TL;DR
- Wat: Google heeft een open-source repository gepubliceerd met ruim 30 uitgewerkte AI-agent-voorbeelden, gebouwd met hun Agent Development Kit (ADK).
- Waarom relevant: het zijn geen speelgoedprojecten maar complete workflows — van klantenservice tot financieel advies — inclusief architectuur, documentatie en deploy-opties.
- Wat je ermee kunt: bekijk welke voorbeeldagenten aansluiten bij jouw bedrijfsprocessen en bespreek met je technische partner of ze als vertrekpunt kunnen dienen.
Ik stuitte op een bericht van Santiago Valdarrama (@svpino) waarin hij een repository deelt met meer dan 30 open-source AI-agent-voorbeelden, gebouwd met Google's Agent Development Kit. Wat mij direct opviel: dit zijn geen losse codevoorbeeldjes. Het zijn volledige, end-to-end uitgewerkte workflows — mét architectuurdiagrammen, documentatie en de mogelijkheid om ze met één klik te deployen. Dat vond ik het bekijken waard.
Wat is Google ADK eigenlijk?
Laat ik even bij het begin beginnen. ADK staat voor Agent Development Kit. Het is een open-source toolkit van Google waarmee ontwikkelaars AI-agents kunnen bouwen, testen en uitrollen. Denk aan een soort bouwdoos: je krijgt de onderdelen, de handleiding en het gereedschap in één pakket.
Wat ik interessant vind, is dat Google ADK niet beperkt is tot één programmeertaal. De toolkit ondersteunt Python, TypeScript, Go, Java, Kotlin en zelfs Android. Dat maakt het voor een breed scala aan ontwikkelaars toegankelijk.
ADK werd begin 2025 gelanceerd tijdens Google Cloud Next en is vervolgens gedoneerd aan de Linux Foundation. Dat laatste is een signaal: Google wil dat dit een breed gedragen standaard wordt, niet alleen een Google-feestje. Of dat lukt, moet nog blijken — maar het gebaar is er.
Wat zit er in die 30+ voorbeelden?
De adk-samples repository op GitHub bevat voorbeeldagenten in uiteenlopende categorieën. Ik zet de opvallendste even op een rij:
Klantgericht
- Customer service agent — een agent die klantvragen afhandelt, inclusief contextwisseling en escalatie.
- Travel concierge — een reisassistent die suggesties doet op basis van voorkeuren.
- Personalized shopping — een winkelassistent die productaanbevelingen personaliseert.
Bedrijfsvoering en financiën
- Financial advisor — een agent voor financieel advies, uiteraard als demonstratie en niet als vervanging van een echt adviesgesprek.
- Supply chain agent — gericht op logistieke en toeleveringsprocessen.
- Medical pre-authorization — een agent die vooraf goedkeuringen voor medische procedures afhandelt.
Data en analyse
- Data science en data engineering agents — voor het opschonen, analyseren en verwerken van datasets.
- High-volume document analyzer — denk aan het doorploegen van grote hoeveelheden documenten.
- Google Trends agent — een agent die trenddata ophaalt en analyseert.
Content en marketing
- Blog writer, brand aligner, marketing agency — agents die helpen bij contentcreatie en merkpositionering.
Elk voorbeeld bevat broncode, documentatie en — wat Santiago terecht benadrukt — architectuurdiagrammen die laten zien hoe de verschillende componenten samenwerken. Dat laatste is wat mij betreft bijzonder waardevol. Een diagram vertelt je in één oogopslag hoe een agent is opgebouwd, zonder dat je duizenden regels code hoeft te lezen.
Wat betekent dit voor een ondernemer?
Ik merk dat als het over AI-agents gaat, de reactie bij veel ondernemers in twee kampen valt. Of het klinkt als science fiction, of het klinkt als iets dat alleen voor grote techbedrijven is weggelegd. Wat mij opvalt aan deze repository, is dat het een stuk tastbaarder wordt.
Stel dat je als ondernemer een webshop runt en dagelijks tientallen klantvragen binnenkrijgt. De customer-service-agent in deze repository laat zien hoe zo'n proces kan worden geautomatiseerd — niet als vaag concept, maar als werkend voorbeeld met code die je kunt bekijken en aanpassen.
Of stel dat je een logistiek bedrijf hebt en worstelt met voorraadbeheer. De supply-chain-agent geeft een concreet startpunt voor hoe een AI-agent daar kan ondersteunen.
Nu wil ik wel een kanttekening plaatsen: "open source" en "gratis" zijn niet hetzelfde. De code is vrij beschikbaar, maar je hebt een ontwikkelaar nodig om het aan te passen aan jouw situatie. En je betaalt voor de cloud-infrastructuur waarop het draait. Toch verlaagt dit de drempel aanzienlijk. Volgens recent onderzoek van onder andere Techzine zijn de kosten voor AI-agents voor MKB-bedrijven al flink gedaald, met investeringen vanaf zo'n €2.000 en een gemiddelde terugverdientijd van drie tot vier maanden.
Dat brengt me bij een andere observatie: uit cijfers die ik tegenkwam blijkt dat 74,4% van de Nederlandse MKB-bedrijven al op enige manier AI heeft geïntegreerd — ruim boven het Europese gemiddelde van 63,9%. De vraag is niet meer óf AI relevant is, maar hóe je het op een verstandige manier inzet.
One-click deploy: handig, maar kijk verder
Eén feature die Santiago uitlicht, is de one-click deploy. Via Google's Agent Starter Pack kun je een voorbeeldagent met één klik uitrollen naar Google's Agent Engine. Klinkt makkelijk — en dat is het deels ook. Het idee is dat je snel een werkend prototype hebt om mee te experimenteren.
Maar ik vind het belangrijk om hier realistisch te zijn. Een prototype is geen productieomgeving. Tussen "het werkt als demo" en "het draait betrouwbaar voor mijn klanten" zit een wereld van verschil. Denk aan beveiliging, privacy (zeker met de AVG), schaalbaarheid en integratie met je bestaande systemen. Kun je je voorstellen wat er gebeurt als een AI-agent een klant verkeerd informeert zonder dat er een menselijke check is?
Wat deze one-click deploy wél doet: het haalt de eerste hobbel weg. Je kunt zien wat er mogelijk is voordat je een cent investeert in maatwerk.
Hoe verhoudt dit zich tot de rest van de markt?
Google is niet de enige die met agent-frameworks werkt. Microsoft heeft Autogen, er is het populaire open-source project LangGraph, en ook Anthropic heeft tools voor agent-achtige workflows. Wat Google onderscheidt met ADK is de brede taalondersteuning en de directe integratie met Google Cloud-diensten als BigQuery en Vertex AI.
Voor een ondernemer die al met Google Workspace of Google Cloud werkt, kan dat een praktisch voordeel zijn — minder gedoe met koppelingen. Maar als je al diep in het Microsoft-ecosysteem zit, is ADK niet per se de logische keuze. Ik denk dat de keuze voor een framework vooral moet afhangen van wat je al gebruikt en waar je naartoe wilt.
Een groeiende gereedschapskist
Voor mij is dit vooral een signaal dat AI-agents steeds toegankelijker worden. Niet omdat de technologie simpeler wordt — onder de motorkap zijn het complexe systemen — maar omdat de voorbeelden, documentatie en tooling beter worden. Een repository als deze is geen tovermiddel, maar het is wel een verstandig startpunt voor wie wil begrijpen wat AI-agents concreet kunnen betekenen.
Wat ik het meest waardeer: de architectuurdiagrammen en de diversiteit aan use cases. Ze laten zien dat AI-agents niet één ding zijn, maar een breed spectrum aan toepassingen bestrijken. Van klantenservice tot data-analyse, van contentcreatie tot supply chain. En dat maakt het voor elke ondernemer de moeite waard om er op zijn minst eens doorheen te bladeren.