HubSpot laat bedrijven zelf AI-agents bouwen op basis van CRM-data

Met Agent Builder wil HubSpot bedrijven zelf AI-agents laten bouwen op basis van CRM-data. Dat vraagt om duidelijke taken en betrouwbare klantinformatie.

Een verkoopgesprek voorbereiden begint vaak met zoekwerk. Wat heeft de klant eerder gekocht? Welke afspraken staan nog open? En wat werd tijdens het laatste telefoongesprek besproken? Juist bij zulke terugkerende taken kan AI in CRM interessant worden.

HubSpot kondigde op 23 juli 2026 Agent Hub en Agent Builder aan in een publieke bèta voor Pro- en Enterprise-klanten. Daarmee wil het bedrijf gebruikers eigen AI-agents laten bouwen rond de gegevens die al in hun CRM staan.

Wat zijn HubSpot Agent Hub en Agent Builder?

De twee onderdelen hebben elk een eigen functie. Agent Hub biedt een centrale plek om agents, hun status en recente resultaten te bekijken. HubSpot groepeert ze rond doelen zoals klanten aantrekken, deals winnen en klanten behouden.

Met HubSpot Agent Builder maak je aangepaste agents en AI-workflows. Volgens de aankondiging van HubSpot beschrijf je in gewone taal aan Breeze Assistant wat je wilt bereiken. De builder zet die opdracht vervolgens om in een agent of workflow. Daarbij kunnen bestaande contacten, deals, gesprekken en koopsignalen uit HubSpot worden gebruikt.

HubSpot presenteert dit als een aanpak zonder aparte ontwikkeltool of technisch team. De aankondiging beschrijft een bèta; controleer daarom welke functies en gebruiksvoorwaarden voor jouw abonnement gelden.

Een AI-agent bouwen begint met een concrete taak

De mogelijkheid om opdrachten in gewone taal te geven, maakt de eerste stap toegankelijker. Maar “help onze salesafdeling” is nog geen bruikbare werkinstructie. Welk resultaat verwacht je? Welke informatie mag de agent gebruiken? En wanneer moet een medewerker het overnemen?

Neem als denkbeeldige toepassing een agent die accountmanagers helpt bij hun gespreksvoorbereiding. Een opdracht zou kunnen zijn:

Maak vóór een klantgesprek een overzicht van de laatste contactmomenten, openstaande afspraken en ontbrekende informatie. Vermeld de bronnen en markeer wat onzeker is.

Dit is een voorbeeld van een afgebakende taak om in een proef te onderzoeken, geen bevestiging dat de bèta deze volledige werkwijze standaard ondersteunt.

Voor zo’n eerste toepassing kun je het resultaat bovendien eenvoudig beoordelen. Kloppen de afspraken? Ontbreekt er relevante informatie? En bespaart de voorbereiding daadwerkelijk tijd?

Waar AI-workflows waarde kunnen toevoegen

Bij het onderzoeken van AI-automatisering is het verstandig te beginnen met werk dat regelmatig terugkomt en veel lees- of samenvatwerk vraagt. Denk aan deze mogelijke toepassingen:

• AI voor sales: klantinformatie samenbrengen voor een gesprek of een voorstel voor een volgende actie opstellen.
• Marketing: overeenkomsten in klantvragen onderzoeken als input voor campagnes en content.
• AI voor klantenservice: de voorgeschiedenis van een klant samenvatten voordat een medewerker een vraag behandelt.

Welke toepassing haalbaar is, hangt af van de beschikbare functies, gegevens en toegangsrechten. Begin daarom met één team en één duidelijk probleem. Een agent die elke week betrouwbaar voorbereidingstijd bespaart, is een beter vertrekpunt dan een breed experiment zonder meetbaar doel.

CRM-data moet bruikbaar zijn

Stel dat een verkoopkans nog op “offerte verstuurd” staat, terwijl de klant gisteren telefonisch heeft afgewezen. Als niemand dat gesprek vastlegt, ontbreekt belangrijke context voor de volgende actie.

Dat voorbeeld laat zien welke vraag je vóór een proef met AI in CRM moet stellen: beschrijft ons systeem voldoende nauwkeurig wat er bij klanten speelt?

Controleer daarvoor onder meer dubbele contacten, verouderde verkoopkansen en onduidelijke gespreksnotities. Spreek ook af wie gegevens bijwerkt. Een koppeling met klantinformatie lost achterstallig CRM-beheer niet op.

Bepaal wat de agent zelfstandig mag doen

Maak bij CRM-automatisering onderscheid tussen informatie verzamelen, een advies geven en een actie uitvoeren. Een intern overzicht vraagt om andere controles dan een e-mail aan een klant of een wijziging in een verkoopkans.

Leg vóór de proef vast:

• Welke gegevens de agent voor zijn taak nodig heeft.
• Welke resultaten een medewerker moet goedkeuren.
• Wat er gebeurt bij ontbrekende of tegenstrijdige informatie.
• Wie fouten onderzoekt en de instructies bijwerkt.

Meet vervolgens zowel tijdwinst als correctiewerk. Als medewerkers iedere samenvatting uitgebreid moeten herstellen, levert een snelle eerste versie weinig voordeel op.

Wat betekent dit voor je CRM-keuze?

Voor organisaties die CRM-software vergelijken levert deze ontwikkeling een concrete demovraag op: kun je laten zien hoe een agent een taak uitvoert met gegevens die lijken op onze eigen klantadministratie?

Vraag daarbij ook naar uitzonderingen. Wat gebeurt er als een contactpersoon twee keer voorkomt, een afspraak ontbreekt of informatie elkaar tegenspreekt? Juist daar wordt zichtbaar hoeveel beheer en controle nodig zijn.

Wie zelf een AI-agent wil bouwen, doet er goed aan vooraf één succescriterium te kiezen. Bijvoorbeeld: een klantgesprek sneller voorbereiden, met behoud van de informatie die een accountmanager nodig heeft. Zo kun je beoordelen of AI-agentsoftware jouw team daadwerkelijk verder helpt.

Bron

Hubspot - Introducing Agent Hub and Agent Builder (juli 2026)