Op dit moment wordt 99% van de code in ons engineering team geschreven door AI. De veelvoorkomende angst is dat dit leidt tot ononderhoudbare “AI-slop”. De realiteit is precies het tegenovergestelde. AI stelt ons juist in staat om extreem hoogwaardige code te leveren met extreme snelheid. Als engineers met beperkte middelen moesten we vroeger altijd compromissen sluiten tussen snelheid en kwaliteit - nu kunnen we beide hebben.

De modellen zijn zeker slimmer geworden, maar de tooling is ook aanzienlijk beter geworden. Deze combinatie heeft onze volledige ontwikkel workflow getransformeerd. Traditionele Agile sprints bestaan voor ons eigenlijk niet meer. We zijn de oude rituelen voorbij en overgegaan op een continue stroom van uitvoering.

Hier is wat momenteel voor ons werkt, na veel experimenteren:

1. We geven prioriteit aan planning met AI

Hoewel “vibe coding” met AI aanvankelijk voelde alsof we snel gingen, realiseerden we ons al snel dat volledig vertrouwen op iteratief coderen vaak betekende dat we de hele dag aan het babysitten waren op de agent. In plaats daarvan verschuiven we het zware werk nu naar de planningsfase. Planning heeft nu voorrang op coderen.

Soms besteden we een hele dag alleen maar aan planning. We itereren de plannen met meerdere modellen en AI-aanbieders. We verfijnen de architectuur totdat we de perfecte specificatie hebben. We schrijven meerdere gedetailleerde tickets met heldere, atomische vereisten in Linear.

Zodra het plan vaststaat, wordt het bouwen triviaal. We wijzen Linear-tickets in bulk toe aan Cursor-agents. Soms sturen we tickets naar 20 agents tegelijk om parallel te draaien. De AI handelt de implementatie af. Het schrijft de boilerplate, verbindt de API’s en bouwt de UI-componenten. Dit verheft onze engineers van “programmeurs” tot “systeemarchitecten” die wachtrijen beheren en logica beoordelen in plaats van syntax.

2. We laten AI zijn eigen werk vinden

Een proactieve codebase is beter dan een reactieve. Wachten tot bugs worden gemeld is inefficiënt. We laten de AI in de aanval gaan. We gebruiken Cursor vaak om onze codebase proactief te scannen op mogelijkheden. Het zoekt naar technische schuld, refactors, potentiële prestatieverbeteringen en zelfs geheel nieuwe productfuncties die impliciet zijn maar ontbreken.

Eenmaal geïdentificeerd, gebruiken we Linear MCP om automatisch backlog-tickets te genereren op basis van deze bevindingen. Onze belangrijkste taak als engineering team is dan om deze tickets te prioriteren om ervoor te zorgen dat het werk met de meeste impact als eerste wordt gedaan.

Bonus: We genereren ook de agent-prompt direct in de ticketbeschrijving. Dit creëert een zelfvoorzienende cyclus waarbij het ticket klaar is om onmiddellijk terug toegewezen te worden aan een Cursor-agent. Dit vermindert de wrijving bij het starten van nieuw werk tot bijna nul.

3. We vertrouwen AI, maar verifiëren altijd

Code schrijven met AI is ongelooflijk makkelijk en snel, maar snelheid zonder stabiliteit is in feite een race naar AI-slop en technische schuld. Agents worden vertrouwd, maar alles wordt geverifieerd. We gebruiken strikte linters en rigoureuze type-checking. Een strikt mandaat van 80-100% minimale testdekking is ingesteld als niet-onderhandelbaar (een standaard die in traditionele engineering teams altijd moeilijk te prioriteren en handhaven was).

We leunen zwaar op pre-commit hooks en GitHub Actions. De workflow is binair: de gegenereerde code wordt simpelweg niet gemerged totdat deze elke afzonderlijke check doorstaat. Er zijn geen uitzonderingen voor kleine fixes. Als de dekking daalt of de linter klaagt, moet de agent het oplossen voordat een mens het ooit beoordeelt. Dit spaart de mentale energie van ons team voor het oplossen van hoogwaardige problemen.

Bonus: Alleen vertrouwen op menselijke beoordeling is riskant, omdat we last kunnen krijgen van vermoeidheid (vooral door de volumes AI-gegenereerde code die we moeten beoordelen). Daarom wordt elke PR grondig beoordeeld door CodeRabbit voordat een mens ernaar kijkt. Het analyseert de logica, controleert op beveiligingslekken en zorgt voor consistentie. We hebben zelfs een branch-regel dat alle opmerkingen van CodeRabbit moeten worden opgelost voordat een PR kan worden gemerged.

4. We leggen hard geleerde lessen vast voor AI

We hopen niet gewoon dat de AI onze stijl begrijpt; we schrijven het op. We sturen de agents met strikte, projectspecifieke regelbestanden (zoals .cursorrules). Een van de belangrijkste regels die we bijvoorbeeld voor elk project hebben, is om na elke zinvolle wijziging te committen en te pushen. Dit zorgt ervoor dat we een gedetailleerde geschiedenis hebben voor eenvoudige rollbacks als er iets misgaat (wat vaak gebeurt).

We behandelen deze regels als levende documenten van onze institutionele kennis. Elke keer dat we een nieuw probleem of een herhalend faalpatroon tegenkomen, voegen we een specifieke beperking toe aan de regels om te voorkomen dat het opnieuw gebeurt. Na verloop van tijd levert dit een geheel op waarmee we nog sneller kunnen bewegen, omdat we niet worden vertraagd door herhaalde fouten uit het verleden.

5. We zorgen ervoor dat AI een geweldige Developer Experience heeft

Investeren in Developer Experience (DX) is altijd de sleutel geweest tot productiviteit. Met AI is het het verschil tussen speelgoed en gereedschap. Een instabiele omgeving verwardt een mens, maar breekt een agent.

We investeren zwaar in robuuste test-harnassen en puppeteering-tools waarmee de AI bijvoorbeeld de browser direct kan besturen of eenvoudig een docker-omgeving kan opzetten. Dit stelt de agent in staat om meer te doen dan alleen code schrijven; het kan de app draaien, door flows klikken, de UI verifiëren en itereren totdat de oplossing daadwerkelijk werkt. Wanneer de DX is geoptimaliseerd voor machines, wordt de AI exponentieel krachtiger omdat het zijn eigen feedbackloop kan sluiten.

Natuurlijk leren we nog steeds, maken we dingen stuk en bouwen we ze beter op. Dus hoewel het bovenstaande nog kan evolueren, is dit gewoon wat momenteel voor ons werkt.

Ik ben benieuwd welk deel van de AI-native transitie klikt voor jouw engineering team, en waar je denkt dat we het misschien mis hebben. Laten we aantekeningen vergelijken!

Autonome agenten, net als mensen, zijn afhankelijk van kerncomponenten zoals identiteit, geheugen, planning en actie om effectief te kunnen functioneren. Deze componenten laten zich inspireren door menselijk gedrag, waardoor agenten in staat zijn te denken, te leren en te handelen op manieren die natuurlijk en intuïtief aanvoelen. Tegelijkertijd beschikken AI-agenten over unieke sterke punten, zoals het verwerken van enorme hoeveelheden data, het optimaliseren van beslissingen in real time, en het opschalen van operaties ver voorbij menselijke beperkingen. Deze inzichten zijn geworteld in het nieuwste onderzoek1 naar autonome agenten, en bieden een duidelijk kader voor het bouwen van systemen die zowel praktisch als baanbrekend zijn.

De Vier Pijlers van Autonomie

In de kern van elke autonome AI-agent bevinden zich vier cruciale componenten: Profiel, Geheugen, Planning en Actie. Deze systemen functioneren als een onderling verbonden geheel, waardoor agenten niet alleen taken uitvoeren, maar zich ook continu kunnen aanpassen en verbeteren. Elke component richt zich op een specifiek aspect van intelligentie en werkt samen om een samenhangende en dynamische entiteit te creëren.

Het Profiel fungeert als de identiteit en persoonlijkheid van de agent, waarbij het diens rollen, doelstellingen en de beperkingen waarbinnen hij opereert, vastlegt. Dit fundamentele element bepaalt hoe de agent met de wereld omgaat en zorgt ervoor dat zijn gedrag in lijn is met het beoogde doel en de verwachtingen van de gebruikers.

Het Geheugensysteem werkt als de ervaringsbank van de agent door informatie op te slaan en op te halen om toekomstige acties te informeren. Door korte- en langetermijngeheugen te integreren, kan de agent de context van lopende taken behouden terwijl hij een kennisarchief opbouwt dat zijn capaciteiten in de loop der tijd versterkt.

Het Planningssysteem geeft de agent de mogelijkheid om strategieën te ontwikkelen en complexe doelstellingen op te splitsen in uitvoerbare stappen. Of het nu gaat om het uitvoeren van vaste plannen of het dynamisch aanpassen aan realtime feedback, deze component zorgt ervoor dat de agent methodisch en doelgericht te werk gaat.

Tot slot zet de Actiecomponent beslissingen om in tastbare resultaten. Door gebruik te maken van interne redeneervermogen en externe hulpmiddelen, stelt deze component de agent in staat om plannen effectief uit te voeren en tegelijkertijd zijn aanpak te verfijnen op basis van feedback.

Samen vormen deze vier pijlers de basis van moderne autonome AI-agenten, waardoor zij in staat zijn te functioneren als adaptieve, intelligente entiteiten in complexe omgevingen.

Profiel: Het definiëren van de identiteit van de agent

De profielcomponent vormt de basis voor het gedrag en de besluitvorming van een agent, door diens doel, persoonlijkheid en rol vast te stellen. Door deze eigenschappen op maat te maken, zorgt het profiel ervoor dat agenten effectief met hun omgeving omgaan en aansluiten bij de verwachtingen van gebruikers, waardoor ze toegankelijker, functioneler en menselijker worden.

Basisattributen

Basisattributen geven de kernkenmerken van een agent weer, zoals diens expertise, rol of vakgebied. Zo kan een financiële adviseur-agent bijvoorbeeld attributen krijgen die de nadruk leggen op analytische nauwkeurigheid en bekendheid met economische trends. Deze attributen fungeren als het ‘cv’ van de agent, zodat zijn acties gebaseerd zijn op relevante context en kennis.

Psychologische Kenmerken

Psychologische kenmerken bepalen hoe agenten zich gedragen door persoonlijkheden na te bootsen zoals empathisch, assertief of samenwerkend. Een klantenservice-agent die is ontworpen om gevoelige kwesties te behandelen, kan bijvoorbeeld empathie en geduld prioriteren, wat leidt tot een ondersteunende en positieve gebruikerservaring. Deze kenmerken stellen agenten in staat om op een intuïtieve en mensgerichte wijze met gebruikers in contact te treden.

Sociale Context

Sociale context bepaalt de relaties en samenwerkingsdynamiek van de agent. Dit kan inhouden dat zijn rol binnen een team wordt gespecificeerd of dat het interactiemodel met andere agenten en mensen wordt vastgelegd. Bijvoorbeeld, in een gezamenlijk softwareproject kan de ene agent functioneren als ‘projectmanager’ die taken delegeert, terwijl een andere optreedt als ‘ontwikkelaar’ die de toegewezen componenten implementeert.

Profielen Creëren

• Handmatig Gedefinieerde Profielen: Het handmatig specificeren van profielen houdt in dat er expliciete beschrijvingen en beperkingen voor de agent worden geschreven. Bijvoorbeeld: “Je bent een analytische productmanager die zich richt op het leveren van datagedreven inzichten om innovatie te stimuleren.” Hoewel deze aanpak precisie biedt, kan ze arbeidsintensief zijn, vooral bij grootschalige implementaties.

• Geautomatiseerde Profielgeneratie: Geautomatiseerde systemen kunnen diverse profielen genereren door gebruik te maken van AI-modellen. Door profielen te beginnen met enkele initiële kenmerken, zoals leeftijd of sector, kan het model variaties produceren die geschikt zijn voor verschillende toepassingen. Dit bespaart tijd en zorgt voor schaalbaarheid.

• Dataset-geïnformeerde Profielen: Praktijkdata kan profielen verrijken en agenten relevanter maken voor specifieke scenario’s. Bijvoorbeeld, het profiel van een verkoopagent kan worden afgestemd op regionale klantvoorkeuren, waardoor hij interacties effectief kan personaliseren.

De profielcomponent fungeert als de ruggengraat van de identiteit van een agent en vormt de basis voor zijn interacties en besluitvormingsprocessen. Door attributen, psychologische kenmerken en sociale rollen zorgvuldig te definiëren, zorgen profielen ervoor dat agenten in lijn opereren met hun beoogde doel en resoneren met de verwachtingen van de gebruiker. Of ze nu handmatig worden opgesteld, gegenereerd met behulp van AI of verrijkt met praktijkdata, robuuste profielen stellen agenten in staat om naadloos te functioneren en zich dynamisch aan te passen aan diverse toepassingen. Deze fundamentele laag garandeert dat elke interactie, elk geheugen en elke actie de unieke doelstelling en waarde van de agent weerspiegelt.

Geheugen: De Ervaringsbank van de Agent

De geheugencomponent stelt agenten in staat om ervaringen op te bouwen, op te roepen en erop te reflecteren, waardoor een feedbacklus ontstaat die leren en aanpassingsvermogen bevordert. Geïnspireerd door menselijke cognitieve processen, integreert het geheugensysteem zowel korte- als langetermijncomponenten om zich effectief door dynamische omgevingen te navigeren.

Geheugenstructuren

Net als bij menselijk geheugen is het geheugen van een agent verdeeld in een kortetermijn- en een langetermijnsysteem.

Kortetermijngeheugen fungeert als een tijdelijk werkgeheugen voor het beheren van directe context. Dit is vergelijkbaar met onthouden wat iemand zojuist heeft gezegd in een gesprek – het helpt bij het behouden van samenhang en het genereren van betekenisvolle reacties. Bijvoorbeeld, een AI-assistent kan kortetermijngeheugen gebruiken om recente klantvragen vast te houden, zodat zijn antwoorden relevant en vloeiend blijven.

Langetermijngeheugen biedt een duurzamer opslagmedium waarin belangrijke inzichten in de loop van de tijd worden geconsolideerd. Net zoals mensen belangrijke mijlpalen of professionele lessen onthouden, gebruiken agenten langetermijngeheugen om kennis op te slaan en op te halen die toekomstige beslissingen beïnvloedt. Een verkoopvoorspellingsagent kan bijvoorbeeld jaren aan verkoopgegevens analyseren die in het langetermijngeheugen zijn opgeslagen om seizoensgebonden trends te herkennen en optimale voorraadniveaus aan te bevelen.

Geheugenformaten

De manier waarop herinneringen worden opgeslagen, speelt ook een cruciale rol in de prestaties van een agent.

• Natuurlijk Taalgeheugen: Herinneringen kunnen worden vastgelegd als platte tekst, waarmee de nuances van gebruikersinteracties of observaties worden vastgelegd. Dit formaat is goed interpreteerbaar en ondersteunt contextbewuste besluitvorming. Een agent die klantenservice beheert, kan bijvoorbeeld eerdere interacties opslaan als tekstlogboeken om consistentie in vervolgacties te waarborgen.

• Embedding-gebaseerd Geheugen: Door herinneringen op te slaan als vector-embeddings kunnen agenten relevante informatie efficiënt ophalen op basis van gelijkeniszoekopdrachten. Bijvoorbeeld, bij productaanbevelingen kan een agent huidige gebruikersvoorkeuren matchen met eerder klantgedrag dat is opgeslagen in embeddings.

• Gestructureerde Data: Agenten kunnen informatie opslaan in gestructureerde formaten zoals databases of hiërarchische lijsten. Dit maakt systematische organisatie en nauwkeurig opvragen mogelijk, zoals het ophalen van specifieke financiële gegevens tijdens audits of klantgegevens voor gerichte marketing.

Geheugenbewerkingen

Geheugenbewerkingen bepalen hoe agenten omgaan met opgeslagen informatie.

• Geheugen Schrijven: Het opslaan van nieuwe informatie is vergelijkbaar met het maken van gedetailleerde notities tijdens een vergadering. Een agent moet beslissen welke details behouden blijven – het filteren van relevante informatie en het vermijden van duplicatie. Een agent die projectupdates bijhoudt, kan bijvoorbeeld herhalende taaknotities consolideren in een beknopte samenvatting.

• Geheugen Lezen: Het ophalen van opgeslagen kennis vereist prioritering op basis van relevantie, recentheid en belangrijkheid. Een agent die een bezorgroutes plant, kan bijvoorbeeld recente verkeersgegevens ophalen (recentheid), prioriteit geven aan grote wegafsluitingen (relevantie) en weersomstandigheden meenemen (belangrijkheid) om de optimale route te bepalen.

• Reflectie: Reflectie stelt agenten in staat om eerdere ervaringen samen te vatten en inzichten te verkrijgen. Net zoals een team projectresultaten evalueert om toekomstige strategieën te verbeteren, kan een agent mislukte en succesvolle klantenservice-interacties analyseren om zijn prestaties te verbeteren.

Hybride Geheugensystemen

Door korte- en langetermijngeheugen te combineren, kunnen agenten zowel direct als strategisch redeneren. Stel je een voorraadbeheeragent voor die realtime voorraadniveaus bijhoudt (kortetermijn) terwijl hij historische verkooptrends gebruikt (langetermijn) om seizoensgebonden vraagpieken te voorspellen. Deze dynamische capaciteit verbetert zowel dagelijkse operaties als langetermijnplanning.

De geheugencomponent is als een kennismanagementsysteem binnen een bedrijf; kortetermijngeheugen lijkt op een actueel projectbord voor directe taken, terwijl langetermijngeheugen fungeert als een archief van inzichten en strategieën.

Wanneer het effectief wordt ontworpen, zorgt geheugen voor continuïteit, waardoor agenten eerdere ervaringen kunnen gebruiken om huidige beslissingen te informeren. Door korte- en langetermijngeheugen te integreren en in balans te brengen, kunnen agenten zich aanpassen aan directe eisen en tegelijkertijd historische kennis benutten om strategische, consistente en impactvolle keuzes te maken binnen dynamische en complexe scenario’s.

Planning: Het pad vooruit uitstippelen

De planningscomponent biedt agenten de mogelijkheid om complexe doelstellingen op te delen in uitvoerbare stappen, waardoor een samenhangende en methodische uitvoering mogelijk wordt. Net als mensen vertrouwen agenten op gestructureerde planning om uitdagingen op een beheersbare manier aan te pakken.

Planning zonder feedback

In sommige scenario's genereren en voeren agenten plannen uit zonder tussentijdse feedback te ontvangen om hun strategieën bij te stellen. Deze plannen worden opgesteld volgens vooraf gedefinieerde kaders of processen, die geschikt zijn voor eenvoudige taken.

• Redeneren via één pad: Dit houdt in dat een taak wordt opgedeeld in opeenvolgende stappen, waarbij elke stap direct leidt naar de volgende. Het weerspiegelt een to-do-lijstbenadering, waarbij het voltooien van één stap logisch overgaat naar de volgende. Bijvoorbeeld, een agent die een evenement organiseert, kan stappen volgen zoals het boeken van een locatie, het regelen van catering en het finaliseren van uitnodigingen in een vaste volgorde. Hoewel dit effectief is voor voorspelbare scenario's, mist deze aanpak het aanpassingsvermogen wanneer de omstandigheden veranderen.

• Redeneren via meerdere paden: Deze strategie houdt in dat er gelijktijdig meerdere mogelijke oplossingen worden verkend, vergelijkbaar met het brainstormen over verschillende routes om een probleem op te lossen. Door diverse mogelijkheden te evalueren, kan de agent de meest veelbelovende optie kiezen. Bijvoorbeeld, een agent voor productontwerp kan tegelijkertijd verschillende prototypes onderzoeken en de meest levensvatbare optie verfijnen op basis van gebruikerstestresultaten.

• Externe planningshulpmiddelen: In complexe of domeinspecifieke scenario's kunnen agenten externe tools integreren om hun planning te verbeteren. Een agent voor het plannen van afspraken in de gezondheidszorg zou bijvoorbeeld gespecialiseerde software kunnen gebruiken om afspraken te optimaliseren op basis van de voorkeuren van patiënten, de beschikbaarheid van artsen en de beperkingen van apparatuur. Door dergelijke hulpmiddelen te benutten, kunnen agenten nauwkeurige en efficiënte plannen opstellen.

Planning zonder feedback is te vergelijken met een projectmanager die een gedetailleerd plan voor een productlancering opstelt en zich er rigide aan houdt, ongeacht veranderingen in de markt of tegenslagen binnen het team. Hoewel deze aanpak snelheid en consistentie garandeert voor voorspelbare taken, schiet zij tekort in dynamische scenario's waar flexibiliteit cruciaal is.

Planning met feedback

Voor dynamische en onvoorspelbare omgevingen maken agenten gebruik van iteratieve planningsprocessen die feedback integreren om hun strategieën te verfijnen.

• Omgevingsfeedback: Dit houdt in dat plannen worden aangepast op basis van veranderingen in de omgeving of op basis van waargenomen uitkomsten. Een logistieke agent kan in realtime een bezorgroute herzien om rekening te houden met verkeersopstoppingen, zodat leveringen tijdig plaatsvinden ondanks veranderende wegomstandigheden.

• Menselijke feedback: Door advies van gebruikers in te winnen, kunnen agenten hun strategieën afstemmen op menselijke voorkeuren en verwachtingen. Een ontwerpassistent kan bijvoorbeeld feedback vragen over een prototype voordat het ontwerp definitief wordt gemaakt, zodat er iteratieve verbeteringen op basis van de input van de klant kunnen plaatsvinden.

• Modelfeedback: Agenten kunnen hun eigen redeneringen en handelingen evalueren met behulp van interne beoordelingsmodellen. Een agent voor financiële analyse kan bijvoorbeeld zijn beleggingsaanbevelingen toetsen aan historische datapatronen en zijn conclusies iteratief aanpassen om de nauwkeurigheid te verbeteren.

Planning met feedback is daarentegen te vergelijken met een verkoopteam dat in realtime zijn pitch aanpast op basis van de reacties van klanten tijdens een vergadering. Hoewel deze aanpak meer middelen vereist en complexer is, stelt zij agenten in staat effectief te reageren op onverwachte uitdagingen, waardoor deze methode onmisbaar is voor taken die langdurige redenering of een hoge variabiliteit vereisen.

Elke methode heeft zijn plaats: de eerste is ideaal voor stabiele, routinematige operaties, terwijl de tweede beter geschikt is voor complexe, steeds veranderende omgevingen waarin aanpassingsvermogen essentieel is.

Actie: Van Besluitvorming naar Uitvoering

De actiecomponent fungeert als de brug tussen planning en de impact in de echte wereld, waarbij besluiten worden omgezet in tastbare resultaten. Het is de laatste, maar cruciale, stap waarin alle voorgaande componenten samenkomen om effectief met de omgeving te interacteren.

Actiedoelen

De acties die door een agent worden ondernomen, zijn doelgericht en worden gevormd door de overkoepelende doelstellingen van zijn taken. Deze doelen vallen vaak in drie hoofdcategorieën:

Taakvoltooiing: In veel scenario's is het doel van de agent het voltooien van specifieke, duidelijk gedefinieerde taken. Bijvoorbeeld, een AI-agent in de e-commerce kan de orderverwerking en voorraadupdates automatiseren om zo de operationele efficiëntie te waarborgen. Evenzo kunnen agents in de context van softwareontwikkeling unit tests uitvoeren of code compileren op basis van vooraf vastgestelde vereisten.

Communicatie: Effectieve communicatie is een cruciaal actiedoel, vooral voor agents die in samenwerkings- of klantgerichte rollen werken. Een klantenservicemedewerker kan bijvoorbeeld empathisch communiceren met gebruikers om problemen op te lossen, terwijl agents binnen een ontwikkelingsteam gestructureerde informatie uitwisselen om de samenwerking te coördineren.

Verkenning van de omgeving: Bepaalde agents zijn ontworpen om onbekende terreinen of omgevingen te verkennen om data te verzamelen of hun mogelijkheden uit te breiden. Zo kan een agent in de supply chain markttrends analyseren door websites van concurrenten te scannen en bruikbare inzichten te extraheren, waardoor het besluitvormingsproces iteratief wordt verfijnd.

Actieproductie

Het vertalen van besluiten naar uitvoerbare acties kan via verschillende strategieën verlopen:

Geheugen-gedreven acties: Acties maken vaak gebruik van opgeslagen kennis. Een agent die eerdere succesvolle strategieën ophaalt voor het afhandelen van specifieke klantklachten, kan op een adaptieve manier terugkerende problemen aanpakken. Geheugen-gedreven acties zorgen voor continuïteit en relevantie in de uitvoering.

Plan-gebaseerde acties: Sommige acties houden zich strikt aan vooraf opgestelde plannen. Een marketingautomatiseringsagent kan bijvoorbeeld een vooraf goedgekeurd campagneschema uitvoeren, waarbij advertenties systematisch worden ingezet en engagementstatistieken worden geanalyseerd, zonder af te wijken tenzij dynamische inputs daarom vragen.

Actieruimte

De breedte van de mogelijke acties die een agent kan uitvoeren, wordt bepaald door zijn mogelijkheden en de integratie met externe tools:

Externe tools: Agents maken vaak gebruik van API’s, databases of gespecialiseerde modellen om hun actieruimte uit te breiden. Zo kan een financiële agent externe economische data via API’s raadplegen om portefeuille-aanpassingen te ondersteunen.

Interne kennis: De inherente redeneercapaciteiten, conversatievaardigheden en het gezond verstand van grote taalmodellen (LLM’s) stellen agents in staat om weloverwogen besluiten te nemen. Bijvoorbeeld, een AI-consultant kan genuanceerde zakelijke aanbevelingen doen puur op basis van zijn interne redeneerprocessen.

Impact van Acties

Acties hebben onvermijdelijk gevolgen die zich op verschillende niveaus uitstrekken:

• Omgevingsveranderingen: Agents kunnen hun omgeving aanpassen, bijvoorbeeld door de voorraadniveaus in een magazijnbeheersysteem bij te werken of nieuwe content te genereren voor socialmediacampagnes.

• Interne aanpassingen: Acties leiden vaak tot een bijgewerkte interne toestand. Een agent die een subtaken voltooit, kan zijn langetermijngeheugen verrijken met nieuwe inzichten, wat de toekomstige prestaties verbetert.

• Geïnitieerde vervolgacties: In complexe workflows kan één actie een keten van andere acties in gang zetten. Het versturen van een factuur kan bijvoorbeeld leiden tot betalingsopvolging en herinneringen wanneer deadlines niet worden gehaald.

De actiecomponent is te vergelijken met een klantenservicemedewerker die oplossingen implementeert. Zonder een robuust systeem kunnen acties reactief of niet in lijn met de bedrijfsdoelstellingen zijn. Met een geoptimaliseerd actieregelsysteem—bijvoorbeeld een agent die CRM-gegevens gebruikt—komt elke interactie overeen met de behoeften van de klant en de zakelijke doelstellingen, of het nu gaat om het oplossen van een supportticket, het upsellen van een product, of het aanpassen op basis van feedback.

Door effectief gebruik te maken van interne kennis, externe tools en realtime inputs, zorgt de actiecomponent ervoor dat agents niet alleen taken efficiënt uitvoeren, maar ook voortdurend hun prestaties verbeteren, wat leidt tot betekenisvolle bedrijfsresultaten.

Capaciteitenverwerving: Agentvaardigheden Opbouwen

Hoewel de architectuur van een agent fungeert als zijn “hardware”, ligt de ware effectiviteit van een autonome AI-agent in zijn vermogen om de benodigde “software” te verwerven: taakspecifieke vaardigheden, kennis en ervaringen. Capaciteitenverwerving is een cruciaal proces dat agenten in staat stelt te groeien en zich aan te passen, waardoor zij transformeren van algemene hulpmiddelen in hooggespecialiseerde entiteiten die complexe en diverse taken aankunnen.

Capaciteiten Verwerven door Fine-Tuning

Een van de meest effectieve manieren om de prestaties van een agent te verbeteren, is door grote taalmodellen (LLM's) te fine-tunen met taakspecifieke datasets. Deze datasets kunnen op verschillende manieren worden samengesteld, bijvoorbeeld via menselijke annotatie, door LLM's gegenereerde content of door het verzamelen van data uit de echte wereld. Zo biedt fine-tuning met datasets die bijvoorbeeld van e-commerceplatforms of webinteracties zijn verzameld, waardevolle context om agenten te optimaliseren voor domeinspecifieke uitdagingen.

Fine-tuning stelt agenten in staat om aanzienlijke taakspecifieke kennis in hun modelparameters te integreren, waardoor zij bijzonder effectief worden bij het oplossen van specifieke toepassingen. Deze methode is echter vooral geschikt voor open-source LLM's, aangezien er directe toegang tot de modelarchitectuur vereist is.

Capaciteiten Verbeteren Zonder Fine-Tuning

Wanneer fine-tuning niet haalbaar is, kunnen agenten nieuwe capaciteiten verwerven door technieken toe te passen zoals prompt-engineering en mechanisme-engineering.

• Prompt-engineering maakt gebruik van het natuurlijke taalbegrip van LLM's om gewenste gedragingen te beschrijven of om enkele voorbeeldzinnen (few-shot examples) te bieden. Zo kan het opnemen van tussentijdse redeneringsstappen in een prompt de probleemoplossende capaciteiten van een agent aanzienlijk verbeteren. Evenzo kunnen prompts die sociale of reflectieve contexten integreren de aanpassingsvermogen in gesprekken en het zelfbewustzijn versterken.

• Mechanisme-engineering daarentegen houdt in dat er nieuwe operationele strategieën voor agenten worden ontwikkeld. Dit kan iteratieve trial-and-errorprocessen omvatten, waarbij agenten leren van feedback om hun acties te verfijnen, of de ontwikkeling van zelfgestuurde evolutiesystemen, waarbij agenten zelfstandig doelen stellen en omgevingen verkennen. Deze strategieën stellen agenten in staat om hun prestaties continu te verbeteren zonder de onderliggende modelparameters aan te passen.

Een Leerframework Opbouwen

Agenten kunnen ook nieuwe capaciteiten verwerven via frameworks die de nadruk leggen op het verzamelen van ervaring en het gezamenlijk oplossen van problemen. Door succesvolle acties op te slaan en te verfijnen in een geheugensysteem of een vaardighedenbibliotheek, kunnen agenten putten uit eerdere ervaringen om soortgelijke taken in de toekomst efficiënter aan te pakken. Samenwerkingsgerichte benaderingen, waarbij agenten kennis uitwisselen en hun rollen dynamisch aanpassen, versterken bovendien hun vermogen om complexe problemen aan te pakken die collectieve intelligentie vereisen.

Evaluatie: Het Meten van Agentprestaties

Het evalueren van de prestaties en effectiviteit van autonome agents op basis van grote taalmodellen (LLM's) is een uitdagende, maar cruciale taak. Hoewel deze agents het potentieel hebben om workflows in diverse industrieën te revolutionaliseren, vereist het beoordelen van hun capaciteiten een genuanceerde aanpak waarin kwalitatieve inzichten worden afgewogen tegen kwantitatieve strengheid.

Subjectieve Evaluatie

Subjectieve evaluatie richt zich op menselijk oordeel om de capaciteiten van een agent te beoordelen in taken waarvoor geen gestandaardiseerde datasets of metrics bestaan. Deze benadering is met name nuttig voor het evalueren van aspecten zoals gebruiksvriendelijkheid, creativiteit, of het vermogen van de agent om mensachtig gedrag na te bootsen.

• Menselijke Annotatie: Bij deze methode scoren of rangschikken menselijke evaluatoren de output van de agent. Bijvoorbeeld, annotatoren kunnen agents beoordelen op eigenschappen zoals betrokkenheid, behulpzaamheid en eerlijkheid, zoals te zien is in studies waarin de output van agents wordt vergeleken met menselijke referenties. Deze aanpak vangt de genuanceerde feedback op die de impact van het gedrag van een agent in de echte wereld weerspiegelt.

• Turing Test: De Turing Test houdt in dat menselijke evaluatoren worden gevraagd onderscheid te maken tussen output die door agents is geproduceerd en output die door mensen is gecreëerd. Als de evaluatoren niet in staat zijn het verschil te onderscheiden, demonstreert de agent mensachtig gedrag. Deze strategie wordt veelvuldig ingezet om het vermogen van agents te beoordelen om mensachtige reacties, emotionele intelligentie en besluitvormingsvaardigheden te genereren.

Objectieve Evaluatie

Objectieve evaluatie maakt gebruik van kwantificeerbare metrics om de prestaties van een agent te meten, wat een meer systematische en schaalbare benadering biedt. Deze methode richt zich op drie kernaspecten: metrics, protocollen en benchmarks.

Metrics

Evaluatiemetrics zijn ontworpen om specifieke dimensies van de prestaties van een agent vast te leggen:

• Taakvoltooiing: Metrics zoals succespercentage, nauwkeurigheid en doelvoltooiing worden ingezet om te beoordelen hoe effectief de agent zijn doelstellingen bereikt.

• Menselijke Gelijkenis: Metrics zoals gespreksgelijkenis, trajectnauwkeurigheid en het vermogen om menselijke reacties na te bootsen meten in hoeverre het gedrag van de agent overeenkomt met menselijke normen.

• Efficiëntie: Hierbij gaat het om metingen zoals planningssnelheid, kosten van uitvoering en inferentietijd, die de operationele efficiëntie van de agent evalueren.

Protocollen

Protocollen definiëren hoe de metrics in verschillende contexten worden toegepast:

• Reële Simulatie: Agents worden getest in meeslepende omgevingen zoals games of simulators, waarin metrics voor taakvoltooiing en menselijke gelijkenis in de praktijk kunnen worden waargenomen.

• Sociale Evaluatie: Agents worden beoordeeld op basis van hun interacties in samenwerkings- of competitieve settings, waarbij eigenschappen als teamwork, empathie en communicatie worden geanalyseerd.

• Multi-Taken Evaluatie: Een diverse reeks taken uit verschillende domeinen wordt ingezet om de generalisatiecapaciteit van de agent te meten.

• Software Testing: Metrics zoals het percentage gedetecteerde bugs en de testdekking worden gebruikt om agents te evalueren in scenario’s voor coderen en debuggen.

Benchmarks

Benchmarks bieden gestandaardiseerde omgevingen en datasets voor consistente evaluatie. Voorbeelden hiervan zijn AgentBench2 voor algemene evaluaties, WebShop3 voor e-commercecapaciteiten en EmotionBench4 voor het meten van emotionele intelligentie. Deze benchmarks zorgen ervoor dat agents worden getest op een breed scala aan uitdagingen uit de echte wereld, waardoor waardevolle inzichten worden verkregen in hun aanpassingsvermogen en robuustheid.

Uitdagingen: Belangrijke obstakels voor de toekomst

Hoewel autonome agents op basis van grote taalmodellen (LLM's) belangrijke mijlpalen hebben bereikt, bevindt dit vakgebied zich nog in de beginfase. Er zijn talrijke uitdagingen die onderzoekers en ontwikkelaars moeten overwinnen om het volledige potentieel van deze systemen te benutten. Hieronder licht ik enkele van de meest kritieke uitdagingen toe die de ontwikkeling in dit domein vormgeven.

Rolspelvermogen

Autonome agents moeten vaak specifieke rollen aannemen, zoals die van onderzoeker, programmeur of docent, om taken effectief uit te voeren. Hoewel LLM's sommige rollen overtuigend kunnen simuleren, hebben ze moeite met minder voorkomende of opkomende rollen en met aspecten van menselijke cognitie, zoals zelfbewustzijn in gesprekken. Deze beperking vloeit voort uit de datasets waarop deze modellen zijn getraind, die mogelijk niet beschikken over voldoende diverse, rolspecifieke data. Fine-tuning met zorgvuldig samengestelde datasets of het ontwerpen van geoptimaliseerde prompts en architecturen kan het rolspel verbeteren, maar het balanceren van deze verbeteringen met de prestaties op algemene taken blijft een aanzienlijke uitdaging.

Algemene Afstemming op Menselijke Waarden

Om mensen effectief te kunnen bedienen, moeten agents in lijn zijn met menselijke waarden. In toepassingen zoals reële simulaties kan het echter noodzakelijk zijn dat agents zowel positieve als negatieve menselijke gedragingen repliceren om nauwkeurige modellen van maatschappelijke dynamiek te bieden. Deze dubbele afstemming is bijzonder uitdagend, aangezien de meeste LLM's geoptimaliseerd zijn voor positieve, uniforme menselijke waarden. Het ontwikkelen van promptstrategieën of gecontroleerde re-afstemmingsmethoden is nodig om agents aan te passen aan diverse scenario's, zonder daarbij ethische normen in gevaar te brengen.

Robuustheid van Prompts

De integratie van complexe modules zoals geheugen en planning vereist gestructureerde, betrouwbare prompts om consistent gedrag van de agent te waarborgen. Zelfs kleine aanpassingen in prompts kunnen echter leiden tot aanzienlijke afwijkingen in de output van de agent. Deze uitdaging wordt verergerd door de onderling verbonden aard van de agentmodules, waarbij wijzigingen in één prompt invloed kunnen hebben op andere. Het ontwikkelen van uniforme en robuuste promptframeworks die bestand zijn tegen diverse taken en LLM's blijft een open vraagstuk.

Hallucinatie

Hallucinatie, waarbij agents vol vertrouwen onjuiste informatie produceren, vormt een grote uitdaging in toepassingen met hoge inzet. Zo kunnen hallucinaties in coderingsopdrachten leiden tot foutieve outputs met potentieel ernstige gevolgen. Het aanpakken van hallucinaties vereist iteratieve feedbackmechanismen, verbeterde trainingsdatasets en fail-safe systemen om outputs te valideren vóór uitvoering.

Kennisgrens

LLM's beschikken over uitgebreide kennis door training op enorme datasets, wat soms hun vermogen om realistisch menselijk gedrag te simuleren kan belemmeren. Wanneer agents de taak krijgen om gebruikersgedrag te repliceren met beperkte voorafgaande kennis, kunnen zij hun uitgebreide trainingscorpus op een ongepaste manier inzetten. Het beperken van agents tot passende kennisniveaus vereist innovatieve methoden voor het beheersen van de context en toegang tot informatie.

Efficiëntie

Agents moeten vaak meerdere keren LLM's raadplegen voor taken zoals geheugenopvraging, planning en besluitvorming. De inherente traagheid van LLM's, als gevolg van hun autoregressieve architectuur, zorgt voor aanzienlijke efficiëntieknelpunten. Het aanpakken hiervan vereist het optimaliseren van agent-workflows, het benutten van caching- of batchingstrategieën en het ontwikkelen van snellere inferentietechnieken.

In de komende edities duiken we nog dieper in hoe autonome agents te ontwerpen. Abonneer je om voorop te blijven lopen en te leren hoe je de toekomst van werk vorm kunt geven.

Subscribe now

Europa pronkt graag met zijn rol als de “braafste jongetje” van de wereldwijde tech-regulering, met een focus op ethiek, privacy en verantwoordelijkheid. Maar nu de AI-revolutie in volle gang is, dreigt deze deugd een last te worden.

De baanbrekende AI-wet, met goede bedoelingen ontworpen om burgers te beschermen, dreigt nu juist de innovatie te verstikken die zij wilde begeleiden. De strenge eisen rondom auteursrecht, transparantie en risicobeperking creëren een verstikkende innovatieomgeving. Startups, die al moeite hebben om te concurreren met goed gefinancierde Amerikaanse en Chinese giganten, worden geconfronteerd met een doolhof aan juridische obstakels. Het gevolg? Een groeiende uittocht van talent, kapitaal en ambitie, waardoor Europa het risico loopt slechts een toeschouwer te worden bij de technologische verschuiving van onze tijd.

De inzet is nog nooit zo hoog geweest. Nu bedrijven zoals Apple, OpenAI, Meta en Anthropic steeds vaker geavanceerde AI-functies niet beschikbaar stellen aan Europese gebruikers uit angst voor regelgeving, verstevigt de VS zijn dominantie in fundamentele AI-modellen, terwijl China met pragmatisme (en minimale auteursrechtelijke zorgen) voorop loopt. Europa’s keuze is duidelijk: aanpassen of accepteren dat het irrelevant wordt.

Het Probleem: Hoe de AI-wet AI-innovatie tegenhoudt

De meest controversiële eis van de AI-wet, namelijk dat ontwikkelaars moeten bewijzen dat hun modellen zijn getraind op auteursrechtvrije of openbaar gelicentieerde data, klinkt in theorie redelijk. Maar voor startups is dit een logistieke en financiële nachtmerrie. Het doorlichten van gigantische datasets op auteursrechtelijke naleving is een bijna onmogelijke taak, die alleen kapitaalkrachtige bedrijven zich kunnen veroorloven.

En dat is nog maar het begin. De brede definitie van AI binnen de wet legt een wijdverspreid reguleringsnet uit, waardoor zelfs toepassingen met een laag risico onder de wet kunnen vallen. Deze overregulering creëert onzekerheid voor ontwikkelaars, maakt het moeilijk te bepalen welke regels van toepassing zijn en ontmoedigt innovatie in domeinen die nauwelijks risico’s met zich meebrengen.

De hoge nalevingskosten werken bovendien extra in het nadeel van startups. Conformiteitsbeoordelingen, uitgebreide documentatie en voortdurende monitoring (allemaal verplicht onder de AI-wet) leggen een enorme administratieve en financiële last op kleinere bedrijven. Terwijl industrie-giganten deze kosten kunnen absorberen, worden startups met beperkte middelen onevenredig zwaar getroffen.

Dan is er nog de kwestie van vertraagde markttoegang. De uitgebreide Europese regelgeving vertraagt de ontwikkelingscyclus van AI, waardoor het voor wendbare startups vrijwel onmogelijk wordt om wereldwijd te concurreren, waar snelheid allesbepalend is. In een sector waarin een first-mover advantage cruciaal is, kunnen deze bureaucratische vertragingen de ondergang betekenen van Europese AI-bedrijven.

Zelfs Big Tech huivert. Meta heeft onlangs zijn AI-assistent, Meta AI, uitgeschakeld voor Europese gebruikers vanwege “regulatoire onzekerheid.” OpenAI beperkt stilletjes de toegang tot voice cloning-tools in de EU, en Google’s Gemini vermijdt hele markten uit angst voor nalevingsproblemen. Dit zijn geen kleine spelers die moeite hebben om bij te blijven—dit zijn biljoenenbedrijven die simpelweg besluiten dat de Europese regels te complex, te riskant of te duur zijn om na te leven.

Ondertussen vertrekt talent massaal. Europese AI-onderzoekers trekken steeds vaker naar Silicon Valley of Shenzhen, waar financiering ruim voorhanden is en experimenteren niet wordt belemmerd door preventieve bureaucratie en juridische vaagheid. De onduidelijke classificaties van AI-risiconiveaus in de AI-wet zorgen ervoor dat ontwikkelaars voortdurend twijfelen over hun eigen innovaties, waardoor naleving eerder een gokspel wordt dan een helder stappenplan.

In haar poging om de wereldleider in regelgeving te zijn, dreigt Europa zichzelf volledig buitenspel te zetten in de AI-race.

De Geopolitieke Inzet: De VS en China Lopen Voorop

De wereldwijde race om AI-dominantie versnelt, waarbij de Verenigde Staten en China elk unieke strategieën hanteren die hen een voorsprong geven op Europa.

• Verenigde Staten: Privésector en Deregulering als Drijfveer: In de VS wordt de AI-sector aangedreven door innovatie vanuit de particuliere sector. Bedrijven zoals OpenAI, Anthropic en Google lopen voorop met geavanceerde modellen zoals GPT-4, Claude 3 en Gemini. De Amerikaanse overheid heeft bewust ingezet op minimale regelgeving, waardoor een vruchtbare omgeving ontstaat voor AI-onderzoek en -ontwikkeling. In een belangrijke stap om AI-infrastructuur te versterken, heeft president Donald Trump onlangs het Stargate-initiatief aangekondigd, een gezamenlijk project van OpenAI, SoftBank en Oracle. Dit initiatief omvat een investering tot $500 miljard in AI-infrastructuur, inclusief de bouw van datacenters en energieopwekkingsfaciliteiten verspreid over de VS. Deze strategische zet onderstreept de toewijding van de Amerikaanse regering om AI-ontwikkeling te versnellen en de leidende positie in de wereldwijde AI-race te behouden.

• China: Staatsgestuurde Ambities en Snelle Implementatie: China’s AI-strategie wordt gekenmerkt door sterke overheidssteun en een focus op snelle uitrol. De Chinese overheid heeft aanzienlijke middelen toegewezen aan AI-initiatieven, waaronder een $50 miljard semiconductorfonds om de technologische infrastructuur te versterken. Bedrijven zoals DeepSeek ontwikkelen uiterst geavanceerde modellen op een efficiënte en kosteneffectieve manier. China’s vooruitgang wordt versneld door soepelere regelgeving rondom data, waardoor AI-technologieën snel kunnen worden geïntegreerd in uiteenlopende sectoren. Dit pragmatische beleid stelt Chinese bedrijven in staat om innovaties razendsnel te implementeren en op te schalen, terwijl Europa worstelt met complexe regelgeving en bureaucratie.

• Europa: Het Risico om Afnemer in Plaats van Leverancier te Worden: In tegenstelling tot de VS en China loopt Europa het risico slechts een afnemer van AI-technologie te worden, in plaats van een leverancier. Ondanks een grote consumentenmarkt en een overvloed aan talent, blijft de EU achter bij de wereldleiders op het gebied van AI. De grootste obstakels zijn een overmatige focus op risico’s en strikte regelgeving die innovatie verstikt. Dit leidt ertoe dat baanbrekende AI-tools, zoals OpenAI’s Operator, niet beschikbaar zijn in de EU vanwege trage en beperkende regelgeving. Hierdoor wordt Europa steeds minder competitief op de wereldmarkt. Zonder een actief beleid om eigen AI-kampioenen te cultiveren, dreigt Europa afhankelijk te worden van buitenlandse technologieën voor cruciale toepassingen – van gezondheidszorgalgoritmen tot defensiesystemen. Dit betekent niet alleen economisch verlies, maar ook een verzwakking van de strategische autonomie van Europa in een tijd waarin AI een steeds grotere geopolitieke rol speelt.

Het Lichtpunt: Europa’s Tegenoffensief

Niet alle hoop is verloren. Een nieuwe golf van investeringen en ambitie is in opkomst, met name onder leiding van Frankrijk.

• Macrons €109 miljard-initiatief: Frankrijk maakt van AI een nationale prioriteit onder leiding van president Emmanuel Macron. Hij heeft een investeringsplan van €109 miljard aangekondigd om de AI-capaciteiten van het land te versterken. Dit initiatief omvat aanzienlijke financiering van internationale investeerders, waaronder €50 miljard van de Verenigde Arabische Emiraten en €20 miljard van het Canadese bedrijf Brookfield. Een aanzienlijk deel van deze middelen is bestemd voor de ontwikkeling van geavanceerde datacenters, waarbij gebruik wordt gemaakt van de Franse nucleaire energie-infrastructuur om efficiënte en duurzame stroomoplossingen te bieden. Deze strategie vergroot niet alleen de rekenkracht, maar positioneert Frankrijk ook als een koploper in milieuvriendelijke AI-ontwikkeling.

• Het €200 miljard InvestAI-programma van de EU: Als aanvulling op nationale inspanningen heeft de Europese Unie het InvestAI-initiatief gelanceerd, met als doel €200 miljard te mobiliseren voor AI-ontwikkeling. Dit programma richt zich op de oprichting van AI-gigafabrieken, grootschalige faciliteiten die zijn uitgerust met de nieuwste technologie om geavanceerde AI-modellen te trainen. Het initiatief streeft naar samenwerking tussen de lidstaten, vermindering van de afhankelijkheid van externe techreuzen en het waarborgen van Europa’s concurrentiepositie in het snel evoluerende AI-landschap.

• Het EU-Inc-initiatief: zakelijke harmonisatie binnen Europa: Om de concurrentiekracht verder te versterken, heeft een online gemeenschap onder leiding van Philipp Herkelmann het idee van "EU-Inc" voorgesteld, een uniforme, digitaal georiënteerde besloten vennootschapsstructuur voor de Europese Unie. Dit initiatief wil de uitdagingen van gefragmenteerde nationale regelgeving aanpakken door een gestandaardiseerd ondernemingskader te creëren dat wordt beheerst door EU-regels. Belangrijke kenmerken zijn onder meer geen minimumkapitaalvereiste, flexibele aandelenstructuren en gestroomlijnde grensoverschrijdende operaties. Het voorstel is bedoeld om bedrijven gemakkelijker in meerdere EU-lidstaten te laten opereren en zo innovatie en economische groei te stimuleren.

• Leren van China’s DeepSeek: Europa haalt ook inspiratie uit internationale succesverhalen. Zo heeft China’s DeepSeek aangetoond dat aanzienlijke AI-vooruitgang kan worden geboekt met slankere, kosteneffectieve modellen. Deze benadering benadrukt de mogelijkheid voor Europese startups om efficiënt te innoveren, mits ze de regelgeving effectief navigeren.

Met deze gezamenlijke inspanningen streeft Europa ernaar niet alleen de achterstand in te halen, maar ook een leidende rol te spelen in de mondiale AI-race, waarbij innovatie wordt gebalanceerd met ethische overwegingen en strategische autonomie.

Een Oproep tot Reguleringsbalans: Leren van Fouten

Het strikte vroege kader van de AI Act vereist dringende herziening. Frankrijk dringt al aan op uitzonderingen om startups te beschermen, met het argument dat "innovatie niet kan floreren onder angst." Mogelijke verbeteringen omvatten:

• Reguleringssandboxes: De AI Act stelt de oprichting voor van gecoördineerde AI ‘reguleringssandboxes’ in EU-lidstaten. Dit zijn gecontroleerde omgevingen waarin bedrijven AI-systemen kunnen ontwikkelen, testen en valideren onder toezicht van nationale autoriteiten voordat ze op de markt komen. Deze aanpak stelt innovators in staat om nieuwe technologieën te experimenteren en tegelijkertijd te voldoen aan de regelgeving. Daarnaast biedt het regelgevers waardevolle inzichten in opkomende technologieën, wat een evenwichtige toezichtstrategie bevordert.

• Publieke Datacommons: Om de last van het verkrijgen van hoogwaardige, auteursrechtvrije data te verlichten, zou de EU door de staat gefinancierde databanken kunnen oprichten. Deze publieke datacommons zouden startups toegang bieden tot uitgebreide datasets die nodig zijn voor het trainen van AI-modellen, waardoor kosten worden verlaagd en innovatie wordt gestimuleerd. Dit soort initiatieven zorgt ervoor dat kleinere ondernemingen de middelen hebben om concurrerende AI-oplossingen te ontwikkelen zonder de hoge kosten van data-acquisitie.

• Talent Fast Lanes: Het aantrekken en behouden van toptalent in AI is cruciaal voor Europa’s concurrentiepositie. Door gestroomlijnde visumprocedures en belastingvoordelen voor AI-professionals en onderzoekers in te voeren, kan de EU een aantrekkelijkere bestemming worden voor wereldwijd talent. Deze maatregelen zouden helpen bij de opbouw van een sterk AI-ecosysteem, samenwerking bevorderen en versnelling van innovatie in de regio ondersteunen. Het is juist de immigratie waar Europa zich in kan onderscheiden ten opzichte van de VS (die steeds meer gesloten wordt voor immigranten) en China (waar immigratie bijna onmogelijk is), maar dan moet het wel een vruchtbaar innovatie-ecosysteem bieden.

Door deze strategieën te omarmen, kan de EU een evenwicht vinden tussen ethische normen en een dynamische, innovatievriendelijke omgeving voor AI-ontwikkeling.

De Kans: Europa’s Agentische AI-Frontier

Hoewel de EU achterloopt in de ontwikkeling van fundamentele AI-modellen, ligt de volgende golf van AI-innovatie nog open: Agentische AI, autonome systemen die kunnen handelen, redeneren en samenwerken. In tegenstelling tot traditionele AI-modellen, die voortdurend menselijke input vereisen, kunnen deze AI-"agenten" taken end-to-end uitvoeren, van het beheren van toeleveringsketens tot het automatiseren van klantenservice.

Deze verschuiving naar Agentische AI is precies waarom ik deze nieuwsbrief ben gestart. Als ontwikkelaar en ondernemer op het snijvlak van AI en automatisering heb ik uit eerste hand gezien hoe agentische systemen industrieën kunnen transformeren. Terwijl het AI-debat vandaag de dag vooral draait om grote taalmodellen, ligt de echte kans in het ontwerpen van AI die niet alleen tekst genereert, maar autonoom handelt om echte problemen op te lossen. Europa, met zijn sterke positie in robotica, industriële automatisering en ethische AI, is bij uitstek geschikt om deze transformatie te leiden.

Waarom Agentische AI?

• Lagere Computatievereisten: In tegenstelling tot grootschalige foundation-modellen, die enorme GPU-clusters vereisen, is agentische AI ontworpen om modulair en efficiënt te zijn. Deze systemen richten zich op taakgerichte redenering in plaats van brute-force rekenkracht, waardoor ze goedkoper zijn in implementatie en toegankelijker voor startups.

• Aansluiting bij Europese Expertise: Europa is al decennialang een wereldleider in robotica, IoT en industriële automatisering—exact de domeinen waar agentische AI tot bloei kan komen. In tegenstelling tot de VS, waar AI voornamelijk consumentgericht is, kan Europa AI ontwikkelen die fabrieken verbetert, logistiek optimaliseert en de volgende generatie slimme infrastructuur aandrijft.

• Ethisch Leiderschap: De EU’s focus op vertrouwen, veiligheid en transparantie is een concurrentievoordeel. In een wereld die steeds sceptischer wordt over de ondoorzichtigheid van AI-beslissingen, kan Europa de voorkeurspartner worden voor verantwoorde, uitlegbare AI waar bedrijven en overheden op kunnen vertrouwen.

Agentische AI bevindt zich nog in de pioniersfase. Terwijl de VS de fundamentele AI-modellen domineert en China vooroploopt in schaal, kan Europa zijn eigen leiderschapspositie innemen door intelligente, autonome systemen te ontwikkelen die de reële economie aandrijven.

Dit is de missie achter de Agentische AI Design nieuwbrief: onderzoeken hoe AI-agenten industrieën kunnen hervormen, nieuwe ondernemingskansen kunnen ontsluiten en de volgende golf van innovatie kunnen aandrijven. Europa heeft nog steeds een kans om deze race te winnen. Maar het moet nu handelen.

Meer dan een decennium geleden schreef Marc Andreessen de beroemde woorden dat software de wereld opeet. Destijds leek het idee dat digitale platforms hele industrieën zouden verstoren gewaagd. Toch heeft de tijd hem gelijk gegeven: softwareoplossingen hebben zich inderdaad verspreid over elke sector, waardoor de manier waarop we media consumeren, online winkelen en zaken doen, is veranderd. Nu eet AI niet alleen de wereld op; het eet ook de banen op.

Op dit moment zijn talloze AI-startups bezig met het ontwikkelen van verticale oplossingen die verder gaan dan het assisteren van menselijke werknemers. Ze streven ernaar hen volledig te vervangen. Geen baan is veilig in deze golf van automatisering, van de eenvoudigste functie voor gegevensinvoer tot de meest ervaren data-analist. We hebben het over hele teams die worden vervangen door systemen die continu leren en nooit uitklokken.

CEO's van grote techbedrijven bagatelliseren deze zorgen vaak. Ze zullen je vertellen dat mensen betekenis zullen vinden in creatief en artistiek werk, dat er nieuwe soorten banen zullen ontstaan waarvoor iedereen moet worden omgeschoold, of dat de samenleving een welvaartsdividend zal invoeren, zodat niemand meer hoeft te werken. Maar geen van deze ideeën houdt stand bij nadere inspectie. AI vervangt nu al creatief en artistiek werk, waarbij alles wordt geproduceerd, van schilderijen en muziek tot scenario's en advertentiecampagnes. Er is geen duidelijk bewijs dat het tempo van nieuwe banencreatie gelijk zal zijn aan de snelheid waarmee AI oude banen verdringt. En het welvaartsdividend? Het is meer een hypothetische discussie dan een concreet plan, zonder een duidelijke weg naar implementatie. De realiteit is dit: de enige manier om te gedijen in dit nieuwe tijdperk is om het omarmen en zelf een bedrijf te starten, waarbij je AI gebruikt als het krachtige instrument dat het aan het worden is.

Net zoals de SaaS-boom van de jaren 2000 een nieuwe generatie techgiganten creëerde door de drempels voor softwaredistributie te verlagen, zal AI hetzelfde werk (of beter) kunnen uitvoeren zonder dat er grote teams van mensen nodig zijn. Voor elk iconisch SaaS-succesverhaal zou er binnenkort een AI-gedreven bedrijf van $300 miljard of meer kunnen zijn. Het verschil? Deze bedrijven besparen niet alleen op softwarekosten; ze gedijen met kleine, efficiënte teams en bereiken tegelijkertijd een enorme schaal.

Net als in de begindagen van SaaS - toen het idee om software via internet te gebruiken nog nieuw aanvoelde - staan AI-diensten nog in de kinderschoenen. Maar elke drie maanden worden deze modellen slimmer, sneller en betrouwbaarder, waardoor nieuwe sectoren klaar zijn voor overname.

We zijn op een punt beland waar je, als je rondkijkt naar saaie, repetitieve administratieve banen, waarschijnlijk een miljarden AI-kans zult vinden. Deze vervelende klusjes zijn precies waar AI in uitblinkt, en een vastberaden oprichter kan deze geavanceerde tools gebruiken om een efficiënt bedrijf met hoge marges op te bouwen dat op de automatische piloot draait.

We hebben al vroege successen gezien. Er zijn AI-diensten die volledige testautomatisering verzorgen, telefonische incasso voor autoleningen uitvoeren, en gespecialiseerde chatbots die complete developer relations teams vervangen. In plaats van dat mensen hun dagen doorbrengen met repetitief werk, neemt AI het over, waardoor mensen vrij zijn om iets anders te doen - of helemaal buiten spel worden gezet.

Natuurlijk ziet de go-to-market strategie voor deze AI-startups er heel anders uit dan wat we zagen tijdens de software-boom. Als je probeert deze AI-oplossingen te verkopen aan het team dat ze gaan vervangen, zul je op felle weerstand stuiten. Deze werknemers, wetende dat de automatisering hun functies bedreigt, hebben geen enkele motivatie om de technologie te omarmen die hen overbodig maakt. In plaats daarvan richten succesvolle AI-startups zich op besluitvormers op hoog niveau - executives die het grotere plaatje zien en zich bekommeren om efficiëntie. Vanuit hun perspectief zijn minder werknemers en meer output een logische keuze. En naarmate AI-systemen meetbare resultaten leveren - geen salarissen, geen HR-overhead, geen burn-out - zullen deze besluitvormers kiezen voor de technologie die hun bedrijfsvoering stroomlijnt.

Deze nieuwe dynamiek betekent dat oude beperkingen op bedrijfsomvang en managementcomplexiteit zullen verdwijnen. Met verticale AI-systemen aan het roer hebben bedrijven geen legers van personeel meer nodig om een enorme schaal te bereiken. Een klein oprichtersteam, uitgerust met de juiste AI-systemen, kan een onderneming runnen die miljoenen klanten bedient. Een bedrijf dat ooit kantoren, HR-teams en meerdere managementlagen nodig had, kan nu vrijwel volledig in de cloud bestaan, georkestreerd door een handvol AI-modellen die productie, distributie, marketing en verkoop coördineren. Het is de geboorte van het miljardenbedrijf met één persoon - een visie die vandaag wild klinkt maar morgen routine zou kunnen worden.

Op de lange termijn zal AI waarschijnlijk verticaal en gespecialiseerd blijven in plaats van te consolideren tot enkele dominante platforms. Net zoals SaaS-producten zich vermenigvuldigden in zeer specifieke niches, zullen AI-systemen steeds meer op maat gemaakt worden en strak gedefinieerde rollen vervullen. Van juridische documentcontrole tot het verwerken van tandartsverzekeringsaanvragen, elke specifieke markt biedt een kans voor AI om menselijke inspanning te vervangen door een bijna perfecte, altijd beschikbare dienst. Verticale AI-systemen zullen de weg vrijmaken voor volledig nieuwe categorieën bedrijven.

Persoonlijke Noot:

👋 Ik ben Melvin Tercan. Ik ben Head of Engineering bij Octagon AI, een verticale agentische AI-startup met als missie om agentische systemen te bouwen die financiële analisten in staat stellen meer impactvol werk te doen. In de afgelopen drie jaar heb ik diepgaande inzichten verworven in het ontwerp van agentische systemen en hoe deze industrieën hervormen.

Als je geïnteresseerd bent in het leren ontwerpen en bouwen van agentische systemen, abonneer je dan gratis op deze nieuwsbrief. Laten we samen de toekomst bouwen!