Wanneer AI stopt
met denken
In het eerste artikel van deze serie beschreef ik hoe je een AI-agent inricht als volwaardig teamlid in een delivery-proces. Reproduceerbare start, Git als geheugen, taskboard-integratie, veiligheidsgates. Het systeem werkt autonoom. Taken gaan van To Do naar Review zonder dat een mens iets hoeft over te typen.
Maar dan stelt zich de volgende vraag: wordt het systeem ook beter over tijd?
De meeste autonome AI-systemen verbeteren primair omdat het onderliggende model verbetert, of omdat we het meer context geven. Dat is passief verbeteren. Een systeem dat actief leert, doet iets fundamenteel anders: het herkent welke redenering het steeds opnieuw uitvoert, en converteert die redenering naar iets dat geen AI meer nodig heeft.
De rijlessen-analogie
Laten we beginnen met waar ik op een dag plotseling mee zat.
Als iemand leert rijden, vereist bijna alles aanvankelijk bewuste aandacht:
Koppeling, versnelling, spiegels, richtingaanwijzer, stuur, gas, verkeer, bord aan de rechterkant…
Koppeling, versnelling, spiegels = automatisch. Aandacht vrij voor: waarom beweegt die fietser naar de rijbaan?
De ervaren bestuurder is niet minder intelligent geworden. Het tegenovergestelde: intelligentie is verschoven naar boven. Automatische processen verwerken wat al aangeleerd is. Bewuste aandacht is gereserveerd voor het nieuwe.
“Een autonoom AI-systeem heeft een taak geleerd wanneer het oplossen van die taak minder algemene intelligentie vereist dan de eerste keer.”
Wat er mis gaat als AI blijft redeneren
Een AI-agent die elke taak benadert alsof hij hem nog nooit heeft gezien, is als een ervaren bestuurder die bij elke bocht bewust nadenkt over de koppelingspositie. Functioneel correct, maar inefficiënt en foutgevoelig.
In de praktijk ziet dit er zo uit: de agent ontvangt een taak om een API-endpoint te valideren, redeneert vijf minuten over de juiste aanpak, schrijft een test, voert hem uit. Een week later verschijnt een identieke taak. Dezelfde vijf minuten, dezelfde redenering, hetzelfde resultaat.
Die herhaling is verspilling – maar ook een signaal. Het systeem zegt: hier zit een patroon dat niet meer hoeft te redeneren.
De procedurele rijpheidsladder
Naast de autonomieladder (L0-L7, beschreven in deel 1) bestaat een tweede as: hoe veel eerder opgeloste redenering is al omgezet in herbruikbare capaciteit?
| Niveau | Systeemgedrag |
|---|---|
| P0 | LLM redeneert elke taak volledig vanaf nul. |
| P1 | LLM gebruikt persistente kennisbanken en eerdere beslissingen als context. |
| P2 | Herhaalbare oplossingen worden instructies en checklists. |
| P3 | Herhaalbare handelingen worden tools, scripts en workflows. |
| P4 | Herhaalbare beslissingen worden regels en automatische checks. |
| P5 | Het systeem herkent zelf kansen om te proceduraliseren. |
| P6 | Het systeem stelt nieuwe capaciteiten voor en bouwt ze. |
| P7 | Het systeem valideert, deployt en monitort zijn eigen procedurele verbeteringen. |
Het doel is niet “LLM → regels”. Het is: herhaalbaar werk → goedkoopst mogelijke mechanisme. Afhankelijk van het probleem kan een gedetecteerd patroon worden omgezet in een deterministische regel, een Python-script, een gespecialiseerde agent, een classifier, een database-constraint of een scheduled job. De architectuur ontwikkelt iets wat lijkt op reflexen, gewoonten en vaardigheden.
Twee assen, vier kwadranten
Autonomie en procedurele rijpheid zijn onafhankelijke dimensies. Je kunt een L7-autonome agent hebben die enorme hoeveelheden LLM-redenering verspilt aan steeds dezelfde problemen. En je kunt een minder autonome agent hebben met uiterst gesofisticeerde deterministische automatisering.
Laag autonoom · Laag procedureel
Handmatige prompts, sessie-gebonden. De meeste teams hier.
Hoog autonoom · Laag procedureel
Agent werkt zelfstandig maar lost elk probleem opnieuw op. Hoge tokenkosten, beperkte schaal.
Laag autonoom · Hoog procedureel
Veel geautomatiseerde tooling, maar nog steeds mens-gestuurd. Solide basis voor schaling.
Hoog autonoom · Hoog procedureel
Zelfstandig systeem dat zijn eigen routinewerk omzet in automatisering. Intelligentie geconcentreerd op het nieuwe.
Hoe proceduraliseren werkt in de praktijk
Het proces heeft een vaste volgorde – ook hier is veiligheid niet optioneel:
De agent mag autonoom een betere procedure ontdekken, maar heeft niet automatisch de bevoegdheid om die procedure ook te activeren. Dat sluit aan op het principe uit deel 1: autonomie is niet hetzelfde als bevoegdheid. De gates die gelden voor productiecode, gelden ook voor nieuw aangeleerde procedures.
De diepere conclusie
Een conventionele AI-agent wordt beter doordat het model beter wordt, of doordat we het meer context geven. Een lerend autonoom systeem wordt ook beter doordat zijn architectuur verandert op basis van opgedane ervaring.
Gisteren had het systeem twintig minuten LLM-redenering nodig voor iets. Vandaag herkent het de situatie en roept een procedure aan. Morgen ziet het systeem het event, handelt een deterministisch mechanisme het af, slaagt de verificatie, en ziet de AI alleen het geaggregeerde resultaat.
“Het doel van een autonoom ontwikkelsysteem is niet om te maximaliseren hoeveel werk het LLM uitvoert. Het is om routinewerk continu om te zetten in betrouwbare automatisering – zodat algemene intelligentie vrij blijft voor het nieuwe en complexe.”
Dat is het verschil tussen een AI die elke dag opnieuw leert rijden, en een systeem dat rijdt.
Terug naar overzicht