Agentprofiel: de digitale functieomschrijving voor AI-agents
Stel je een uitzendbureau voor dat geen mensen maar computerprogramma's aan het werk zet. Voordat zo'n programma ergens aan de slag mag, krijgt het een dossier: wat is je taak, wat mag je wel en niet doen, welke gereedschappen mag je gebruiken, en hoe moet je je gedragen tegenover klanten? Dat dossier heet in de wereld van kunstmatige intelligentie een agentprofiel. Het is de set instructies en bevoegdheden die bepaalt hoe een AI-agent, een computerprogramma dat zelfstandig stappen zet om een doel te bereiken, zich gedraagt.
Een concreet voorbeeld: een bedrijf zet een AI-agent in voor klantenservice. Het agentprofiel van die agent bepaalt dat hij toegang heeft tot bestelgeschiedenis, terugbetalingen tot 50 euro zelfstandig mag goedkeuren, altijd formeel Nederlands moet spreken en nooit mag praten over concurrenten. Een ander agentprofiel, voor een programmeer-assistent, geeft juist toegang tot broncode en de opdracht om tests te draaien voordat hij iets aanpast. Hetzelfde onderliggende taalmodel, compleet verschillend gedrag, dankzij het profiel dat erop is gezet.
Wat is het precies?
Een agentprofiel bestaat meestal uit een paar bouwstenen. Ten eerste de systeeminstructie (system prompt): een tekst die vóór elk gesprek aan het taalmodel wordt meegegeven en die de rol, toon en doelen vastlegt. Denk aan "Je bent een juridisch adviseur die alleen Nederlandse wetgeving gebruikt en nooit definitieve garanties geeft."
Ten tweede de tools of functies die de agent mag aanroepen: een zoekmachine, een rekenmodule, toegang tot een database, of de mogelijkheid om code uit te voeren. Zonder tools kan een taalmodel alleen praten; met tools kan een agent daadwerkelijk iets doen, zoals een e-mail versturen of een agenda-afspraak inplannen.
Ten derde de permissies: grenzen aan wat de agent mag, zoals een maximaal bedrag, een lijst met toegestane websites, of een verplichting om bij twijfel een mens te raadplegen. Dit heet ook wel een "guardrail", een vangrail die voorkomt dat de agent uit de bocht vliegt.
Ten vierde, vaak, een vorm van geheugen: wat onthoudt de agent tussen gesprekken door, en welke persoonlijkheid of stijl (persona) hanteert hij? In technische frameworks zoals LangChain, CrewAI of Microsoft's AutoGen wordt dit letterlijk vastgelegd in configuratiebestanden, met velden als "rol", "doel" en zelfs een fictieve "achtergrondgeschiedenis" die het gedrag van de agent stuurt.
Het verschil met een gewone chatbot is de zogeheten "agentic loop": de agent denkt, handelt, observeert het resultaat, en herhaalt dat totdat de taak klaar is, allemaal zonder dat een mens elke stap goedkeurt. Het agentprofiel is de leiband die deze zelfstandige loop binnen de perken houdt.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is arbeidsverdeling. In plaats van één alwetende AI in te zetten, bouwen ontwikkelaars teams van gespecialiseerde agents: een planner, een onderzoeker, een programmeur en een criticus, elk met een eigen profiel, die samen een complexe taak uitvoeren zoals mensen dat in een projectteam doen.
Daarnaast gaat het om voorspelbaarheid en veiligheid. Een taalmodel zonder beperkingen kan onvoorspelbaar reageren. Door duidelijke grenzen in een profiel vast te leggen, hopen bedrijven risico's te beperken, bijvoorbeeld dat een klantenservice-agent per ongeluk gevoelige data deelt of ongeautoriseerde beloften doet.
Een derde doel is herbruikbaarheid: eenmaal een goed profiel gebouwd, kan dat op grote schaal worden ingezet voor duizenden gebruikers of klanten, zonder dat elk gesprek opnieuw handmatig moet worden ingericht.
Op de achtergrond speelt ook een commercieel motief: automatisering van werk dat nu nog mensen doet, van klantenservice tot softwareontwikkeling. De belofte is minder menselijke bemoeienis en lagere kosten, al is die belofte, zoals verderop blijkt, nog niet overal ingelost.
Voorbeelden uit de praktijk
Een vroeg en invloedrijk onderzoeksvoorbeeld is "Generative Agents" van onderzoekers van Stanford University en Google, gepubliceerd in 2023. Zij bouwden een virtueel dorp, Smallville genaamd, met 25 AI-agents die elk een eigen profiel hadden: naam, herinneringen, persoonlijkheid en dagelijkse routines. De agents organiseerden zelfstandig een verjaardagsfeestje, zonder dat dit geprogrammeerd was, puur doordat hun individuele profielen op elkaar reageerden.
OpenAI introduceerde in november 2023 Custom GPTs, waarmee gewone gebruikers zelf een agentprofiel konden samenstellen: instructies, kennisbestanden en specifieke vaardigheden, gebundeld en gedeeld via de GPT Store die begin 2024 volgde.
Salesforce lanceerde in 2024 Agentforce, een platform waarmee bedrijven AI-agents configureren voor verkoop en klantenservice. Bedrijven stellen daarbij per agent vast welke "topics" en acties toegestaan zijn, in feite een bedrijfsmatig agentprofiel met ingebouwde vangrails.
Microsoft Research bracht AutoGen uit, een opensource-raamwerk waarin ontwikkelaars meerdere agents met verschillende rollen (zoals "planner" en "codecontroleur") laten samenwerken aan één taak.
Het opstartbedrijf Cognition Labs presenteerde in maart 2024 Devin, aangekondigd als "de eerste AI-softwareontwikkelaar". Devin kreeg veel media-aandacht, maar latere analyses van onafhankelijke ontwikkelaars wezen erop dat de gepresenteerde demo op punten misleidend was gemonteerd en dat de werkelijke prestaties minder indrukwekkend waren dan gesuggereerd. Een nuttige les: agentprofielen kunnen op papier veel beloven, maar de praktijk is weerbarstiger.
Hoe ver is de techniek?
Sinds de doorbraak van krachtige taalmodellen vanaf 2023 is het bouwen van agentprofielen in een paar jaar tijd van experimentele hobbyprojecten naar serieuze bedrijfstoepassingen gegaan. Raamwerken als LangChain, CrewAI en AutoGen zijn volwassener geworden, en grote spelers bieden nu eigen platforms aan, zoals OpenAI's Assistants- en Agents-API's en Anthropic's agentmogelijkheden binnen Claude.
Er wordt ook gewerkt aan standaardisatie: Anthropic introduceerde eind 2024 het Model Context Protocol (MCP), een open standaard die vastlegt hoe agentprofielen op een uniforme manier toegang krijgen tot externe tools en databronnen. Google kondigde in 2025 een vergelijkbaar protocol aan, Agent2Agent (A2A), gericht op communicatie tussen agents van verschillende leveranciers.
Toch zijn er stevige obstakels. Agents maken nog regelmatig fouten in taken met veel stappen, ook wel "drift" genoemd: kleine afwijkingen die zich opstapelen. Ook is er het risico van prompt injection, waarbij kwaadwillenden verborgen instructies in een webpagina of document verstoppen om het agentprofiel te kapen en de agent iets ongewensts te laten doen, een reëel beveiligingsrisico dat onderzoekers als serieus classificeren. Verder ontbreekt het nog aan gedeelde maatstaven om te meten hoe goed of veilig een agentprofiel eigenlijk functioneert, en blijft "mens erbij houden" (human in the loop) voor risicovolle taken vooralsnog de norm, niet de uitzondering.
Wie werken eraan?
De ontwikkeling wordt aangevoerd door een handvol Amerikaanse techbedrijven: OpenAI, Anthropic, Microsoft (met AutoGen en Copilot), Google DeepMind en Salesforce lopen voorop met zowel onderzoek als commerciële producten. Op onderzoeksgebied speelt Stanford University, met het Human-Centered AI Institute (Stanford HAI), een belangrijke rol, naast talloze andere universiteiten die publiceren op platforms als arXiv, een open archief voor wetenschappelijke voorpublicaties.
Daarnaast is er een levendige opensource-gemeenschap rond raamwerken als LangChain, CrewAI en de opvolgers van het eerdere AutoGPT-project, waar onafhankelijke ontwikkelaars wereldwijd aan bijdragen. Ook Chinese techbedrijven zoals Baidu en Alibaba investeren in agentplatforms, al is de openbare, Engelstalige documentatie daarover beperkter. In Europa ligt de nadruk vooral op regelgeving: de Europese AI-verordening (AI Act) bevat regels die relevant worden zodra autonome agents met een eigen "profiel" beslissingen nemen die gevolgen hebben voor mensen.