Iedereen heeft inmiddels wel een AI-experiment achter de rug dat teleurstelde. Een
gegenereerde e-mail die klonk als iedereen en niemand. Een samenvatting die net de verkeerde prioriteit koos. Een "slimme" suggestie op basis van een productcatalogus van vorig jaar. HubSpot heeft dat gemeten over zijn hele klantenbestand en kwam met een conclusie die in één zin past: slechte context is erger dan geen AI. Teams die AI met slechte context gebruikten, boekten tot 49% minder klantmeetings en sloten tot 70% minder tickets dan teams die AI helemaal niet gebruikten. Teams met goede context deden het omgekeerde: 264% meer MQL's, 224% meer gesloten deals.

Ik zat deze week op de eerste rij bij Partner Day in Boston toen HubSpot zijn antwoord op dat probleem presenteerde: Aviator, een agent harness die diep in de Smart CRM zit ingebouwd. In dit stuk leg ik uit wat dat is, waarom het meer is dan een chatbot op je CRM, hoe het past in wat de rest van de markt doet, en wat ik er als AI-specialist van vind, inclusief de kanttekeningen.

Wat is een agent harness eigenlijk?

Een taalmodel op zichzelf doet niets. Het beantwoordt één vraag en stopt. Om er werk mee te laten doen, zoals een prospect onderzoeken, een deal bijwerken of een campagne opzetten, heb je een loop nodig: verzamel context, laat het model redeneren, kijk of de taak klaar is, en zo niet, ga nog een ronde. Dat mechanisme heet een agent harness.

Wie zelf agents heeft gebouwd, weet dat die loop het moeilijke deel is, niet het model. Elke ronde kost tokens, dus geld. Verkeerde of te veel context maakt het antwoord slechter én duurder. En als de harness los van je data staat, weet hij niets van je permissies, je goedkeuringsflows of wie er vorige week van rol is gewisseld.

Wat HubSpot anders doet

HubSpot heeft de CRM niet uitgebreid met AI, maar het afgelopen jaar opnieuw opgebouwd mét een harness erin. Drie keuzes vallen op.

1. Modelonafhankelijk, maar uitgesproken. HubSpot noemt het "de Zwitserland-aanpak": geen enkel model is overal het beste in, en dat verandert bijna wekelijks. Aviator kiest daarom per taak het model dat het beste presteert, op basis van evaluaties die HubSpot continu draait met zijn eigen go-to-market-kennis. Wordt een ander model beter voor een taak, dan schakelt Aviator over. Jij merkt daar niets van, behalve dat de output beter wordt.

2. De juiste context op het juiste moment. Aviator werkt samen met de Growth Context Graph: een laag die inzichten berekent uit al je gestructureerde en ongestructureerde data en die in drie dimensies organiseert. Business-context (merk, tone of voice, producten, positionering), team-context (rollen, doelen, goedkeuringen, werkwijze) en klant-context (ideale klantprofiel, communicatiehistorie, contracten, omzet). Voor elke taak injecteert Aviator precies het deel dat relevant is. Niet alles, want ruis kost tokens en verlaagt de kwaliteit.

3. Ingebouwd in de vertrouwenslaag. Elke agent die op Aviator draait, valt onder dezelfde beveiliging (rolgebaseerde toegang), governance (permissies, goedkeuringsworkflows), observability (wat deed elke agent, en waarom) en kwaliteitscontrole. Dat is het verschil met een agent die een collega op een vrijdagmiddag in elkaar heeft gezet: die werkt tot de bouwer vertrekt. HubSpot vertelde dat verhaal zelf op het podium, over hun eigen team.

Hoe dit past in wat de markt doet

Wat HubSpot hier bouwt, staat niet op zichzelf. Het is de CRM-vertaling van een
verschuiving die de hele AI-industrie het afgelopen jaar heeft doorgemaakt.

Van prompt engineering naar context engineering. In 2023 en 2024 ging het over de
juiste prompt. Sinds 2025 spreekt de industrie over context engineering: het vak van bepalen welke informatie een model op welk moment krijgt. De labs zelf zeggen het hardop. Anthropic publiceerde richtlijnen voor het bouwen van effectieve agents waarin de conclusie is dat eenvoudige, goed gevoede loops betere resultaten geven dan complexe frameworks. Aviator is precies zo'n loop, met de context-laag als kernonderdeel.

Modellen worden inwisselbaar, de harness niet. De frontier-modellen van Anthropic,
OpenAI en Google halen elkaar om de paar maanden in. Wie zijn product aan één model hangt, verliest. Daarom bouwt iedereen die serieus is over agents een model-agnostische laag met eigen evaluaties: Salesforce doet het met Agentforce, Microsoft met Copilot Studio, en de grote klanten die ik spreek bouwen intern precies hetzelfde. HubSpots keuze om Aviator model-agnostisch te maken is dus geen innovatie, het is de industriestandaard. Het verschil zit in de evals: HubSpot test op go-to-market-taken, iets wat een generieke laag niet kan.

Open protocollen winnen. HubSpot was ruim een jaar geleden de eerste CRM met MCP (het open protocol van Anthropic waarmee AI-assistenten met tools praten), en is nu de meest gebruikte CRM-connector in zowel Claude als ChatGPT. Dat is belangrijk voor jou: het betekent dat je HubSpot-data en -agents niet alleen bínnen HubSpot werken, maar ook vanuit de AI-tools die je team al gebruikt. De markt beweegt weg van walled gardens; HubSpot beweegt mee.

Agent sprawl is het volgende probleem. Nu iedereen agents kan bouwen, ontstaat in bedrijven een wildgroei die niemand overziet. Ik zie het bij vrijwel elke organisatie waar ik binnenkom: tientallen agents en automatiseringen, verspreid over tools, zonder eigenaar, zonder logging. HubSpots Agent Hub is een antwoord daarop binnen het CRM-domein. Het lost het probleem niet bedrijfsbreed op, maar het is een van de eerste platformen die het probleem überhaupt benoemt.

Mijn beoordeling als AI-specialist

Ik ben overwegend positief, met drie kanttekeningen.

Wat sterk is: HubSpot heeft begrepen dat de waarde niet in het model zit maar in de combinatie van harness, context en governance. Dat is de juiste architectuur, en het klopt met wat ik zelf zie als we agents bouwen in andere sectoren: het model is 20% van het werk, de context en de guardrails zijn 80%. Dat HubSpot de trust layer standaard meelevert, scheelt klanten maanden bouwwerk.

Kanttekening 1: de cijfers zijn HubSpots eigen data. De good/bad-context-percentages komen uit HubSpots gebruiksdata en zijn correlaties, geen gecontroleerd experiment. Bedrijven met goede context zijn waarschijnlijk ook bedrijven die überhaupt hun zaken beter op orde hebben. De richting klopt, de exacte percentages zou ik niet in een businesscase zetten.

Kanttekening 2: gemak heeft een prijs. Aviator kiest modellen, injecteert context en
handelt af zonder dat je iets ziet. Dat is prettig, maar het betekent ook dat je afhankelijk wordt van HubSpots keuzes. Vraag bij elke implementatie naar observability: kun je zien welke context een agent gebruikte en waarom? HubSpot zegt van wel. Test het.

Kanttekening 3: context is werk, geen instelling. Dit is de kern. Aviator kan alleen goed presteren als de context klopt: welke bronnen zijn actueel, welke data is verouderd, wie mag wat goedkeuren, hoe klinkt je merk, wie is je ideale klant precies? HubSpot geeft daar nu een plek voor (Context Home, met een score en aanbevelingen), maar het invullen en onderhouden ervan is mensenwerk en domeinkennis.

Wat dit betekent voor jouw organisatie

De volgorde is beslissend. De cijfers laten zien dat AI aanzetten vóórdat je context op orde is, je resultaten actief verslechtert. Daarom begint Six & Flow elke AI-implementatie op HubSpot voortaan met context: eerst de datafundering en de context-configuratie, dan pas agents. Niet omdat het spannender is, maar omdat het de enige volgorde is die de data ondersteunt, en omdat we in andere sectoren precies hetzelfde patroon hebben gezien.

Wil je weten hoe jullie context ervoor staat? Dat is precies het gesprek dat ik graag met je voer. Maak hier een afspraak!