Een virtueel bedrijf bouwen met AI-agents: van idee tot WhatsApp-CEO

Tim Derdelinckx • 2 juni 2026

Stel je voor: je opent WhatsApp, stuurt een bericht naar je CEO, en die zet meteen zijn team aan het werk. De developer schrijft code, de marketingspecialist bereidt een campagne voor, de receptioniste beantwoordt de inbox. Niemand van hen is menselijk. Het zijn AI-agents die samenwerken als een echt bedrijf.

Dit artikel beschrijft hoe ik samen met Claude van Anthropic een volledig autonoom multi-agent systeem heb opgezet voor MijnGewicht, een fictief SaaS-bedrijf dat een applicatie aanbiedt voor het bijhouden van voeding met als doel gewichtsbeheersing, vergelijkbaar met Yazio. De techniek is echter volledig toepasbaar op elk project.

Waarom multi-agent?

Een gewone chatbot beantwoordt vragen. Een agent kan ook zelfstandig beslissingen nemen en tools aanroepen. Een multi-agent systeem gaat nog een stap verder: meerdere gespecialiseerde agents werken samen, elk met hun eigen rol, hun eigen tools en hun eigen geheugen. De CEO delegeert, de developer ontwikkelt, de marketeer schrijft content. Niemand doet het werk van een ander.

Wat is een AI-agent?
Een AI-agent is een taalmodel dat niet alleen tekst genereert, maar ook zelfstandig beslist welke tools het aanroept en in welke volgorde. Het verschil met een gewone chatbot: de agent heeft een doel en werkt daar naartoe, stap voor stap, op basis van wat hij terugkrijgt van zijn tools.

De architectuur

Het systeem bestaat uit vijf agents, elk met een eigen specialisatie:

Agent	Rol	Model
CEO	Strategische beslissingen, delegatie, budgetbewaking	Mistral (lokaal)
Developer	Code schrijven, bestanden aanmaken op de webserver	Gemma4 (lokaal)
Marketing Specialist	Content, campagnes, social media	Mistral (lokaal)
Tester	Kwaliteitscontrole, bug rapportering	Gemma4 (lokaal)
Receptioniste	Mailbox beheer, klantcommunicatie	Gemma4 (lokaal)

Alle agents draaien lokaal op een Mac Mini M4 via Ollama, een tool om taalmodellen lokaal te serveren. Dat betekent geen API-kosten voor de dagelijkse werking en volledige privacy. Enkel voor complexere taken waarbij écht sterk redeneerwerk nodig is, kan je overschakelen naar de Claude API van Anthropic.

Het framework: CrewAI

Als basis voor het multi-agent systeem gebruik ik CrewAI, een open-source Python-framework dat speciaal gebouwd is voor samenwerking tussen agents. Je definieert agents met een rol, een doel en een persoonlijkheid, je geeft ze taken, en CrewAI regelt de communicatie en taakverdeling.

De agents en de orchestratie zijn geschreven in Python. Het systeem start op als een achtergrondservice via de launchctl van macOS, waardoor het automatisch opstart bij het starten van de Mac Mini en altijd beschikbaar blijft, ook als er niemand ingelogd is.

Skills: agents leren wat ze kunnen

Een van de meest verrassende inzichten tijdens dit project was het concept van skills. Een agent is op zich slim, maar hij kan de buitenwereld niet bereiken tenzij je hem daar expliciet toegang toe geeft. Wil je dat de developer bestanden kan aanmaken op de webserver? Dan schrijf je daar een skill voor. Wil je dat de receptioniste e-mails kan lezen? Skill schrijven. Budgetbeheer? Skill schrijven.

Een skill is in feite een Python-functie die de agent als tool kan aanroepen. Pas als die functie bestaat en aan de agent is gekoppeld, kan hij die actie ook effectief uitvoeren. Dit dwingt je na te denken over wat elke agent precies mag doen, wat de veiligheid en de controle ten goede komt.

Tip: Begin met minimale skills en breid geleidelijk uit. Een agent die per ongeluk bestanden verwijdert of e-mails verstuurt naar verkeerde adressen is een nachtmerrie om te debuggen. Geef elke agent alleen de tools die hij echt nodig heeft.

Geheugen

Agents hebben geheugen nodig om context te bewaren tussen gesprekken. CrewAI biedt hier ingebouwde ondersteuning voor, maar voor het opslaan van bedrijfsinformatie zoals leads, uitgaven en genomen beslissingen gebruik ik een MariaDB database op de Synology NAS. De agents lezen en schrijven daar via eigen database-skills. Zo weet de receptionist volgende week nog welke mails hij al heeft beantwoord, en ziet de CEO hoeveel budget er nog beschikbaar is.

De webserver als werkplek van de developer

De developer-agent heeft toegang tot de webserver via SFTP. Hij kan bestanden aanmaken, lezen en aanpassen op de Synology NAS, die ook de webomgeving host. Zo kan de developer zelfstandig een landingspagina bouwen, een component aanpassen of een configuratiebestand bijwerken, zonder dat er een mens aan te pas komt.

WhatsApp als interface

Het meest zichtbare onderdeel van het systeem is de WhatsApp-integratie. Via een kleine Node.js bridge op de Mac Mini is een dedicated iPhone gekoppeld aan het systeem. Berichten die binnenkomen op dat nummer worden doorgestuurd naar de CEO-agent via een lokale API. Het antwoord van de CEO komt terug als WhatsApp-bericht.

Het resultaat: je stuurt een WhatsApp-bericht vanop je eigen iPhone, en krijgt een antwoord van je AI-CEO. Die kan op zijn beurt de developer aan het werk zetten, een marketingplan laten opstellen of de mailbox laten controleren.

De zoektocht naar het juiste model

Een van de uitdagingen die je niet mag onderschatten is de keuze van het taalmodel. Niet elk model is even goed in delegeren, redeneren of code schrijven. En de beste modellen kosten ook het meeste, zowel in API-kosten als in geheugengebruik bij lokaal draaien.

Op een Mac Mini M4 met 16 GB unified memory is de ruimte beperkt. Grote modellen zoals Llama 3.1 70B of Gemma 12B vertragen het systeem merkbaar. Kleinere modellen zoals Mistral 7B en Gemma4 E4B bieden een goede balans tussen snelheid en kwaliteit voor de meeste taken.

Voor taken die écht sterk redeneerwerk vereisen, zoals complexe strategische beslissingen door de CEO, is een API-model zoals Claude Sonnet of Opus nog steeds beter. De zoektocht naar de juiste combinatie van lokale en cloud-modellen is een voortdurend proces van testen en bijsturen.

Monitoring via Langfuse

Om te volgen wat de agents uitvoeren, gebruik ik Langfuse, een open-source dashboard dat lokaal draait via Docker. Elke LLM-call, elke tool-aanroep en elke beslissing wordt gelogd. Zo zie je precies wat er achter de schermen gebeurt, hoeveel tokens er worden verbruikt en waar het systeem eventueel vastloopt.

Langfuse biedt ook een prompt management interface. De systeemprompts van de agents zijn niet hardcoded in de Python-code, maar worden beheerd via de Langfuse UI. Een aanpassing aan de persoonlijkheid of het gedrag van een agent kost daardoor slechts een paar klikken, zonder dat er code hoeft te worden aangepast.

Wat ging er mis?

Eerlijk zijn hoort erbij. De weg naar een werkend systeem was allesbehalve rechtlijnig. Een greep uit de uitdagingen onderweg:

WebDAV bleek te onstabiel voor geautomatiseerde file-uploads. De overstap naar SFTP loste dit op.
CrewAI verwacht dat de manager-agent niet in de agents-lijst staat. Een kleine fout met grote gevolgen.
Lokale modellen begrijpen niet altijd wanneer ze moeten delegeren. Soms neemt de CEO alles zelf op zich in plaats van de developer in te schakelen.
De venv van Python wees na het hernoemen van de projectmap naar een niet-bestaand pad, waardoor alle packages opnieuw geïnstalleerd moesten worden.
Een uitroepteken in een wachtwoord zorgde voor uren debuggen bij de SFTP-verbinding.

Tip: Werk samen met een AI-assistent zoals Claude voor dit soort projecten. Niet alleen voor de code, maar ook voor het debuggen en het begrijpen van foutmeldingen. De combinatie van jouw domeinkennis en de brede technische kennis van een AI maakt het verschil.

Conclusie

Een autonoom multi-agent systeem bouwen is haalbaar voor een solo-developer, maar het vraagt geduld en een iteratieve aanpak. Begin klein: één agent met één skill. Voeg geleidelijk meer agents, meer skills en meer integraties toe. Kies je modellen bewust op basis van de taak en de beschikbare hardware.

Het eindresultaat is een systeem dat dag en nacht kan werken, taken kan uitvoeren en via WhatsApp bereikbaar is vanop elk toestel. Een virtueel bedrijf dat nooit slaapt, nooit klaagt en altijd beschikbaar is. De volgende stap? De agents leren om zichzelf te verbeteren.
Daarna wil ik proberen om te schakelen naar een productie-omgeving waarbij we een firma opzetten die volledig op agents draait en ook met echt geld aan de slag gaat ...