De technologie achter AI-agents

‘To understand recursion, you must understand recursion’ – Humor van een anonieme programmeerder

Van concept naar werkende agent

AI-agents hebben ongekende eigenschappen zoals hun vermogen om waar te nemen, zelfstandig te handelen en te leren. Maar hoe komt dit in de praktijk tot stand? Welke technologieën zorgen ervoor dat dit allemaal kan?

Stel je een orkest voor. Verschillende musici spelen samen onder leiding van een dirigent. Elk instrument heeft zijn klank en functie, maar samen ontstaat er een compositie die meer is dan de som der delen. Zo werkt het ook bij AI-agents: verschillende technologieën werken samen, onder regie van een centraal model, zodat er een intelligent systeem ontstaat.

Dit artikel legt uit hoe AI-agents technologisch zijn opgebouwd – hun architectuur. Net zoals een gebouw een structuur heeft van een fundering, muren en een dak die samen het geheel vormen, heeft een AI-agent verschillende technische componenten die samenwerken. Je ontdekt hoe grote taalmodellen het ‘brein’ vormen van deze systemen, leert verschillende typen architecturen kennen, en ziet hoe deze componenten samenkomen in praktische toepassingen.

Taalmodellen als het brein van de moderne agent

Stel je voor dat Sarah, marketingmanager bij een groot bedrijf, haar lap-top opent en in gewone taal typt: “Maak een contentplanning voor onze zomercampagne, inclusief thema’s en kanalen.” Ze hoeft geen programmeercode te schrijven of query’s te formuleren. Binnen enkele minuten ontvangt ze een compleet, op maat gemaakt plan. Achter deze ervaring schuilt een AI-agent. Zo’n agent combineert het taalbegrip en de flexibiliteit van taalmodellen (zoals GPT-4, Claude of Gemini) met praktische functies die voor organisaties belangrijk zijn. De agent begrijpt de opdracht, vraagt indien nodig informatie aan Sarah, haalt gegevens op uit bedrijfsdatabases, stelt een strategie op en schakelt specialistische tools in waar dat nodig is. Al deze stappen worden gecoördineerd zonder dat Sarah zich druk hoeft te maken over de techniek.
Toch zijn er grenzen aan wat een taalmodel op zichzelf kan. Taalmodellen hebben bijvoorbeeld geen eigen langetermijngeheugen, kunnen niet uit zichzelf gegevens ophalen uit externe systemen, en kunnen soms over-tuigend klinkende, maar onjuiste antwoorden geven (‘hallucineren’). Daarom worden taalmodellen in organisaties ingebed in agentsystemen: slimme AI-agents die wel kunnen onthouden, veilig bedrijfsdata kunnen raadplegen en verschillende digitale tools kunnen combineren. Zo ont-staat een AI-agent die echt werk uit handen neemt en continu leert van elke interactie.

Hoe organiseren agents hun intelligentie?

Net als in een goed orkest bestaan er verschillende rollen en manieren van samenwerken. Ook AI-agents organiseren hun ‘intelligentie’ op verschillende manieren, afhankelijk van de taak en het gewenste resultaat. Agents die digitale hulpmiddelen gebruiken (tool-using agents), werken als een slimme assistent die zelf de juiste digitale ‘gereedschappen’ kiest. Stel, een financieel medewerker vraagt: “Wat was onze omzetgroei in het laatste kwartaal?” De agent begrijpt de opdracht, zoekt zelfstandig de juiste gegevens op in een database en presenteert het antwoord overzichtelijk. Zo kan de agent snel en zelfstandig met de buitenwereld schakelen. Bij complexere opdrachten – zoals “Vergelijk de kwartaalresultaten van onze drie grootste concurrenten” – werken agents volgens een gestructureerd stappenplan: eerst concurrenten identificeren, dan kwartaalrapporten ophalen, vervolgens analyseren en ten slotte een vergelijking maken. Deze agents redeneren stap voor stap: ReAct-architectuur. Het voordeel: je ziet als gebruiker precies welke stappen zijn genomen en waar de informatie vandaan komt. Er zijn ook agents die eerst plannen en dan gaan uitvoeren (planning-based agents). Sommige taken vergen nu eenmaal een uitgekiende aan-pak en voorbereiding, denk aan het ontwikkelen van nieuwe software-functionaliteiten. Je geeft in gewone taal aan wat je wilt, de AI-agent maakt een plan van aanpak dat je kunt controleren, en voert daarna de verschillende stappen uit. Je behoudt zo overzicht en grip

Samen slimmer

Agents kunnen niet alles onthouden, maar ze zijn wel in staat om belang-rijke informatie tijdelijk of langer vast te houden – denk aan klantgege-vens, eerdere interacties of beleidsregels. Zo hoeft een klant bij herhaald contact niet telkens alles opnieuw uit te leggen, en kan een agent het ge-sprek soepel en persoonlijk houden. Te veel informatie vasthouden is ook niet handig; moderne agents zijn juist goed in het selectief ‘vergeten’ van wat niet langer relevant is.
De krachtigste toepassingen ontstaan als verschillende agents samenwer-ken. Stel je een team van agents voor dat je helpt met je research voor je podcast: de ene agent zoekt informatie over een gast, de andere vat arti-kelen samen, een derde bedenkt verrassende vragen, en een laatste zet alles overzichtelijk in een document. Samen leveren ze meer kwaliteit, snelheid en betrouwbaarheid dan één enkele agent ooit zou kunnen.

Hoe werkt het geheugen van een AI-agent?

Veel mensen denken bij AI aan systemen die alles onthouden, maar het geheugen van een AI-agent is juist slim en selectief ingericht. Agents gebruiken verschillende soorten geheugen, elk met een eigen doel in het ondersteunen van gebruikers en bedrijfsprocessen.
Het kortetermijngeheugen is het werkgeheugen van de agent: informatie die alleen nodig is tijdens de huidige taak of het lopende gesprek. Bijvoor-beeld: welke vraag je net hebt gesteld, welke gegevens de agent zojuist heeft opgehaald, of welke stappen in een proces al zijn gezet. Dit geheugen verdwijnt zodra de taak is afgerond, net zoals je na een telefoongesprek details soms weer vergeet.

In het middellangetermijngeheugen bewaart een agent informatie over recente interacties of gebeurtenissen. Denk aan een agent die zich herinnert dat je vorige week hebt gebeld over een openstaande bestelling, of dat er een lopende supportcase is. Dit soort geheugen wordt technisch inge-vuld door samenvattingen of notities tijdelijk op te slaan, zodat de agent bij een volgend contactpunt snel context kan ophalen en direct verder kan waar het gesprek was gebleven.

Het langetermijngeheugen bevat permanente of belangrijke kennis, zo-als klantprofielen, beleidsregels, contracten of veelvoorkomende vragen en oplossingen. In dit geheugen wordt informatie structureel opgeslagen in databases, kennisbanken of speciale opslagsystemen. Dit stelt agents in staat om niet alleen terug te grijpen op oude interacties, maar ook om inzichten op te bouwen en gaandeweg slimmer te worden.7

Slim onthouden én slim vergeten

Agents zijn ontworpen om alleen relevante informatie te onthouden en overbodige details los te laten. Dit voorkomt dat systemen traag of on-overzichtelijk worden, en beschermt privacy. Denk aan het automatisch verwijderen van oude chats of het niet langer bewaren van tijdelijke aan-tekeningen zodra een klantvraag is opgelost.

Een AI-agent voor personeelszaken onthoudt tijdens een gesprek wie je bent en waar je het over hebt (korte termijn), houdt bij of er nog open-staande vragen zijn van eerdere gesprekken (middellange termijn), en slaat je dienstverband en relevante documenten op (lange termijn). Zo kun je snel en persoonlijk geholpen worden, zonder dat je alles steeds opnieuw moet uitleggen.

Het volledige beeld

Achter elke slimme AI-agent schuilt een zorgvuldig gekozen combinatie van technologieën, geheugen, planning en samenwerking. Welke aanpak het beste werkt, hangt altijd af van het probleem dat je wilt oplossen en de waarde die je voor mensen wilt toevoegen. Dit artikel heeft laten zien hoe AI-agents technisch zijn opgebouwd: van krachtige taalmodellen tot slimme geheugenlagen, van individuele agents tot samenwerkende teams. De juiste architectuur kiezen voor je doel – rekening houdend met veiligheid, controle en samenwerking tussen mens en machine – bepaalt uiteindelijk het succes van je AI-project.

Door: Joop Snijders
Lees meer in Doeltreffend met AI-agents – Zo bereid je jouw organisatie voor op de toekomst van werk