Een AI-agent in Make is geen apart product met eigen schermen, maar een module in een gewoon scenario. Je zet hem op het canvas, geeft hem instructies en gereedschap, en hangt hem achter een trigger zoals elke andere automatisering (Bron: Make Help Center). Deze gids loopt de route door van leeg scenario tot een agent die zelfstandig draait.
Agent of gewoon scenario?
Eerst de vraag of je wel een agent nodig hebt. Make maakt zelf een driedeling: een standaard scenario voor vaste logica die altijd hetzelfde oplevert (orders verwerken, data synchroniseren), een AI-app voor voorspelbare AI-taken met vaste in- en output (vertalen, samenvatten), en een agent voor taken met wisselende input waar oordeelsvermogen nodig is, zoals tickets categoriseren of sollicitanten screenen (Bron: Make Help Center).
Dat onderscheid scheelt geld en frustratie. Een agent die elke keer opnieuw moet bedenken dat een formulier in een spreadsheet hoort, is een dure omweg voor iets wat je eerste Make-automatisering ook zonder AI doet. Twijfel je nog tussen Make, Zapier en n8n, lees dan eerst automatiseren met AI: je eerste workflow.
Stap 1: scenario en trigger
Bepaal vooraf drie dingen: wat de agent moet doen, welke tools en kennis hij daarvoor nodig heeft, en wat hem start. Klik daarna op Create scenario, klik op de grote plus en kies je trigger-app en -module, bijvoorbeeld Google Sheets met Search Rows of een module die op wijzigingen let. Via het klokicoon op de module stel je in de Schedule settings in hoe vaak het scenario draait (Bron: Make Help Center).
Stap 2: de agent toevoegen en configureren
Klik op de plus rechts van je laatste module, zoek Make AI Agent (New) en kies Run an agent. In de module-instellingen vul je vier dingen in (Bron: Make Help Center):
- Connection: de AI-provider. Op het gratis plan is dat Make’s eigen AI Provider; op betaalde plannen kun je ook een eigen OpenAI- of Anthropic-sleutel koppelen.
- Model: kies uit de dropdown.
- Instructions: de rol, het gedrag, het doel en de stappen van de agent, in gewone taal.
- Input: het verzoek of de gemapte data uit je trigger, zoals de tekst van de binnengekomen mail.
De Instructions bepalen het grootste deel van het gedrag. Wees concreet over wat de agent níét mag, bijvoorbeeld “verstuur nooit zelf een mail, maak alleen een concept”. Hoe je zo’n instructie opbouwt, staat in betere prompts voor AI-agents in Make.
Er is ook een veld Conversation ID. Vul je daar een vaste waarde in, dan onthoudt de agent eerdere gesprekken met dezelfde ID; leeg betekent elke run blanco (Bron: Make Help Center). Wil je verder gaan dan gespreksgeschiedenis, lees dan zo geef je een Make AI-agent geheugen.
Stap 3: tools en kennis
Beweeg over de plus van de agent-module en kies Add tool of Add MCP. Een agent kan vier soorten gereedschap krijgen: een losse module uit een app, een compleet scenario via Call a scenario, tools van een MCP-server, en een andere agent als sub-agent, met nesten tot één niveau diep (Bron: Make Help Center). Een scenario dat data teruggeeft, moet eindigen met Return outputs.
💡 Beginner-tip: begin met één of twee tools, niet met tien. Hoe kleiner de gereedschapskist, hoe voorspelbaarder de agent. Geef elke tool een beschrijving die zegt wanneer hij gebruikt moet worden; daarop baseert de agent zijn keuze.
Via dezelfde plus kies je Knowledge om bestanden te uploaden, zoals een prijslijst of FAQ. Make noemt JSON, TXT, CSV en PDF als ondersteunde formaten, en het uploaden zelf kost tokens voor de omzetting (Bron: Make Help Center).
Stap 4: testen met Chat en Reasoning
Rechtsklik op de module en kies Chat with Agent. Stuur een realistisch verzoek, kijk welke tools hij aanroept, pas de instellingen aan en herhaal. De redenering van de agent zie je stap voor stap in het Reasoning-paneel op het canvas (Bron: Make). Wil je een tool tijdelijk uitsluiten, rechtsklik dan op de route en kies Disable tool.
Na echte runs open je via History de details van een run. Op de Reasoning-tab lees je waarom de agent koos wat hij koos; onder Output staan bij Metadata de uitgevoerde stappen (Bron: Make Help Center).
Neemt een agent de verkeerde afslag, kijk dan eerst naar je Instructions en toolbeschrijvingen voordat je een ander model probeert: een beschrijving van vier woorden geeft de agent weinig om op te kiezen.
Stap 5: aanzetten en in de gaten houden
Klopt het gedrag, sla het scenario op en zet het aan; de trigger uit stap 1 bepaalt vanaf dan wanneer de agent draait. Houd de eerste dagen je creditverbruik in de gaten: met Make’s AI Provider rekent Make agent-runs af op basis van verbruikte tokens, en meerdere MCP-servers en tools verhogen dat verbruik (Bron: Make).
⚡ Gevorderden: wil je agents die je in code versioniert en test, dan is een code-first framework zoals CrewAI het logische alternatief. Wil je eerst scherp hebben wat agents wel en niet kunnen, lees dan AI-agents: wat zijn ze en wat kun je er echt mee? op hetlaatsteainieuws.nl.
Zoek je een platform waarop het mkb zonder code agents bouwt en wil je Make naast alternatieven zien, dan helpt het overzicht AI-agent maken zonder programmeren.
Stand van zaken — bijgewerkt 2026-10-07
Alles hierboven blijft staan zolang Make de agent als scenario-module aanbiedt. De status, plannen en bedragen hieronder zijn de bederfelijke laag.
| Onderwerp | Stand |
|---|---|
| Status agent-app | Make AI Agent (New) is open beta; functies en prijzen kunnen veranderen (Bron: Make Help Center) |
| Beschikbaarheid | Alle plannen met Make’s AI Provider; eigen AI-connectie alleen op betaalde plannen |
| Gratis plan | $0, 1.000 credits per maand (Bron: Make) |
| Core / Pro / Teams | $12 / $21 / $38 per maand bij maandelijkse betaling voor 10.000 credits; jaarlijks betalen scheelt volgens Make 15% of meer |
| Facturering | Credits vervingen operations per 27 augustus 2025 (1 operation = 1 credit); AI-functies via Make’s AI Provider kosten credits op basis van tokens |
| Stap-timeout agent | Standaard 300 seconden, instelbaar onder Advanced settings |
Checklist: ben je klaar?
- Bepaald of je echt een agent nodig hebt, of dat een gewoon scenario volstaat
- Scenario met trigger en schema aangemaakt
- Run an agent toegevoegd met connectie, model, Instructions en Input
- Eén of twee tools gekoppeld, elk met een concrete beschrijving
- Eventuele kennisbestanden geüpload
- Getest via Chat with Agent en de Reasoning gelezen
- Scenario opgeslagen en aangezet
- Creditverbruik na de eerste dagen gecontroleerd