27 juli 2026Bijgewerkt op Fathy Shalaby16 min leestijd
Agent-ready producten: het twee-gebruikersmodel voor PM's
Je product heeft nu een tweede lezer: een AI-agent die namens een persoon handelt. Het twee-gebruikersmodel en vier auditvragen laten zien waar je product alleen werkt omdat er een mens meekijkt.
Agent-ready producten werken voor een AI-agent die namens een persoon handelt net zo betrouwbaar als voor die persoon zelf. In de praktijk betekent dat vier dingen: een machineleesbare route naast het scherm, waarborgen die het systeem afdwingt in plaats van dat iemand het opmerkt, elke keer dezelfde vorm van antwoord en een benoemde eigenaar wanneer een agent handelt op basis van een dubbelzinnige uitkomst. Het twee-gebruikersmodel toetst elke feature aan beide lezers.
De belangrijkste punten
Software is al de grootste lezer van het web. In 2024 was geautomatiseerd verkeer voor het eerst in tien jaar groter dan menselijk verkeer, met 51% van al het webverkeer (Imperva, 2025).
Agents zijn een minderheidsgewoonte, maar wel een echte. In de Stack Overflow-enquête van 2025 gebruikte 30,9% van de respondenten op het werk minstens af en toe AI-agents en 14,1% deed dat dagelijks (Stack Overflow, 2025).
Producten die voor mensen zijn gebouwd, falen stilletjes met agents. De agent doet precies wat een dubbelzinnige interface hem vertelde, op machinesnelheid.
De standaarden bestaan. MCP (in november 2024 open source gemaakt door Anthropic), llms.txt (voorgesteld in september 2024), RFC 9457-foutformaten en idempotency keys beantwoorden elk een van de vier auditvragen.
Begin met één workflow, de meest repetitieve, regelgebaseerde waarin iemand voor een ander handelt.
Wie is de tweede gebruiker van je product?
Twintig jaar lang had "wie is de gebruiker?" één antwoord: een persoon die naar een scherm kijkt en een beslissing neemt. Die aanname brokkelt af. Een groeiend deel van het lezen, klikken en formulieren invullen in software wordt gedaan door een agent: een model met tools dat voor een mens handelt, je API aanroept, je docs leest en je formulieren invult.
De cijfers laten de richting zien, nog niet de bestemming:
Verkeer: geautomatiseerde verzoeken vormden in 2024 51% van het webverkeer, en kwaadaardige bots alleen al 37% (Imperva, 2025). Het gaat vooral om crawlers en aanvallers, niet om behulpzame agents, maar het betekent wel dat een groot deel van wat je product leest al software is.
Developers: van de 31.877 respondenten die de vraag over agents beantwoordden, gebruikt 14,1% op het werk dagelijks AI-agents, 9% wekelijks en 7,8% maandelijks of minder; 37,9% is dat niet van plan (Stack Overflow, 2025).
Enterprise-software: Gartner verwacht dat in 2028 33% van de enterprise-softwaretoepassingen agentic AI bevat, tegenover minder dan 1% in 2024, en dat minstens 15% van de dagelijkse werkbeslissingen autonoom wordt genomen (W.Media on Gartner, 2025).
Dezelfde Gartner-publicatie bevat het tegenwicht: meer dan 40% van de agentic-AI-projecten wordt eind 2027 geschrapt (Gartner, 2025), en slechts zo'n 130 van de duizenden aanbieders die "agentic AI" verkopen, leveren het echte werk. De verschuiving is echt en rumoerig. Geen van beide feiten is een reden om haar te negeren.
Het idee heeft inmiddels een naam. In januari 2025 introduceerde Mathias Biilmann van Netlify agent experience (AX), de ervaring die een AI-agent heeft als gebruiker van een product, in navolging van user experience (Don Norman, 1993) en developer experience (Jeremiah Lee, 2011) (Biilmann, 2025).
Waarom falen producten die voor mensen zijn gebouwd stilletjes als agents ze gebruiken?
Deze verschuiving komt niet naar voren als een storing. Ze komt naar voren als een sluipend verlies van vertrouwen in de uitkomsten van je product. Een feature die is gebouwd op menselijk oordeel is afhankelijk van dingen die agents slecht verwerken: tekst die voor een mens prima leest maar geen eenduidige interpretatie heeft, status die alleen in de visuele lay-out leeft, en bevestigingen die ervan uitgaan dat iemand het merkt als een getal niet klopt. Een agent die op hetzelfde oppervlak werkt, stopt niet om te controleren of iets logisch is. Hij doet precies wat de interface hem vertelde, zo snel als hij kan, of de interface nu duidelijk was of niet.
Dat is de faalwijze waarop je je moet voorbereiden: niet "de agent gaat kapot", maar "de agent doet precies wat een dubbelzinnig product hem vertelde, en niemand merkt het tot het resultaat op schaal fout is".
OWASP noemt dit een van de grootste risico's voor LLM-toepassingen. Excessive Agency (LLM06:2025) is de kwetsbaarheid waardoor schadelijke acties kunnen plaatsvinden als reactie op onverwachte, dubbelzinnige of gemanipuleerde modeluitvoer, en de grondoorzaken zijn te veel functionaliteit, te veel rechten en te veel autonomie (OWASP, 2025). Dubbelzinnigheid in je product is een van de inputs.
Intensieve AI-gebruikers voelen dit al. In dezelfde Stack Overflow-enquête noemde 66% van de developers als grootste frustratie AI-uitvoer die bijna goed is, maar net niet, en meer mensen wantrouwden de nauwkeurigheid van AI (46%) dan haar vertrouwden (33%) (Stack Overflow, 2025). Een agent die tegen een dubbelzinnig product werkt, levert precies zulke bijna-goede resultaten op.
Een alledaags voorbeeld: het scherm voor het goedkeuren van onkosten
Een menselijke goedkeurder werpt een blik op het totaalbedrag, merkt dat het hoog lijkt voor die leverancier en pauzeert om het na te gaan. Een agent die op dezelfde criteria goedkeurt, heeft geen input "ziet er ongewoon hoog uit". Hij heeft het veld dat jouw interface als goedkeuringsdrempel blootlegt. Staat die drempel in een tooltip die een mens zou lezen maar waar de integratie van de agent nooit aan komt, dan doet de agent niets verkeerd. Hij volgt een specificatie die niemand heeft opgeschreven, omdat er altijd van werd uitgegaan dat een mens de lezer was.
Elke workflow waarin een mens een oordeel levert dat de interface nooit vastlegt, is een plek waar dit naar boven komt: stilletjes, één randgeval tegelijk.
Wat is het twee-gebruikersmodel?
Behandel elke feature alsof er twee mogelijke gebruikers hetzelfde oppervlak lezen, en toets haar aan beide voordat je haar uitbrengt.
1. De menselijke beslisser moet begrijpen waarom, niet alleen wat. Die leest voor context, afwegingen en het vertrouwen om te handelen. Je taak hier is niet veranderd: duidelijkheid, hiërarchie, het juiste detail op het juiste moment.
2. De agent-operator is een systeem dat namens die mens handelt en een taak uitvoert zonder dat een mens elke stap controleert. Die leest niet op nuance. Die heeft een interface nodig die ondubbelzinnig, gestructureerd en stabiel is: dezelfde input moet betrouwbaar hetzelfde soort output opleveren.
Behoefte
Menselijke beslisser
Agent-operator
Leest
Gerenderde pagina's, grafieken, tooltips
API-responses, schema's, docs, Markdown
Ziet fouten doordat
Er iets niet lijkt te kloppen
Harde validatiefouten met een reden
Tolereert inconsistentie
Ja, past zich ongemerkt aan
Nee, elke variatie breekt een integratie
Wil uitleg als
Proza en context
Gestructureerde velden plus dezelfde redenering
Veilige standaard voor risicovolle acties
Een bevestigingsdialoog
Concept of voorgestelde status, goedkeuring door een mens
De richtlijnen van Anthropic voor het bouwen van agents zeggen hetzelfde vanuit de bouwer: steek "net zoveel moeite in goede agent-computerinterfaces (ACI)" als in mens-computerinterfaces. Bij zijn SWE-bench-agent besteedde het team meer tijd aan het verbeteren van de tools dan aan de prompt als geheel (Anthropic, 2024).
Hoe audit je een feature op agent-readiness?
Stel een feature vier vragen. Elke vraag heeft een concreet "goed" antwoord.
1. Is er naast de voor mensen leesbare route ook een machineleesbare?
Als de enige manier om informatie uit je product te halen een gerenderde pagina is, heeft een agent die voor die persoon werkt geen betrouwbare ingang. Een gedocumenteerde API, een gestructureerde export of een voorspelbare datavorm is nu de tweede voordeur.
Een rechteninstelling die alleen bestaat als vinkje op een instellingenpagina, zonder veld in de API-response, is onzichtbaar voor elke agent die via die API werkt. Ze wordt ongemerkt niet afgedwongen zodra een mens de taak delegeert.
Zo ziet goed eruit: elk feit op het scherm is ook als veld beschikbaar, en elke actie heeft een API- of MCP-toolequivalent met een gedeclareerd uitvoerschema. MCP-tools kunnen een outputSchema declareren en structuredContent teruggeven dat daaraan voldoet (MCP-specificatie).
2. Gaat de interface ervan uit dat een mens een fout opmerkt?
Bevestigingsdialogen, "weet je het zeker"-vragen en rode waarschuwingen vertrouwen er allemaal op dat iemand merkt dat er iets mis is. Een agent stopt alleen als de controle structureel is: een harde validatiefout, geen visuele aanwijzing. Als je enige beveiliging tegen een destructieve actie een modal met een rode knop is, bestaat die beveiliging niet voor alles wat je API rechtstreeks aanroept.
Zo ziet goed eruit: fouten waar een machine iets mee kan. RFC 9457 (juli 2023) definieert een standaardformaat voor "problem details" omdat "niet-menselijke consumenten van HTTP-API's moeite hebben" met het lezen van HTML-foutpagina's (IETF, 2023). MCP scheidt protocolfouten van fouten bij het uitvoeren van tools, die terugkomen met isError: true en een bericht waarmee het model zichzelf kan corrigeren en het opnieuw kan proberen. Voor acties met grote impact raadt OWASP goedkeuring door een mens aan voordat de actie wordt uitgevoerd.
3. Levert dezelfde actie gegarandeerd hetzelfde soort resultaat op?
Mensen tolereren een feature die zich iets anders gedraagt afhankelijk van de accountstatus, de belasting of een randgeval. Ze passen zich aan zonder het te merken. Een agent die dezelfde aanroep duizend keer doet, heeft een response nodig die in vorm consistent blijft, ook als de waarden veranderen: elke keer dezelfde velden en hetzelfde foutformaat. Anders breekt elke integratie op een net iets andere manier, afhankelijk van welk randgeval ze het eerst raakte.
Zo ziet goed eruit: stabiele schema's, versiebeheer van wijzigingen en veilige herhalingen. Met de idempotency keys van Stripe kan een client een verzoek na een verbindingsfout herhalen zonder dat de bewerking twee keer wordt uitgevoerd; keys mogen maximaal 255 tekens lang zijn, en v1-keys kunnen worden opgeschoond zodra ze minstens 24 uur oud zijn (Stripe). MCP biedt vier tool-hints (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), maar het schema zegt dat het hints zijn, geen garanties (MCP-schema). Dwing het gedrag af op de server.
4. Wie is aansprakelijk als de agent het fout doet?
Dit is de vraag die de meeste roadmaps overslaan. Als een agent voor een persoon handelt op basis van de uitvoer van je product, en die uitvoer was dubbelzinnig, dan gaat de fout terug op een productbeslissing, niet op een gebruikersfout. Dat is een nieuwe categorie productrisico. Het verdient de zorgvuldigheid van elk productie-incident: een benoemde eigenaar, een manier om te reproduceren wat er gebeurde, en een oplossing die het werkelijke gat dicht in plaats van het ene geval dat werd opgemerkt.
Zo ziet goed eruit: een audittrail van welke agent wat deed, onder wiens gezag en vanuit welke input. De MCP-specificatie zegt dat hosts uitdrukkelijke toestemming van de gebruiker moeten krijgen voordat ze een tool aanroepen (MCP-specificatie), en dat er altijd een mens in de loop moet zijn die een toolaanroep kan weigeren (MCP-tools). Over welke acties een AI zelfstandig mag uitvoeren, lees je meer in het AI-overdrachtscontract: vragen, handelen of stoppen.
Welke standaarden maken een product in 2026 agent-ready?
Geen ervan is verplicht, en geen ervan is alleen genoeg. Elk beantwoordt een specifieke auditvraag.
Standaard
Wat het is
Herkomst
Beantwoordt
Model Context Protocol (MCP)
Open protocol om AI-toepassingen met tools en data te verbinden, via JSON-RPC 2.0
Open source gemaakt door Anthropic, 25 nov. 2024; huidige spec 2026-07-28
V1, V2, V4
llms.txt
Een Markdown-bestand in de root van je site dat agents beknopte context geeft en links naar schone Markdown-pagina's
Voorgesteld door Jeremy Howard, 3 sept. 2024; v2 augustus 2026
V1
OpenAPI-beschrijving
Machineleesbare beschrijving van je REST-API
Industriestandaard
V1, V3
RFC 9457 problem details
Standaard JSON-foutformaat voor HTTP-API's
IETF, juli 2023 (vervangt RFC 7807)
V2, V3
Idempotency keys
Door de client aangeleverde sleutel die herhalingen veilig maakt
Gangbare API-praktijk (bijv. Stripe)
V3
MCP wordt inmiddels ondersteund door assistenten als Claude en ChatGPT en door tools als VS Code en Cursor (MCP). Servers bieden drie soorten functies aan: resources (context en data), prompts (sjablonen) en tools (functies die het model kan aanroepen) (MCP-specificatie). Het llms.txt-voorstel zegt dat duizenden sites het bestand nu publiceren en dat Lighthouse van Chrome er in zijn audits voor agentic browsing naar zoekt (llms.txt). Als het je erom gaat hoe AI-assistenten je product beschrijven, en niet hoe agents het bedienen, is dat een ander probleem, dat aan bod komt in zichtbaarheid in AI-zoekopdrachten.
Hoe ziet een agent-readiness-audit eruit? Een uitgewerkt voorbeeld
Illustratief voorbeeld. Stel dat een bedrijf van 40 mensen 600 onkostendeclaraties per maand door je product haalt en dat de financiële leidinggevende wil dat een agent de routineclaims goedkeurt. Geef elke auditvraag 0 (faalt), 1 (gedeeltelijk) of 2 (slaagt).
Vraag
Bevinding
Score
1. Machineleesbare route
Declaraties en totalen zitten in de API; de drempel van € 2.000 per leverancier staat alleen in een tooltip
1
2. Structurele waarborgen
Goedkeuringen boven de drempel openen een modal; de API accepteert ze zonder meer
0
3. Consistente resultaten
Goedkeuring geeft een andere payload terug bij declaraties in meerdere valuta; geen idempotency key, dus een herhaling na een time-out kan twee keer goedkeuren
0
4. Verantwoordelijkheid
Het auditlog registreert de gebruiker, niet de agent of de regel die werd toegepast
1
Totaal
2 / 8
De oplossingen zijn klein: de drempel als veld blootleggen, goedkeuringen boven de drempel in de API afwijzen met een problem-details-fout, één payloadvorm teruggeven en een idempotency key accepteren, en de handelende agent naast de delegerende gebruiker loggen. Na die aanpassingen scoort de feature opnieuw beoordeeld 8/8, zonder enige wijziging aan het scherm voor mensen.
Zie een score onder 6 als reden om agents voor die workflow in een modus met alleen concepten te houden. Die grens is een startpunt, geen benchmark.
Agent-readiness-checklist (kopieer deze)
Elke waarde die op het scherm staat, is beschikbaar als benoemd veld in de API of export.
Elke actie heeft een API-endpoint of MCP-tool met een gedeclareerd invoer- en uitvoerschema.
Bedrijfsregels (limieten, drempels, rechten) worden op de server afgedwongen, niet in de UI.
Fouten geven een machineleesbare reden terug (RFC 9457 of een gelijkwaardig stabiel formaat).
Schrijfbewerkingen accepteren een idempotency key of zijn veilig te herhalen.
Responses behouden dezelfde vorm bij verschillende accountstatussen, valuta en randgevallen.
Destructieve acties of acties met grote impact vereisen goedkeuring door een mens of starten als concept.
Logs registreren de agent, de delegerende gebruiker en de input achter elke actie.
Docs bestaan in schone Markdown, met een llms.txt-bestand dat ernaar verwijst.
Elke workflow heeft een benoemde eigenaar voor agent-incidenten.
Wat dit niet betekent
Dit is geen pleidooi om je product van de ene op de andere dag opnieuw op te bouwen als API-first platform, of om de interface voor mensen te laten vallen. De meeste producten houden jarenlang een mens als primaire doelgroep; de verschuiving komt erbij. Het is ook geen reden om elk agent-framework van een lanceringspagina achterna te rennen. De les is smaller: controleer je bestaande oppervlak op aannames die alleen werken als een mens meeleest.
Welke fouten maken teams bij het ontwerpen voor AI-agents?
Twee bronnen van waarheid. Het dashboard zegt "3 items moeten worden beoordeeld" terwijl de API er 4 teruggeeft. Producten die goed met agents omgaan, genereren de uitleg voor mensen en de data voor machines uit dezelfde bron, zodat geen van beide lezers met een onvolledig beeld werkt.
Tool-hints vertrouwen als controles. Een annotatie destructiveHint: false verhindert geen destructieve aanroep. De MCP-specificatie zegt dat clients annotaties als onbetrouwbaar moeten behandelen, tenzij ze van een vertrouwde server komen.
Meer verlenen dan de taak nodig heeft. De eerste maatregelen van OWASP zijn minder tools, smallere functies en de minimale OAuth-scope. Een taak waarvoor alleen lezen nodig is, moet een alleen-lezen-token krijgen.
Aanroepen meten, geen uitkomsten. Agentverkeer blaast gebruikscijfers op. Check of gedelegeerde taken correct zijn afgerond, niet alleen hoeveel er zijn gedraaid. Zwaar agentgebruik zet ook prijsmodellen per seat onder druk; zie hoe je prijzen bepaalt als je gebruikers AI-agents zijn.
Kies de ene feature waarbij iemand nu het meest repetitieve, regelgebaseerde werk voor een ander doet: verzoeken goedkeuren, tickets triëren, gegevens afstemmen. Dat is bijna altijd waar een agent het eerst opduikt, omdat het de workflow is die het meest de moeite waard is om te automatiseren. Stel er de vier vragen over voordat er ongevraagd een agent komt, handelend op aannames die je interface nooit heeft uitgesproken.
De PM's die hier voorop lopen, zijn niet degenen die agents bouwen. Het zijn degenen die hun bestaande product zo duidelijk de waarheid laten vertellen dat een machine die het leest hetzelfde antwoord krijgt als een mens.
Waar Specky past
Het eigen agentoppervlak van Specky volgt het twee-gebruikersmodel. Coding agents en assistenten verbinden via een MCP-server met OAuth, laden de productcontext en op bewijs gebaseerde briefs voordat ze plannen, en maken PRD's, tickets en beslissingen aan als concepten. Die concepten komen in de PM Inbox terecht zodat een mens ze kan goedkeuren, en elke bewering linkt in de Product Graph terug naar het bronbewijs, zodat mens en agent dezelfde redenering zien. Details staan op de pagina Specky voor agents.
Veelgestelde vragen
Wat is een agent-ready product?
Een agent-ready product is een product dat een AI-agent namens een persoon net zo betrouwbaar kan bedienen als de persoon zelf. Het stelt data en acties beschikbaar via een API of MCP-server, dwingt regels af op de server, geeft consistente responsevormen en veilig te herhalen schrijfbewerkingen terug, en logt welke agent onder wiens gezag heeft gehandeld.
Wat is agent experience (AX)?
Agent experience is de ervaring die een AI-agent heeft als gebruiker van een product of platform, naar analogie van user experience en developer experience. Mathias Biilmann van Netlify introduceerde de term in januari 2025. Goede AX betekent dat een agent toegang kan krijgen, de mogelijkheden van het product begrijpt en taken kan afronden zonder dat een mens voor hem vertaalt.
Heb ik een MCP-server nodig om agent-ready te zijn?
Nee. Een goed gedocumenteerde API met stabiele schema's, duidelijke fouten en idempotente schrijfbewerkingen beantwoordt de meeste van de vier auditvragen al. Een MCP-server maakt je product makkelijker te koppelen aan assistenten als Claude, ChatGPT, VS Code en Cursor, en voegt conventies voor toestemming en toolbeschrijvingen toe. Het loont dus om hem toe te voegen zodra de API eronder solide is.
Is llms.txt hetzelfde als een product agent-ready maken?
Nee. llms.txt, voorgesteld door Jeremy Howard in september 2024, helpt agents je website en documentatie te lezen door ze naar beknopte Markdown te leiden. Het beantwoordt de eerste auditvraag voor content. Voor veilige acties, consistente responses of verantwoordelijkheid doet het niets; daarvoor zijn aanpassingen aan API en product nodig.
Hoe houd je een mens in de loop als agents handelen?
Laat risicovolle acties beginnen als concepten of voorstellen die een mens goedkeurt, en dwing dat af op de server in plaats van in een dialoog. De MCP-specificatie vereist uitdrukkelijke toestemming van de gebruiker voor toolaanroepen, en OWASP raadt goedkeuring door een mens aan voor acties met grote impact. Log bij elke actie de agent, de delegerende gebruiker en de input.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing