AI-agent bouwen in Make.com: een praktijkvoorbeeld

Wat we bouwen: een agent die leads kwalificeert

We bouwen iets concreets: een agent die elke inbound lead beoordeelt en zelf de juiste vervolgstap zet. Een bezoeker vult je formulier in, het AI-model leest de inzending en scoort hoe goed ze bij je ideale klant past. Past ze, dan landt ze in je CRM en krijgt sales een melding. Past ze niet, dan stuurt de agent een vriendelijke reactie en archiveert. Geen code, alles in Make.com.

‍

Wat je nodig hebt: een Make-account, een AI-verbinding (Claude van Anthropic of OpenAI) en je CRM. Reken op een halve dag voor je eerste werkende versie.

De logica is simpel: Make is de lijm, het AI-model is het brein. Make vangt de trigger op, geeft de data aan het model, en voert op basis van het antwoord de juiste stap uit.

Stap 1 tot 3: trigger, AI-module en prompt

Stap 1, de trigger. Start een nieuw scenario en kies een trigger-module. Voor inbound leads gebruik je een Webhook vanaf je websiteformulier, of de kant-en-klare module van je formuliertool. Die levert naam, bedrijf, e-mail en de boodschap aan het scenario. Een overzicht van alle modules vind je in de Make-bibliotheek.

Stap 2, de AI-module. Voeg een AI-module toe, bijvoorbeeld Anthropic Claude of OpenAI, en koppel je API-sleutel eenmalig. Dit is het brein dat elke lead beoordeelt. Verbind de output van stap 1 als input.

Stap 3, de prompt. Hier zit het echte werk. Geef je ideale klantprofiel mee en vraag om een gestructureerd antwoord, geen proza. Bijvoorbeeld: beoordeel deze lead, geef een score van 1 tot 5, een korte reden, en een label gekwalificeerd of niet. Vraag de output als JSON, zodat de volgende stappen de velden kunnen uitlezen.

Stap 4 tot 6: routeren, CRM en notificatie

Stap 4, de router. Voeg een Router toe en maak twee paden op basis van het label uit stap 3. Pad een vangt gekwalificeerd op, pad twee de rest. Zo splitst je scenario zich in een ja- en een nee-tak.

Stap 5, het CRM. Op de ja-tak voeg je je CRM-module toe, zoals HubSpot, Pipedrive of Zoho, en maak je een contact of deal aan. Zet de AI-score en de reden in een notitieveld, zodat sales meteen context heeft.

Stap 6, de notificatie. Voeg op dezelfde tak een Slack- of e-mailmodule toe die je salesteam pingt met de lead en de redenering van de agent. Op de nee-tak stuur je een vriendelijke automatische reactie en archiveer je de inzending.

‍

Kosten: Make rekent per operation. Dit scenario gebruikt er ongeveer vier tot zes per lead, plus de AI-tokenkost van enkele centen. Bij honderd leads per maand blijf je ruim binnen een instappakket. De grote besparing zit in de tijd die je sales niet meer kwijt is aan handmatig sorteren.

Testen, valkuilen en grenzen

Draai eerst een handvol echte leads door het scenario voor je het aanzet. Zo zie je of de scores kloppen met je gevoel. De drie valkuilen die ik het vaakst zie:

• Een vage prompt: zonder scherp ICP geeft het model inconsistente scores. Wees concreet over wie wel en niet past.
• Geen verificatie: laat de agent in het begin niets onomkeerbaars doen, zoals een klant mailen, zonder dat jij meekijkt.
• Een te streng filter: als je alles wegfiltert, mis je randgevallen die wel waardevol zijn. Begin soepel en scherp aan.

‍

Make is ideaal om snel te starten en zelf te itereren. Bots je tegen de grenzen, bijvoorbeeld bij complexe multi-agent logica, dan is een zwaarder platform de volgende stap. Welke dat kan zijn, lees je in de vergelijking van AI-agent platforms. Wil je dat je agent ook met je andere tools praat, kijk dan naar het Model Context Protocol. Het bredere kader staat in de pillar over AI agents.