Met één zin een AI-team rekruteren: dit open-source Agent-samenwerkingsplatform verlaagt de drempel voor een eenmanszaak tot het absolute minimum

Je duurste kostenpost is niet de loonsom, maar het feit dat jijzelf maar 16 uur per dag wakker bent.

In je eentje één baan doen, dat lukt nog net. Drie banen erbij pakken? Dan moet je óf mensen aannemen (wat jou geld kost), óf de helft van je opdrachten afschieten. Het afgelopen decennium is precies dát de bottleneck geweest voor een eenmanszaak.

In 2026 pakt dat anders aan: vervang je werknemers door Agents. Een compleet AI-team dat zelf taken verdeelt, onderling oplevert en 24/7 op jouw eigen systeem doorraast. Een open-sourceproject genaamd LobeHub (met 81.5k sterren op GitHub en 340+ bijdragers) heeft deze route al succesvol bewezen. Hoe je het opzet, hoe je er opdrachten mee binnenhaalt en hoe je deze Agents als je eigen werknemers inzet, dat breken we hieronder open.

1. Eerst naar de cijfers: 80k sterren zijn niet zomaar gevallen

Dit project begon oorspronkelijk als LobeChat, een open-source ChatGPT-client. Binnen een jaar tijd hebben ze zichzelf volledig herbouwd tot LobeHub, waarbij ze zijn opgewaardeerd van een simpel chatprogramma naar een volwaardig Agent-samenwerkingsplatform. De repository is verhuisd van lobehub/lobe-chat naar lobehub/lobehub, en de missie is herdefinieerd als “Chief Agent Operator” (hoofd Agent-operator—je kunt dit zien als een ‘operationeel directeur’, met als enige verschil dat hij geen mensen aanstuurt, maar AI Agents).

Wat je in de UI ziet, is een organigram van een Agent-team: elke Agent heeft een naam, een eigen taakgebied en kan opdrachten ontvangen.

Een ander project op GitHub, AutoGPT (186k sterren), was er vroeg bij, maar de trend in 2026 is inmiddels keihard gedraaid. De consensus in de sector is glashelder: één enkele Agent is niet genoeg, een team van Agents is de toekomst. Aanvullende projecten zoals Mem0 (62.9k sterren, gespecialiseerd in geheugen) en RAGFlow (86k sterren, gespecialiseerd in kennisbanken) zijn dit jaar ook massaal doorgebroken. Het hele ecosysteem beweegt razendsnel richting drie kernrichtingen: “teamgebaseerd, met langetermijngeheugen en lokaal te deployen”.

De moat van LobeHub is dat ze dit allemaal in één pakket leveren: een ingebouwde kennisbank, een marktplaats met 10.000+ vaardigheden (standaard plug-ins gebaseerd op het MCP-protocol), gecentraliseerde dispatching van meerdere modellen en een one-click private implementatie via Docker. Zodra je het installeert, ben je klaar met het bij elkaar sprokkelen van vier of vijf losse tools; alles draait vanaf één enkel dashboard.

2. Hoe het ding nu echt werkt: 4 Agent-samenwerkingsmodi

Agent Groups zijn waar de échte waarde zit. Wat één Agent niet alleen kan afhandelen, dat lost dit ingebouwde teammanagement voor je op. Er zijn 4 officiële samenwerkingsmodi, hier gerangschikt op gebruiksfrequentie:

① De lopende-bandmodus (Sequential) — voor 80% van je taken: Agent A schrijft, levert uit aan Agent B voor revisies, en het resultaat gaat naar Agent C voor de opmaak. Serieel werken: elke stap is controleerbaar en kun je tussentijds afbreken.

② De parallelle modus (Parallel) — voor 10% van je batchtaken: Splits één taak in N delen, zet N Agents tegelijk aan het werk en voeg de resultaten aan het einde samen. Ideaal voor bulkverwerking — bijvoorbeeld 30 producttitels in één keer genereren, of 100 beschrijvingen voor productfoto’s tegelijk schrijven.

③ De iteratieve modus (Iterative) — voor de minderheid van content die herhaaldelijk bijgeschaafd moet worden: De ene Agent schrijft, een andere Agent fungeert als redacteur en geeft een score; haalt het de drempelwaarde niet, dan gaat het terug de loop in. Gebruik dit voor klussen waarbij kwaliteit zwaarder weegt dan snelheid, zoals het bijschaven van virale Pinterest-titels of het schrijven van diepgaande longreads voor je blog.

④ De debatmodus (Debate) — voor de paar taken die meerdere perspectieven vereisen: Meerdere Agents debatteren over dezelfde kwestie (bijvoorbeeld “is dit product écht je geld waard?”), waarna een Moderator de meningsverschillen en overeenkomsten samenvat. Perfect voor productreviews en onderzoeksrapporten.

Een realistische use case: je beheert een SaaS-toolsite en moet dagelijks de functiebeschrijvingen, prijzen en gebruikersreviews van 50 producten updaten. Met een geautomatiseerde pijplijn trekt de eerste Agent de data, de tweede Agent schrijft de Nederlandse versie, de derde Agent de Engelse versie, en de vierde Agent optimaliseert de SEO-keywords. Vroeger was hier een hele werkdag voor één persoon mee gemoeid; tegenwoordig draait zo’n workflow in 30 minuten.

3. De voordeligste move: lokale Docker-implementatie, modellen vrij wisselen

Veel mensen blijven steken op het idee: “Ik kan die grote modellen niet draaien.” De oplossing van LobeHub is gewoon de frontend vervangen, de modellen lopen via de API.

Met één Docker-commandaatje start je de service (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, zodra Docker Desktop is geïnstalleerd, plak je het in je terminal en klaar ben je), en je opent localhost:3210 in je browser om direct aan de slag te gaan. Alle zware rekenkracht gebeurt in de cloud bij de grote modellen; lokaal draait enkel de UI. Dus zelfs met een MacBook Air met 8GB RAM kun je dit probleemloos draaien.

Modellen kun je volledig mixen en matchen. De combinatie die door de officiële voorbeelden wordt aangeraden is:

• Gemini 2.5 Pro: Lange context (tot een miljoen tokens), ideaal voor het doorvlooien van dikke documenten.
• Kimi (2M context): Uiterst sterk in tekstverwerking, ideaal voor het analyseren van documenten.
• DeepSeek V4 Flash: Spotgoedkoop (volgens de wisselkoers van aug. 2026 ca. RMB ¥1/M token voor input, ¥2/M token voor output; officiële prijsstelling in dollars $0,14/$0,28 per 1M), perfect voor grootschalige batchtaken.

Een complete “vertaal + herschrijf”-klus kost je minder dan 3 cent. Honderd taken per dag draaien = 3 RMB. Dít is de ware kostenstructuur van “AI-opdrachten aannemen” — je quote de klant 1500, je AI-kosten zijn 30, de resterende 1470 is pure winst voor jou.

Betrekken de klussen vertrouwelijke klantcontracten of interne bedrijfsdata? LobeHub ondersteunt ook een volledig private implementatie. De kennisbank draait op PGVector-vectorzoekopdrachten (die zoekt naar passages met “vergelijkbare betekenis”, niet simpelweg op trefwoorden). De kennisbank en chatgeschiedenis blijven volledig lokaal, gevoelige data verlaat nooit jouw eigen machine — maar de inferentie verloopt nog steeds via cloud LLM API’s. Dat is een belangrijke grens die je moet begrijpen.

4. Drie soorten klussen die je nu kunt aannemen, gefactureerd als maandelijks abonnement

Dit zijn de 3 soorten klussen die je vandaag de dag kunt aannemen, gefactureerd via een vast maandbedrag:

Scenario 1: Contentbeheer & -strategie (maandbedrag 3000-8000 RMB)

Jouw klanten zijn mkb-webshops. Ze willen wekelijks 5 Pinterest-pinboards, 3 TikTok-captions en 2 nieuwsbrieven publiceren. Bouw een pijplijn met Agent Groups: onderwerp-Agent → copy-Agent → layout-Agent → visual-Agent (meestal gekoppeld aan een image-API zoals Midjourney of Imagen, een paar cent per afbeelding). Eén persoon bedient 5 klanten, spendeert dagelijks 2 uur aan kwaliteitscontrole, de rest van de tijd draaien de Agents autonoom. API-kosten bedragen 200 tot 500 RMB per maand, de theoretische brutowinst ligt tussen 15.000 en 40.000 RMB.

Scenario 2: Concurrentie-monitoring dagrapport (maandbedrag 1.500–3.000 RMB)

Haal dagelijks prijzen, voorraad en nieuwe producten van 20 concurrentenites en schrijf deze automatisch weg naar Google Sheets. Om 9:00 uur precies landt de e-mail in de inbox van je klant. Gebruik parallelle modus voor bulk-scraping, bij cruciale wijzigingen gaat een apart alarm af. Eén persoon kan er tientallen klanten tegelijk draaiende houden.

Scenario 3: AI-klantenservice outsourcing (maandbedrag 2.000–5.000 RMB)

De grootste hoofdpijn voor kleine merken op Amazon en onafhankelijke webshops is de nachtdienst voor klantenservice. Gebruik de IM-gateway-functie van LobeHub (ondersteunt Telegram, Discord, WeChat en Enterprise WeChat) om klantvragen op te vangen en routeer ze automatisch op basis van vraagtype naar de juiste Agent. Jij slaapt, je winkel neemt bestellingen aan.

De overeenkomst tussen deze drie scenario’s: de offerte dekt de API-kosten met een factor van 50 of meer. In de business van AI-opdrachten verkoop je simpelweg tijd.

Vijf: Vannond nog opzetten

Als je alleen de meest kale, direct werkende versie wilt live wilt hebben, volg dan deze drie stappen:

Stap 1: Start de service. Installeer Docker Desktop (beschikbaar voor Mac/Win, one-click via de officiële site), en draai dan docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. Open http://localhost:3210 in je browser. Als poort 3210 bezet is, wissel dan naar -p 3211:3210.

Stap 2: Bouw drie Agents. Eén “Onderzoeker” (gekoppeld aan Gemini 2.5 Pro, leest lange documenten), één “Schrijver” (gekoppeld aan Claude of GPT, genereert content), en één “Reviewer” (gekoppeld aan een goedkoop model zoals DeepSeek V4 Flash, vangt typefouten en checkt feiten). Door de rollen over drie modellen te verdelen, voorkom je dat één duur model al het zware werk moet doen. Vraag de API-keys voor de modellen aan op hun respectievelijke officiële sites: Google AI Studio voor Gemini, OpenAI voor GPT, en DeepSeek Platform voor DeepSeek. Ze bieden allemaal een gratis tier om mee te beginnen.

Stap 3: Draai je eerste workflow. Maak een Agent Group aan en koppel drie Agents aan elkaar in een pijplijnmodus. Beschrijf de taak in gewone taal: “Lees deze PDF die ik heb geüpload, schrijf een samenvatting van 800 woorden, haal er de 3 kernpunten uit en geef me tot slot 5 pakkende titels voor Pinterest.”

Zodra de hele flow draait, zie je hoe elke Agent zijn eigen taak oppakt, de resultaten naadloos afgeeft aan de volgende, en uiteindelijk het eindproduct levert. Ben je tevreden met de output? Sla deze workflow dan op, zodat je hem de volgende keer direct kunt hergebruiken.

Zodra je deze stap succesvol afrondt, loop je al ver voor op 90% van de markt — de meeste mensen blijven steken op “ik heb alles geïnstalleerd, maar weet niet wat ik ermee moet doen”. Krijg eerst één workflow draaiende, daarna kun je pas nadenken over het aannemen van opdrachten.

De grenzen van deze route: AI is geen mens, behandel het niet als een werknemer

Als we het over het pad hebben, moeten we het ook over de grenzen hebben. Er zijn 3 lijnen die je niet moet overschrijden — AI kan alleen gestandaardiseerde, procesmatige opdrachten aannemen. Overschrijd je die grens, dan wacht je op eindeloze revisies.

Ten eerste: het kan menselijk oordeel niet volledig vervangen. Agents zijn goed in het “afwerken van een proces”, maar niet in het bepalen “of dit überhaupt gedaan moet worden”. De strategische richting van je opdrachten, het bepalen van je prijzen en de risico-inschatting blijven uiteindelijk jouw verantwoordelijkheid.

Ten tweede: geen naadloze integratie tussen verschillende systemen. LobeHub heeft weliswaar een IM-gateway, e-mail en een database aan boord, maar het klikt niet out-of-the-box met de interne ERP van een klant, Microsoft Teams of Salesforce. Complexe integraties vergen maatwerk. Ik heb zelf een klantenservice-uitbesteding gedaan voor een restaurantketen; ze wilden koppeling met hun zelfgebouwde CRM. Uiteindelijk moesten we dat project laten vallen — een geschatte ontwikkeltijd van 3 weken liep uit naar 8 weken.

Ten derde: AI kan heel overtuigend onzin verkopen. Feitelijke output van een Agent moet altijd door een mens worden gecheckt voordat je het bij de klant aflevert. Het verzint niet-bestaande klantnamen en verzonnen productprijzen, en noteert ze alsof het harde feiten zijn. De eerste keer dat ik de groepschatmodus van een Agent gebruikte voor productreviews, waren er drie Agents die elkaar “bijvielen” — de vijf aanbevelingen die ze uitspuugden kwamen allemaal neer op hetzelfde merk. Geen sprake van echte multi-perspectieven. Die 5 tot 10 minuten menselijke controle mag je niet overslaan; doe je het toch, dan krijg je revisies en een instortende reputatie.

Houd je deze drie regels voor ogen, dan kun je opdrachten aannemen die anderen niet durven. In de business van AI-opdrachten is het grootste tekort aan partijen die écht de grenzen kennen; mensen met loze kreten lopen er bij tientallen rond.

Eén ding dat je vandaag al kunt doen: ga naar GitHub, zoek lobehub/lobehub en geef het een Star. Ga daarna terug naar je lokale omgeving, draai het Docker-commando, zet je eerste Agent Group op en voed het met een document dat je recentelijk hebt geschreven. Laat het 5 titels genereren voor verschillende platforms—binnen 10 minuten zie je of deze tool de moeite waard is. Dat is een stuk praktischer dan jagen op de volgende ‘nieuwe AI-hype’.