2025 de doorbraak van AI agents: hoe werken ze?

Hoi, welkom bij AIToday Live, de Nederlandstalige podcast die je alles leert over de ontwikkelingen in kunstmatige intelligentie. Mijn naam is Joop Snijder, CTO bij Aigency en ik heb een driedelige serie voor je over AI agents, waarin ik je meeneem in de wereld van intelligente software systemen die onze manier van werken gaan veranderen. En in deel 1 ontdek je wat AI agents zijn en hoe ze fundamenteel verschillen van traditionele software. In deel 2 leer je hoe je zelf aan de slag kunt met AI agents in jouw organisatie. En in deel 3 kijken we naar de toekomst. Hoe verandert AI de manier waarop we werken en hoe bereid je je organisatie daarop voor. Dus blijf luisteren. Waar we nu vooral praten over chatbots en automatische antwoorden, zullen we over een jaar getuigen zijn van iets veel krachtiger, namelijk AI systemen die zelfstandig complexe taken uitvoeren, van zichzelf leren en net zo lang doorwerken tot ze het gewenste resultaat bereiken. En deze voorspelling is niet gebaseerd op wilde speculatie, maar op de snelle vooruitgang die we nu al zien in de ontwikkeling van deze technologie. Maar om te beginnen, wat zijn deze AI agents nou precies en hoe werken ze? En nog belangrijker, wat kunnen ze betekenen voor organisaties? Nou vandaag deel 1, dus wat zijn AI agents en hoe werken ze? Laten we beginnen met het fundamentele verschil tussen AI agents en traditionele softwareontwikkeling. En dat ligt in de mate van autonomie en aanpassingsvermogen. Waar traditionele software werkt volgens vast geprogrammeerde regels en procedures, kunnen AI agents flexibel reageren op nieuwe situaties en tussen aanhalingstekens zelfstandig problemen oplossen. Ze begrijpen de context van de opdracht en kunnen hun aanpak aanpakken als ze obstakels tegenkomen. Maar hoe doen ze dat? Het lastige van AI agents is dat er geen exacte definitie is van wat ze zijn. Tot nu toe kunnen mensen het niet eens worden over wat een AI agent precies inhoudt. Dus heb ik voor je gekeken op Wikipedia en daar wordt het begrip als volgt beschreven. Een AI agent is een agent die zijn omgeving waarneemt, autonoom acties onderneemt om doelen te bereiken en zijn prestaties kan verbeteren door te leren of kennis te verwerken. Poeh, klinkt nogal abstract toch? Nou laten we het even uitdiepen en eerst beginnen bij het deel dat een agent zijn omgeving waarneemt. Een veel gebruikt voorbeeld is gewoon onze thermostaat thuis. Die neemt de temperatuur waar en met een eenvoudig algoritme zet de thermostaat de verwarming aan of uit. Het onderneemt dus autonome actie aan of uitzetten om het doel te bereiken, het behoud van de ingestelde temperatuur. Zo eenvoudig kan het zijn. En nu denk je misschien, maar zo intelligent is dat toch niet? Weet je wat? Dat klopt. Het is niet zo dat agents per se complex hoeven te zijn. Als we de term AI agent horen, dan is dat wel wat we daarbij bedenken. Een agent is in staat om een algoritme uit te voeren of kennis te vergaren. En een algoritme kan eenvoudig zijn zoals het kijken of de temperatuur onder of boven een ingestelde waarde staat. Maar hij kan ook complexer zijn. Bijvoorbeeld een slimmere thermostaat kan ons dagritme leren en temperatuurvoorkeuren leren. Maar belangrijk om te houden is dat een agent niet per se slim hoeft te zijn na onze maatstaven. Het idee in onderzoek naar agents is trouwens niet eens nieuw. En is al begonnen in de jaren zeventig. Zijn ze begonnen met de zogenaamde multi-agent systemen. In de jaren zeventig en tachtig werden multi-agent systemen al toegepast in verkeerssimulaties en verkeerslichtenbeheer. Hierbij werd gebruik gemaakt van autonome agents die verkeersstromen simuleerden. Zoals auto's die zich door een stad bewegen en verkeerslichten dynamisch moesten reageren op verkeersdrukte. Ik heb nog een voorbeeld van een modernere variant. En daarvoor wil ik je meenemen naar een bijzonder project uit 2019 toen ik een masterstudenten begeleidde. Zij hadden een fascinerend idee wat als we AI agents konden gebruiken om de bewegingen van de aandelenmarkt beter te begrijpen. En niet om snel geld te verdienen maar om pensioenfondsen te helpen betere lange termijn beslissingen te nemen. En haar aanpak was briljant is een eenvoud. Ze creëerden een virtuele markt met verschillende soorten AI agents. En sommige agents waren echt heel simpel en volgden basisregels zoals koop altijd als de prijs daalt. Of doe vandaag hetzelfde als gisteren. Andere agents waren slimmer en analyseerden patronen in historische data. Net zoals in de echte wereld waar je verschillende type handelaren hebt. Het mooie van haar systeem was dat deze agents van elkaar konden leren. En als een bepaalde strategie goed werkte kregen die agents meer invloed in het systeem. Een beetje zoals in de echte markt waar succesvolle strategieën vaak worden gekopieerd door anderen. Wat leerden wij nou hiervan? Het werd al snel duidelijk dat zelfs met al deze slimme agents de aandelenmarkt te complex en onvoorspelbaar bleef voor perfecte voorspellingen. Maar het onderzoek liet wel perfect zien hoe agents werken. En ze nemen hun omgeving waar, in dit geval de marktdata. Ze nemen zelfstandig beslissingen. Kopen, verkopen of aandelen aanhouden. En ze leren van de resultaten. En weet je wat het meest fascinerende was? De beste voorspellingen kwamen niet van de meest complexe agents. Maar van de samenwerking tussen die simpele en complexe agents. Dat is een belangrijke les die we nog steeds toepassen in ons werk als we AI agents implementeren. Dan nu naar de slimmere en hedendaagse AI agents. Want met de komst van large language models kunnen we nog handiger slimme systemen maken met AI agents. Het tussen aanhalingstekens brein van moderne AI agents wordt tegenwoordig dan ook gevormd door large language models. Dan moet je denken aan dat je de modellen van OpenAI, Claude of Google Gemini gebruikt als een soort van aansturing als brein. En deze geavanceerde AI modellen stellen de agents in staat om natuurlijke taal te begrijpen en te genereren. Maar hun rol gaat veel verder dan dat. Ze fungeren als een taakverdeler naar de verschillende agents. Of dat nou complexe of eenvoudige zijn. En door een uitgebreide training kunnen ze namelijk complexe instructies interpreteren, context begrijpen en bepalen welke agents ze aanspreken, in welke vorm en met welke uitvoer je die wil. En deze large language models geven AI agents het vermogen om niet alleen te begrijpen wat er gevraagd wordt, maar ook waarom iets gevraagd wordt. En dit stelt in een staat om genuanceerde beslissingen te nemen en hun acties aan te passen aan de specifieke behoeften van de situaties. En ze kunnen bijvoorbeeld begrijpen dat een kort overzicht voor een CEO anders moet zijn dan voor een technisch specialist. En nu denk je misschien, ja Joop, dit klinkt allemaal wel heel ingewikkeld. Maar laat me je daarom nog een praktisch voorbeeld geven uit mijn eigen ervaring. Namelijk onze podcast, daar hebben we ook van alles in geautomatiseerd. En ik heb een eigen geautomatiseerd research systeem voor onze podcast als voorbereiding. En dit systeem illustreert perfect hoe verschillende AI agents kunnen samenwerken onder aansturing van zo'n centraal brein in de vorm van een large language model. Het gaat als volgt. Het systeem begint zijn werk zodra ik de naam van een nieuwe podcastgast heb ingevoerd. En in plaats van een rigide set programmeren regels te volgen, krijgt het systeem zijn instructies in natuurlijke taal. En deze instructies beschrijven het gewenste eindresultaat. En dat ziet er ongeveer zo uit. Zoek naar het LinkedIn profiel van de gast. Zoek de laatste tien relevante artikelen op het internet van de gast. Lees deze artikelen en geef een goed doordacht de samenvatting van vijf unieke en relevante artikelen. En stel drie verrassende vragen voor. Het is best een heel complex verhaal en het centrale large language model, in dit geval gebruikt de GPT-4, functioneert als een soort van projectmanager die dan de verschillende gespecialiseerde AI agents aanstuurt. Een zoekagent speurt het internet af naar publicaties, interviews en andere relevante content over de gast. Een andere agent analyseert al deze informatie en beoordeelt dan welke bronnen het meest waardevol zijn voor de podcastvoorbereiding. En vervolgens gaan er samenvattings-agents aan de slag om de belangrijkste inzichten uit deze bronnen te destilleren. Het bijzondere aan deze aanpak is dat de agents niet simpelweg informatie verzamelen, maar dus ook intelligent filteren en verwerken. Ze kunnen bijvoorbeeld herkennen welke thema's regelmatig terugkomen in het werk van de gast. Of juist interessante uitspraken identificeren die afwijken van hun gebruikelijke standpunten. Aan basis van deze analyse formuleert nog een andere agent dan die drie verrassende vragen die tijdens het interview voor interessante gesprekken kunnen zorgen. Tot slot zet een presentatie-agent alle verzamelde informatie om in ons overzichtelijke webpagina. Het eindresultaat is dan een rijk gedocumenteerd profiel dat ons als podcasthost optimaal voorbereidt op het gesprek. Dit hadden we ook handmatig kunnen doen, maar in plaats van dit handmatig uitvoeren kunnen we ons nu richten op het lezen van de artikelen die we voorgeschodeld krijgen. En het voorbereiden op de podcast. Welke vragen gebruiken we wel, welke niet. Vaak is het meer ter inspiratie en hebben we het ook niet letterlijk bij de hand. Dit voorbeeld laat zien hoe AI agents elkaar kunnen versterken door samen te werken aan een complex doel. Het toont ook de kracht van natuurlijke taalinstructies. In plaats van gedetailleerde technische specificaties te schrijven, kan het systeem worden aangestuurd met beschrijvingen die voor iedereen begrijpelijk zijn. Dit maakt de technologie toegankelijk voor gebruikers zonder technische achtergrond en zorgt ervoor dat het systeem flexibel kan worden aangepast aan nieuwe behoeften. Nu je een goed beeld hebt van wat AI agents zijn en hoe ze in de praktijk kunnen werken, ben je vast benieuwd hoe je zelf aan de slag kan gaan. Toch? In het volgende deel van deze serie neem ik je mee in de praktische kant. Hoe identificeer je de juiste processen binnen je organisatie die baat bij hebben bij AI agents? En welke overwegingen moet je maken bij het kiezen van de juiste agent? En hoe zorg je ervoor dat je eerste pilot een succes wordt? Wil je nou geen moment missen van deze serie? Volg ons dan via je favoriete podcast app. Tot volgende week bij deel 2. Dankjewel weer voor het luisteren. [Muziek] [Muziek] [Muziek]