Twee jaar lang zijn bedrijven verkocht aan de belofte van autonome AI-agenten: systemen die vluchten kunnen boeken, code kunnen schrijven en gegevens kunnen analyseren met minimale menselijke input. Toch blijven, ondanks wijdverbreide experimenten, de daadwerkelijke implementaties in ondernemingen hardnekkig laag. Ruwweg 95% van de AI-projecten levert geen tastbare bedrijfswaarde op en bezwijkt onder het gewicht van de complexiteit in de echte wereld. Het kernprobleem? Een fundamenteel misverstand over wat agenten zijn : geen magische dozen, maar complexe softwaresystemen die rigoureuze engineering vereisen.
Het probleem: AI behandelen als een demo, niet als een product
De kloof tussen AI-demonstraties en bedrijfswaarde gaat niet over betere modellen; het gaat over betere architectuur. Antonio Gulli, een senior engineer bij Google, stelt dat de industrie de nieuwste raamwerken heeft gevolgd in plaats van fundamentele principes. “AI-engineering verschilt niet van elke andere vorm van engineering”, legt hij uit. Om duurzame systemen te bouwen heb je herhaalbare standaarden nodig, en niet alleen de allernieuwste modellen.
Gulli’s recente boek ‘Agentic Design Patterns’ biedt precies dat: 21 fundamentele patronen om experimentele agenten om te zetten in betrouwbare bedrijfstools. De aanpak weerspiegelt de ‘Design Patterns’-revolutie in de software-engineering en brengt orde in een chaotisch veld. Deze patronen bepalen hoe een agent denkt, onthoudt en handelt: de belangrijkste bouwstenen van robuuste AI-systemen.
Vijf sleutelpatronen voor onmiddellijke impact
Voor organisaties die hun AI-stack willen stabiliseren, identificeert Gulli vijf patronen met grote impact:
- Reflectie: In plaats van onmiddellijke, potentieel hallucinante reacties moeten agenten denken door een plan te maken, het uit te voeren en de resultaten kritisch te evalueren voordat ze het presenteren. Dit bootst de menselijke redenering na en verbetert de nauwkeurigheid aanzienlijk.
- Routing: Schaal zonder exploderende kosten door eenvoudige taken naar goedkopere modellen te sturen, waarbij complexe redeneringen worden gereserveerd voor de krachtigste (en duurste) systemen. Modellen kunnen fungeren als routers, waardoor de efficiëntie wordt geoptimaliseerd.
- Communicatie: Gestandaardiseerde communicatieprotocollen zoals het Model Context Protocol (MCP) fungeren als een “USB-poort voor AI”, waardoor naadloze integratie met tools, databases en andere agenten mogelijk wordt.
- Geheugen: Door te structureren hoe agenten eerdere interacties opslaan en ophalen, ontstaan aanhoudende, contextbewuste assistenten, waarmee het “goudvis”-probleem van geheugenverlies op de korte termijn wordt opgelost.
- Vangrails: Architecturale beperkingen zijn van vitaal belang voor de veiligheid en compliance, en voorkomen datalekken of ongeoorloofde acties. Dit zijn harde grenzen, niet alleen maar beleefde systeemprompts.
Transactionele veiligheid: de sleutel tot vertrouwen in autonome agenten
Een groot obstakel voor de implementatie is angst: een autonome agent met schrijftoegang tot kritieke systemen is een risico als deze niet goed functioneert. De oplossing? Transactionele veiligheid, ontleend aan databasebeheer. Net zoals databases controlepunten en rollbacks gebruiken, moeten agenten voorzichtig te werk gaan, met de mogelijkheid om terug te keren naar een veilige status als er fouten optreden. Hierdoor kunnen bedrijven agenten schrijftoegang toevertrouwen, wetende dat er een knop voor ongedaan maken is.
Het testen van deze systemen vereist het evalueren van Agent Trajectories : niet alleen het uiteindelijke antwoord, maar het hele besluitvormingsproces. Gulli pleit ook voor geautomatiseerde peer-reviewsystemen, waarbij gespecialiseerde agenten elkaars prestaties bekritiseren om de verspreiding van fouten te voorkomen.
De toekomst: van snelle engineering naar context-engineering
Tegen 2026 zal het tijdperk van modellen voor algemeen gebruik waarschijnlijk eindigen. De toekomst is aan gespecialiseerde agentenvloten: agenten die zich richten op het ophalen, het genereren van afbeeldingen of het maken van video’s, en die naadloos communiceren. Ontwikkelaars zullen overstappen van prompt engineering (taalkundige bedrog) naar context engineering : het ontwerpen van de informatiestroom, het beheren van de status en het beheren van de data-agenten die ‘zien’.
Het uiteindelijke doel is niet alleen het gebruik van AI; het lost zakelijke problemen effectief op. Gulli waarschuwt tegen AI omwille van AI. Bedrijven moeten beginnen met duidelijke definities van hun behoeften en technologie strategisch inzetten om daaraan te voldoen.
