Hoe ik een AI-beslissingsagent in ClickUp heb gebouwd om slimmere campagnebeslissingen te nemen

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 eigenaars 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 combineren met 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 bedrijfsprocesmanager

Als gecertificeerd ClickUp Verified Consultant en bedrijfsprocesmanager met meer dan 5 jaar ervaring help ik bureaus en startups te groeien door middel van gestructureerde systemen en uitvoering. Ik heb operationele kaders 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 tegelijkertijd de leveringssnelheid en consistentie in omgevingen met meerdere klanten 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 elk nieuw 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?

🦾 Ben je nieuw bij ClickUp Super Agents?

ClickUp Super Agents zijn door AI aangestuurde agents die binnen je werkruimte actief zijn om je taken, gegevens en activiteiten te analyseren – en op basis van die context actie te 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 informatie uit je werkruimte.

Wat maakt ze anders?

In tegenstelling tot eenvoudige automatiseringen volgen Super Agents niet alleen maar regels. Ze:

• Krijg inzicht in de context van taken, documenten en opmerkingen
• Neem beslissingen (en voer niet alleen trigger-acties uit)
• Pas je aanpak aan naargelang de ontwikkeling van je werkstroom

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:

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:

Met andere woorden: ik wilde dat mijn agent de beslissingen over de verdeling van campagne-assets binnen ClickUp voor zijn rekening zou nemen, zodat er niets door de mazen van het net zou glippen.

2. Systeemcapaciteit: Ondersteunt mijn installatie AI-besluitvorming?

Een AI-beslissingsagent is slechts zo sterk als het systeem waarin hij actief is. 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 (materialen, 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 daarvoor.

Met ClickUp hoef je geen lappendeken van afzonderlijke 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 waarvan de kwaliteit in de loop van de tijd steeds beter wordt , omdat het geheugen van de agent en je werkruimte samen groeien.

Ik heb mijn ClickUp-installatie zo ontworpen dat de Asset Library Manager het volgende kan doen:

Als mijn lijsten, aangepaste velden en relaties niet goed in elkaar zouden zitten, zou de agent vastlopen of een puinhoop veroorzaken. Daarom beschouwde ik het systeemontwerp als een integraal onderdeel van de agent zelf.

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 opgezet: Als X gebeurt → doe dan Y

Dat noemen we nou 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.

Mijn Asset Library Manager is verantwoordelijk voor:

Toen die drie punten eenmaal duidelijk waren, werd al het andere een stuk eenvoudiger. Ik was niet langer alleen maar bezig met het bouwen van 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, maar ook wie hij moet zijn.

📌 Voor de Asset Library Manager heb ik de agent gevraagd om te fungeren als:

“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:

2. Context en reikwijdte: in welke context wordt het ingezet?

Vervolgens definieer ik de context en reikwijdte zo duidelijk mogelijk:

Hierdoor weet de agent waar de muren van de ruimte zich bevinden, zodat hij niet in het verkeerde deel van mijn werkruimte terechtkomt.

3. Beslissingslogica: wanneer en hoe moet het een beslissing nemen?

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:

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: Op welke gegevens vertrouwt het?

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:

Ik maak het expliciet in de prompt: dit zijn de inputgegevens die je moet gebruiken wanneer je beslist wat je vervolgens nog gaat doen.

5. Resultaten: Welke acties en formaten kan ik verwachten?

Tot slot definieer ik de outputs:

Zodra deze vijf elementen aanwezig zijn – rol, context, beslissingslogica, inputs en outputs – sluit de oplossing meestal nauw aan bij het daadwerkelijke probleem dat ik probeer op te lossen.

🎥 Hier is een korte uitleg als je zelf een Super Agent wilt bouwen:

Hoe mijn AI-beslissingsagent, ook wel bekend als Asset Library Manager, 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.

Dit alleen al bespaart een hoop handmatig werk bij het doorsturen. 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:

📌 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.”

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 ik breng de meeste tijd met mijn agent door door te chatten, en daar is een reden voor.

In mijn Asset Library Manager-chat heb ik twee doelen:

Chatten biedt me een realtime, gesprekgerichte interface, bijna alsof er een collega paraat staat. Ik kan het gebruiken om:

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 juist 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 opdracht niet duidelijk was, kreeg de agent een soort 'driftbui'. Niet omdat hij niet goed werkte, maar omdat mijn opdracht hem niet in staat stelde om succesvol te zijn.

Op zo'n moment kom ik altijd weer terug bij de vijf pijlers van prompts:

Zodra de zijn geïmplementeerd, wordt het gesprek ongelooflijk productief.

Het systeem aan een stresstest onderwerpen 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. Activeer 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:

Voor één gesprek waren er 15–30 handelingen nodig, en ik kreeg een duidelijk beeld van waar mijn systeem mogelijk zou kunnen falen naarmate we opschalen.

Het resultaat? Ik realiseerde me dat mijn installatie prima werkte tot ongeveer 50 locaties, maar dat het systeem het moeilijk zou krijgen als ik naar 100+ zou gaan. Dat inzicht kwam niet uit een dashboard, maar uit een gesprek met mijn agent.

De agent gebruiken als partner voor rapportage

👉🏼 Ik chat ook om eenvoudige maar krachtige vragen te stellen, zoals:

👉🏼 De agent geeft een lijst met assets, waar ze naartoe zijn gestuurd en links gekoppeld aan ClickUp. Vervolgens ga ik nog een stapje verder:

“Geef me een overzicht van de afgelopen 24 uur en beveel de tien beste locaties aan voor de verdeling van deze middelen – met een duidelijke onderbouwing voor elke aanbeveling.”

De agent maakt nu gebruik van:

…om precies aan te bevelen waar ik vervolgens naartoe moet gaan – en waarom.

👉🏼 Als ik er dieper op in wil gaan, kan ik vervolgvragen stellen zoals:

De agent gebruikt dezelfde gegevens en logica om mij een gericht antwoord te geven.

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 voortdurend bezig met:

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 te maken hebt met materiaal dat verspreid is over meerdere locaties, kanalen of klanten, hoef je niet voor altijd in spreadsheets te blijven hangen en alles handmatig te verwerken.

Begin met de vraag:

Ontwerp vervolgens je eerste agent op basis van die antwoorden.

Besteed ten slotte wat tijd aan het chatten: stel vragen, voer stresstests uit en laat de agent je laten zien op welke punten je systeem verbetering behoeft.

Zo gaat u een stap verder dan automatiseringen en begint u in ClickUp een intelligent systeem te bouwen dat echt voor u werkt.

Van experimenteren met AI naar daadwerkelijke AI-besluitvorming

Als je de besluitvorming met AI wilt automatiseren, is dit mijn belangrijkste advies:

Stop met nadenken:

❌ “Hoe kan AI mij helpen dit sneller te doen?”

En begin alvast na te denken over:

✅ “Op welke gebieden 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 geval wanneer:

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 daarop reageren.