HubSpot Agent Hub

HubSpot heeft alle AI-agents die verspreid door je portal zaten samengebracht op één plek. Agent Hub is de nieuwe thuisbasis voor elke agent die in je account draait, van de kant-en-klare agents van HubSpot tot de agents die je zelf bouwt, en hij staat sinds kort in public beta. Wat eerder Breeze agents en Breeze Studio heette, zit nu in één overzicht. 

Dat klinkt als een verhuizing van menu-items, maar de verandering zit dieper. Voor het eerst kun je de vraag beantwoorden die tot nu toe lastig te beantwoorden was: welke AI draait er eigenlijk in ons account, wat levert het op, en wie kijkt ernaar. Zolang je agents verspreid waren over HubSpot, was dat een puzzel die niemand oploste. 

Vorige week gaf ik een demo van Agent Hub tijdens onze Lunch & Learn HubSpot AI Agents. In een klein uurtje liet ik zien hoe je van losse AI-experimenten naar één regielaag gaat, en hoe je zelf een simpele agent bouwt die een serviceteam morgen al kan gebruiken. In deze blog lees je wat Agent Hub is, hoe het scherm is opgebouwd, waarom het Context-tabblad meer aandacht verdient dan de agents zelf, en hoe je begint zonder een AI-project van een jaar op te tuigen. 

Wat is Agent Hub precies? 

Agent Hub is het overzicht waarin je alle agents en agentic workflows in je HubSpot-account ziet, activeert, configureert en volgt. Kant-en-klare agents van HubSpot, agents uit de marketplace en je eigen custom agents staan er naast elkaar, met per agent de status en de resultaten die ze opleveren. 

Het verschil met de oude situatie zit in de indeling. HubSpot groepeert agents niet langer op het product waarin ze toevallig leven, maar op de uitkomst waar ze aan bijdragen: vraag creëren, deals winnen, klanten blij houden en groei opschalen. Je vindt Agent Hub via Agents > Agent Hub. 

Beschikbaarheid: 

Agent Hub is beschikbaar bij Marketing Hub, Sales Hub, Service Hub, Data Hub, Content Hub en Smart CRM in de Professional- en Enterprise-edities. Het gebruik van agents verbruikt HubSpot Credits (bron: HubSpot Knowledge Base). Check dus eerst je edities en je creditverbruik voordat je breed uitrolt. 

Waarom heb je een regielaag nodig?

Losse AI-experimenten leveren precies op wat losse experimenten altijd opleveren: enthousiasme bij de een, onwetendheid bij de ander en geen enkele manier om te zien wat het samen doet. Je prospecting agent benadert een account in dezelfde week dat je serviceteam een openstaand ticket van datzelfde account afhandelt, en geen van beide weet dat van de ander. 

Dat is precies het probleem waar Agent Hub voor is gemaakt. Eén werkruimte, één set data uit het CRM, en één plek waar je ziet wat er draait. Voor RevOps-teams betekent dat: geen losse eilanden meer, maar een gedeeld beeld van welke agent waar in de klantreis staat. 

Herken je de dynamiek van afdelingen die naast elkaar werken in plaats van met elkaar? Dan is dit dezelfde discussie, alleen met AI erbij. En net als bij marketing en sales geldt: het gedeelde overzicht komt eerst, de techniek daarna.

Hoe ziet Agent Hub eruit als je hem opent? 

Je landt op het overzicht-tabblad, met daarop het blok run je AI-team op resultaat. Elke kaart staat voor een agentic feature. Draait die al, dan zie je de resultaten. Staat hij uit, dan zie je wat hij zou kunnen doen. Zo zie je in één blik welk deel van je klantreis al ondersteund wordt en waar nog niets gebeurt.

[Content gaat verder na dit blok]

Daarnaast zijn er drie plekken die je moet kennen:

• De agentlijst. Alles wat je hebt draaien en alles wat op jouw licentie beschikbaar is, met filters en sortering.
• Het context-tabblad. De gedeelde kennis waar al je agents uit putten. Hier komen we zo op terug.
• De Inbox agent. De operationele laag: wat is er recent gedraaid, welke output vraagt om review of goedkeuring, en waar moet een mens ingrijpen.

Die laatste is in demo’s makkelijk over het hoofd te zien, en toch is het de plek waar agentwerk van experiment naar dagelijkse operatie gaat. Zodra een agent klantvragen of tickets ondersteunt, wil je kunnen zien wat er binnenkomt en wat opvolging vraagt.

Wat is het verschil tussen Agent Hub en Agent Builder?

Agent Hub is het dashboard, Agent Builder is de werkplaats. In Agent Hub zie je wat er draait en stuur je bij. In Agent Builder maak je iets nieuws.

Het interessante aan Agent Builder is hoe je bouwt. Je beschrijft in gewone taal wat er moet gebeuren, en je kiest of je een chat-achtige agent maakt, een agentic workflow, of een combinatie van beide. Breeze Assistant helpt je daarbij op hetzelfde canvas. HubSpot-oprichter Dharmesh Shah wijst op een verschil met de klassieke workflows: Agent Builder is diep geïntegreerd met het CRM, maar heeft het CRM niet nodig om te kunnen werken (bron: Dharmesh Shah op LinkedIn).

Voor jou betekent dat vooral: de drempel om iets eigens te maken ligt lager dan bij de meeste automatiseringen die je kent. Je hoeft geen developer te zijn om een agent te bouwen die één terugkerende taak van je team overneemt.

Waarom is het Context-tabblad het scherm waar je moet beginnen? 

Elke agent haalt zijn informatie uit dezelfde gedeelde context. Dat is het geheugen waar je agents op terugvallen als ze een vraag beantwoorden, een record verrijken of een vervolgstap voorstellen. Slaat je context nergens op, dan blijft de output van elke agent oppervlakkig, hoe goed je instructie ook is.

HubSpot is er duidelijk over wat daar hoort te staan: de bedrijfsinformatie die agents gebruiken bij het genereren van antwoorden en het uitvoeren van taken. Denk aan je messaging, je tone of voice, je merk en je ICP’s. Daarbinnen bewaren knowledge vaults specifiekere informatie voor gerichte toepassingen, bijvoorbeeld productdetails, interne documentatie of richtlijnen voor support (bron: HubSpot Knowledge Base). Je target personas leg je vast in je AI-instellingen, waarna agents als de Prospecting agent ermee werken.

Dit is meteen de reden waarom een AI-project bij ons zelden begint bij de agent. Het begint bij je data en je context: kloppen je records, staat je productinformatie ergens waar een agent hem kan vinden, en is duidelijk hoe jullie over je eigen dienstverlening praten. De Data agent speelt daarin een dubbelrol, want die verrijkt en onderhoudt je CRM-data en maakt daarmee de andere agents beter.

De regel die ik in de demo gebruik:

Goede AI zonder goede context blijft oppervlakkig. Investeer eerst in context, dan pas in het aantal agents.

Waarom scheidt Agent Hub je ICP en je persona’s?

Een detail dat me opviel bij het inrichten van de context: Agent Hub maakt onderscheid tussen ICP’s en persona’s, terwijl je die in AEO vaak in één profiel samenvoegt. Dat is geen slordigheid van de een of de ander, het volgt uit waar je ze voor gebruikt.

Een ICP beschrijft het type bedrijf waarvoor je de beste fit bent: branche, bedrijfsgrootte, regio, commerciële context en typische behoeften. Dat is account fit. Een persona beschrijft het type beslisser of teamlead binnen zo’n bedrijf: welke doelen die persoon heeft, welke pijnpunten spelen, welke taal aanslaat en welke waardepropositie relevant is. Dat is contact fit.

Door die twee te scheiden kan een agent op twee niveaus redeneren: met wat voor organisatie hebben we te maken, en met wat voor persoon spreken we binnen die organisatie. Een prospecting agent die alleen weet dat je op de maakindustrie mikt, weet nog niet of hij een operations manager of een marketingmanager voor zich heeft. Dat verschil bepaalt de hele toon van een eerste contact. Bij AEO mag die scheiding losser zijn, omdat daar doelgroep, context en rol vaak samenkomen in één profiel. Je beschrijft er een zoekintentie, geen gesprek. Heb je je AEO-profielen al staan, neem ze dan dus niet één op één over in je Agent Hub-context. Splits ze eerst in een accountlaag en een contactlaag.

In welke taal vul je je context in?

Een praktische vraag die je meteen tegenkomt: Nederlands of Engels? De HubSpot Breeze AI Assistent adviseert een splitsing die in de praktijk goed werkt. De uitleg die mensen lezen, bijvoorbeeld de toelichting boven je ICP’s en persona’s in je gedeelde teamdocument, houd je in het Nederlands. De inhoud die agents gebruiken schrijf je in het Engels: beschrijvingen, value propositions, pijnpunten en je agentinstructies.

Niet omdat Nederlands niet ondersteund wordt, want dat is het wel, in de software en in de contentomgevingen. HubSpot wijst er in de documentatie op dat AI-assistenten in niet-Engelse talen inconsistente resultaten kunnen geven en dat je dan extra moet controleren op helderheid en nauwkeurigheid. Custom agents werken op instructies, kennis en inputs, dus juist daar levert consistente prompttaal het meeste op. Wil je Nederlandse output uit een Engelse instructie? Zet dat er dan expliciet bij. De taal van je instructie en de taal van het antwoord zijn twee losse keuzes.

Hoe begin je zonder een AI-project van een jaar?

De verleiding is om groot te beginnen. Doe dat niet. In mijn demo sloot ik bewust af met de kleinste agent die ik kon bedenken: een ticket intake assistant die een binnenkomende klantvraag samenvat in twee zinnen, het type vraag benoemt, de urgentie inschat en de beste eerste vervolgstap adviseert.

Simpel, herkenbaar, en in een paar minuten gebouwd. Precies daarom werkt het. Een servicemedewerker opent een ticket en krijgt meteen hulp bij samenvatten en triage, zonder dat er een implementatietraject aan te pas komt.

Zo pak je het aan:

1. Kijk eerst wat er al draait. Open Agent Hub en bekijk het blok Run je AI-team op resultaat. Waarschijnlijk staan er meer agents aan of klaar dan je dacht.
2. Kies één bottleneck, geen categorie. Niet “we gaan iets met AI in service doen”, maar “onze eerste triage van tickets kost te veel tijd”.
3. Ruim je context op. Zorg dat de informatie waar de agent uit put klopt en vindbaar is, voordat je de agent live zet.
4. Bouw klein en test met echte voorbeelden. Drie tot vijf echte tickets of records zeggen meer dan tien bedachte scenario’s.
5. Zet toezicht op via de Agent Inbox. Spreek af wie de output beoordeelt en hoe vaak, en leg vast wat de agent nooit zelfstandig mag doen.

Is een custom agent niet gewoon een prompt in een ander jasje?

Het verschil zit niet in de prompt zelf, maar in de plek die hij krijgt in je proces. Een agent maak je herhaalbaar, koppel je aan een duidelijke use case en stel je beschikbaar aan een heel team. Daarmee wordt het onderdeel van hoe jullie werken, in plaats van een losse experimentprompt in het browservenster van één collega. Dat onderscheid bepaalt ook of AI blijft hangen bij een leuke demo of dat er iets verandert in de dagelijkse praktijk. Agent Hub geeft je het overzicht, Agent Builder geeft je de bouwplek, en jouw proces bepaalt of het werkt.

Download: zo bouw je je eerste custom agent

Wil je zelf aan de slag? We hebben de aanpak uit de demo uitgewerkt in een korte handleiding, inclusief een invulbare agent-brief, de voorbeeldinstructie voor de ticket intake assistant en een checklist voor je livegang.

Liever meekijken dan lezen?

Wil je zelf aan de slag? We hebben de aanpak uit de demo uitgewerkt in een korte handleiding, inclusief een invulbare agent-brief, de voorbeeldinstructie voor de ticket intake assistant en een checklist voor je livegang.