Agentscaffold: het bouwsteiger-systeem achter zelfstandig handelende AI
Een taalmodel als GPT-4 of Claude kan schitterend tekst genereren, maar op zichzelf kan het niets doen. Het typt een antwoord en stopt. Een agentscaffold (letterlijk: bouwsteiger voor een agent) is de software die daaromheen wordt gebouwd zodat het model niet alleen praat, maar ook waarneemt, plant, tools gebruikt en stap voor stap een taak afmaakt. Het woord "scaffold" komt uit de bouwwereld: een steiger staat niet in het uiteindelijke gebouw, maar zonder steiger kun je het gebouw niet neerzetten. Zo is het ook met een agentscaffold: het taalmodel is het "gebouw" (de intelligentie), de scaffold is de constructie eromheen die het mogelijk maakt om echt iets te bouwen.
Stel je een reisagent voor die een taalmodel is: als je hem vraagt "boek een vlucht naar Lissabon onder 300 euro", kan hij prima uitleggen hoe je dat zou aanpakken. Maar hij kan zelf geen browser openen, geen zoekresultaten lezen en geen betaling bevestigen. Een agentscaffold geeft dat taalmodel toegang tot een browser, een geheugen om tussenresultaten te onthouden, en een lus die zegt: "kijk naar het scherm, bedenk de volgende stap, voer die uit, kijk opnieuw" - net zolang tot de taak klaar is of vastloopt. De scaffold is dus niet het brein, maar het lichaam, het geheugen en de spelregels eromheen.
Wat is het precies?
Een agentscaffold bestaat meestal uit een paar vaste onderdelen. Ten eerste is er het taalmodel zelf, dat fungeert als "redeneermotor": het krijgt een opdracht en een overzicht van wat er tot nu toe gebeurd is, en het bedenkt de volgende stap.
Ten tweede zijn er tools: functies die het model kan aanroepen, zoals "zoek op internet", "voer deze Python-code uit", "open dit bestand" of "klik op deze knop". Dit heet ook wel tool use of function calling. Het model schrijft in feite een soort commando ("gebruik tool X met deze invoer"), de scaffold voert dat commando echt uit buiten het model om, en geeft het resultaat terug aan het model.
Ten derde is er een lus (loop) die dit proces herhaalt: waarnemen, redeneren, handelen, opnieuw waarnemen. Een invloedrijk patroon hiervoor heet ReAct (Reasoning + Acting), beschreven in een onderzoekspaper van Princeton en Google uit 2022. Het idee is simpel maar krachtig: laat het model hardop "nadenken" in tekst voordat het een actie kiest, zodat fouten sneller opvallen en het model zichzelf kan bijsturen.
Ten vierde is er geheugen: omdat een taalmodel maar een beperkte hoeveelheid tekst tegelijk kan "zien" (het zogeheten contextvenster), moet de scaffold bijhouden wat belangrijk is uit eerdere stappen en dat samenvatten of opslaan, zodat het model niet halverwege de taak vergeet waar het mee bezig was.
Tot slot bevat een scaffold vaak veiligheidsmaatregelen: een afgeschermde testomgeving (sandbox) waarin code veilig kan draaien zonder het echte systeem te beschadigen, limieten op het aantal stappen, en soms een mens die tussentijds moet goedkeuren voordat een onomkeerbare actie (zoals een betaling of een e-mail versturen) echt wordt uitgevoerd.
Wat wil men ermee bereiken?
De belofte van agentscaffolds is dat AI niet langer alleen een "antwoordmachine" is, maar een systeem dat complexe, meerstaps taken zelfstandig afrondt: een softwarebug opsporen en repareren, een spreadsheet met data doorzoeken en een rapport schrijven, of een reeks boodschappen online bestellen. Voor bedrijven is het aantrekkelijk omdat het routinematig kantoorwerk kan overnemen zonder dat iemand elke tussenstap hoeft te controleren.
Er is ook een onderzoeksmatig doel: door agents gestandaardiseerd te testen, kunnen wetenschappers meten hoe goed AI-systemen worden in het zelfstandig plannen en uitvoeren van taken - een vaardigheid die losstaat van hoe goed een model alleen maar tekst kan genereren. Organisaties als METR gebruiken scaffolds juist om de \"gevaarlijke\" of \"autonome\" vaardigheden van modellen in kaart te brengen, bijvoorbeeld: hoe lang een taak mag duren voordat het model de controle verliest, of het model zichzelf kan repliceren of geld kan verdienen zonder toezicht. Dat is relevant voor AI-veiligheidsbeleid: een taalmodel dat alleen tekst produceert is minder risicovol dan hetzelfde model met een scaffold die het toegang geeft tot een creditcard of een terminal.
Tegelijk speelt er een nuchtere, technische reden: een scaffold compenseert de zwaktes van het onderliggende model. Taalmodellen "hallucineren" weleens - ze verzinnen feiten die er overtuigend uitzien maar niet kloppen. Door het model tools te geven om dingen daadwerkelijk op te zoeken of uit te voeren in plaats van te gokken, en door tussentijds te controleren of een stap wel klopte, probeert een scaffold die fouten te beperken.
Voorbeelden uit de praktijk
AutoGPT (maart 2023, gemaakt door ontwikkelaar Toran Bruce Richards) was een van de eerste breed bekende experimenten: een open-source scaffold rond GPT-4 die zichzelf doelen kon stellen en tussenstappen kon bedenken. Het trok enorme aandacht op GitHub, maar in de praktijk liep het geregeld vast in herhalende lussen of maakte het dure, zinloze stappen - een vroeg en leerzaam voorbeeld van hoe lastig betrouwbare autonomie is.
LangChain (sinds 2022) is een populair open-source framework waarmee ontwikkelaars zelf scaffolds kunnen bouwen: kant-en-klare bouwstenen voor tools, geheugen en beslislussen, met een uitbreiding genaamd LangGraph specifiek voor complexere agent-workflows.
Devin, gepresenteerd door het bedrijf Cognition AI in maart 2024, werd aangekondigd als \"de eerste AI-softwareontwikkelaar\" die zelfstandig complete programmeeropdrachten kon uitvoeren, inclusief het opzetten van een ontwikkelomgeving en het testen van code. De aankondiging kreeg veel media-aandacht, maar onafhankelijke ontwikkelaars die de gedemonstreerde taken naderhand naspeurden, plaatsten kanttekeningen bij hoe representatief de gepresenteerde resultaten waren voor dagelijks gebruik - een goed voorbeeld van hoe demo's van agentscaffolds makkelijk indrukwekkender ogen dan de praktijk.
Claude Code, het opdrachtregelgereedschap van Anthropic (uitgebracht als onderzoeksversie begin 2025), is een scaffold specifiek gericht op programmeren: het model krijgt toegang tot bestanden, een terminal en versiebeheer, en werkt stapsgewijs aan codewijzigingen terwijl het zijn eigen voortgang bijhoudt.
Ook SWE-bench, ontwikkeld door onderzoekers van Princeton, is illustratief: dit is geen scaffold zelf, maar een testset van echte, onopgeloste GitHub-issues waarop scaffolds met verschillende taalmodellen tegen elkaar worden afgezet, om objectief te meten wie een echte softwarebug het best kan oplossen.
Hoe ver is de techniek?
De vooruitgang gaat snel, maar is ongelijkmatig. Op goed afgebakende taken met duidelijke tools - een stukje code repareren, een webpagina doorzoeken, een tabel samenvatten - presteren moderne scaffolds inmiddels behoorlijk betrouwbaar. Op langere, vagere taken met veel tussenstappen neemt de betrouwbaarheid echter snel af: elke stap heeft een kans op een foutje, en die foutjes stapelen zich op naarmate een taak langer duurt.
Onderzoek van METR uit 2025 probeerde dit te kwantificeren door te meten hoe lang (in geschatte mensenwerktijd) een taak mag duren voordat een AI-agent hem nog met een redelijke betrouwbaarheid afmaakt. De uitkomst: die \"tijdshorizon\" is de afgelopen jaren gestaag gegroeid, en verdubbelt ruwweg elke half jaar tot jaar - een trend die, als hij aanhoudt, wijst op agents die steeds langere, zelfstandigere taken aankunnen. Belangrijke kanttekening: dit is een extrapolatie op basis van een beperkt aantal metingen, en de onderzoekers zelf benadrukken dat de werkelijke ontwikkeling grillig kan verlopen en van taaktype tot taaktype sterk verschilt.
De belangrijkste knelpunten blijven: modellen die vastlopen in herhaling, moeite met het herkennen van hun eigen fouten, kwetsbaarheid voor misleidende of onverwachte inhoud tijdens het uitvoeren van een taak (soms \"prompt injection\" genoemd, waarbij kwaadwillige tekst het model probeert te misleiden), en de kosten: elke extra stap kost rekentijd en geld, wat lange, zelfstandige taken duur maakt. Er is nog geen scaffold die betrouwbaar een complex, open project van begin tot eind zonder menselijke controle afrondt.
Wie werken eraan?
Het veld wordt op dit moment vooral aangevoerd door Amerikaanse AI-laboratoria. Anthropic bouwt niet alleen het Claude-model maar ook eigen scaffolds zoals Claude Code, en publiceerde eind 2024 het Model Context Protocol (MCP), een open standaard om modellen op een uniforme manier met externe tools en databronnen te verbinden. OpenAI ontwikkelt vergelijkbare bouwstenen rond zijn GPT-modellen, waaronder function calling en browsergerichte agents. Google DeepMind werkt aan agents die met de Gemini-modellen webbrowsers en apps kunnen bedienen.
Daarnaast is er een levendig veld van gespecialiseerde bedrijven en open-source projecten: Cognition AI (Devin), LangChain (het gelijknamige open framework) en talloze kleinere startups die scaffolds bouwen voor specifieke taken zoals klantenservice of dataverwerking. Op het gebied van onderzoek en veiligheid speelt de non-profitorganisatie METR een belangrijke rol door onafhankelijk te meten hoe capabel en risicovol agentscaffolds daadwerkelijk zijn, vaak in samenwerking met de AI-laboratoria zelf. Academische groepen, zoals die van Princeton (ReAct, SWE-bench), leveren de wetenschappelijke basis en de testmethoden waarop de hele sector leunt.