{"id":1083984,"date":"2026-02-06T10:30:03","date_gmt":"2026-02-06T10:30:03","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&#038;p=1083984"},"modified":"2026-02-10T16:20:00","modified_gmt":"2026-02-10T16:20:00","slug":"long-run-ai-agents-part-2-three-approaches-that-actually-work","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/long-run-ai-agents-part-2-three-approaches-that-actually-work\/","title":{"rendered":"AI-agenten op lange termijn, deel 2: Drie benaderingen die echt werken"},"content":{"rendered":"<p><em><a href=\"https:\/\/www.linkedin.com\/in\/victor-coimbra-999a02a0\/\" target=\"_blank\" rel=\"noopener\">Victor Coimbra<\/a> is opgenomen in de Forbes Under 30 Brazil lijst voor zijn opmerkelijke bijdragen aan AI-innovatie. Hij was medeoprichter van de Latijns-Amerikaanse activiteiten van Artefact, die nu dienen als een wereldwijde tech hub met 200 werknemers. Hij heeft veel expertise in het schalen van AI-oplossingen en het bouwen van high-performance tech teams in internationale markten.<\/em><\/p>\n<p>In <a href=\"https:\/\/www.artefact.com\/nl\/blog\/long-run-ai-agents-part-1-the-problem-nobody-talks-about\/\">Deel 1<\/a>, hebben we het probleem onderzocht: AI-systemen degraderen na verloop van tijd, benchmarkprestaties verhullen productiefouten, en zelfs ervaren professionals kunnen langzamer werken met AI-hulp dan zonder. Het traject is veelbelovend. De huidige realiteit is rommelig.<\/p>\n<p>Dus hoe bouwt u systemen die daadwerkelijk urenlange inspanningen volhouden?<\/p>\n<p>Uit verschillende gemeenschappen zijn drie benaderingen voortgekomen, die hetzelfde fundamentele probleem aanpakken: hoe kan een AI-systeem coherente vooruitgang boeken als zijn werkgeheugen beperkt is?<\/p>\n<h2>Aanpak 1: Nieuwe start met fietsen<\/h2>\n<p>Eind 2025 ging een techniek met de absurde naam \"Ralph Wiggum\" viral onder beoefenaars. De naam komt van een Simpsons-personage - opzettelijk dom, want het kernidee is bijna beschamend eenvoudig.<\/p>\n<p>Laat de AI werken. Wanneer het begint te degraderen, stop ermee. Begin opnieuw. Laat het verder gaan waar het gebleven was.<\/p>\n<p>Dat is het. De AI werkt aan een taak totdat de prestaties beginnen af te nemen. Dan stopt hij, slaat de voortgang op in een bestand en sluit af. Een nieuwe sessie begint met een schone lei. De AI leest wat er bereikt is, identificeert wat er nog moet gebeuren en gaat verder.<\/p>\n<p>De filosofie: vecht niet langer tegen de geheugenbeperking. Werk ermee. Elke werksessie werkt onafhankelijk. Vooruitgang leeft in documenten en records, niet in het hoofd van de AI.<\/p>\n<h3>Hoe dit er in de praktijk uitziet<\/h3>\n<p>Een typische implementatie verloopt in drie fasen:<\/p>\n<ul>\n<li><strong>Fase 1 (Vereisten):<\/strong> Mens en AI werken samen om te bepalen wat er gedaan moet worden. De output is een duidelijk specificatiedocument.<\/li>\n<li><strong>Fase 2 (Planning):<\/strong> AI analyseert de kloof tussen de specificatie en de huidige status. Output: een geprioriteerde lijst met taken. Nog geen daadwerkelijk werk.<\/li>\n<li><strong>Fase 3 (Uitvoering):<\/strong> AI verwerkt \u00e9\u00e9n taak per sessie. Voltooi de taak, controleer of het werkte, documenteer wat er gedaan is, sluit af. Nieuwe sessie. Herhalen.<\/li>\n<\/ul>\n<p>De belangrijkste beperking: taken moeten een duidelijk meetbare voltooiing hebben. Deze aanpak werkt slecht voor ambigue vereisten, inschattingen of verkennend werk zonder duidelijke eindpunten.<\/p>\n<h3>Resultaten van vroege gebruikers<\/h3>\n<p>De cijfers van praktijkmensen zijn opvallend, hoewel ze afkomstig zijn van zelf-reports in plaats van gecontroleerde onderzoeken.<\/p>\n<p>E\u00e9n consultant leverde wat een project van $50.000 zou zijn geweest voor minder dan $300 aan AI-kosten: 's nachts geautomatiseerde sessies uitvoeren. Een opstartteam voltooide 's nachts zes belangrijke deliverables met functionerende output, verificatie en documentatie. Een beoefenaar bouwde een volledig product in drie maanden van geautomatiseerde sessies.<\/p>\n<p>Typische kosten vari\u00ebren van $50-100 voor grote projecten met 50+ werksessies. Elke sessie duurt 30-45 minuten voor het fietsen.<\/p>\n<p>Anthropic formaliseerde deze aanpak in december 2025 en gaf offici\u00eble ondersteuning vrij. Het patroon veranderde van workaround naar goedgekeurde methodologie.<\/p>\n<h3>De beperking<\/h3>\n<p>Deze aanpak is deterministisch in een onvoorspelbare wereld. Zoals een beoefenaar het zegt: \u201cHet is beter om voorspelbaar te falen dan onvoorspelbaar te slagen.\u201d<\/p>\n<p>Dat is zowel de kracht als de beperking. Fietsen met een nieuwe start werkt wanneer u succes duidelijk kunt defini\u00ebren. Het heeft het moeilijk wanneer succes subjectief is, wanneer kwaliteit impliciet is, en wanneer het menselijke oordeel nodig is om het \u201cjuiste\u201d antwoord te herkennen.<\/p>\n<h2>Benadering 2: Selectief geheugen<\/h2>\n<p>Bij Fresh-start fietsen wordt alles tussen de sessies weggegooid. Elke cyclus begint helemaal opnieuw. Wat als u de belangrijke delen selectief zou kunnen bewaren?<\/p>\n<p>Selectief geheugen hanteert een andere aanpak: de essenti\u00eble informatie eruit halen en opslaan, de rest weggooien. In plaats van helemaal opnieuw te beginnen, erft de AI een samenvatting van wat belangrijk is.<\/p>\n<h3>Het patroon met twee rollen<\/h3>\n<p>Een gebruikelijke implementatie gebruikt twee gespecialiseerde AI-rollen:<\/p>\n<ul>\n<li><strong>Setup Rol:<\/strong> Wordt alleen aan het begin uitgevoerd. Cre\u00ebert context, identificeert belangrijke informatie, cre\u00ebert initi\u00eble referentiedocumenten.<\/li>\n<li><strong>Werkzaamheden:<\/strong> Verzorgt alle volgende sessies. Handhaaft de continu\u00efteit door middel van drie artefacten: een voortgangstracker die voltooid en nog te voltooien werk toont, een controlelijst met items die gemarkeerd zijn als voltooid of nog te voltooien, en een wijzigingsgeschiedenis die laat zien wat er is gewijzigd en waarom.<\/li>\n<\/ul>\n<p>De sessie start expliciet: bevestig de huidige status, bekijk voortgangsdocumenten, selecteer het resterende werk met de hoogste prioriteit, verifieer de basislijn v\u00f3\u00f3r nieuw werk.<\/p>\n<p>Het verschil met fietsen met een nieuwe start: de compressiestap. De werkrol erft een gecureerde samenvatting van relevante context. Onderzoek wijst uit dat AI met deze aanpak lange taakreeksen kan voltooien met slechts 16% van de informatie die anders nodig zou zijn. Een vermindering van 84% in overhead.<\/p>\n<h3>Geheugen voor gevorderden: Behoud van relaties<\/h3>\n<p>De huidige stand van de techniek op het gebied van selectief geheugen bewaart niet alleen feiten, maar ook relaties.<\/p>\n<p>Denk eens na over hoe mensen projecten onthouden. We herinneren ons niet zomaar ge\u00efsoleerde feiten. We herinneren ons dat deze beslissing tot dat gevolg heeft geleid, dat deze persoon die verantwoordelijkheid heeft, dat dit document betrekking heeft op die vereiste. De verbanden zijn net zo belangrijk als de inhoud.<\/p>\n<p>Geavanceerde AI-geheugensystemen leggen deze relaties nu vast. Bij het opslaan van informatie halen ze er niet alleen uit wat er is gebeurd, maar ook wie erbij betrokken was, waar het mee te maken had en waarom het belangrijk was. Bij het ophalen van informatie kunnen ze de context reconstrueren door deze relatiedraden te volgen.<\/p>\n<p>Prestatiecijfers van deze systemen: 26% verbetering in kwaliteitsbeoordelingen. 90%+ vermindering in informatieoverhead met behoud van coherentie. Aanzienlijk betere verwerking van taken die meerdere sessies beslaan.<\/p>\n<h3>De ruil<\/h3>\n<p>Selectief geheugen voegt complexiteit toe. U hebt infrastructuur nodig voor het opslaan en ophalen. U moet beslissen wat u bewaart en wat u weggooit. U moet erop vertrouwen dat de compressie bewaart wat belangrijk is.<\/p>\n<p>Dit is geen opgelost probleem. Geheugensystemen kunnen kritieke details verliezen. Compressie kan subtiele vervormingen introduceren. De AI kan de verkeerde context op het verkeerde moment ophalen. De 84% reductie klinkt indrukwekkend totdat de 16% die u bewaarde iets essentieels miste.<\/p>\n<h2>Aanpak 3: Teamco\u00f6rdinatie<\/h2>\n<p>Wat als het antwoord niet \u00e9\u00e9n AI met een beter geheugen is, maar vele AI-systemen met duidelijke rollen?<\/p>\n<p>Teamco\u00f6rdinatie splitst complex werk op in gespecialiseerde rollen die geco\u00f6rdineerd worden door een centrale manager. Elke rol heeft een beperkte reikwijdte, beperkte informatiebehoeften en een specifieke taak. De manager houdt het overzicht en stuurt alleen relevante informatie door naar elke werknemer.<\/p>\n<h3>Het patroon achter de schermen<\/h3>\n<p>Toonaangevende AI-bedrijven gebruiken dit intern. De structuur:<\/p>\n<p><strong>Co\u00f6rdinator:<\/strong> Een bekwaam AI-systeem dat verantwoordelijk is voor het analyseren van verzoeken, het plannen van de aanpak, het onderhouden van het geheugen en het aansturen van specialisten.<\/p>\n<p><strong>Specialisten:<\/strong> Gerichte AI-systemen die parallel werken voor specifieke taken.<\/p>\n<p>Het resultaat: op teams gebaseerde systemen presteren 90% beter dan enkelvoudige AI-systemen op complexe onderzoekstaken. Geen marginale verbetering. Een bijna-verdubbeling van de prestaties.<\/p>\n<p>Het belangrijkste inzicht: informatiebeheer verklaart 80% van de prestatieverschillen bij AI in teamverband. De specifieke tools en AI-modellen doen er minder toe dan hoe informatie tussen rollen stroomt.<\/p>\n<h3>Twee co\u00f6rdinatiepatronen<\/h3>\n<p><strong>Handoff-patroon:<\/strong> E\u00e9n AI-systeem geeft de controle halverwege de taak over aan een ander. Elk systeem is op de hoogte van de andere en beslist wanneer het de taak moet overdragen. De werkdraad gaat door, maar de verantwoordelijkheid wordt overgedragen. Werkt goed voor sequenti\u00eble, gefaseerde workflows.<\/p>\n<p><strong>Manager Patroon:<\/strong> Een centrale co\u00f6rdinator wijst werk toe aan specialisten en verzamelt resultaten. Specialisten sturen resultaten terug; de co\u00f6rdinator behoudt de controle en neemt beslissingen. Geen overdracht van de hoofddraad. Werkt goed voor parallelle verwerking en resultatensynthese.<\/p>\n<p>De keuze hangt af van uw workflow. Handoffs werken goed als taken van nature in fasen uiteenvallen. Managerpatronen werken goed als u parallelle verwerking met gecentraliseerde besluitvorming nodig hebt.<\/p>\n<h3>Standaardisatie voor de industrie<\/h3>\n<p>In 2025 heeft de industrie gestandaardiseerd hoe AI-systemen met elkaar en met externe bronnen verbonden zijn. Zie het als de standaardisatie van stopcontacten - producten van verschillende fabrikanten kunnen nu samenwerken.<\/p>\n<p>E\u00e9n standaard definieert hoe AI verbinding maakt met informatiebronnen en hulpmiddelen. Een andere standaard definieert hoe AI-systemen met elkaar communiceren. Samen maken ze bouwstenen mogelijk die in verschillende configuraties kunnen worden samengesteld.<\/p>\n<p>Dit is belangrijk omdat het modulariteit mogelijk maakt. Een workflow die door het ene team is gebouwd, kan componenten bevatten die door een ander team zijn gebouwd. Geheugensystemen worden uitwisselbaar. Informatiebronnen worden vindbaar. Het \u201cAI ecosysteem\u201d is geen marketing, het is een technische realiteit die deze standaarden mogelijk maken.<\/p>\n<h3>De overhead<\/h3>\n<p>Teamgebaseerde AI gebruikt ongeveer 15x meer middelen dan AI met \u00e9\u00e9n interactie. Dat zijn de kosten van co\u00f6rdinatie. Voor eenvoudige taken doet deze overhead elk voordeel teniet. Voor complexe taken rechtvaardigt de verbeterde betrouwbaarheid de kosten.<\/p>\n<p>De faalwijzen zijn ook complexer. Een slecht handoff-ontwerp zorgde ervoor dat een e-commercebedrijf 40% klanten verliet toen AI-overgangen gebruikers in verwarring brachten. Cascading fouten kunnen zich door AI-netwerken verspreiden. Een analyse van de industrie in 2025 identificeerde 14 unieke faalpatronen in systeemontwerp, co\u00f6rdinatiestoringen en kwaliteitsverificatie.<\/p>\n<h2>De juiste aanpak kiezen<\/h2>\n<p>Dit is hoe ik over deze opties denk:<\/p>\n<ul>\n<li><strong>Nieuwe start met fietsen<\/strong> werkt wanneer taken een duidelijk meetbare voltooiing hebben, u voorspelbare incrementele vooruitgang kunt tolereren, de vooruitgang volledig kan worden vastgelegd in documenten en verslagen, en u eenvoud boven geavanceerdheid verkiest.<\/li>\n<li><strong>Selectief geheugen<\/strong> werkt wanneer taken vereisen dat relaties over sessies heen bewaard blijven, u infrastructuur hebt voor opslag en ophalen, effici\u00ebntie belangrijk is op schaal, en u kunt investeren in het bouwen van compressiesystemen.<\/li>\n<li><strong>Teamco\u00f6rdinatie<\/strong> werkt wanneer taken van nature uiteenvallen in gespecialiseerde subtaken, u parallelle verwerking nodig hebt, de co\u00f6rdinatie-overhead (15x resources) acceptabel is, en u complexere foutmodi aankunt.<\/li>\n<\/ul>\n<p>De meeste productiesystemen zullen elementen van alle drie combineren. Een teamgebaseerd systeem waarbij elke specialist gebruik maakt van \"fresh-start cycling\". Een co\u00f6rdinator met geheugen die stateloze werkers aanstuurt. De benaderingen zijn complementair, niet exclusief.<\/p>\n<p>De rode draad: alle drie de benaderingen externaliseren informatie die de AI intern niet betrouwbaar kan bijhouden. Ze verschillen in hoeveel ze externaliseren en hoe ze het terugzoeken beheren.<\/p>\n<p><em>In <a href=\"https:\/\/www.artefact.com\/nl\/blog\/long-run-ai-agents-part-3-what-this-actually-means-for-organizations\/\">Deel 3<\/a>, zullen we onderzoeken wat langlopende AI betekent voor organisaties: hoe het werk verandert, welke governance nodig is en waar de realistische kansen liggen in 2026.<\/em><\/p>\n<p>&nbsp;<\/p>\n<p><strong>Referenties<\/strong><\/p>\n<p><span style=\"text-decoration: underline;\">Onderzoeksartikelen<\/span><\/p>\n<ul>\n<li>Productieklare AI bouwen met schaalbaar langetermijngeheugen - De nieuwste versie van AI. <a href=\"http:\/\/arxiv.org\/abs\/2504.19413\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2504.19413<\/a><\/li>\n<li>Op multigraften gebaseerde geheugenarchitectuur voor AI <a href=\"http:\/\/arxiv.org\/abs\/2601.03236\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2601.03236<\/a><\/li>\n<li>AI meten in productie - <a href=\"http:\/\/arxiv.org\/abs\/2512.04123\" target=\"_blank\" rel=\"noopener\">arxiv.org\/abs\/2512.04123<\/a><\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Industrie rapporten en whitepapers<\/span><\/p>\n<ul>\n<li>Faalwijzen in AI-systemen - Microsoft<\/li>\n<li>Lessen uit 2025 over AI en vertrouwen - Google Cloud<\/li>\n<li>De staat van AI-engineering - LangChain<\/li>\n<li>Benchmark vs. evaluatie in de echte wereld - METR<\/li>\n<\/ul>\n<p><span style=\"text-decoration: underline;\">Technische documentatie<\/span><\/p>\n<ul>\n<li>Hoe we ons multi-agent onderzoekssysteem bouwden - Antropic<\/li>\n<li>Specificatie protocol modelcontext - modelcontextprotocol.io<\/li>\n<li>Fresh-Start Fietsdocumentatie (\u201cRalph Wiggum\u201d) - Geoffrey Huntley (<a href=\"http:\/\/ghuntley.com\/ralph\/\" target=\"_blank\" rel=\"noopener\">ghuntley.com\/ralph\/<\/a>)<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>Eind 2025 ging een techniek met de absurde naam \"Ralph Wiggum\" viral onder beoefenaars. De naam komt van een Simpsons-personage - opzettelijk dom, want het kernidee is bijna beschamend eenvoudig.<\/p>","protected":false},"featured_media":1086606,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1083984","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/1083984","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/1086606"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=1083984"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=1083984"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=1083984"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}