Zapier/Make vs custom AI-agent: de beslissing

“We moeten iets met agents gaan doen.” Leuke zin op LinkedIn. Minder leuk op de factuur.

De werkelijkheid voor de meeste mkb-automation-vraagstukken is onromantisch: een bestaande Zapier- of Make-flow met één slimme LLM-stap erin doet het werk. De kosten liggen flink lager, de onderhoudsbelasting ook. Custom agents hebben hun plek, maar bijna nergens zo vroeg in het traject als iedereen denkt.

Deze post: de werkelijke grens, met getallen die je kunt uitrekenen.

Twee werelden in één diagram

Zapier / Make + LLM-stap: Een no-code flow die vaste stappen volgt. Ergens onderweg zit één of meer LLM-aanroepen (classificeren, samenvatten, herschrijven). De AI wordt als een “slimme functie” gebruikt, niet als brein.

Custom AI-agent: Een systeem dat zelf beslist welke stappen te nemen, welke tools te gebruiken, wanneer door te gaan en wanneer hulp te vragen. Het model is het brein van de workflow, niet een onderdeel.

De eerste is een recept met een slimme ingrediënt. De tweede is een kok.

Wanneer is Zapier/Make voldoende?

Ja, als…

Je flow heeft een vast patroon (input → transform → output). Ook als de transform AI-kennis vereist, is het één stap.
Het aantal tools dat bij één taak betrokken is klein is (<5).
De beslissingen zijn binaire keuzes die je model in één prompt kan nemen.
Je bent niet afhankelijk van geheugen over meerdere interacties.

Voorbeelden:

Inkomende klantvraag classificeren op urgentie → naar juist kanaal routeren.
Offertes uit PDFs extracten → naar CRM pushen.
Blogpost-idee naar Google Docs concept omzetten met SEO-check.

Wanneer heb je een custom agent nodig?

Ja, als…

De taak vereist meerdere stappen waarvan de volgorde afhangt van tussenresultaten.
Het systeem moet meerdere tools aanroepen op basis van wat het onderweg leert.
Er is state nodig: het systeem onthoudt iets tussen stappen of conversaties.
Iteratie is inherent: het model moet kunnen zeggen “nog niet goed, probeer anders”.

Voorbeelden:

Research-assistent die zelf bronnen zoekt, vergelijkt, samenvat.
Outbound-tool die prospects onderzoekt en per prospect een gepersonaliseerde mail schrijft.
Support-agent die eerst documentatie raadpleegt, dan CRM checkt, dan eventueel een ticket maakt.

Break-even: wanneer loont custom?

Het simpele kostenmodel:

Zapier/Make + LLM:

Setup: 4-20 uur werk à €125/uur = €500-€2.500
Platform: €29-€99/mnd (Zapier) of €9-€49/mnd (Make), bij een beperkt aantal taken per maand
LLM-kosten: €0,01-€0,10 per actie

Custom agent:

Setup: 40-120 uur werk = €5.000-€15.000
Platform: €0-€200/mnd (eigen infra) + observability
LLM-kosten: €0,05-€0,50 per actie (complexere runs)
Onderhoud: 4-10 uur per maand = €500-€1.250/mnd

Let op: Zapier en Make rekenen per taak of operatie. Bij veel runs per maand kom je in een duurder abonnement, en daar ligt het omslagpunt. Puur op deze bedragen is Zapier/Make bij elk volume goedkoper. Een custom agent komt grofweg pas in beeld als je minimaal 1.000 runs per maand hebt én de taak complex genoeg is dat Zapier met LLM-stap er niet in voorziet. Onder die drempel is Zapier/Make goedkoper, ondanks dat het minder “indrukwekkend” klinkt. Reken het voor jouw volume na.

De valkuil van over-engineering

Stel je voor: een team wil een “customer support agent” bouwen en krijgt offertes voor een volledige LangGraph-implementatie.

Kijk je naar de use-case, dan gaat het om: inkomende mail classificeren, relevante knowledge-base artikelen ophalen, een suggestie-antwoord genereren, door mens laten valideren. Vier stappen, geen iteratie nodig. Dit is een Zapier/Make-flow met RAG-lookup.

De tussenvorm: Make met Custom Code

Make (voorheen Integromat) heeft een HTTP/Custom-code module waarmee je complexere logica kunt inpassen zonder naar volledige custom te gaan. Voor veel mkb-cases is dit het sweet spot:

Flow-control in Make (visueel, onderhoudbaar door niet-tech team)
Custom JS-functie voor complexere logica
LLM-aanroep via HTTP module
State in een externe db (Airtable, Supabase)

Dit is geen pure Zapier én geen pure custom. Maar het is vaak het economisch juiste antwoord.

Beslisboom

Loop deze vragen langs over je use-case:

Aantal stappen in de happy path? ≤4 → Zapier/Make. ≥5 → overweeg custom.
Beslissingsafhankelijke flow? Nee → Zapier/Make. Ja, meerdere takken die het model moet kiezen → custom.
Meerdere LLM-calls per run? Nee of 1-2 → Zapier/Make. ≥3 met tool-use → custom.
State tussen sessies? Nee → Zapier/Make. Ja, dringend → custom.
Volume ≥1.000 runs/mnd? Nee → Zapier/Make (custom loont dan zelden). Ja → ROI kan rechtvaardigen.

Twee of meer “custom”-antwoorden? Serieuze agent-overweging. Anders: begin no-code, want je kunt altijd later upgraden.

Nog iets: eerst bouwen, later schalen

Een custom agent kan prima beginnen als een Zapier-prototype. Dat is geen falen, dat is slim. Je leert de workflow kennen, je snapt de randgevallen, en pas dan bouw je het robuuste systeem.

Teams die direct in custom springen bouwen vaak drie maanden aan iets dat het probleem verkeerd oplost. Teams die eerst een lompe Zapier-prototype maken, bouwen maand vier iets dat werkt.

Verder lezen

Twijfel over welke kant op voor jouw proces? We rekenen het graag door. Bel 06 81 38 36 01 of vraag een automation-scan aan.

Zapier/Make vs custom AI-agent: wanneer trek je de grens? [2026]