Op 23 juli gaat de openbare bètaversie van HubSpot voor Custom Agents en de Agentic Workflow Builder van start in je HubSpot-portaal. Het is echt een van de krachtigste en nuttigste functies die HubSpot de afgelopen jaren heeft gelanceerd (naar mijn bescheiden mening).

Ik neem sinds juni 2025 deel aan de besloten bèta van de Custom Agents van Breeze Studio, samen met een kleine groep partners in de AI Partner Advisory Council van HubSpot. Ik heb het dus vanaf het begin zien ontstaan. Het was een hele ervaring om het te zien groeien, en het was voor mij een van de belangrijkste manieren om zelf meer met AI vertrouwd te raken.

Nu kan ik eindelijk delen wat ik heb geleerd en wat je daadwerkelijk kunt doen met de agent-functies van HubSpot.

In dit artikel:

• De twee belangrijkste functies die vanaf 23 juli beschikbaar zijn in HubSpot
• Waarom dit belangrijk is en waarom AI-agenten en agentische workflows andere oplossingen bieden voor je bedrijf dan AI-assistenten
• Wat er nog ontbreekt, wat er mogelijk nog komt en wat ik zie als belangrijke verbeteringen voor het gebruiksgemak
• Twee branchespecifieke gebruiksscenario's in de productiesector en zakelijke dienstverlening
• Wat ik als eerste zou doen als je van plan bent om aan de slag te gaan met aangepaste AI-agenten en agentic-workflows in HubSpot.

Voordat we er dieper op ingaan...

Elke aangepaste agent die je in HubSpot gebruikt, kost nu credits. Je kunt nog steeds gratis testen en simulaties uitvoeren, maar een live agent wordt in mindering gebracht op je creditmeter en je limiet. De getoonde kosten zijn schattingen — louter ter informatie — en kunnen afwijken van de werkelijke kosten.

Stel je uitvoeringslimieten in voordat je iets inschakelt. Dat is het eerste wat ik vandaag zou doen als je er meteen mee aan de slag gaat.

Wat is er beschikbaar vanaf 23 juli

Twee grote functies, met elkaar gekoppeld:

1. Aangepaste agents. Eenaangepaste agent is een configureerbare AI-medewerker. Je geeft hem:

• Instructies – rol, doel, methode, uitvoerformaat,
• Acties die hij mag uitvoeren – lezen en schrijven in het CRM, op het web surfen, HubSpot-tools gebruiken of via MCP andere software aanroepen
• Kennis die hij kan lezen – je merkdossier, je ICP, je product- en prijscatalogus, bestanden, HubSpot-content of een gedefinieerde set CRM-records
• Inputs die het tijdens de uitvoering ontvangt — inclusief een verwijzing naar één specifiek record: een deal, een bedrijf, een ticket.

Deze ‘workers’ voeren terugkerende taken voor je uit, net zoals een zeer bekwame stagiair dat zou doen — zolang je ze maar de juiste ‘onboarding’ geeft.

2. De Agent Automation Builder — Agentic Workflows.

Dit is de automatisering rondom de medewerker, of medewerkers. Je beschikt al jaren over automatisering en workflows, maar nu kunnen we daadwerkelijk meerdere AI-agenten aan elkaar koppelen voor volledige workflow- en procesautomatisering. Als je al workflows bouwt, of dat nu in HubSpot, N8N, Make of Zapier is, weet je al hoe dit werkt.

Hoe werkt het?

Een agent is in feite een -workflowstap. Dat geldt ook voor een ad-hoc AI-stap die je schrijft, of het nu gaat om een korte prompt of een zeer uitgebreide AI-agent. Daarnaast kun je een beroep doen op externe LLM’s als je werk buiten HubSpot wilt uitbesteden. Momenteel zijn dat modellen van: Anthropic, OpenAI, Cohere, Gemini of Grok

Ik heb al een AI-assistent. Waarom heb ik dan AI-agenten nodig? Hier is mijn pleidooi:

Dit is een van de eerste vragen die ik krijg, en die is terecht. Het korte antwoord op de vraag?: Een AI-assistent helptje éénke . Een AI-agent doet het werk (mogelijk) zonder jou, elke keer weer.

Hier volgt een wat gedetailleerdere vergelijking tussen wat AI-assistenten doen, wat AI-agenten doen en wat traditionele workflowautomatisering inhoudt:

Maar er komt meer bij kijken. Dit is grofweg waar B2B-verkoopteams op dit moment staan:

• 1,9% van de commerciële teams doet nog niets met AI;
• 14% is bezig met het opzetten van mogelijke use cases, maar investeert nog niet in echte AI of agents;
• Slechts 43,9% is begonnen met het testen van agentoplossingen of een proof of concept

Wat betekent dit? Dat de meeste teams ook ervaring missen in het bouwen van schaalbare AI-oplossingen. Dit komt deels doordatde meesten van ons „zero-shot prompters“ zijn .

Bij een zero-shot-prompt wordt het model gevraagd iets te doen zonder dat er voorbeelden, context of een formaat worden gegeven — „schrijf een blogpost over X”, „vat dit gesprek samen”. Wat je ook weglaat, het model raadt het.

Dit is prima voor een eenmalige taak, maar als je op zoek bent naar een zeer schaalbaar commercieel proces waarbij stabiliteit, herhaalbaarheid en betrouwbaarheid vereist zijn, gaat dit mis:

• Generieke en repetitieve — De output van één prompt of assistent lijkt op die van alle anderen, omdat het in feite hetzelfde is.
• Inconsistente — Je krijgt een ander antwoord, afhankelijk van wie het heeft getypt, welke context de AI willekeurig oppikt, en morgen weer een ander antwoord.
• zonder bedrijfscontext — geen merkstem, geen ICP, geen product of prijsstelling, tenzij iemand eraan gedacht heeft dit erin te plakken.
• metzelfverzekerde invulling van hiaten — het AI-model gaat van veel uit, en de aanname is zo aannemelijk dat niemand het controleert.
• Geen vast uitvoerformaat — dus verderop in het proces kan niemand het resultaat daadwerkelijk gebruiken.

Een AI-agent oordeelt elke keer op dezelfde manier; hij wordt eenmalig ingesteld en past de instellingen elke keer dat hij wordt uitgevoerd op dezelfde manier toe. Het is hetzelfde model met de prompt die één keer correct is geschreven — rol, doel, methode, uitvoerformaat — met je merkkit, ICP, werkwijze, standaardwerkprocedures, buyer persona’s en productcatalogus als context. In plaats van te hopen dat elke vertegenwoordiger de juiste prompts gebruikt, stel je het één keer in.

De regel die ik bij klanten hanteer, is dus:

1. Kan een regel hierover beslissen? → traditionele workflow. Sneller en volledig voorspelbaar. De meeste gevallen vallen nog steeds hieronder.
2. Is er af en toe een beoordeling nodig, voor één persoon? → Breeze Assistant. Je hoeft niets te bouwen.
3. Is er herhaaldelijk beoordelingsvermogen nodig bij grote volumes? → (op maat gemaakte) AI-agent en mogelijk een geautomatiseerde workflow die deze aanstuurt, of meerdere agents.

Het is een bètaversie, waarin mogelijk nog functionaliteit ontbreekt:

Eerlijk gezegd, na dertien maanden ervaring hiermee:

• Sommige integraties en koppelingen zijn beperkt, hoewel de agents direct uit de doos goed werken met al je CRM-gegevens, objecten en context. Je hebt mogelijk een ontwikkelaar nodig om de gegevens van je andere systemen te integreren als er geen MCP-connector beschikbaar is. Maar goed, dit geldt ook voor de meeste andere middleware-/AI-orkestratieplatforms die geen kant-en-klare connector voor jouw systeem hebben. Niet alles is plug-and-play.
• De rapportage over hoe een agent werkt – wat hij heeft gelezen, wat hij heeft geproduceerd en waarom – zou beter kunnen. Dit staat op de roadmap. Persoonlijk vind ik het erg belangrijk dat we de ROI goed kunnen meten, maar ook het gebruik kunnen monitoren en diagnostische tests kunnen uitvoeren om te zien hoe agenten gegevens verwerken.

Dit is geen reden om te wachten. Het is een reden om je eerste implementatie af te stemmen op wat er vandaag de dag live is, en om gebruikslimieten in te stellen voordat de meter begint te lopen.

Belangrijke verbeteringen die ik zie in de functionaliteit

Dit is mijn wensenlijstje voor verbeteringen aan de functionaliteit (en ik heb dit gedeeld met het productteam van HubSpot). Sommige staan al op de roadmap:

• Meer MCP-koppelingen met populaire applicaties;
• Meer diagnostische tools en inzicht om te bepalen waar agenten hun gegevens vandaan halen (inzicht in wat er wordt opgehaald en hoe); inzicht in de agentinterface in wanneer de agent welke tools, context en gegevens oproept — maar vooral wat er daadwerkelijk wordt opgehaald en weergegeven;
• Betere controle over het uitvoerformaat en de interface van agentoverzichten, inclusief meer mogelijkheden om de uitvoer van AI-agenten te vertalen naar CRM-kaarten in de interface.
• Rapportagedashboards over agent-runs en resultaten, idealiter gekoppeld aan de oorspronkelijke businesscase. Rapporten die kunnen worden gedeeld met CFO’s / financieel managers
• Logboek- en kalibratietools om de output van agenten te kalibreren en de kwaliteit van de output te verbeteren aan de hand van voorbeelden.
• Integratie met kantoorsoftware zoals Google Slides / PowerPoint voor het genereren van presentaties (een belangrijke behoefte voor de verkoopafdeling) en automatisch ingevulde spreadsheets.

Laten we enkele use cases bekijken, maar eerst: wanneer is het daadwerkelijk de moeite waard om een aangepaste agent te bouwen?

Een korte afweging voorafgaand aan beide voorbeelden. Als HubSpot al een kant-en-klare agent of AI-functie voor de taak aanbiedt, gebruik die dan — bouw geen eigen oplossing. Onderzoek voorafgaand aan een gesprek, samenvattingen van gesprekken, dealscores, leadroutering, het genereren van algemene offertes, reacties op offerteaanvragen: die bestaan al. Het opnieuw bouwen ervan is verspilde moeite.

Een aangepaste agent is de moeite waard wanneer de taak' ' vereistvan jouw eigen kennis — jouw catalogus, jouw technische regels, jouw prijsstelling, jouw leveringsmethode, jouw tariefkaart. Dat is wat een standaardagent niet kan hebben. Beide onderstaande voorbeelden zijn gekozen omdat ze buiten het standaardaanbod vallen.

Toepassingsvoorbeelden

Laten we het concreet maken, want er zijn genoeg oplossingen, maar niet altijd voor het juiste probleem of de juiste use case.

Voorbeeld van gebruiksscenario 1 voor machinefabrikanten: een Agentic-workflow die al het voorbereidende werk voor offerteaanvragen voor applicatie-ingenieurs uitvoert.

Neem bijvoorbeeld een fabrikant van complete voedselverwerkingslijnen. Een offerteaanvraag is hier geen bestelling per artikel — het is een functionele specificatie, soms zelfs een volledige aanbesteding: doorvoercapaciteit, productkenmerken, hygiëne- en ATEX-eisen, benodigde ruimte, integratie in de fabriek. Deze komt binnen als een lange PDF en wacht tot een applicatie-ingenieur tijd vindt om deze te lezen, de geschiktheid te beoordelen en een reactie op te stellen. Het doorlopen, beoordelen en opstellen van een geloofwaardige eerste analyse of reactie voor serieuze aanbestedingen kost veel tijd, en dat is vaak wat de doorslag geeft om op de shortlist te komen.

Bijna alles wordt op maat ontworpen, en een automatisch gegenereerde prijs is een automatische fout. Je maakt dus geen AI-agent om een offerte op te stellen, maar juist om tijd te besparen bij de kwalificatie.

Zo zou een Agentic-workflow er in HubSpot uit kunnen zien:

 

• Een Tender Reader Agent kan specificaties omzetten in een gestructureerde lijst met vereisten
• Een -agent voor aanvragen en haalbaarheid kan de vereisten toetsen aan uw eerdere referentieprojecten en technische expertise — waarbij wordt onderscheiden wat lijkt op werk dat u eerder hebt gedaan en wat echt nieuwe engineering is, en waarbij risico’s en hiaten worden gesignaleerd. Configuratie en prijsbepaling blijven in de CPQ van uw ERP; de agent beoordeelt de haalbaarheid, maar stelt geen offerte op.
• Een -agentvoor kwalificatie en overdracht kan de geschiktheid beoordelen, de meest relevante referentieprojecten selecteren, de vragen opstellen die moeten worden teruggestuurd, een begrotingsraming geven en het dossier doorsturen naar de juiste ingenieur.

Er is al veel voorbereidend werk verricht tegen de tijd dat de engineer een gekwalificeerde, gestructureerde offerte in behandeling neemt – referentiecases zijn bijgevoegd, open vragen zijn opgesomd en de haalbaarheid is gemarkeerd.

Voorbeelden van onderdelen voor uw aangepaste agents:

Input

• de aanbestedings-PDF
• uw eerdere referentieprojecten en bouwprojecten
• technische voorschriften / knowhow
• regels voor een goede match
• het klantdossier

Resultaten:

• een kwalificatieoverzicht
• een geschiktheidsscore
• een indicatieve budgetmarge op basis van vergelijkbare vacatures
• verduidelijkende vragen
• de juiste ingenieur toegewezen

Zo zou Tender Agent er bijvoorbeeld uit kunnen zien:

 

Voorbeeld 2 — Voor IT-dienstverleners/software-implementatiebedrijven: een op maat gemaakte Agentic-workflow van scope naar offerte

Laten we nu eens kijken naar het voorbeeld van een partner voor software-implementatie — het soort bedrijf dat SAP, Oracle of Microsoft Dynamics implementeert bij middelgrote ondernemingen. Een potentiële klant stuurt een offerteaanvraag (RFP): gewenste modules, integraties, een gegevensmigratie, het aantal gebruikers, een ingebruiknamedatum. Tegenwoordig leest een oplossingsarchitect deze aanvraag, koppelt deze aan zijn toolkit, maakt een inschatting van de benodigde inspanning, controleert wie er beschikbaar is, berekent de prijs en stelt een offerte op — meestal gedurende een paar avonden, omdat dit ten koste gaat van factureerbaar werk.

Diezelfde offerteaanvraag zet nu een Agentic-workflow in gang.

 

• Een' Requirements Reader Agent' haalt de modules, integraties, de omvang van de migratie en het aantal gebruikers op en zet deze in een gestructureerde lijst.
• Een Solution & Effort Mapper-agent leest een opslagplaats met uw oplossingsmodules, accelerators en benchmarks van eerdere projecten — waarbij wordt in kaart gebracht wat onder de standaardconfiguratie valt en wat onder de aangepaste opbouw, de inspanning per fase wordt geschat en de risico’s worden gesignaleerd (een kwetsbare integratie, een onrealistische tijdlijn).
• Een Estimate, Staff & SOW- -agent past uw tariefkaart en huidige marktcondities toe, berekent de prijs en marge, stelt een personeelsplan voor op basis van wie daadwerkelijk beschikbaar is en stelt de werkbeschrijving op.

Wat op het bureau van de architect belandt, is een eerste concept van de SOW dat er al uitziet als het werk van uw bedrijf: de scope is op uw manier bepaald, de schatting is gebaseerd op echte benchmarks, de prijs is vastgesteld volgens de daadwerkelijke tariefkaart en de personeelsbezetting is samengesteld met echte namen. Opdrachten met een lage marge of een hoog risico worden eerst gemarkeerd voor een partner. De architect bewerkt de voorstellen en toetst de afwegingen grondig — ze beginnen niet om 21.00 uur met een leeg blad.

Voorbeelden van ingrediënten voor uw op maat gemaakte agents:

Input

• een RFP-PDF
• De softwaremodules
• Benchmarks
• Uw tariefkaart en benchmarks
• Het klantdossier in het CRM-systeem

Resultaten:

• een concept-SOW
• een geschiktheidsscore
• een prijs
• marges
• werkuren
• risico-indicatoren
• een personeelsplan en de juiste architect toegewezen

Beide scenario's maken gebruik van dezelfde architectuur: één agentgebaseerde workflow, een handvol gespecialiseerde, op maat gemaakte agents die opeenvolgende taken uitvoeren, elk gebaseerd op een kennisbank die alleen u kunt aanleveren, allemaal onder één besturingsvlak. Meerdere agents, die elk één belangrijke taak uitvoeren, binnen één workflow.

En zo zou die Requirements Reader Agent eruit kunnen zien:

[EINDE HOOFDSTUK HIER MET BELANGRIJKSTE PUNTEN]

Wat je als eerste moet doen: 
begin bij het proces, niet bij de tool

De volgorde die echt werkt. Let op: de tools komen als laatste, niet als eerste:

1. Breng het commerciële proces in kaart. Stap voor stap, taak voor taak. Zoek de knelpunten — de tijdverspillers, het handmatig lezen, de plekken waar deals vastlopen. Dit is een zakelijk gesprek.
2. Maak een onderscheid tussen automatisering en AI.
Een
3. status is gewijzigd, een veld moet worden ingevuld, een record moet worden doorgestuurd — dat zijn gestructureerde gegevens, en dat is automatisering. Een aanbesteding lezen, de geschiktheid beoordelen, de volgende stap uitwerken na een telefoongesprek — dat is context, en dat is waar een AI-agent van pas kan komen. De meeste knelpunten zijn automatisering. Wees eerlijk over wat wat is.

1. Kies één use case op basis van de impact op het bedrijf. Geef er een ruwe schatting van: bespaarde uren × tarief, of de groei die hierdoor mogelijk wordt gemaakt. Maak de berekeningen niet te ingewikkeld. Kies de ene met de grootste impact. Niet drie.
2. Controleer vervolgens de gegevens en verstrek de kennis. Een agent die drie jaar aan inconsistente statussen doorneemt, zal vol vertrouwen het verkeerde schrijven — zorg dus dat de segmentatie en status voor die use case in orde zijn voordat je een agent naar een record stuurt. Maar bij gegevens gaat het ook om de context en kennis in de voorbeelden die je moet aanreiken. Als je AI-agenten beschouwt als een zeer bekwame stagiair, moeten ze nog steeds weten hoe jouw bedrijf werkt.
3. Ontwerp voordat je gaat bouwen. Eén agent, één taak, met gedefinieerde inputs, outputs en succescriteria. Een klein team van gespecialiseerde agents is beter dan een team dat alles probeert te doen. Het kan echter gebeuren dat je, zodra je begint met bouwen, merkt dat je van plan was één agent te bouwen, maar dat het er uiteindelijk drie of meer worden. Daarom breng je je proces stap voor stap en taak voor taak in kaart.
4. Simuleer voordat je geld uitgeeft. De simulatiemodus test de output en maakt een kostenraming zonder ook maar één credit te verbruiken. Gebruik deze modus voor elke agent, aan de hand van echte cases.
5. Stel uitvoeringslimieten in en houd vervolgens toezicht. Beperk het aantal maandelijkse uitvoeringen tot de werkelijke vraag en vergelijk het totaal met je plan. Bepaal wie verantwoordelijk is voor de prestaties, wie de versies bijhoudt, wie deze beoordeelt en wanneer. Zorg dat er altijd een mens betrokken is bij alles wat met de klant te maken heeft.

In teams die dit goed doen, duren stap 1 tot en met 4 langer dan de ontwikkeling zelf. Bij de mislukkingen die ik heb gezien, werd allemaal meteen overgeslagen naar „laten we een agent bouwen”.

Samenvatting

De meeste commerciële use cases worden nog steeds beter opgelost met schone data en eenvoudige automatisering. Agents horen thuis bij de twintig procent die daadwerkelijk tussen de regels door moet lezen.

Wat vandaag is veranderd, is dat dit nu draait in desysteem e die uw commerciële team elke ochtend al opent, terwijl er voorheen wrijving was bij het in staat stellen van CRM-gebruikers om zelf AI-agenten op verzoek te starten.

Na dertien maanden van ontwikkeling vind ik het meest nuttige gesprek nog steeds het weinig glamoureuze gesprek: uitzoeken waar een agent daadwerkelijk past in een commercieel proces, en waar niet.

Dat is precies hoe we bij Webs / Siloy Benelux met klanten beginnen. Voordat er ook maar iets wordt gebouwd, houden we een korte werksessie — een AI Opportunity Scan — die uw commerciële proces in kaart brengt en een gerangschikte lijst oplevert van waar AI daadwerkelijk rendement zou opleveren, en welke van die knelpunten geschikt zijn voor een op maat gemaakte agent versus een standaardworkflow. Geen kosten, geen ontwikkeling — alleen een duidelijk beeld van wat de moeite waard is. En als u al weet welk knelpunt u wilt wegwerken, bouwen we die agent samen met u en testen we deze op uw eigen gegevens voordat u deze opschaalt.

Dus: ben je van plan om je eerste op maat gemaakte agent in HubSpot te bouwen — en weet je al op welk proces je die wilt richten?

Als je daar eens goed over na wilt denken – wat een agent nodig heeft en wat gewoon een degelijke workflow vereist – stuur me dan een bericht.