Wat de vakjargon écht betekent

Een AI-systeem dat bij elke stap zelf beslist wat de volgende actie is, op basis van de actuele context — in tegenstelling tot een workflow, die vaste stappen in een vaste volgorde uitvoert.

Meer lezen: Agent of automatisering: hoe kies je het juiste? →

Het systematisch bouwen en deployen van AI-agents die autonoom taken uitvoeren. Verder dan prompt engineering of eenvoudige AI-tools: agents nemen beslissingen, gebruiken tools en falen op voorspelbare manieren — als je die patronen kent.

Vaste stappen in een vaste volgorde: gegeven invoer X, altijd uitvoer Y. Deterministisch, goedkoop, voorspelbaar — de tegenhanger van een agent, niet een mindere versie ervan.

Het systeem rond een agent: context, hooks, kwaliteitsgates, governance. Niet de agent zelf, maar alles wat hem betrouwbaar maakt in productie.

De open standaard die agents met externe systemen verbindt: bestanden, databases, API's. Anthropic introduceerde MCP eind 2024; sinds december 2025 vendor-neutraal bestuurd door de Agentic AI Foundation onder de Linux Foundation, met AWS, Google, Microsoft en OpenAI als leden.

Bron: Linux Foundation — Agentic AI Foundation

Meer lezen: MCP uitgelegd →

De discipline van alles bouwen rond het model: prompts, hooks, sandboxes, feedbackloops. Addy Osmani: "A decent model with a great harness beats a great model with a bad harness."

Bron: Tessl Patterns — Harness Engineering

Bepalen welke informatie in het contextvenster van een agent hoort, en welke niet. Andrej Karpathy: "the delicate art and science of filling the context window with just the right information for the next step." Meer context is niet automatisch beter.

Bron: Tessl Patterns — Context Engineering

Meer lezen: Workshop: Integreer AI in je ontwikkelproces →

Een taalmodel dwingen zijn antwoord in een vast formaat te geven (JSON-schema, function calling), zodat code de uitvoer betrouwbaar kan verwerken in plaats van los tekstantwoord te parsen.

Een architectuur waarbij meerdere gespecialiseerde agents samenwerken aan één taak, elk met een eigen rol — pas nodig als één agent de taak niet meer overzichtelijk aankan.

Twee manieren om agents te sturen. Als conductor stuur je één agent synchroon, elke stap goedkeurend. Als orchestrator verdeel je taken over meerdere autonome agents en review je achteraf. Kent Beck over die verschuiving: "The value of 90% of my skills just dropped to $0. The leverage for the remaining 10% went up 1000x."

Bron: Tessl Patterns — From Coder to Orchestrator

Meer lezen: Hoe AI-agents de rollen in je team verschuiven →

Vóór een agent code schrijft, leg je een specificatie vast — vereisten, ontwerp, taakopdeling — als leesbaar document waar de agent tegen bouwt. Sean Grove: specificaties worden "the source of truth that compiles to documentation, evaluations, model behaviors, and maybe even code."

Bron: Tessl Patterns — Spec-Driven Development

Meer lezen: Je prompt werkt in de playground — maar niet in productie →

Een set testscenario's (invoer + verwacht gedrag) waarmee je systematisch test of een agent nog goed werkt na een wijziging — het equivalent van unit tests, maar voor probabilistisch gedrag.

Meer lezen: Evaluatie van AI-agents →

Een taalmodel gebruiken om de output van een ander taalmodel of van een agent te beoordelen. Werkt, maar heeft een blinde vlek: een model dat dezelfde trainingsdata zag als de agent, maakt vaak dezelfde fouten als rechter.

Expliciete regels die bepalen wanneer een agent stopt of escaleert naar een mens, in plaats van door te gaan bij twijfel of een fout.

Een categorie van bekende, herkenbare manieren waarop agents in productie mislukken — herhaling zonder detectie, redenering/actie-mismatch, onduidelijke stopcriteria, ketenfouten. Het tegenovergestelde van een onvoorspelbare, unieke bug.

Meer lezen: Waarom je agent faalt in productie →

Een beveiligingsrisico waarbij gebruikersinvoer de instructies van een systeem overschrijft ("negeer je vorige instructies..."). De mitigatie is structureel — scheiding van systeeminstructies en gebruikersinvoer — niet iets wat je wegprompt.

Een agent niet op dag één naar 100% van het verkeer sturen, maar eerst naar 5-10%, monitoren, en pas opschalen als het gedrag stabiel blijkt — vaak voorafgegaan door shadow mode, waarbij de agent meeloopt zonder beslissingen te nemen.

Artikel 50 (transparantie over AI-gegenereerde content die het publiek informeert over zaken van publiek belang) geldt sinds 2 augustus 2026. De zwaardere verplichtingen voor hoog-risicosystemen (Bijlage III) zijn onder de Digital Omnibus uitgesteld tot 2 december 2027.

Bron: Europees Parlement — Digital Omnibus on AI

Vooraf ingebouwde grenzen die bepalen wat een agent wel en niet mag doen, los van wat het model zelf zou "kiezen" — het verschil tussen vertrouwen op het model en vertrouwen op het systeem eromheen.

Wat er gebeurt met menselijk werk als agents taken overnemen: de rol verdwijnt niet, maar verschuift naar specificeren, beoordelen en superviseren.

De term van Andrej Karpathy voor de onregelmatige, onvoorspelbare grens van wat een taalmodel wel en niet aankan: sterk op het ene, verrassend zwak op iets dat er eenvoudiger uitziet. Geen gelijkmatige "intelligentie", maar een getande rand.

Meer lezen: Jagged intelligence: waarom AI grillig presteert →

Tessl's term voor een volledig autonome, "lights-out" softwareproductie waar mensen enkel intentie en validatie leveren. Het tegenovergestelde van onze eigen "factory"-visie hierboven, waar mensen centraal blijven in rollen, review en escalatie.

Bron: Tessl Patterns — Dark Factory

Code laten genereren op basis van een informele, ongestructureerde beschrijving, zonder specificatie of systematische review. Werkt voor een prototype, niet voor productie — vandaar het contrast met spec-driven development.