Vandaag al inzetbaar: een AI-agent die CV’s up-to-date houdt

Op papier leek dat een klassieke workflow, relevante info extraheren en mappen naar de juiste velden, maar in de praktijk liepen de regels al snel uit de hand door de vele beslismomenten en variaties. Welke passages zijn relevant? Wanneer vertaal je een CV, wanneer update je een bestaande entry en wanneer voeg je er een nieuwe toe? Wat begon als een lineaire reeks stappen groeide uit tot een vertakte boom vol uitzonderingen en redundantie, met verlies van overzicht en onderhoudbaarheid tot gevolg.

Kantelpunt naar een AI-agent

Dat was het moment om te schakelen naar een AI‑agent: geen vooraf dichtgetimmerde flow, maar een doelgerichte aanpak waarin de agent zelf een plan opstelt, tussenstappen uitvoert, de juiste tools en API’s aanroept en zijn koers bijstuurt op basis van feedback. Het doel blijft hetzelfde, namelijk een actueel consistente CV, maar de weg ernaartoe wordt dynamisch. De agent beslist stap voor stap welke actie het meest logisch is op basis van de context van de check-in en de bestaande CV-inhoud.

In wat volgt, licht Stijn toe hoe zo’n agent werkt, waarom dit verschilt van klassieke workflows en welke meerwaarde dat in de praktijk oplevert.

Wat zijn AI-agents?

AI-agents zijn softwaresystemen die zelfstandige taken gaan uitvoeren door tools aan te spreken en workflows op te stellen. In plaats van één enkel verzoek te beantwoorden, gaan AI-agents over de taak nadenken, hierrond een plan opstellen, tussenstappen uitvoeren, tools en API’s aanroepen, feedback verwerken en hun aanpak bijstellen totdat een resultaat is bereikt. Ze combineren doorgaans vier kerncapaciteiten: begrip van natuurlijke taal, redeneren en plannen, actie via tools of systemen en geheugen om context vast te houden over meerdere stappen of sessies.

Hoe verschillen AI-agents met klassieke workflows?

Klassieke workflows in automatisering zijn meestal lineair en op regels gebaseerd. Denk aan een vaste reeks if/then-regels die exact beschrijft wat er moet gebeuren. Zo’n workflow werkt uitstekend voor voorspelbare taken met weinig variatie, maar loopt vast bij afwijkingen, onvolledige informatie of onverwachte situaties. Een agent pakt dat anders aan: die vertaalt een doel naar een dynamisch plan, kiest op elk moment de volgende beste actie en kan omgaan met onzekerheid door extra informatie te verzamelen, hypothesen te toetsen of alternatieve paden te verkennen.

Ook foutafhandeling verloopt anders: waar een klassieke pipeline stopt of menselijke tussenkomst vraagt, kan een agent zelf vervolgstappen formuleren en uitvoeren binnen afgesproken grenzen, zoals nieuwe zoekopdrachten uitvoeren, aanvullende data opvragen of een ander hulpmiddel inzetten. Wat agents nog onderscheidt is het geheugen: ze onthouden eerdere beslissingen en context, waardoor ze meer samenhangend handelen over langere trajecten. Tegelijk vraagt dit wel om nieuwe vormen van governance: monitoring en evaluatie, duidelijke grenzen waarbinnen de agent mag opereren en expliciete toestemming voor kritieke acties.

Andere AI-agents in de praktijk

In uiteenlopende domeinen duikt hetzelfde agent‑patroon op, van reisplanning tot softwareontwikkeling. Een reis‑agent vertrekt vanuit een taak (“Stel een gezinsreis naar portugal samen”), zet die om in een plan (welke bronnen te raadplegen, welke voorkeuren te wegen, welke opties te vergelijken...) en werkt iteratief: prijzen ophalen, beschikbaarheid checken, opties samenstellen en stappen bevestigen. De agent krijgt hierbij toegang tot verscheidene tools om dit uit te voeren (zoeken, betalingen, e‑mail, boeken/annuleren). Transparante terugkoppeling en expliciete toestemming bij impactvolle acties houdt de controle bij het reisbureau. Een coding‑agent start met een taakomschrijving, maakt een plan, genereert stap voor stap code, draait die in een sandbox en gebruikt foutmeldingen als feedback.

Zelftesten plus menselijke review: kwaliteit in elke iteratie

Centraal staat de closed loop: plannen, bewerken, uitvoeren, evalueren en bijstellen. Dankzij tools zoals bestandslezers‑ en schrijvers, terminaltoegang en test‑runners kan de agent echt handelen in plaats van enkel tekst te voorspellen. Door unit‑ en integratietests te schrijven of uit te voeren controleert de agent zichzelf en vermindert hij regressies. Human in the loop blijft daarbij cruciaal: je levert duidelijke acceptatiecriteria aan, reviewt de wijzigingen na uitvoering en stuurt zo nodig bij met extra prompts. Voeg je bovendien projectbestanden toe die code‑stijl en architectuur beschrijven, dan kan de agent code produceren zoals een developer die al jaren op het project werkt.

Tools met grenzen

Hoe vervang je een vaste workflow door een agent? Door niet langer elke stap dicht te timmeren, maar het doel, de context en de spelregels te beschrijven. Met een goede systemprompt stelt de agent zelf een plan op om de CV‑update door te voeren. Hij beslist bijvoorbeeld of een check‑in of CV eerst vertaald moet worden, bepaalt op basis van de huidige inhoud of er een nieuwe entry bij moet of een bestaande geüpdatet kan worden, en beoordeelt de kwaliteit en consistentie van de tekst.

Daarvoor krijgt de agent de juiste tools mee: een vertaaltool, een client om externe API’s aan te spreken voor CV‑updates, en een datatoegangstool om CV‑informatie van een consultant op te halen. Bij het toevoegen van tools horen strikte guardrails. We willen niet dat de agent per ongeluk data verwijdert, dus ontwerpen we tools met het principe van least privilege: een agent die alleen moet lezen, krijgt enkel leesrechten. Voor acties met impact (zoals schrijven, bijwerken of verwijderen) definieer je smalle, expliciete operaties en kun je desnoods een extra bevestiging of menselijke goedkeuring vereisen.

Het mooie is de uitbreidbaarheid. In een volgende fase kan de agent bij elke update bijvoorbeeld automatisch relevante vacatures op het internet opzoeken en suggesties toevoegen. Dankzij het agent‑patroon kun je zulke functionaliteit modulair en gecontroleerd blijven uitbreiden, zonder te vervallen in een onoverzichtelijke bomenstructuur van regels en uitzonderingen.

Wat levert dit op?

Door te verschuiven van een vertakte if/then‑workflow naar een doelgerichte agent, blijft het proces beheersbaar bij variatie en uitzonderingen. De agent kan omgaan met onvolledige of ambigue input, houdt context vast over meerdere stappen en maakt zo consistenter handelen mogelijk. Met goede grenzen en toezicht behoud je controle, terwijl het systeem de complexiteit van de realiteit beter absorbeert dan een statische regelset. Zo leveren ze in de praktijk snelheid en veerkracht op.