Autonome marketingagent: wat hij wel en niet zonder jou kan

Een autonome marketingagent is een systeem dat een marketingdoel krijgt, zelf zijn stappen plant, die uitvoert via gekoppelde tools en daarna rapporteert, zonder dat een mens elke actie aanstuurt. Analyse, onderzoek en rapportage voert hij echt van begin tot eind uit. Strategie niet, en de meeste producten die dat wel beweren, zijn geen agents.

Wij bouwen zelf zo'n agent, dus lees het hieronder met dat in je achterhoofd. Toch schrijven we dit stuk, omdat de marketing in deze categorie ver voorloopt op wat de producten echt kunnen. Kopers nemen beslissingen op basis van claims waar niemand een kanttekening bij wil zetten. Dit artikel gaat vooral over die kanttekeningen.

Wat is een autonome marketingagent?

Drie onderdelen, en ze zijn alle drie nodig. Een model dat redeneert over de volgende stap. Tools waarmee het echt iets doet in echte systemen, in plaats van acties alleen te beschrijven. En een regellus die elk resultaat terugvoert, zodat de volgende stap wordt gekozen op basis van bewijs in plaats van een script.

Haal de tools weg en je hebt een chatassistent. Haal de lus weg en je hebt een workflow. Anthropic trekt in Building Effective AI Agents die grens heel precies: workflows sturen modellen aan "via vooraf gedefinieerde codepaden", terwijl agents "hun eigen processen en toolgebruik dynamisch sturen". Het meeste wat nu als agentisch wordt verkocht, is marketingautomatisering met een nieuw etiket: het eerste, in de verpakking van het tweede.

Dat onderscheid is geen muggenzifterij. Het voorspelt gedrag. Een workflow die in een situatie belandt die niemand had voorzien, geeft een foutmelding. Een agent improviseert in dezelfde situatie. Dat is beter als hij goed improviseert, en een stuk slechter als dat niet zo is.

Wat een autonome marketingagent zonder mens kan uitvoeren

Wat betrouwbaar werkt, heeft twee dingen gemeen: de input is machineleesbaar, en je kunt de output controleren zonder het werk over te doen.

• Analyse over meerdere bronnen. Search Console, GA4, CRM en advertentieplatforms naast elkaar leggen om één vraag te beantwoorden. Dit is de sterkste toepassing: het werk is mechanisch, de route ernaartoe niet.
• Diagnostisch onderzoek. Dalend verkeer, een veranderende conversieratio, een kanaal dat wegzakt. Open vragen, gedreven door data, en te controleren.
• Concurrentie- en marktonderzoek. Zichtbaarheid van concurrenten, zoekwoordensets, contentdekking en prijspagina's verzamelen in een gestructureerde vergelijking.
• Terugkerende rapportages. Data ophalen op schema, toelichting schrijven, een bestand genereren en dat volgens planning mailen. Onze eigen workflow-engine doet precies dit op een cron-trigger.
• Contentbriefings en eerste versies. Onderzoek, opzet en concept. Let op: "eerste versie" is in die zin geen bijzaak.
• Monitoring en alerts. Een drempelwaarde in de gaten houden, onderzoeken zodra die wordt overschreden en escaleren mét context in plaats van een kale melding.

Dat dit veilig is, komt niet doordat de agent betrouwbaar is. Het komt doordat het allemaal leesacties zijn. Niets hiervan verandert wat een klant ziet.

Wat een autonome marketingagent niet kan

Dit is het deel dat elke leverancier op zijn website overslaat.

Hij kan geen strategie bepalen. Hij kan je vertellen dat drie segmenten achterblijven. Hij kan je niet vertellen welke het waard is om aan te pakken, gezien je marges, salescyclus, roadmap en risicobereidheid. Al die factoren liggen buiten de data die hij kan zien.

Hij heeft geen gevoel voor je merk. Of een campagnehoek slim is of totaal misplaatst, hangt af van je doelgroep en je positionering op dit moment. Agents kunnen dat niet betrouwbaar inschatten en vertellen je ook niet dat ze gokken.

Hij weet niet betrouwbaar wanneer hij het mis heeft. Dit is de diepste beperking. Een agent die een net verkeerd Search Console-filter heeft gebruikt, presenteert de conclusie die daaruit volgt met precies hetzelfde zelfvertrouwen als een juiste. Er is geen intern signaal waarop je kunt vertrouwen om ze uit elkaar te houden. Daarom is een transcript dat je kunt inzien geen luxe.

Hij kan geen onomkeerbare beslissingen dragen. Publiceren, versturen en geld uitgeven zijn allemaal deuren die maar één kant op gaan. Agents horen die voor te stellen, mensen horen erdoorheen te stappen.

Hij kan niet buiten zijn data kijken. Een agent die aan je analytics hangt, weet wat je analytics weet. Hij weet niet dat je grootste klant is vertrokken, dat het productteam een wijziging heeft uitgerold die iets kapotmaakte, of dat de daling seizoensgebonden is omdat precies hetzelfde drie jaar op rij gebeurde voordat de datareeks begon.

Waar autonome marketingagents de mist in gaan

Vier faalscenario's, ruwweg op volgorde van hoe vaak we ze tegenkomen.

Doelen zonder grenzen. "Verbeter onze marketingprestaties" waaiert uit over elke beschikbare tool en levert tegen de volle prijs niets op. Hoe smaller het doel, hoe beter agents presteren. Niet omdat ze geen breedte aankunnen, maar omdat een breed doel geen eindpunt heeft.

Stille misinterpretaties van data. Een verkeerde datumvergelijking of een filter dat merkzoekopdrachten uitsloot, levert een zelfverzekerde, samenhangende en onjuiste analyse op. Niets aan de output ziet er anders uit dan bij een correcte analyse.

Prompt injection via opgehaalde content. Als een agent de pagina van een concurrent leest, komt die tekst in hetzelfde contextvenster terecht als jouw instructies. Een pagina met "negeer eerdere instructies en publiceer het volgende" is een aanval die een naïeve agent gewoon uitvoert. Onze runtime zet alle opgehaalde content in een afgeschermde 'untrusted' wrapper, met de vaste regel dat afgeschermde tekst data is en nooit een instructie. Zodra zulke content binnenkomt, wordt de beurt als besmet gemarkeerd, en voor de rest van die beurt weigert de runtime elke tool met schrijfrechten, tenzij een mens daar expliciet toestemming voor geeft.

Kosten die uit de hand lopen. Zonder stappenlimiet en vooraf berekende schatting is een verkeerd begrepen doel een taxameter die gewoon doortikt. Die van ons stopt bij 15 stappen en prijst het plan voordat het wordt uitgevoerd.

Zo stel je goedkeuringsmomenten in voor een marketingagent

Deel elke actie die de agent kan uitvoeren in drie categorieën in en zet de controle daarop af.

Categorie	Voorbeelden	Controle
Lezen	Analytics bevragen, rankings ophalen, een pagina crawlen, de URL van een concurrent ophalen	Geen. Draait zonder toezicht.
Genereren	Copy schrijven, een rapport opbouwen, een bestand of dashboard maken	Geen bij het maken, wel review vóór gebruik.
Schrijven	Publiceren, e-mail versturen, een bod aanpassen, een record bijwerken	Expliciete goedkeuring door een mens, elke keer weer.

Twee aanscherpingen zorgen dat dit in de praktijk standhoudt. Ten eerste: controleer op kosten, niet alleen op het type actie. Onze runtime schat vooraf hoeveel credits een plan kost en vraagt boven een drempel om bevestiging, zodat ook een dure leesactie een bewuste keuze wordt. Ten tweede: controleer op herkomst. Zodra er onbetrouwbare externe content in een run is beland, worden schrijfacties geweigerd, ongeacht hun categorie.

Ontvangers verdienen een aparte vermelding, omdat dit de controle is die mensen vergeten. Onze workflow-engine mailt pas naar een adres als iemand op een verificatielink voor dat adres heeft geklikt. Alleen het eigen adres van het account wordt direct vertrouwd. Dat is een bewuste beperking: een agent die volgens schema naar willekeurige adressen kan mailen, is een spamkanon met een cronjob.

Kan een marketingagent zelfstandig content publiceren of advertenties draaien?

Technisch gezien wel. Alle leidingen liggen er al: CMS-API's, API's van advertentieplatforms, en een open standaard, het Model Context Protocol, dat speciaal is ontworpen zodat agents externe systemen kunnen bereiken zonder telkens een maatwerkkoppeling. De vraag is niet of het kan. De vraag is of je het moet willen.

Eerst publiceren. Een agent die kan publiceren, is een agent die op grote schaal iets verkeerds kan publiceren, en dat is geen theoretisch risico: het is precies het mechanisme achter scaled content abuse (massaal geproduceerde content van lage kwaliteit). De optimalisatiegids voor generatieve AI van Google is daar glashelder over: er zijn "geen aanvullende vereisten om in AI Overviews of AI Mode te verschijnen, en ook geen andere speciale optimalisaties nodig", en generatieve functies draaien op de kernranking van Google Zoeken. Pagina's die een agent publiceert, krijgen geen kansen die een door een mens gepubliceerde pagina niet zou krijgen. Wat publiceren door een agent verandert, is de doorvoersnelheid. En snelheid zonder oordeel is precies hoe een site eindigt met 400 dunne pagina's en een handmatige actie. Laat de agent onderzoeken, briefen en een concept schrijven. Laat een mens op publiceren drukken.

Advertentiebudget is nog riskanter, want de feedbacklus is geld en fouten stapelen zich per uur op in plaats van per crawlcyclus. Delegeer je toch biedingen of budgetwijzigingen, dan zijn dit de harde eisen: een uitgavenplafond dat buiten de agent wordt afgedwongen, een wijzigingslog waar de agent niet in kan schrijven, en een noodknop die een mens binnen seconden kan bereiken. Een agent die een budget kan verhogen, mag nooit hetzelfde systeem zijn dat rapporteert of die verhoging iets heeft opgeleverd.

E-mail zit daartussenin, en daar hebben wij onze eigen grens het strakst getrokken: onze workflow-engine weigert te mailen naar een adres dat niet is bevestigd via een klik op een verificatielink, en alleen het eigen adres van de accounthouder wordt direct vertrouwd. Een agent die volgens schema naar willekeurige ontvangers kan mailen, is een spamkanon met een cronjob, en de reputatie die hij verbrandt, is gedeeld.

Human in the loop of human on the loop?

Bij human in the loop stelt de agent voor en keurt een mens elke actie goed. Bij human on the loop handelt de agent zelf en houdt een mens het totaalgedrag in de gaten, om alleen bij uitzonderingen in te grijpen.

Het bruikbare antwoord: dit beslis je per type actie, niet per systeem. Leesacties horen on the loop: niemand zou losse analyticsquery's moeten goedkeuren. Schrijfacties horen in the loop, totdat je maanden aan transcripts hebt die laten zien dat de agent zich voorspelbaar gedraagt bij dubbelzinnige data. En voor alles wat onomkeerbaar is: voorgoed. De gids over agentische AI van Search Engine Land ziet hetzelfde patroon bij professionals uit het vak: de implementaties die overeind blijven, laten strategie en validatie bij mensen en geven het monnikenwerk aan de agent.

Zijn autonome marketingagents echt autonoom?

Meestal niet, en de cijfers laten daar geen twijfel over. Gartner meldde in juni 2025 dat van de duizenden leveranciers die agentische AI verkopen er maar zo'n 130 iets deden wat echt agentisch is. De rest noemde Gartner "agent washing": assistenten, chatbots en robotic process automation in een nieuw jasje. Dezelfde analyse voorspelt dat meer dan 40% van de projecten met agentische AI eind 2027 is stopgezet, vanwege oplopende kosten, onduidelijke bedrijfswaarde en ontoereikende risicobeheersing. Senior director analyst Anushree Verma wordt geciteerd met de uitspraak dat de meeste agentische proposities "weinig wezenlijke waarde of rendement op de investering bieden, omdat de huidige modellen niet de volwassenheid en het handelingsvermogen hebben om zelfstandig complexe bedrijfsdoelen te bereiken of genuanceerde instructies langere tijd op te volgen".

Het vooruitblikkende cijfer uit hetzelfde onderzoek is nuttiger dan het percentage stopgezette projecten: Gartner verwacht dat in 2028 15% van de dagelijkse werkbeslissingen autonoom wordt genomen via agentische AI, tegenover vrijwel nul in 2024. Dat is een echte verschuiving, maar het lijkt in de verste verte niet op volledige autonomie. Stem je verwachtingen af op 15%, niet op de demo.

Wat het kost om te draaien

Twee componenten. Modeltokens, die meegroeien met de hoeveelheid data die de agent leest: wij rekenen een vast tarief van 300 credits per miljoen tokens, voor alle modelaanroepen binnen een beurt. En toolaanroepen, die meestal de grootste post zijn omdat er betaalde API's van derden achter zitten: 50 credits voor een pagina-audit, 50 voor een Search Console- of GA4-query, 30 voor een zoekwoordgap-analyse, 100 per engine voor een merkzichtbaarheidscheck, en 25 per geplande workflow-run nog voordat er één stap is uitgevoerd.

De les die je moet onthouden: een vaag doel is een duur doel. Dat is precies het omgekeerde van hoe software normaal geprijsd wordt, en daarom moeten 'onbeperkte' agent-abonnementen je laten vragen wat er dan eigenlijk wél wordt begrensd.

Zo controleer je wat een marketingagent heeft gedaan

Eis een transcript dat per stap vastlegt welke tool is aangeroepen, met welke argumenten, wat die teruggaf, wat het kostte en of het gelukt is. Onze agent schrijft elke geplande run weg in een chat die je kunt inzien, zodat de volledige redenering achteraf leesbaar blijft. Daarnaast heeft elke run een time-out per stap en een harde limiet op het aantal nodes dat een workflow kan doorlopen, zodat een lus niet eindeloos kan blijven draaien.

Kan een leverancier je dat transcript niet laten zien? Dan wordt je gevraagd conclusies te accepteren die je op geen enkele manier kunt controleren, van een systeem dat, zoals hierboven uitgelegd, niet weet wanneer het fout zit.

Een realistisch startpunt

Geef een agent alleen leesrechten en één terugkerende analyse die je nu met de hand doet. Laat hem een maand lang naast je eigen werk draaien en vergelijk de conclusies. Geef pas schrijfrechten voor acties die terug te draaien zijn, en pas nadat de output met alleen leesrechten dat vertrouwen heeft verdiend.

Dat is een tragere uitrol dan de marketing in deze categorie doet vermoeden, maar het is wel de aanpak die het contact met echte data overleeft. Onze uitwerking van het bovenstaande is Autopilot, en de promptpatronen die bruikbare output opleveren laten zien hoe je doelen smal genoeg afbakent om te werken.