Victor Coimbra is opgenomen in de Forbes Under 30 Brazil-lijst vanwege zijn uitmuntende bijdragen aan AI . Hij was medeoprichter van de Latijns-Amerikaanse tak Artefact, die inmiddels is uitgegroeid tot een wereldwijd tech-centrum met 200 medewerkers. Hij beschikt over diepgaande expertise in het opschalen AI en het samenstellen van hoogpresterende tech-teams op internationale markten.

In deel 1 hebben we het probleem onder de loep genomen: AI gaan na verloop van tijd achteruit, benchmarkresultaten verhullen storingen in de praktijk, en zelfs ervaren professionals werken met AI soms langzamer dan zonder. De ontwikkeling ziet er veelbelovend uit. De huidige realiteit is echter een rommeltje.

Hoe bouw je dan systemen die het ook na urenlang gebruik nog goed blijven functioneren?

Er zijn drie benaderingen naar voren gekomen vanuit verschillende onderzoeksgemeenschappen, die elk hetzelfde fundamentele probleem aanpakken: hoe kan een AI een samenhangende voortgang behouden wanneer zijn werkgeheugen beperkt is?

Methode 1: Fresh-Start Cycling

Eind 2025 ging een techniek met de absurde naam „Ralph Wiggum“ als een lopend vuurtje onder beoefenaars. De naam is ontleend aan een personage uit The Simpsons – bewust gek, want het basisidee is bijna gênant eenvoudig.

Laat de AI . Zodra de kwaliteit achteruitgaat, zet je hem uit. Begin opnieuw. Laat hem verdergaan waar hij was gebleven.

Dat is het. De AI aan een taak totdat de prestaties achteruitgaan. Dan stopt hij, slaat de voortgang op in een bestand en sluit af. Een nieuwe sessie begint met een schone lei. De AI wat er is voltooid, stelt vast wat er nog moet gebeuren en gaat verder.

De filosofie: vecht niet tegen de beperkte opslagcapaciteit, maar maak er gebruik van. Elke werksessie draait op zichzelf. De voortgang wordt vastgelegd in documenten en logbestanden, niet in het geheugen AI.

Hoe dit er in de praktijk uitziet

Een typische implementatie verloopt in drie fasen:

  • Fase 1 (Vereisten): Mensen en AI om vast te stellen wat er moet gebeuren. Het resultaat is een duidelijk specificatiedocument.
  • Fase 2 (Planning): AI de kloof tussen de specificatie en de huidige stand van zaken. Resultaat: een lijst met taken op volgorde van prioriteit. Er wordt nog niet daadwerkelijk aan gewerkt.
  • Fase 3 (Uitvoering): AI één taak per sessie. De taak uitvoeren, controleren of deze is gelukt, documenteren wat er is gedaan, afsluiten. Nieuwe sessie. Herhalen.

De belangrijkste beperking: taken moeten duidelijk meetbaar zijn wat betreft de voltooiing ervan. Deze aanpak werkt slecht bij vage vereisten, beslissingen op basis van inschatting of verkennend werk zonder duidelijke einddoelen.

Resultaten van early adopters

De cijfers van de behandelaars zijn opvallend, hoewel ze gebaseerd zijn opreports op gecontroleerde onderzoeken.

Een consultant realiseerde een project dat normaal gesproken 50.000 dollar zou hebben gekost, voor minder dan 300 dollar aan AI – door ’s nachts geautomatiseerde sessies te laten draaien. Een startupteam voltooide ’s nachts zes belangrijke opdrachten, inclusief werkende resultaten, verificatie en documentatie. Een professional bouwde in drie maanden tijd een volledig product op basis van geautomatiseerde sessies.

De kosten liggen doorgaans tussen de $ 50 en $ 100 voor omvangrijke projecten met meer dan 50 werksessies. Elke sessie duurt 30 tot 45 minuten, waarna er een pauze volgt.

Anthropic heeft deze aanpak in december 2025 geformaliseerd en officiële ondersteuning gelanceerd. Het patroon evolueerde van een tijdelijke oplossing naar een aanbevolen methode.

De beperking

Deze aanpak is deterministisch in een onvoorspelbare wereld. Zoals een van de beoefenaars het verwoordt: „Het is beter om op voorspelbare wijze te falen dan op onvoorspelbare wijze te slagen.”

Dat is zowel de kracht als de beperking. Een nieuwe start werkt goed als je succes duidelijk kunt definiëren. Het verloopt moeizaam als succes subjectief is, als kwaliteit impliciet is en als het ‘juiste’ antwoord menselijk inzicht vereist om te herkennen.

Aanpak 2: Selectief geheugen

Bij een 'frisse start'-cyclus wordt alles tussen de sessies door gewist. Elke cyclus begint helemaal opnieuw. Wat als je de belangrijke onderdelen selectief zou kunnen bewaren?

Selectief geheugen hanteert een andere aanpak: de essentiële informatie wordt eruit gehaald en opgeslagen, de rest wordt weggegooid. In plaats van helemaal opnieuw te beginnen, AI de AI een samengestelde samenvatting AI van wat ertoe doet.

Het patroon met twee rollen

Bij een veelvoorkomende implementatie worden twee gespecialiseerde AI gebruikt:

  • Rol bij de opzet: Wordt alleen aan het begin uitgevoerd. Bepaalt de context, brengt belangrijke informatie in kaart en stelt de eerste referentiedocumenten op.
  • Functie: Verantwoordelijk voor alle volgende sessies. Zorgt voor continuïteit aan de hand van drie hulpmiddelen: een voortgangsoverzicht met voltooide en nog uit te voeren taken, een checklist met items die als voltooid of nog te doen zijn gemarkeerd, en een wijzigingslogboek waarin staat wat er is aangepast en waarom.

De start van de sessie verloopt als volgt: de huidige stand van zaken wordt bevestigd, voortgangsdocumenten worden doorgenomen, de resterende werkzaamheden met de hoogste prioriteit worden geselecteerd en de uitgangssituatie wordt gecontroleerd voordat aan nieuwe werkzaamheden wordt begonnen.

Het verschil met 'fresh-start'-cycli: de compressiefase. De werkende rol neemt een zorgvuldig samengestelde samenvatting van relevante context over. Onderzoek wijst uit dat AI dankzij deze aanpak lange taakreeksen AI uitvoeren met slechts 16% van de informatie die anders nodig zou zijn. Een vermindering van de overhead met 84%.

Geavanceerd geheugen: behoud van relaties

De nieuwste ontwikkelingen op het gebied van selectief geheugen leggen niet alleen feiten vast, maar ook verbanden.

Bedenk eens hoe mensen zich projecten herinneren. We halen niet alleen losse feiten in herinnering. We onthouden dat deze beslissing tot dat gevolg heeft geleid, dat die persoon daarvoor verantwoordelijk is, dat dit document betrekking heeft op die eis. De verbanden zijn net zo belangrijk als de inhoud.

Geavanceerde AI leggen deze verbanden nu vast. Bij het opslaan van informatie leggen ze niet alleen vast wat er is gebeurd, maar ook wie erbij betrokken was, waarmee het verband hield en waarom het van belang was. Bij het ophalen van informatie kunnen ze de context reconstrueren door deze verbanden te volgen.

Prestatiestatistieken van deze systemen: een verbetering van 26% in kwaliteitsbeoordelingen. Een vermindering van meer dan 90% in informatieoverhead, met behoud van samenhang. Aanzienlijk betere afhandeling van taken die meerdere sessies overspannen.

De afweging

Een selectief geheugen maakt het allemaal wat ingewikkelder. Je hebt infrastructuur nodig om gegevens op te slaan en op te halen. Je moet beslissen wat je wilt bewaren en wat je wilt verwijderen. Je moet erop kunnen vertrouwen dat de compressie de essentiële informatie intact laat.

Dit probleem is nog niet opgelost. Geheugensystemen kunnen cruciale details kwijtraken. Compressie kan subtiele vervormingen veroorzaken. De AI op het verkeerde moment de verkeerde context ophalen. Die vermindering van 84% klinkt indrukwekkend, totdat blijkt dat er in de 16% die je hebt behouden iets essentieels ontbreekt.

Aanpak 3: Teamcoördinatie

Wat als het antwoord niet één AI een beter geheugen is, maar juist veel AI met duidelijke rollen?

Bij teamcoördinatie wordt complex werk opgesplitst in gespecialiseerde rollen die door een centrale manager worden gecoördineerd. Elke rol heeft een afgebakende reikwijdte, beperkte informatiebehoeften en een specifieke taak. De manager behoudt het totaaloverzicht en stuurt alleen relevante informatie door naar elke medewerker.

Het patroon achter de schermen

Toonaangevende AI maken hier intern gebruik van. De structuur:

Coördinator: een krachtig AI dat verantwoordelijk is voor het analyseren van verzoeken, het plannen van de aanpak, het bijhouden van gegevens en het aansturen van specialisten.

Specialisten: gerichte AI die parallel werken voor specifieke taken.

Het resultaat: bij complexe onderzoekstaken presteren teamgebaseerde systemen 90% beter dan individuele AI . Dat is geen marginale verbetering, maar een bijna verdubbeling van de prestaties.

De belangrijkste conclusie: informatiebeheer verklaart 80% van de prestatieverschillen bij teamgebaseerde AI. De specifieke tools en AI zijn minder belangrijk dan de manier waarop informatie tussen de verschillende rollen wordt uitgewisseld.

Twee coördinatiepatronen

Overdrachtspatroon: het ene AI draagt de controle halverwege een taak over aan het andere. Beide systemen zijn op de hoogte van elkaars aanwezigheid en bepalen zelf wanneer ze de taak overdragen. De werkthread loopt door, maar de verantwoordelijkheid wordt overgedragen. Dit werkt goed bij sequentiële, gefaseerde workflows.

Managermodel: Een centrale coördinator wijst taken toe aan specialisten en verzamelt de resultaten. Specialisten leveren hun output aan; de coördinator behoudt de controle en neemt de beslissingen. Er vindt geen overdracht van de hoofdthread plaats. Dit model werkt goed voor parallelle verwerking en het samenvoegen van resultaten.

De keuze hangt af van je werkwijze. Handoffs werken goed wanneer taken van nature in fasen kunnen worden opgedeeld. Managerpatronen werken goed wanneer je parallelle verwerking nodig hebt in combinatie met gecentraliseerde besluitvorming.

Standaardisatie in de sector

In 2025 heeft de sector de manier waarop AI met elkaar en met externe bronnen verbinding maken, gestandaardiseerd. Je kunt het vergelijken met de standaardisatie van stopcontacten: producten van verschillende fabrikanten kunnen nu met elkaar samenwerken.

De ene standaard beschrijft hoe AI met informatiebronnen en tools. De andere standaard beschrijft hoe AI met elkaar communiceren. Samen vormen ze bouwstenen die in verschillende configuraties kunnen worden samengesteld.

Dit is belangrijk omdat het modulariteit mogelijk maakt. Een workflow die door het ene team is opgezet, kan onderdelen bevatten die door een ander team zijn ontwikkeld. Geheugensystemen worden onderling uitwisselbaar. Informatiebronnen worden vindbaar. HetAI is geen marketingterm – het is een technische realiteit die door deze standaarden mogelijk wordt gemaakt.

De overheadkosten

Teamgebaseerde AI ongeveer 15 keer meer middelen dan AI voor afzonderlijke interacties. Dat is de prijs die je betaalt voor coördinatie. Bij eenvoudige taken wegen de extra kosten zwaarder dan de voordelen. Bij complexe taken rechtvaardigt de grotere betrouwbaarheid de kosten.

De storingspatronen zijn bovendien complexer. Door een gebrekkig ontwerp van de overgangsprocessen organisatie een organisatie 40% van de klanten afhaken toen AI voor verwarring bij de gebruikers zorgden. Kettingreacties van storingen kunnen zich door AI verspreiden. In een sectoranalyse uit 2025 werden 14 unieke storingspatronen geïdentificeerd op het gebied van systeemontwerp, coördinatiestoornissen en kwaliteitscontrole.

De juiste aanpak kiezen

Dit is hoe ik tegen deze opties aankijk:

  • Een 'frisse start'-aanpak werkt wanneer taken een duidelijk meetbare voltooiing hebben, je tevreden bent met voorspelbare, stapsgewijze vooruitgang, de voortgang volledig kan worden vastgelegd in documenten en dossiers, en je de voorkeur geeft aan eenvoud boven complexiteit.
  • Selectief geheugen is geschikt wanneer taken vereisen dat relaties tussen sessies behouden blijven, je beschikt over de infrastructuur voor opslag en opvraging, efficiëntie op grote schaal van belang is en je kunt investeren in het bouwen van compressiesystemen.
  • Teamcoördinatie werkt wanneer taken op natuurlijke wijze kunnen worden opgesplitst in gespecialiseerde deeltaken, wanneer parallelle verwerking nodig is, wanneer de coördinatie-overhead (15 keer zoveel middelen) aanvaardbaar is en wanneer je beter in staat bent om met complexere storingsscenario’s om te gaan.

De meeste productiesystemen combineren elementen van alle drie. Een op teams gebaseerd systeem waarin elke specialist gebruikmaakt van fresh-start-cycli. Een coördinator met uitgebreid geheugen die stateless workers aanstuurt. Deze benaderingen vullen elkaar aan en sluiten elkaar niet uit.

De rode draad: bij alle drie de benaderingen wordt informatie die de AI intern AI betrouwbaar AI bewaren, extern opgeslagen. Ze verschillen in de mate waarin ze informatie extern opslaan en in de manier waarop ze het ophalen daarvan regelen.

In deel 3 gaan we na wat langdurig gebruik van AI voor organisaties AI : hoe het werk verandert, welk beleid daarvoor nodig is en waar de realistische kansen liggen in 2026.

 

Referenties

Wetenschappelijke artikelen

Brancherapporten Reports whitepapers

  • Foutmodi in AI — Microsoft
  • Lessen uit 2025 over AI vertrouwen — Google Cloud
  • De stand van zaken in AI — LangChain
  • Benchmark versus praktijkevaluatie — METR

Technische documentatie

  • Hoe we ons multi-agent onderzoekssysteem hebben ontwikkeld — Anthropic
  • Specificatie van het Model Context Protocol — modelcontextprotocol.io
  • Documentatie over Fresh-Start Cycling („Ralph Wiggum“) — Geoffrey Huntley (ghuntley.com/ralph/)