Vraag Microsoft 365 Copilot om de projectinbox samen te vatten, en dat doet het. Vraag het om die inbox af te handelen – elke bijlage openen zodra die binnenkomt, een RFI van een factuur onderscheiden, alles in Procore archiveren en vastleggen voor de auditors – en u stuit op de meest voorkomende beperking van Microsoft Copilot: het helpt iemand een taak uit te voeren, maar neemt die taak niet over.
Dat is zo bedoeld. Microsoft positioneert Copilot voor individuele productiviteit (Microsoft Learn): één persoon, in Microsoft 365-apps, die opstelt, samenvat en zoekt. Een workflow kan een gedeelde inbox bewaken, bestanden tussen systemen verplaatsen en elke overdracht vastleggen. Een maatwerk AI-agent is het overwegen waard wanneer de volgende stap afhangt van wat er werkelijk in een document staat, zeker wanneer bestandsnamen en sjablonen onbetrouwbaar zijn.
Deze gids laat zien waar de grens ligt, welke Microsoft-tool bij elke kant ervan past en hoe een werkende agent eruitziet, op basis van de documentatie van Microsoft en een systeem dat we bouwden voor een bouwbedrijf in de VS.
- Microsoft 365 Copilot verdient zijn licentie met het werk van één persoon: opstellen, samenvatten en zoeken in alles wat die persoon al kan openen.
- Vier beperkingen duiken op zodra werk een proces wordt: een gedeelde wachtrij, systemen buiten Microsoft 365, werk dat start bij een gebeurtenis en rechten die nooit iemand heeft opgeschoond.
- Copilot Studio, Microsoft Foundry en een maatwerkoplossing op Azure passen bij verschillende agents; controleer de gepubliceerde limieten van elk platform voordat een pilot wordt opgeschaald.
- Meestal is het antwoord: allebei. Een agent voert het proces uit en archiveert de resultaten, en Copilot helpt mensen die terug te vinden.
Waar Microsoft 365 Copilot goed in is
Veelvoorkomende toepassingen van Microsoft 365 Copilot zijn onder meer:
- Opstellen. Een eerste versie van een e-mail, document of presentatie op basis van een prompt en van bestanden die de persoon al heeft.
- Samenvattingen. Lange e-mailthreads en Teams-vergaderingen, teruggebracht tot besluiten en vervolgstappen.
- Dingen vinden. Antwoorden uit de mail, chats en bestanden die de persoon al kan openen. Microsoft stelt dat Copilot “alleen organisatiegegevens toont waarvoor individuele gebruikers minimaal leesrechten hebben” (Microsoft Learn).
- Gedeelde en gedelegeerde postvakken. Een gebruiker met een licentie kan Copilot nu vragen om berichten in een gedeeld postvak te lezen, samen te vatten en antwoorden op te stellen, of in een gedelegeerd postvak waarvoor hij volledige gemachtigde toegang heeft (Microsoft Support).
Het werkt bovendien binnen de bestaande rechten- en compliance-instellingen van de tenant, zodat IT geen nieuw beveiligingsmodel hoeft te bouwen om het uit te rollen.
Waar de beperkingen van Microsoft Copilot zich in de praktijk tonen
De beperkingen worden zichtbaar wanneer iemand Copilot een taak probeert te geven die vroeger bij een persoon of een team lag. Vier beperkingen van Microsoft 365 Copilot komen steeds weer terug:
1. Een gedeelde inbox is een wachtrij, geen gesprek
Copilot kan nu een gedeeld postvak samenvatten wanneer een persoon met een licentie daarom vraagt. Dat is iets anders dan de wachtrij afhandelen. In een projectinbox die de hele dag RFI’s, submittals en facturen ontvangt, moet elke bijlage nog steeds worden geopend, geclassificeerd, hernoemd en gearchiveerd. Copilot helpt degene die dat doet, maar neemt de taak niet van hem over.
2. Het bronsysteem staat buiten Microsoft 365
Microsoft 365 Copilot kan via Microsoft Graph-connectors gegevens van derden raadplegen, als de gebruiker die mag zien (Microsoft Learn). Lezen is de makkelijke helft. Een document in de juiste Procore-map zetten, een record aanmaken in een ERP of een CRM-veld bijwerken vraagt om API-aanroepen, authenticatie, veldmapping en foutafhandeling. We vergelijken de twee manieren om dat te koppelen in MCP vs API voor AI-agents.
Hetzelfde geldt voor documenten die Copilot nooit hoefde te lezen. Voor een IT-dienstverlener in het Verenigd Koninkrijk bouwden we een agent die met Azure AI Document Intelligence gegevens uit spreadsheets en gescande handgeschreven documenten haalt en die doorgeeft aan de bestaande Java-API van de klant (casestudy).

3. Niemand schrijft een prompt
In Copilot Chat start een persoon de interactie. Een geautomatiseerde workflow kan starten wanneer er een e-mail binnenkomt of een bestand in een map belandt. Met de Workflows-agent van Microsoft kan een gebruiker een automatisering in gewone taal beschrijven. De workflows die zo ontstaan, worden opgeslagen in een aparte Power Platform-omgeving voor de tenant.
Neem een projectinbox die ’s nachts pdf’s ontvangt. Als elke afzender een bekend sjabloon gebruikt en de bestemming een vaste regel volgt, kan een Power Automate-flow volstaan. Als onderaannemers verschillende sjablonen gebruiken of een wijzigingsopdracht onder de verkeerde bestandsnaam indienen, moet het systeem de inhoud interpreteren voordat het het bestand kan doorsturen. In die classificatiestap kan AI helpen.
4. Rechten die u nooit hebt opgeschoond, worden zichtbaar
Copilot kan organisatiecontent tonen die de gebruiker al mag bekijken. Microsoft adviseert zelf om de SharePoint-rechtenmodellen zo in te zetten dat “de juiste gebruikers of groepen de juiste toegang hebben tot de juiste content” (Microsoft Learn). In de praktijk kan een map die jaren geleden met het hele bedrijf is gedeeld, vanaf dag één in antwoorden opduiken. Bij een maatwerkagent kan het team de toegang beperken tot de bronnen die voor de taak nodig zijn. In een RAG-assistent die we bouwden voor een IT-dienstverlener in het Verenigd Koninkrijk antwoordt de assistent alleen op basis van documenten die de gebruiker mag openen, en meldt hij anders dat hij geen informatie heeft.

Copilot Studio vs Azure AI Foundry vs een maatwerkoplossing
Zodra u een stap hebt gevonden die om een AI-agent vraagt, zijn er drie Microsoft-platforms die het vergelijken waard zijn. Het Cloud Adoption Framework van Microsoft noemt ze: Copilot Studio (SaaS, low-code), Foundry (PaaS, pro-code) en eigen infrastructuur. Azure AI Foundry heet inmiddels Microsoft Foundry (Microsoft Learn).
De keuze is geen kwestie van principes. Copilot Studio is vaak de snelste manier om een use case te bewijzen. De beperkingen van Copilot Studio zijn gepubliceerd, en Microsoft adviseert de doorvoer te plannen voordat een pilot volledig wordt opgeschaald, omdat “de laagste limiet in het runtimepad de gebruikerservaring bepaalt” (Microsoft Learn). Hieronder leest u waar elke optie past.
Wanneer Copilot Studio volstaat
Copilot Studio past wanneer de agent vragen beantwoordt op basis van bedrijfscontent of een handvol vastgelegde taken uitvoert via kant-en-klare connectors, en wanneer een businessteam er eigenaar van wordt. Controleer voordat een pilot groeit welke limieten voor uw scenario gelden op de pagina Quota en limieten van Microsoft. Een paar komen vaak terug:
- Een agent met generatieve orkestratie kan naar maximaal 25 SharePoint-site-URL’s verwijzen.
- Zonder Microsoft 365 Copilot-licentie in dezelfde tenant kunnen generatieve antwoorden alleen SharePoint-bestanden kleiner dan 7 MB gebruiken.
- Een Excel-bestand uit SharePoint als kennisbron kan zwakke antwoorden geven op analytische vragen. Voor taken met berekeningen biedt Copilot Studio ook een code-interpreter die Python kan genereren en uitvoeren.
- Bij het Teams-abonnement dat bij bepaalde Microsoft 365-abonnementen is inbegrepen, krijgt elke gebruiker 10 sessies per 24 uur, verdeeld over alle agents in de tenant.
Berichtlimieten gelden per Dataverse-omgeving, dus elk kanaal en elke integratie die met agents in die omgeving communiceert, telt mee voor dezelfde limiet (Microsoft Learn). Microsoft kan ze voor goedgekeurde scenario’s verhogen, maar vraagt dan om “gemeten gebruik uit een pilotfase, geen prognose”.
Wanneer Microsoft Foundry past
Foundry past wanneer een engineeringteam zelf modellen moet kiezen, code moet schrijven of meerdere agents aan elkaar moet koppelen. Microsoft beschrijft Foundry-workflows als geschikt voor “sequentiële logica, voorwaardelijke vertakkingen en statusbeheer over meerdere agents”, en gehoste agents als een beheerde runtime voor uw eigen code (Microsoft Learn). Teams met eisen voor private netwerken kunnen Foundry Agent Service configureren om een virtueel Azure-netwerk te gebruiken. Ons team voor Azure-consultancy kan die omgeving inrichten. De twee platforms komen elkaar ook halverwege tegemoet: een Copilot Studio-agent kan Foundry-modellen gebruiken, zodat een businessteam de low-code-interface houdt terwijl engineers het model beheren.
Wanneer een maatwerkoplossing op Azure past
Een maatwerkoplossing op standaard Azure-services past wanneer de agent eigenlijk een pipeline is. Hij moet elk item uit een wachtrij oppakken, een piek aan e-mails op een drukke ochtend aankunnen, opnieuw proberen wanneer een downstream-API niet bereikbaar is en van elke stap een registratie achterlaten. U ontwerpt en beheert er meer zelf van, maar u kiest elk onderdeel in het runtimepad en ziet de limieten van elk onderdeel. De casus hieronder is zo’n oplossing. En als het doel een assistent is die is afgestemd op één rol of product, is het misschien eerder een maatwerk-copilot dan een agent.
Hoe een maatwerkagent er in de praktijk uitziet
Een bouwbedrijf in de VS met meer dan 70 jaar ervaring verwerkte de documentintake met de hand. Projectteams downloadden bijlagen uit projectinboxen, bepaalden of het om een RFI, een submittal of een wijzigingsopdracht ging en uploadden alles naar Procore en SharePoint. Bestanden kwamen verkeerd benoemd of onvolledig binnen, versies raakten door elkaar en goedkeuringen liepen vertraging op.
We bouwden een e-mail-AI-agent die de intake zelfstandig afhandelt. Een team van vier leverde hem op in 3,5 maand. Voor elke nieuwe e-mail doorloopt hij dezelfde zes stappen:
- Inbox bewaken. Hij houdt een speciale projectinbox in de gaten voor nieuwe bijlagen.
- Bijlagen ophalen. Het systeem downloadt elke pdf-bijlage naar Azure Blob Storage.
- Scannen op malware. Microsoft Defender for Storage scant het geüploade bestand voordat het document wordt verwerkt.
- Extractie en classificatie. Het systeem haalt de belangrijkste velden eruit en bepaalt aan de hand van de inhoud van het document of het een RFI, submittal, wijzigingsopdracht of ander documenttype is.
- Plaatsing in Procore. Hij uploadt het bestand naar de juiste locatie op basis van documenttype en onderaannemer.
- Vastleggen. Hij voegt een rij toe aan een trackingspreadsheet, die ook in Procore staat, met het project-ID, het documenttype, de afzender, de titel, het bedrijf en het documentnummer.
Hij draait op Azure: Azure Functions voor orkestratie, Azure Container Apps voor verwerking, Blob Storage en Queue Storage voor bestandsafhandeling, Entra ID voor identiteit, Key Vault voor geheimen en Azure Monitor voor observability. Hij werkt met het postvak, Procore en SharePoint via Microsoft Graph, de Procore-API en de SharePoint-API.
Waarom de architectuur er zo uitziet
Elk onderdeel beantwoordt een vraag die iemand van IT of audit gaat stellen. Azure Queue Storage buffert binnenkomend werk, zodat een piek aan bijlagen kan worden verwerkt zodra er capaciteit vrijkomt. Defender for Storage scant geüploade bijlagen op malware. Key Vault houdt de inloggegevens voor Procore en SharePoint buiten de code, Entra ID regelt de identiteit en Azure Monitor laat zien wat er draaide, wanneer en met welk resultaat. De trackingspreadsheet is de zakelijke kant van hetzelfde idee: een projectmanager ziet elk document dat de agent heeft verwerkt zonder Azure te openen.
Wat er voor de klant veranderde
Voor deze klant werd de documentverwerking 70–80% sneller, en projectmanagers en operationeel personeel wonnen ongeveer 35 uur per maand aan handmatig administratief werk terug. Elk document komt nu met dezelfde metadata en een traceerbaar pad in Procore terecht, waardoor het team een audittrail heeft dat er eerder niet was.
Geen van die zes stappen is een chat. Dat is het verschil tussen een copilot en een agent, en het is het werk dat ons team voor ontwikkeling van AI-agents doet. Wilt u breder zien hoe agents plannen en handelen, lees dan AI-agents: hoe ze werken.
Vijf vragen die de keuze bepalen
Gebruik deze vijf vragen om te beoordelen hoeveel van het proces een persoon met Copilot kan afhandelen en welke stappen het automatiseren waard zijn.
Kijk voor de stappen die u wilt automatiseren hoe de volgende actie wordt gekozen. Een workflow kan volstaan wanneer een projectcode bepaalt waar een bestand naartoe gaat. Een maatwerk AI-agent is het overwegen waard wanneer het systeem een onbekend document moet lezen, het type moet herkennen en die informatie moet gebruiken om te bepalen waar het wordt gearchiveerd.
Hoe u een eerste agent afbakent
Een eerste agent moet klein genoeg zijn om binnen maanden te worden opgeleverd, niet binnen kwartalen, en belangrijk genoeg dat mensen merken wanneer hij werkt. Met deze stappen houdt u hem binnen die grenzen.
- Kies één proces met één eigenaar. Eén inbox, één documenttype, één team. “Documentintake voor één projectinbox” is een afbakening; “operations automatiseren” niet.
- Tel het volume. Hoeveel e-mails, bestanden of verzoeken komen er per dag binnen, en hoeveel minuten kost elk ervan met de hand? Dat getal is de businesscase en de nulmeting waartegen u gaat meten.
- Breng elk systeem in kaart dat hij raakt. Noteer per systeem of de agent leest, schrijft of allebei, en via welke API. Een systeem zonder bruikbare API is een apart stuk werk, zoals we uitleggen in MCP vs API voor AI-agents.
- Bepaal wat het logboek moet tonen. Wie het gaat lezen – een auditor, een projectmanager of IT – bepaalt wat elke regel vastlegt.
- Begin met voorstellen. In de eerste weken doet de agent een voorstel en bevestigt een persoon het. Stappen gaan één voor één over op volledige automatisering, zodra hun foutpercentage laag genoeg is.
- Spreek de maatstaf af vóór de livegang. Verwerkingstijd, bespaarde uren of onderschepte fouten. Meet het voordat de agent start, zodat het resultaat een vergelijking is en geen schatting.
Zo’n afbakening beantwoordt ook de vraag die IT als eerste stelt: wat de agent precies mag aanraken.
Copilot en een maatwerkagent samen
Documentintake is één voorbeeld van hoe een maatwerkagent en Microsoft 365 Copilot kunnen samenwerken. De agent handelt de wachtrij af: hij leest elk binnenkomend document, archiveert het in SharePoint of het bronsysteem en legt vast wat hij heeft gedaan. Copilot werkt vervolgens voor de mensen: als de agent documenten met consistente namen en metadata in SharePoint archiveert, kan een projectmanager Copilot vragen de nieuwste submittal van een bepaalde onderaannemer te vinden in de SharePoint-content waartoe hij toegang heeft. Een goed draaiende agent maakt Copilot nuttiger, omdat hij Copilot schone, goed gelabelde content geeft om te vinden.
Ook het beveiligingsmodel blijft overeind. De agent kan draaien onder een eigen Entra ID-identiteit, met toegang beperkt tot wat zijn taak nodig heeft. Mensen blijven alleen zien wat hun eigen rechten toestaan, in Copilot en overal elders.
Voor Microsoft-partners. Een klant die tegen een van deze beperkingen aanloopt, stapt niet af van Copilot. Hij vraagt om het volgende project bovenop Copilot: een agent binnen de Microsoft 365-tenant die hij al gebruikt, met dezelfde identiteitsinrichting en, als hij die heeft, hetzelfde Azure-abonnement. Wanneer een klant om agents binnen Microsoft 365 vraagt, kunt u ja zeggen en leveren, binnen het samenwerkingsmodel waar u zich prettig bij voelt. De licenties blijven, en de relatie gaat verder dan de uitrol.
Hoe Crunch-IS AI-agents bouwt voor Microsoft 365
Ons werk in ontwikkeling van AI-agents begint waar dit artikel begint: bij het proces, niet bij het platform. We kijken naar het volume, de systemen waarnaar de agent moet schrijven en het logboek dat iemand nodig heeft, en pas daarna adviseren we Copilot Studio, Microsoft Foundry of een maatwerkoplossing op Azure.
De agents die we bouwen, draaien onder een eigen identiteit met afgebakende rechten, respecteren de toegangsrechten van elke persoon en leggen elke actie vast. Ze beginnen met het voorstellen van wijzigingen die een persoon goedkeurt, en een stap draait pas zelfstandig zodra het foutpercentage laag genoeg is.
De projecten uit dit artikel laten de resultaten in cijfers zien. De e-mail-AI-agent maakte de documentverwerking 70–80% sneller voor een bouwbedrijf in de VS. Voor een IT-dienstverlener in het Verenigd Koninkrijk zorgde een zoekassistent over SharePoint, Salesforce en S3 voor 60% sneller werken met bedrijfsdocumenten. Voor een ander IT-dienstverlenend bedrijf in het Verenigd Koninkrijk maakte een extractieagent voor gescande handgeschreven documenten de documentverwerking 96% sneller. Is er behoefte aan een assistent rond één rol in plaats van een proces, dan bouwt ons team voor AI-copilotontwikkeling die, en ons team voor Azure-consultancy richt de onderliggende omgeving in.
Conclusie
Microsoft 365 Copilot past goed wanneer iemand een antwoord moet opstellen, een discussie moet samenvatten of informatie moet vinden om mee aan de slag te gaan. Wordt dat werk een terugkerend teamproces, kijk dan naar wat er gebeurt nadat Copilot het antwoord heeft gegeven. Welke beslissingen moet iemand nog nemen, en wat doet hij daarna?
Een workflow kan volstaan wanneer die stappen duidelijke regels volgen. Een maatwerk AI-agent is het overwegen waard wanneer het team steeds opnieuw moet interpreteren wat er binnenkomt en op basis van dat oordeel actie moet ondernemen in meerdere systemen. De twee kunnen samenwerken. Een agent kan de routinematige intake afhandelen en de resultaten archiveren, terwijl mensen Copilot gebruiken om te vinden wat ze nodig hebben en te bepalen hoe ze met uitzonderingen omgaan.
