Wat een agent werkelijk is

Als mensen zeggen dat ze “AI gebruiken”, bedoelen ze meestal een chat: je typt, een model antwoordt, jij leest. Nuttig, maar het blijft één modelcall. Een agent is iets anders. Het verschil zit niet in het model, maar in alles eromheen. Precies dat is wat wij bouwen.

01Wat een agent is

Twee jaar lang kon de sector het niet eens worden over wat “agent” precies betekende. Die discussie is grotendeels beslecht. Na honderden definities te hebben verzameld, kwam Simon Willison tot een heldere omschrijving: “een LLM-agent gebruikt tools in een loop om een doel te bereiken.” Anthropic gebruikt vrijwel dezelfde woorden, “LLM's die zelfstandig tools gebruiken in een loop”, en trekt in het veelgelezen Building Effective Agents een scherpe grens: een workflow volgt vooraf gedefinieerde codepaden, terwijl bij een agent het model zelf zijn proces en toolgebruik aanstuurt en bepaalt hoe het de taak uitvoert.

Een chat is vraag en antwoord. Een agent is doel, plan, handelen, observeren en herhalen. Het model bepaalt de volgende stap, niet jij.

Een systeem is meer agentgestuurd naarmate een LLM meer bepaalt hoe het systeem zich kan gedragen. Harrison Chase, LangChain · “Wat is een AI-agent?”

Chase ziet het als een schaal, niet als een keurmerk. Andrew Ng zegt vanuit de andere kant hetzelfde: systemen kunnen in verschillende mate agentgestuurd zijn. Een kale chat staat op nul. Geef het model tools, geheugen en een loop en het schuift op.

De whitepaper vat de binnenkant helder samen: een model (het brein), tools (de handen die de buitenwereld bereiken) en een orchestration layer (de loop van denken, handelen en observeren). Weng voegt twee onderdelen toe die inmiddels vanzelfsprekend zijn: planning (het doel opdelen in stappen, reflecteren en bijsturen) en geheugen (context vasthouden over meerdere stappen, niet alleen binnen één bericht). Het model is noodzakelijk, maar bij lange na niet voldoende.

Het verschil tussen de twee kolommen zit niet in wat het systeem kan. Een goede chatassistent kan geheugen gebruiken, code uitvoeren, bestanden lezen en het web doorzoeken. Het verschil is delegatie: keur je elke stap zelf goed of draag je een doel over? Werkt het systeem in een eigen sessie of heeft het toegang tot die van jullie? En is iemand eigenaar van het resultaat zodra het stopt?

02De ladder die we zelf beklommen

Dit ontstond niet uit één beslissing. Net als de meeste teams beklommen we een ladder. Het helpt om de treden te benoemen, zodat je ziet waar jullie zelf staan.

Trede één was kopiëren en plakken: het antwoord kwam uit de chat, de code ging de editor in en de mens verbond alles. Trede twee was inline aanvulling, waarbij de editor de regel afmaakt. Op trede drie staan de meeste teams nu: heen en weer met het model tot de wijziging klopt. Trede vier wordt interessant. Je geeft een agent een doel en laat hem uitvoeren, schrijven, toetsen aan de specificatie, het resultaat lezen, corrigeren en herhalen tot de eindvoorwaarde is bereikt. Dat is de loop. Calvin French-Owen, die aan OpenAI Codex werkte, benoemt de beperking die daarbij bepalend is: “de agent voorspelt telkens het volgende token en elk token moet binnen een context window passen. Wie coding agents goed wil gebruiken, moet context begrijpen.”

We hebben deze ladder geformaliseerd omdat dit is wat we leveren. Intern lopen onze niveaus van Supervised naar Co-Author, Spec-First, Autonomous Routine en tot slot een beperkte Selective Autonomy. Teams doorlopen die ontwikkeling in kwartalen, niet in weken. Op elke trede blijf je betrokken. Alleen je positie verandert.

03Waarom de lagen juist het verschil maken

Dit bepaalt of je een agent veilig binnen een organisatie kunt inzetten. Een fout antwoord van een chat kost een minuut. Een agent die handelt, kan een pull request openen, data verplaatsen of productie raken. Zodra een model iets kan doen, zijn er lagen nodig die bij een chat nooit nodig waren: grenzen aan wat het mag aanraken, bewijs dat het werkt en een vastlegging van wat het heeft gedaan.

Die buitenste ring is wat wij bouwen. Niet het model en niet de coding agent. We bouwen de skill (de capaciteit die een agent krijgt), het beleid (wat hij wel en niet mag doen), de evals (bewijs dat hij het werk aankan) en de audittrail (achteraf bewijs van elke handeling). Op ons platform is een agent letterlijk de verbinding van die onderdelen: een ondertekend pakket van skill, beleid, evals, manifest en trigger. Een generieke runtime bevat die niet.

Het product bestaat uit de grenzen en de controls. Rechten, goedkeuringen, begrensde API-integraties, audits, rapportages, logs en waarschuwingen. Jake Stauch, Serval · Sequoia Training Data, May 2026

Dat is geen eigenzinnige opvatting. James Everingham, voormalig Meta en nu bouwer van een AI control plane, zei bij Dev Interrupted hetzelfde: “je moet kunnen begrijpen wat deze agents in je infrastructuur doen, in plaats van ze overal toegang toe te geven en ze maar hun gang te laten gaan.” Simon Willison is in zijn stuk over het ontwerpen van agent loops duidelijk over de reden: “agents zijn van zichzelf riskant. Laat je agent in een beveiligde sandbox draaien en stel een strakke budgetlimiet in als credentials geld kunnen uitgeven.” Dat is precies wat wij doen. Elke werkeenheid draait in een eigen tijdelijke sandbox, vóór elke toolcall wordt het beleid getoetst en een call die het budget overschrijdt stopt.

04Een agent onboarden en actueel houden

Twee zaken bepalen stilletjes of een agent goed presteert. Geen van beide is het model.

Het eerste is onboarding: welke context je meegeeft. Harrison Chase noemt dit context engineering en beschrijft het probleem helder: “als een agent niet betrouwbaar presteert, komt dat meestal doordat de juiste context, instructies en tools niet aan het model zijn doorgegeven.” Voor ons betekent een capaciteit onboarden dat we een skill schrijven in het open Agent Skills-formaat. Elke feature krijgt vóór het schrijven van code een verificatiespecificatie. Voor routine-agents neemt een evalsuite die rol over. De domeinexpert van een partner kan die via een wizard opstellen: skill, evals, beleid, connectors, autonomieniveau en publiceren. Vóór ondertekening controleert het systeem of het beleid en het autonomieniveau elkaar niet tegenspreken.

Het tweede is actueel blijven. Anthropic beschrijft in zijn werk over context engineering “context rot”: naarmate het context window voller raakt, haalt een model informatie minder goed terug. De oplossingen zijn compactie en gestructureerde notities, of agentgeheugen, buiten het window.

De grootste beperking om deze modellen nuttiger te maken is tegenwoordig niet hun ruwe intelligentie, maar hun begrip van nieuwe en veranderende context. Jessy Lin, Engram · Sequoia Training Data, June 2026

Onze agents bouwen over verschillende runs een geheugen op. Na elke run zet een consolidatiestap de uitkomst om in geheugen en kandidaat-skills. Een kandidaat wordt pas een echte skill nadat die de evalnorm haalt. Leren betekent hier informatie opbouwen en terughalen, nooit het model opnieuw trainen. Verandert een skill of evalsuite, dan wordt de agent vóór ingebruikname opnieuw gecertificeerd voor zijn niveau.

05Context is meer dan de organisatie

De context die een agent vormt, bestaat niet alleen uit jullie codebase en huisstijl. Ook de wet- en regelgeving waarbinnen hij opereert is een volwaardige input, geen voetnoot. In ons pakket voor personeelsplanning in de zorg toetst de agent direct aan de geldende arbeidsregels: de geldigheid van registraties en de rust- en urengrenzen uit de cao. Elke koppeling die een blokkerende regel raakt, krijgt de status “controle nodig” en wordt nooit automatisch bevestigd. Een gereguleerde tenant kan als beleid een strengere ondergrens instellen die overal geldt.

Hier bewijst de auditlaag zijn waarde. Harrison Chase schrijft over agent observability dat governance begint bij een ongemakkelijke waarheid: je weet pas wat agents doen wanneer je ze daadwerkelijk laat draaien; hun gedrag ontstaat tijdens runtime. Daarom leggen we het juist dan vast. Elke beslissing bij een controlepoort en elke handeling wordt een onveranderbaar, contentblind record: welk veld veranderde en welke beleidsversie gold, nooit de privédata zelf. Zo kan bij een high-risk audit onder de EU AI Act worden gereconstrueerd wat er is gebeurd.

06Hoe succes eruitziet en hoe je begint

Succes is niet: “we hebben AI ingevoerd”. In de benchmark van LinearB uit 2026 werd 32,7 procent van de AI-ondersteunde pull requests gemerged, minder dan de helft van het percentage bij menselijke pull requests. Het team vat de waarschuwing helder samen: “verwar adoptie niet met impact.” CEO Ori Keren scherpt dat aan: “we produceren twee keer zoveel code, maar de winst ligt ergens tussen de 10 en 15 procent.” Succes is een agent waarvan het werk daadwerkelijk in productie komt en standhoudt. De evalrichtlijnen van Anthropic geven een bruikbare toets voor “goed”: een taak waarbij twee domeinexperts onafhankelijk tot hetzelfde oordeel slagen of zakken komen, en waarbij fouten eerlijk aanvoelen. Harrison Chase schetst het eerlijke beeld: agents zijn niet tot negen negens betrouwbaar. Maar voor langlopend werk dat een eerste versie oplevert, zijn ze uitzonderlijk waardevol.

Een eerlijke kanttekening hoort erbij. Logan Kilpatrick van Google DeepMind stelt dat “het model de harness opeet”: hulpmiddelen die vandaag voor het model uit lopen, worden er morgen in opgenomen. Voor mechanische scaffolding heeft hij gelijk. Maar het model neemt jullie grenzen aan bevoegdheden, het bewijs dat het aan jullie norm voldeed en de vastlegging waar een toezichthouder om vraagt niet over. Die lagen overleven het volgende model. De harness rond productie-agents wordt dan ook groter, niet kleiner.

Dus wanneer iemand zegt een “AI-agent” te hebben, is de relevante vraag niet welk model erachter zit. Vraag welke tools, welk geheugen, welke loop en wie de regie houdt. Het model is het eenvoudige deel. De agent is alles eromheen.

Welke laag is volgens jou het moeilijkst om goed te krijgen in productie?

Veelgestelde vragen