich kan aanpassen om doelen te bereiken door actie te ondernemen in haar omgeving, met toenemende niveaus van autonomie. Toenemende niveaus. Geen schakelaar.
De autonomieladder
De analistendefinities zijn het erover eens dat de software moet plannen en handelen, dus het label geldt alleen voor de bovenste twee treden van deze ladder. Wat het niet beslecht, is de stap die er in de praktijk het meest toe doet – of het ding op jou wacht. Deze vijf treden sorteren producten op hoeveel er zonder jou wordt beslist: regels, generatieve hulp, copilot, agent met goedkeuring en zonder toezicht.
Treden één en twee beslissen tijdens de uitvoering niets. Trede drie redeneert, maar gaat net niet over tot handelen, en dat is ook de grens die onze gids over agents en chatbots trekt. Alleen treden vier en vijf plannen én handelen, en alles daaronder beschrijven in de taal van de top is wat Gartner agent washing noemde: bestaande producten, zoals AI-assistenten, robotic process automation en chatbots, een nieuw etiket geven zonder wezenlijke agentic mogelijkheden. In dezelfde notitie van juni 2025 schatte Gartner dat maar ongeveer 130 van de duizenden leveranciers die het label claimen, echt waren, en voorspelde het dat meer dan 40% van de projecten met agentic AI tegen eind 2027 zou worden stopgezet – een voorspelling over 2027, geen gemeten faalpercentage.
Tussen treden vier en vijf verschilt alleen de plek van het controlepunt, en dat maakt de stap ertussen een operationele beslissing en geen aankoop – human-in-the-loop marketing is waar die keuze thuishoort. De ladder meet ook alleen zelfstandigheid, niet de impact als het misgaat: automatisch één in-app banner live zetten en automatisch een verzending naar je hele lijst live zetten, staan op dezelfde trede en dragen bij lange na niet hetzelfde risico. Reikwijdte is de tweede knop, en daar loont het om het strengst te zijn.
Waarom de bovenste trede zeldzaam is
Lange autonome ketens lijken op een specifieke manier te falen: de kans op een fout stapelt zich op bij elke stap. Toby Ord paste een model toe op de reeks onderzoeks- en engineeringtaken van METR en vond dat de data te verklaren is doordat een agent per minuut aan equivalent menselijk werk een ruwweg constante kans heeft om te falen, wat een exponentieel dalend succespercentage oplevert naarmate taken langer worden. Elk systeem heeft in feite een halfwaardetijd. Ord zegt uitdrukkelijk dat het nog een open vraag is of dit ook geldt voor andere reeksen taken – maar de vorm past bij wat mensen uit de praktijk melden: korte taken lukken, lange taken zonder toezicht brokkelen af.
Consistentie is het lastigere probleem. De benchmark tau-bench, in 2024 gepubliceerd door Sierra, mat niet alleen of een agent een taak voltooide, maar ook of dat herhaaldelijk lukte: de beste modellen van die generatie haalden minder dan de helft van de taken, en slaagden in het retaildomein in minder dan een kwart van de gevallen bij alle acht pogingen op dezelfde taak. Modellen zijn sindsdien beter geworden, maar het gaat om de vorm van de bevinding: zelfs een hypothetische agent die vier op de vijf keer werkt, laat je niet alleen met je lijst.
Erger nog: fouten zijn niet altijd zichtbaar. Een studie uit 2026 naar de trajecten van agents vond dat een groot deel van de fouten stil bleef: de agent meldde dat de taak klaar was terwijl de omgeving iets anders liet zien, bij 45 tot 48% van de fouten in de domeinen met enkele controle van één benchmark. Hetzelfde paper vond 3% in een domein met dubbele controle, dus het percentage verschilt sterk per opzet – maar stil falen bij elk van die percentages is een argument voor een goedkeuringsstap en een beslissingslog, niet alleen voor betere modellen.
Er is ook een beveiligingsrisico dat specifiek is voor marketing. De lethal trifecta van Simon Willison beschrijft het gevaar van de combinatie van toegang tot privédata, blootstelling aan niet-vertrouwde content en het vermogen om naar buiten te communiceren – en een marketingplatform heeft ze van nature alle drie: je klantenlijst, binnenkomende antwoorden die je niet zelf schreef, en een verzendknop. Die combinatie verdient op zichzelf al een controlepunt.
Zo test je een claim
Met een handvol vragen kun je elk product op de ladder plaatsen. De antwoorden staan meestal in de documentatie, niet op de landingspagina.
| Vraag | Zo klinkt een inhoudelijk antwoord |
|---|---|
| Wat maakt het zonder mij? | Benoemde objecten in het platform – een segment, een journey, een test – geen concept in een chatvenster. |
| Waar zit het controlepunt, en kan ik het verplaatsen? | Goedkeuring is per onderdeel in te stellen, en staat standaard aan. |
| Wat gebeurt er als een stap mislukt? | Het stopt en zegt dat. Als het je niet kan vertellen wat er misging, kun je het niet zonder toezicht laten draaien. |
| Kan ik zien waarom het dat besliste? | Een beslissingslog met de redenering, niet alleen een tijdstempel en een status. |
| Wat kost een run? | Een echt bedrag. Agents met meerdere stappen roepen herhaaldelijk modellen aan; de kosten per uitkomst zijn een ontwerpbeperking, geen voetnoot. |
Nu het ongemakkelijke deel, want deze pagina komt van een leverancier, en de test hierboven hebben we zelf geschreven, net als de ladder. Voor publiceren zit de AI van fromHello op trede vier. Via de MCP-server maakt de AI-client die je al gebruikt echte objecten (segmenten, templates, concepten van journeys), en de ingebouwde assistent doet hetzelfde vanuit één zin; een journey blijft een concept tot hij wordt gepubliceerd, en publiceren, pauzeren of verwijderen vereist een bevestigingsstap, die via MCP plaatsvindt in je AI-client, volgens diens eigen instellingen voor rechten. Geen enkele AI-tool verstuurt een bericht. Onder die grens werkt het dichter bij trede vijf: wijzigingen aan een segment of een template gelden zodra ze zijn opgeslagen en bereiken de volgende verzendingen van een live journey, en personalisatie bij verzending herschrijft, zodra je die voor een e-mailstap aanzet, elk bericht zonder controle per bericht; als de AI faalt, wacht de verzending standaard. Het controlepunt ligt vast in het product en is niet per onderdeel te verplaatsen, en het auditlog legt MCP-toolaanroepen vast, niet de redenering van het model; het waarom blijft in het gesprek met je AI. MCP-aanroepen tellen nooit mee; in fromHello Cloud draait de ingebouwde assistent op de AI-credits die vanaf Team zijn inbegrepen. Wij schreven de test, dus geef onze score minder gewicht.
Nog twee dingen zijn inmiddels basisvereisten in plaats van leuke extra’s. Openheid is in de EU al wet: de transparantieverplichtingen van artikel 50 van de AI-verordening, die vereisen dat mensen te horen krijgen wanneer ze met een AI-systeem te maken hebben, gelden sinds 2 augustus 2026 en zijn niet beperkt tot systemen met een hoog risico. En de verantwoordelijkheid gaat niet over op de software: in Moffatt v. Air Canada hield het Civil Resolution Tribunal van Brits-Columbia de luchtvaartmaatschappij verantwoordelijk voor verkeerde informatie die haar eigen chatbot een passagier had gegeven, en verwierp het het argument dat de chatbot een afzonderlijke entiteit was die zelf aansprakelijk was. Beide komen bij jou terecht als de partij die de software inzet, niet bij de leverancier die je beoordeelt.
Wat het betekent voor een klein team
Wat er over de categorie wordt geschreven, richt zich op grote ondernemingen, en de enquêtedata erachter ook: de CMO Spend Survey 2026 van Gartner was gebaseerd op 401 marketingleiders, de overgrote meerderheid bij bedrijven met meer dan een miljard dollar omzet. De adoptie loopt ook achter op de ophef, al gaat het gemeten cijfer over technologieleiders en niet over marketeers: de Gartner CIO and Technology Executive Survey 2026 zette de inzet van AI-agents op 17% van de organisaties, tegenover meer dan 60% die verwacht ze binnen twee jaar in te zetten.
Voor een bedrijf van twee mensen is de praktische lezing smaller en bemoedigender. Je hebt de categorie niet nodig; je hebt specifiek werk nodig dat gedaan wordt – de onboardingreeks geschreven, het churncohort gevonden. Software op trede 4 bereidt dat werk voor, en een journey die ze bouwt, blijft een concept tot hij wordt gepubliceerd; controleer welke van haar andere wijzigingen ingaan zodra ze zijn opgeslagen. Voor wat je aan AI overlaat en wat je zelf houdt is er een aparte gids; hoe agents bovenop geplande en getriggerde automatisering zitten, staat in autonomous marketing, uitgelegd; en het verschil tussen een agent en de chatbot waarmee hij vaak wordt verward, staat in AI-marketingagents vs. chatbots.