Ik heb veel traditionele werkstroomen en automatiseringen in ClickUp gebruikt. Ze zijn geweldig om taken van A naar B te verplaatsen, statussen bij te werken of eigenaren toe te wijzen. Maar op een gegeven moment realiseerde ik me iets belangrijks: geen van die automatiseringen dacht daadwerkelijk na over mijn campagnes.
Ik had een systeem nodig dat uitvoering kon koppelen aan intelligentie. En ik vond mijn antwoord in een AI-beslissingsagent, die ik de Asset Library Manager noem.
In dit bericht leg ik je uit hoe ik deze AI-beslissingsagent in ClickUp heb gebouwd (met behulp van ClickUp Super Agents ) en waarom dit noodzakelijk was voor mijn Business.
Over mij: een gecertificeerde ClickUp Consultant en business process manager
Als gecertificeerd ClickUp Consultant en Business Process Manager met meer dan 5 jaar ervaring help ik bureaus en startups te schalen door middel van gestructureerde systemen en uitvoering. Ik heb operationele frameworks opgezet en beheerd voor meer dan 40 bedrijven, verandermanagement geleid voor meer dan 115 teams en een operationele groei tot 16,4x mogelijk gemaakt, terwijl ik de leveringssnelheid en consistentie in multi-clientomgevingen heb verbeterd.
Waarom eenvoudige automatiseringen niet voldoende waren voor mijn campagnes
Mijn assets stonden verspreid over verschillende locaties, campagnetaaken stonden in verschillende lijsten en ik was nog steeds degene die moest beslissen waar elk asset vervolgens naartoe moest. Elke nieuwe campagne, regio of kanaal betekende meer handmatige beslissingen – en meer kans op dubbel werk, gemiste kansen of hiaten in de zichtbaarheid.
Toen stelde ik een andere vraag:
Wat als ik zou stoppen met het bouwen van werkstroomen en in plaats daarvan een intelligent systeem in ClickUp zou gaan bouwen – een systeem dat namens mij beslissingen kan nemen?
Wat als ik zou stoppen met het bouwen van werkstroomen en in plaats daarvan een intelligent systeem in ClickUp zou gaan bouwen – een systeem dat namens mij beslissingen kan nemen?
🦾 Nieuw bij ClickUp Super Agents?
ClickUp Super Agents zijn AI-aangedreven agents die binnen je werkruimte werken om je taken, gegevens en activiteiten te analyseren – en op basis van die context actie ondernemen. Je kunt ze een specifieke rol toewijzen (zoals het prioriteren van werk, het bijwerken van de projectstatus of het doorsturen van assets), en ze werken op basis van realtime werkruimte-informatie.
Wat maakt ze anders?
In tegenstelling tot standaardautomatiseringen volgen Super Agents niet alleen regels. Ze:
- Krijg inzicht in de context van taken, documenten en opmerkingen
- Neem beslissingen (in plaats van alleen triggers te activeren)
- Pas je aanpak aan op basis van hoe je werkstroom zich ontwikkelt
Zie ze niet zozeer als 'als-dit-dan-dat'-automatiseringen, maar meer als AI-teamgenoten die in je systeem zijn geïntegreerd.
De mentaliteitsverandering: van werkstroom naar intelligente systemen
Voordat ik een AI-agent in ClickUp bouw, neem ik even afstand en definieer ik het systeem.
Niet de automatisering. Het systeem.
Voor mij komt dat neer op drie vragen:
- Wat is het doel? Welk kernprobleem probeer ik op te lossen?
- Is mijn systeem hiertoe in staat? Kan mijn huidige ClickUp-installatie een agent daadwerkelijk ondersteunen die vrij kan draaien zonder dat het systeem vastloopt?
- Wat is de werkelijke rol van de agent? Verplaatst hij alleen maar taken, of mag hij namens mij nadenken, beslissen en handelen?
Ik wilde dat mijn AI-beslissingsagent de mentale belasting van het nemen van campagnebeslissingen zou overnemen.
Voor mijn Asset Library Manager zag dat er als volgt uit.
1. Doel: Welk probleem probeert deze AI-beslissingsagent op te lossen?
Ik wilde één plek waar alle campagne-assets – video's, afbeeldingen, teksten – te vinden waren:
- Geleid via één enkele bron van waarheid
- Bijgehouden voor alle locaties en campagnes
- Beschermd tegen dubbele invoer en hiaten in de zichtbaarheid
- Eenvoudig rapportage maken zonder tussen tools te hoeven schakelen
Met andere woorden, ik wilde dat mijn agent de beslissingen over de verdeling van assets binnen ClickUp zou nemen, zodat er niets door de mazen van het net glipt.
2. Systeemcapaciteit: Ondersteunt mijn installatie AI-besluitvorming?
Een AI-beslissingsagent is slechts zo sterk als het systeem waarin hij zich bevindt. Daarom is het logisch om hem te bouwen op een plek waar je taken, documenten, relaties en campagnegegevens allemaal samenkomen. Wanneer een agent het volledige plaatje (middelen, locaties, statussen, geschiedenis) in één verbonden digitale werkruimte kan zien, zijn zijn beslissingen gebaseerd op de realiteit, niet op giswerk.
Voor mij is de Converged AI-werkruimte van ClickUp dé plek.
Met ClickUp hoef je geen lappendeken van losstaande AI-tools aan elkaar te plakken die elk slechts een deel van je activiteiten zien, maar krijg je één intelligente laag die bovenop alles zit wat je team daadwerkelijk doet. Het resultaat is slimmere aanbevelingen, geen contextwisselingen en beslissingen die in de loop van de tijd steeds beter worden , omdat het geheugen van de agent en je werkruimte samen groeien.
Ik heb mijn ClickUp-installatie zo ontworpen dat de Asset Library Manager:
- Houd assets bij op tientallen locaties (en uiteindelijk meer dan 100)
- Sla schone gegevens op over waar assets zijn gebruikt
- Begrijp de soorten assets en pijlers (bijv. content over herstel versus mobiliteit)
- Werk volgens schema's en triggers zonder chaos te veroorzaken
Als mijn lijsten, aangepaste velden en relaties niet solide waren, zou de agent vastlopen of een puinhoop veroorzaken. Daarom beschouwde ik het systeemontwerp als een onderdeel van de agent zelf.
📮ClickUp Insight: 30% van de mensen zegt dat hun grootste frustratie met AI-agenten is dat ze zelfverzekerd klinken, maar fouten maken.
Dat gebeurt meestal omdat de meeste agents geïsoleerd werken. Ze reageren op een enkele prompt zonder te weten hoe u dingen graag doet, hoe u werkt of wat uw voorkeursprocessen zijn.
Super Agents werken anders. Ze werken met 100% context die rechtstreeks en in realtime uit je taken, documenten, chats, vergaderingen en updates wordt gehaald. En ze behouden recente, op voorkeuren gebaseerde en zelfs episodische herinneringen in de loop van de tijd.
En dat is wat een agent verandert van iemand die zelfverzekerd gokt in een proactieve collega die gelijke tred kan houden met de ontwikkelingen in het werk.
3. Rol van de agent: operator, niet alleen koerier
Ten slotte heb ik de rol van de agent gedefinieerd.
De meeste systemen zijn als volgt ontworpen: Als X gebeurt → doe Y
Dat noemen we eenvoudige automatisering.
Wat ik wilde, was iets anders. Een AI-beslissingsagent die de context kon beoordelen en die informatie kon gebruiken om beslissingen te nemen, net zoals een mens dat zou doen.
- Nee tegen “taken verplaatsen van lijst A naar lijst B”
- Ja tegen "denken, beslissen en handelen namens het bedrijf"
Mijn Asset Library Manager is verantwoordelijk voor:
- Bepalen waar assets naartoe moeten
- Dubbel werk voorkomen
- Het systeem en het team op de hoogte brengen wanneer er iets misgaat of wanneer er een beslissing is genomen
Toen die drie punten eenmaal duidelijk waren, werd al het andere eenvoudiger. Ik bouwde niet langer alleen maar een slimme automatisering. Ik bouwde wat ik een Beyond Super Agent noem: een agent die het doel begrijpt, opereert binnen een capabel systeem en een duidelijk omschreven rol heeft.
Hoe ik prompts heb gestructureerd om de AI-beslissingsagent betrouwbaar te maken: mijn 5 pijlers voor prompts
Toen het systeem eenmaal klaar was, ging ik verder met het onderdeel waar de meeste mensen meteen naar toe springen: prompts.
Maar in plaats van één lange instructie te schrijven, heb ik deze opgesplitst in vijf duidelijke onderdelen. Daardoor werd de AI-beslissingsagent gemakkelijker te beheren, te testen en te verfijnen.
Dit zijn de pijlers van de AI-prompts die bepalend zijn voor de kwaliteit van de beslissingen die mijn agent neemt:
1. Rolomschrijving: Wie is deze agent?
Ik vertel de agent niet alleen wat hij nog moet doen, ik vertel hem ook wie hij moet zijn.
🌟 Voor de Asset Library Manager heb ik gevraagd om te fungeren als:
“Ervaren eigenaar van een bureau en operations architect die meerdere klanten beheert.”
“Ervaren eigenaar van een bureau en operations architect die meerdere klanten beheert.”
Die ene regel verandert alles. Wanneer de agent nu reageert, doet hij dat vanuit het perspectief van iemand die:
- Beheer van complexe campagnes op meerdere locaties
- Evenwicht tussen capaciteit, impact en merkconsistentie
- Ik heb geleerd hoe ik dubbel werk en verspilde inspanningen kan voorkomen
2. Context en reikwijdte: in welke omgeving is het actief?
Vervolgens definieer ik de context en reikwijdte zo duidelijk mogelijk:
- Welke lijsten, ruimtes of campagnes zijn in het spel
- Wat de assetbibliotheek bevat
- Met welke soorten assets en pijlers moet de agent rekening houden?
Dit vertelt de agent waar de muren van de kamer zijn, zodat hij niet in het verkeerde deel van mijn werkruimte terechtkomt.
3. Beslissingslogica: wanneer en hoe moet het beslissen?
Vervolgens leg ik de beslissingslogica uit. In plaats van de agent te vertellen wat hij moet doen, heb ik gedefinieerd hoe hij moet denken.
Ik specificeer:
- Wanneer de agent een routeringsbeslissing mag nemen
- Welke velden of patronen moeten een aanbeveling triggeren?
- Hoe om te gaan met verschillende soorten assets of campagnefasen
Op die manier doet de agent meer dan alleen ideeën genereren. Hij weet wanneer hij actie moet ondernemen en hoe goede beslissingen eruitzien.
4. Inputs: Welke gegevens zijn betrouwbaar?
Elke beslissing is slechts zo goed als de gegevens waarop deze is gebaseerd. Daarom maak ik een verbinding met de gegevenslagen die mijn agent nodig heeft:
- Materiaalrecords in mijn bibliotheek
- Locaties en campagnes waar elk materiaal al is gebruikt
- Pijlers en creatieve typen (bijv. herstel versus mobiliteit)
Ik maak het expliciet in de prompt: dit zijn de inputs die je moet gebruiken wanneer je beslist wat je vervolgens nog gaat doen.
5. Output: Welke acties en formaten verwacht ik?
Tot slot definieer ik de outputs:
- Moet de agent campagnetaaken aanmaken?
- Moet het aangepaste velden of statussen bijwerken?
- Moet het mij een samenvatting, een lijst met aanbevelingen of beide sturen?
Zodra deze vijf elementen aanwezig zijn – rol, context, beslissingslogica, inputs en outputs – sluit de oplossing meestal nauw aan bij het echte probleem dat ik probeer op te lossen.
🎥 Hier is een korte uitleg als je zelf een Super Agent wilt bouwen:
👀 Wist je dat? Slechts één op de vijf bedrijven beschikt over een volwassen governance voor autonome AI-agenten, ondanks de snelle groei van agentische AI.
Hoe mijn AI-beslissingsagent, ook wel Asset Library Manager genoemd, daadwerkelijk werkt binnen ClickUp
Toen de basis eenmaal was gelegd, heb ik de agent in mijn ClickUp-werkruimte geïntegreerd, zodat deze op twee manieren kon werken.
Optie 1: Handmatige trigger vanuit de assetbibliotheek
De eerste modus is eenvoudig en direct.
- Ik kies een locatie waar de agent een asset naartoe moet sturen
- Ik klik op een trigger (zoals Verzenden naar locatie)
- De agent maakt een campagnataak aan in mijn campagnetracker voor dat specifieke materiaal
Dit alleen al neemt een hoop handmatig routeringswerk weg. Maar de echte kracht zit hem in de tweede modus.
Optie 2: Besluitvorming op basis van een schema
In de tweede modus wordt het systeem pas echt 'Beyond Super Agent'.
Hier gebruikt de agent de volledige inhoud van de assetbibliotheek om zelfstandig beslissingen te nemen:
- Het weet op welke locaties een asset al is geweest
- Het kent het type materiaal en de pijler
- Het toont de geschiedenis van acties die op dat materiaal zijn uitgevoerd
🌟 Van daaruit kan het beslissingen nemen zoals:
“Laten we voor dit strategische materiaal, dat al in Islamabad is geweest en een herstelvideo is, nu een herstelafbeelding of een mobiliteitsafbeelding versturen.”
“Laten we voor dit strategische materiaal, dat al in Islamabad is geweest en een herstelvideo is, nu een herstelafbeelding of een mobiliteitsafbeelding versturen.”
In plaats van dat ik voortdurend moet controleren waar een asset is gebruikt en wat de volgende stap moet zijn, bekijkt de agent de gegevens en neemt hij een beslissing.
Waarom ik ClickUp Chat gebruik om samen te werken met mijn AI-agent
In ClickUp kunnen agents in je hele werkruimte actief zijn. Je kunt ze triggeren via automatiseringen op lijsten, mappen en ruimtes (die reageren op statuswijzigingen, nieuwe taken en veldupdates), ze rechtstreeks toewijzen aan taken, ze @vermelden in taakcommentaren en documenten, of met ze communiceren in ClickUp Chat via DM's en @vermeldingen.
Maar chatten is waar ik de meeste tijd met mijn agent doorbreng, en daar is een reden voor.
In mijn Asset Library Manager-chat chat ik over twee doelen:
- Verfijn de agent zodat de besluitvorming steeds beter wordt
- Krijg meer inzicht in mijn eigen systeem dankzij de samenvattingen en aanbevelingen van de agent
Chatten biedt me een realtime, gesprekgerichte interface, bijna alsof er een collega voor me klaarstaat. Ik kan ermee chatten om:
- Stel vervolgvragen
- Pas mijn instructies direct aan, en
- Ontvang direct aanbevelingen zonder van context te wisselen
Het is het verschil tussen het indienen van een verzoek en een gesprek voeren.
Voor een agent zoals de Asset Library Manager, waarbij beslissingen op elkaar voortbouwen en context van belang is, zorgt dat soort iteratieve dialoog ervoor dat het hele systeem soepel werkt.
Wanneer de agent een driftbui krijgt
Na verloop van tijd merkte ik iets grappigs op: als mijn commando niet duidelijk was, kreeg de agent een beetje een 'woedeaanval'. Niet omdat hij kapot was, maar omdat mijn commando hem niet in staat stelde tot succes.
Dan ga ik altijd terug naar de vijf pijlers:
- Heb ik de rol duidelijk genoeg omschreven?
- Heb ik de juiste context en reikwijdte aangegeven?
- Heb ik de beslissingslogica uitgelegd die voor mij belangrijk is?
- Heb ik de inputs en outputs gespecificeerd?
Als de eenmaal zijn geïmplementeerd, wordt het gesprek ongelooflijk productief.
Het systeem stresstesten met één eenvoudig bericht
Een van mijn favoriete momenten met deze agent was het uitvoeren van een volledige stresstest met behulp van één enkele chatopdracht.
🌟 Ik heb de agent het volgende verteld:
“Ik wil een stresstest uitvoeren. Trigger het proces automatisch door willekeurige locaties te kiezen en campagnetaaken aan te maken volgens de werkstroom. Zorg ervoor dat je geen enkel onderdeel van de werkstroom overslaat en dat er geen dubbele taken zijn. Vraag me alles wat je wilt weten voordat je de test uitvoert.”
“Ik wil een stresstest uitvoeren. Trigger het proces automatisch door willekeurige locaties te kiezen en campagnetaaken aan te maken volgens de werkstroom. Zorg ervoor dat je geen enkel onderdeel van de werkstroom overslaat en dat er geen dubbele taken zijn. Stel me gerust al je vragen voordat je de test uitvoert.”
🟌 Dit is wat er gebeurde:
- De agent kwam terug met een paar verduidelijkende vragen
- Ik heb ze direct tijdens het chatten beantwoord
- De agent voerde de test uit op alle relevante locaties
- Het heeft de campagnetaaken aangemaakt zonder dat ik de assetbibliotheek handmatig hoefde aan te raken
In één gesprek waren er 15–30 acties nodig, en ik kreeg een duidelijk beeld van waar mijn systeem zou kunnen falen naarmate we opschalen.
Het resultaat? Ik realiseerde me dat mijn installatie solide was tot ongeveer 50 locaties, maar als ik naar 100+ zou gaan, zou het systeem het misschien moeilijk krijgen. Dat inzicht kwam niet uit een dashboard; het kwam voort uit een gesprek met mijn agent.
De agent gebruiken als partner voor rapportage
👉🏼 Ik chat ook om eenvoudige maar krachtige vragen te stellen, zoals:
- “Welke assets zijn er in de afgelopen 10 uur doorgestuurd?”
- “Oké, hoe zit het met de afgelopen 24 uur?”
👉🏼 De agent geeft een lijst met assets weer, waar ze naartoe zijn gestuurd, en bevat links die gekoppeld zijn aan ClickUp. Vervolgens ga ik nog een stap verder:
“Geef me een overzicht van de afgelopen 24 uur en beveel de top 10 locaties aan voor de verdeling van deze middelen – met een duidelijke onderbouwing voor elke aanbeveling.”
“Geef me een overzicht van de afgelopen 24 uur en beveel de top 10 locaties aan voor de verdeling van deze middelen – met een duidelijke onderbouwing voor elke aanbeveling.”
De agent maakt nu gebruik van:
- Waar assets al zijn
- Hoe pijlers en creatieve typen worden gebruikt
- Welke markten zijn nog niet volledig aangeboord?
…om precies aan te bevelen waar ik nu heen moet – en waarom.
👉🏼 Als ik er dieper op in wil gaan, kan ik vervolgvragen stellen zoals:
- “Welke assets moeten nu naar Tokio?”
De agent gebruikt dezelfde gegevens en logica om mij een gericht antwoord te geven.
📚 Lees ook: Hoe ik chat-chaos heb uitgebannen en een Business commandocentrum heb gebouwd in ClickUp
Van één slimme AI-beslissingsagent naar een schaalbare beslissingsengine
Inmiddels is mijn Asset Library Manager uitgegroeid tot een solide AI-beslissingslaag bovenop mijn ClickUp-werkruimte.
Voorheen was ik constant bezig met:
- Het gebruik van assets handmatig controleren
- Locaties met elkaar vergelijken
- Direct beslissingen nemen
Nu neemt de AI-beslissingsagent dit proces voor zijn rekening.
Ik neem nog steeds de uiteindelijke beslissing als dat nodig is. Maar ik hoef niet meer helemaal vanaf nul te beginnen. En die verschuiving komt steeds vaker voor.
Volgens een rapport van McKinsey & Company zien bedrijven de grootste meetbare impact van AI op gebieden zoals marketing, verkoop en strategie – waar besluitvorming een centrale rol speelt.
Volgende stap: Hoe bouw je je eigen AI-beslissingsagent in ClickUp
Als je met assets jongleert tussen meerdere locaties, kanalen of klanten, hoef je niet voor altijd in spreadsheets en handmatige distributie te blijven hangen.
Begin met de vraag:
- Wat is de enige bron van waarheid die mijn agent moet beschermen?
- Is mijn ClickUp-installatie overzichtelijk en gestructureerd genoeg om als basis voor een agent te dienen?
- Waar heb ik het meest hulp nodig: werk verplaatsen, beslissingen nemen of inzichten naar voren halen?
Ontwerp vervolgens je eerste agent op basis van die antwoorden.
💡 Pro-tip: Bouw een gerichte agent, geen agent die 'alles' doet. Geef je agent:
- Eén duidelijke verantwoordelijkheid
- Gedefinieerde databronnen
- Eenvoudige beslissingsregels
- Een gestructureerd uitvoerformat
Hoe beperkter de reikwijdte, hoe beter de resultaten.
Besteed ten slotte wat tijd aan het chatten: stel vragen, voer stresstests uit en laat de agent je laten zien waar je systeem verbetering behoeft.
Zo gaat u verder dan automatiseringen en begint u met het bouwen van een intelligent systeem in ClickUp dat echt voor u werkt.
Van experimenteren met AI naar daadwerkelijke besluitvorming met AI
Als je besluitvorming met AI wilt automatiseren, is dit mijn belangrijkste advies:
Stop met nadenken:
❌ “Hoe kan AI mij helpen dit sneller te doen?”
❌ “Hoe kan AI mij helpen dit sneller te doen?”
En begin na te denken:
✅ “Waar moet AI beslissingen voor mij nemen?”
✅ “Waar moet AI beslissingen voor mij nemen?”
De meeste teams bevinden zich nog in de eerste fase. Ze zijn aan het experimenteren. Ze testen tools. Ze voeren automatisering uit voor kleine taken.
Maar het echte voordeel ontstaat pas wanneer je een AI-beslissingsagent introduceert in een systeem dat daar al op is ingericht.
Dat is het moment waarop:
- Het werk ligt stil als er een afhankelijkheid is tussen het menselijk geheugen en het werk
- Mensen vormen geen knelpunten meer voor de besluitvorming
- Systemen gaan met duidelijkheid draaien
Daarom werkt dit binnen ClickUp.
Omdat alles – taken, gegevens en context – op één plek staat, kan je AI-beslissingsagent daadwerkelijk zien wat er gebeurt. En nog belangrijker: hij kan ernaar handelen.
👉🏼 Wilt u zien wat een AI-beslissingsagent voor uw werkstroom kan betekenen?