Waarom je AI-agent geen extra prompt nodig heeft, maar een issue tracker

De verkeerde vraag over agentic work

Veel teams die met AI-agents experimenteren stellen dezelfde eerste vraag: welke prompt, welk model of welke agent-stack levert de grootste productiviteitswinst op? Dat is logisch, maar vaak niet de vraag waar het project op stukloopt. De echte frictie zit meestal in de werklaag eromheen. Waar staat wat er moet gebeuren? Wie is eigenaar? Welke beslissingen zijn al genomen? Welke rechten heeft de agent? Waar wordt vastgelegd wat er is geprobeerd en waarom iets is afgewezen?

Daarom is de gedachte dat AI-agents issue trackers overbodig maken te kort door de bocht. Slechte tickets, dubbele administratie en zinloze statusupdates mogen verdwijnen. Maar de onderliggende functie van een issue tracker wordt juist belangrijker: werk expliciet maken, verantwoordelijkheid vastleggen en historie bewaren. Een agent zonder dat soort structuur is geen digitale collega. Het is eerder een losse autocomplete die tijdelijk veel kan, maar snel context kwijtraakt.

Van ticketfabriek naar control plane

Voor mensen voelt een ticket vaak als bureaucratie. Je weet wat je moet bouwen, maar moet alsnog een titel, beschrijving, status en acceptatiecriteria invullen. Voor AI-agents ligt dat anders. Een agent heeft juist expliciete werkstructuur nodig om betrouwbaar te kunnen handelen. Taken, statussen, prioriteiten, eigenaren en afhankelijkheden vormen samen een extern geheugen dat niet verdwijnt zodra een chatsessie eindigt.

Denk aan een issue tracker niet als een lijstje klusjes, maar als een control plane voor werk. De agent kan daar taken ophalen, voortgang terugschrijven, blokkades melden en beslissingen koppelen aan een object dat later terug te vinden is. De waarde zit dan niet alleen in het scherm dat mensen gebruiken, maar in de gestructureerde data die ontstaat wanneer werk consequent wordt vastgelegd.

Tools zoals Jira, Linear en kennisbanken zoals Confluence zijn daarom vooral interessante categorievoorbeelden. Het punt is niet dat één leverancier de oplossing is. Het punt is dat bestaande werksystemen functies bevatten die agents nodig hebben: duurzame staat, rollen, rechten, geschiedenis en overdracht. Wie die laag overslaat, verplaatst de chaos simpelweg naar een snellere machine.

Wat een agent mist zonder systeem van record

De eerste ontbrekende bouwsteen is durable state: een plek waar blijft staan wat besloten is, wat nog openstaat en waar de blokkade ligt. Zonder duurzame staat moet een agent steeds opnieuw afleiden wat de bedoeling was. Dat vergroot de kans op dubbel werk, verkeerde aannames en acties die niet aansluiten op eerdere keuzes.

De tweede bouwsteen is ownership. In een menselijk team is het al lastig genoeg om te bepalen wie mag goedkeuren, wie inhoudelijk verantwoordelijk is en wie een escalatie krijgt. Bij agents wordt dat nog belangrijker. Een agent moet weten wanneer hij zelfstandig mag doorwerken en wanneer een mens moet beslissen. Dat kun je niet oplossen met alleen een betere prompt.

De derde bouwsteen is permissions. Agentic workflows raken vaak code, klantdata, documentatie, planning of interne systemen. Een agent mag niet overal bij kunnen omdat het handig lijkt. Rechten moeten expliciet zijn: welke bronnen mag de agent lezen, welke acties mag hij uitvoeren en welke stappen vereisen menselijke controle?

De vierde bouwsteen is history. Niet alleen wat er is gebouwd telt, maar ook waarom. Welke alternatieven zijn afgewezen? Welke feedback kwam terug? Welke risico’s zijn bewust geaccepteerd? Zonder beslisgeschiedenis wordt een agent moeilijk te auditen en wordt overdracht naar mensen of andere agents kwetsbaar.

Waarom bestaande tools opnieuw bekeken moeten worden

Veel organisaties kijken bij AI-adoptie meteen naar nieuwe tools. Dat kan nuttig zijn, maar begin praktischer: waar wordt werk vandaag al vastgelegd? Welke systemen bevatten taken, documentatie, beslissingen en feedbackloops? Vaak ligt er al een ruwe infrastructuur die bruikbaar is, mits je die opschoont en consequenter gebruikt.

De UX van zo’n systeem blijft belangrijk. Als mensen de tool haten, vullen ze hem slecht. En als mensen hem slecht vullen, krijgt de agent slechte input. Goede werkstructuur is dus geen puur technisch probleem. Het is een combinatie van procesontwerp, productdiscipline en datakwaliteit. Een agent kan alleen goed werken met de werkelijkheid die je hem geeft.

Voor Funnel Adviseur is dit herkenbaar uit automatiseringstrajecten: automatisering versterkt wat er al is. Een helder proces wordt schaalbaarder. Een rommelig proces wordt sneller rommelig. Dat geldt net zo goed voor AI-agents als voor leadopvolging, CRM-flows of interne operationele workflows.

Praktische ontwerpregels voor AI-teams

Begin niet met de vraag welke agent alles kan overnemen. Begin met een inventarisatie van het werksysteem. Waar staan taken? Waar staat context? Waar staan beslissingen? Waar worden uitzonderingen vastgelegd? Als het antwoord overal en nergens is, dan is dat het eerste probleem om op te lossen.

Maak agent-taken vervolgens kleiner dan je menselijke taken. Een mens kan veel impliciete context meenemen. Een agent heeft baat bij scherpe grenzen: doel, input, output, eigenaar, acceptatiecriteria en escalatieregels. Hoe kleiner de taak, hoe makkelijker je kunt beoordelen of de agent goed werk heeft geleverd.

Ontwerp prompts rond het systeem van record. Een prompt moet niet alleen zeggen wat de agent moet doen, maar ook waar hij taakstatus ophaalt, waar hij voortgang terugschrijft, welke documenten leidend zijn en wanneer hij moet stoppen. Losse chatgesprekken zijn handig voor verkenning, maar kwetsbaar als operationele werklaag.

Leg tot slot beslissingen terug in het systeem. Als een agent iets onderzoekt, code wijzigt of een voorstel maakt, hoort de uitkomst niet alleen in een chatvenster te staan. Koppel de conclusie aan de taak, inclusief aannames en open vragen. Dat maakt vervolgwerk menselijker én machineleesbaarder.

Agents vervangen geen proces, ze straffen slecht proces af

De belangrijkste les is nuchter: agents vervangen geen proces. Ze maken zichtbaar waar je proces te vaag is. Een team met duidelijke taken, eigenaarschap, rechten en beslisgeschiedenis kan AI sneller veilig inzetten. Een team dat vooral op impliciete kennis, losse berichten en mondelinge afspraken draait, loopt eerder vast.

De winnaars zijn waarschijnlijk niet de teams met de meeste agents, maar de teams met de beste werkinfrastructuur rond agents. Dat klinkt minder spectaculair dan een nieuwe modelrelease, maar het is precies waar duurzame productiviteit ontstaat. Wie AI serieus neemt, moet dus niet alleen prompten. Die moet het werk zelf beter organiseren.