AI die weet waar het staat: wat het Model Context Protocol doet voor jouw organisatie
12/02/2026
Vraag geen AI op wie je moet stemmen, maar gebruik het wél slim bij verkiezingen
19/03/2026
OpenClaw en Moltbook: AI die niet wacht op een vraag maar gewoon aan de slag gaat
OpenClaw & Moltbook
Twee weken geleden kwamen de namen OpenClaw en Moltbook uitgebreid aan bod in een uitzending van Eva Jinek. Voor veel kijkers klonk het futuristisch, bijna sciencefiction. Maar wat daar werd besproken, is geen verre toekomstmuziek. Het is technologie die nu al wordt ontwikkeld en getest, en die een fundamenteel andere rol voor AI in organisaties markeert. In deze blog leggen we uit wat OpenClaw en Moltbook zijn, wat ze doen en wanneer je er als organisatie serieus naar moet kijken.
Datum
19-02-2026
Categorie
Actueel & events
Auteur
Pleun Claassen
Wat zijn OpenClaw en Moltbook precies?
OpenClaw is een AI-agent: een systeem dat niet alleen antwoorden formuleert, maar zelfstandig acties uitvoert binnen digitale omgevingen. Waar je bij Generative AI (zoals ChatGPT) altijd een instructie geeft en daarna zelf aan de slag gaat met de output, werkt OpenClaw anders. Je geeft het systeem een doel, en het bepaalt zelf welke stappen het neemt om dat doel te bereiken. Dat kan betekenen: bestanden openen en bewerken, data aanpassen in systemen, API's aanroepen, of informatie combineren uit meerdere bronnen.
Moltbook positioneert zich als de samenwerkingslaag rondom dat soort agents. Het is geen losse tool, maar een omgeving waarin meerdere AI-agents met elkaar kunnen communiceren, informatie uitwisselen en gezamenlijk aan doelen werken. Vergelijk het met een gedeelde werkruimte, maar dan voor autonome systemen. Wat de ene agent analyseert, kan de andere gebruiken om een vervolgstap te zetten. Zo ontstaan ketens van autonome beslissingen die samen één groter proces vormen.
Wat is het verschil met de AI die we al kennen?
Voor veel mensen is AI nog steeds synoniem aan een chatbot: je stelt een vraag, je krijgt een antwoord. Dat is in essentie hoe Generative AI werkt: het genereert tekst, ideeën, samenvattingen of code op basis van jouw instructie. Sterk in creëren en analyseren, maar altijd reactief. Zonder prompt gebeurt er niets.
AI-agents zoals OpenClaw markeren een volgende stap: AI die niet wacht op een vraag, maar een doel nastreeft. Stel je voor dat je een medewerker vraagt om een afspraak in te plannen. Generative AI schrijft de e-mail die jij daarna nog zelf verstuurt. Een AI-agent schrijft de e-mail, controleert de agenda van alle betrokkenen, plant de afspraak in, verstuurt de uitnodiging en registreert de afspraak in je CRM: van idee tot uitvoering, zonder dat jij elke stap hoeft goed te keuren. Lees onze blog over Generative AI versus Agentic AI voor een uitgebreider overzicht van dit verschil.
Welke kansen biedt dit voor de maakindustrie, logistiek en overheid?
De potentie is concreet en direct voelbaar in sectoren waar processen repetitief zijn, doorlooptijden tellen en capaciteitsdruk een dagelijkse uitdaging is.
In de maakindustrie kan een AI-agent een productieplanning continu bijsturen op basis van realtime data: actuele machinecapaciteit, voorraadniveaus, orderprioriteiten, zonder dat de planner elke wijziging handmatig doorvoert. Het model werkt niet op aanvraag, maar werkt mee.
In de logistiek kan een agent routeplanningen herberekenen zodra een vertraging optreedt, direct communiceren met betrokken partijen en de registratie bijwerken.
Bij overheden kan een agent een subsidieaanvraag ontvangen, controleren op volledigheid, doorsturen naar de juiste afdeling en een ontvangstbevestiging sturen, allemaal zonder handmatig tussenkomen. De verschuiving is niet klein: niet één taak sneller, maar een fundamenteel andere manier van werken.
Wanneer brengt Agentic AI risico's met zich mee?
Autonomie is precies wat AI-agents krachtig maakt, maar ook risicovol. Een agent die toegang heeft tot kritische systemen (een MES, een ERP, een machinebesturing) kan bij een verkeerde aanname directe operationele gevolgen hebben. Niet een verkeerd antwoord in een chatvenster, maar een verkeerde actie in een lopend productieproces. Dat is een fundamenteel andere foutmarge. Bovendien geldt: als een agent samenwerkt met andere agents (zoals in een Moltbook-omgeving), kan functionaliteit zich uitbreiden zonder dat iemand elke tussenstap afzonderlijk controleert. De dynamiek verschuift van statische IT naar adaptieve infrastructuur.
Wil je meer weten over hoe hallucinaties in dit soort contexten een groter risico vormen? Lees onze blog over hallucinaties in AI voor een volledig overzicht.
Wanneer is het nog te vroeg voor AI-agents in jouw organisatie?
Nog niet elke organisatie is klaar voor Agentic AI, en dat is geen zwakte, maar een eerlijke inschatting van waar de kracht van efficiëntie (nog) niet ligt.
Als de onderliggende processen nog niet op orde zijn, voeg je met een AI-agent alleen maar snelheid toe aan chaos. Een logistiek bedrijf dat zijn orderregistratie niet consistent bijhoudt, heeft geen agent nodig die orders sneller verwerkt. Het heeft eerst werkende processen nodig. Hetzelfde geldt voor datakwaliteit: een agent is zo goed als de informatie waarop hij is gebaseerd. Onvolledige of verouderde data leidt tot onbetrouwbare acties.
Daarnaast vraagt Agentic AI om een volwassen technische inrichting: duidelijke toegangsrechten, gescheiden testomgevingen, monitoring die kijkt naar concrete acties in systemen, en expliciet eigenaarschap over wie verantwoordelijk is als een agent een beslissing neemt. Begin klein, kies een afgebakend proces, definieer heldere grenzen voor wat de agent mag doen, en schaal pas op als de eerste stap beheersbaar is gebleken.
Hoe zorg je voor grip op autonome AI-systemen?
Zodra een systeem zelfstandig acties uitvoert binnen je IT-landschap, heb je het niet meer over een experiment. Dan heb je het over architectuur, en die bouw je niet op hype, maar op structuur en controle.
Concreet betekent dat: leg vast welke systemen een agent mag benaderen, welke acties zijn toegestaan en welke niet. Zorg voor logging van wat er is opgevraagd en uitgevoerd. En zorg dat er altijd menselijk toezicht is op de plekken die er echt toe doen. Dit sluit direct aan op de vereisten van de AI Act, die voor hoog-risico toepassingen expliciet menselijke controle en transparantie verplicht stelt. Lees onze blog over de AI Act voor meer achtergrond over wat die regelgeving concreet voor jouw organisatie betekent. Ook het Model Context Protocol (MCP) speelt hier een rol: het legt op een gestructureerde manier vast hoe AI-agents communiceren met de systemen om hen heen, en maakt governance daarmee beheersbaarder. Lees onze blog over MCP voor meer uitleg over hoe dat werkt.
Conclusie: innovatie ja, maar met regie
De komst van systemen zoals OpenClaw en samenwerkingsomgevingen als Moltbook markeert een nieuwe fase in de AI-evolutie. De potentie is groot: snellere automatisering, minder handmatig werk, slimmere besluitvorming en schaalbare procesoptimalisatie. Maar hoe autonomer de technologie, hoe volwassener de architectuur moet zijn, niet om innovatie te remmen, maar om grip te houden.
De vraag is niet óf deze generatie AI-agents eraan komt. Die is er al. De echte vraag is hoe je ze inzet: gecontroleerd, met duidelijke governance, met inzicht in wat een agent mag doen en waar menselijke controle noodzakelijk blijft. Bij Univia geloven we dat AI een hulpmiddel is voor mensen, geen vervanging. Dat geldt voor Generative AI, en het geldt minstens zo sterk voor AI-agents.
Benieuwd hoe autonome AI binnen jouw organisatie waarde kan toevoegen zonder dat je de controle verliest? Kom gerust langs voor een kop koffie bij ons op de High Tech Campus in Eindhoven. Dan kijken we er samen naar.
Altijd als eerste het nieuws van Univia ontvangen?
Volg ons op social media, en houd onze blog pagina in de gaten voor de laatste updates! Of schrijf je nu in voor onze nieuwsbrief!
