Agentwerkdag: hoelang kan een AI zelfstandig doorwerken?
Stel je voor dat je een nieuwe collega een taak geeft en pas aan het eind van de dag weer naar het resultaat kijkt. Geen tussentijdse check-ins, geen vragen tussendoor: de collega werkt acht uur zelfstandig door en levert dan iets bruikbaars op. Voor de meeste AI-programma's van vandaag is dat nog science fiction. Ze werken vaak maar een paar minuten aan een taak voordat ze vastlopen, de vraag verkeerd interpreteren of een fout maken die zich opstapelt. De "agentwerkdag" is de naam die onderzoekers en journalisten geven aan de mijlpaal waarop een AI-systeem dat wél voor elkaar krijgt: een volle werkdag aan taken afronden zonder dat een mens moet bijsturen.
Het gaat hier niet om chatbots die losse vragen beantwoorden, maar om zogeheten AI-agents: programma's die zelf stappen bedenken en uitvoeren om een doel te bereiken, bijvoorbeeld code schrijven, bestanden doorzoeken, een browser bedienen of e-mails versturen. Onderzoekers meten hoe lang zo'n agent kan doorwerken door te kijken naar hoeveel tijd een ervaren mens nodig zou hebben voor dezelfde taak. Een taak die een mens twee uur kost en die de AI zelfstandig, zonder hulp, tot een goed einde brengt, telt dan als een "twee-uurstaak" voor die AI. De agentwerkdag is bereikt zodra dat cijfer de acht uur van een normale werkdag nadert.
Wat is het precies?
Om te snappen wat een agentwerkdag inhoudt, moet je eerst weten wat een AI-agent onderscheidt van een gewoon taalmodel. Een taalmodel als de chatversie van ChatGPT beantwoordt één vraag en stopt dan. Een agent krijgt een opdracht ("bouw deze website" of "zoek uit waarom deze test faalt") en gaat vervolgens in een lus aan de slag: het bedenkt een eerste stap, voert die uit met een tool zoals een codeeromgeving of zoekmachine, bekijkt het resultaat, en beslist dan zelf wat de volgende stap is. Dat herhaalt zich net zo lang tot de taak is afgerond of de agent vastloopt.
Onderzoeksorganisatie METR (Model Evaluation and Threat Research, een Amerikaanse non-profit) heeft hiervoor een meetmethode ontwikkeld die inmiddels breed wordt overgenomen: de tijdshorizon (in het Engels time horizon). Ze stellen een verzameling taken samen van uiteenlopende lengte, van taken van enkele seconden tot taken die een deskundige mens dagen kosten. Vervolgens laten ze een AI-model al die taken proberen en kijken bij welke taaklengte het model nog maar in de helft van de gevallen slaagt. Die grens noemen ze de tijdshorizon van dat model.
De reden dat dit lastiger is dan het klinkt, is foutopstapeling. Bij een taak van vijf minuten kan een AI zich één keer vergissen en toch de goede kant op sturen. Bij een taak van acht uur, opgebouwd uit tientallen deelstappen, is de kans groot dat ergens een kleine fout sluipt die zich vermenigvuldigt: een verkeerd aangenomen bestandsnaam, een misgeïnterpreteerde eis, een testresultaat dat verkeerd wordt gelezen. Hoe langer de taak, hoe meer van zulke momenten er zijn waarop het mis kan gaan, en hoe moeilijker het wordt om die fout weer recht te trekken zonder dat een mens ingrijpt.
Wat wil men ermee bereiken?
Het directe doel van dit soort metingen is voorspellen: als de tijdshorizon van AI-modellen op een voorspelbare manier groeit, kunnen onderzoekers en bedrijven inschatten wanneer AI-systemen economisch waardevol werk kunnen overnemen dat nu nog volledige werkdagen van mensen kost. Denk aan een junior softwareontwikkelaar die een dag bezig is met het oplossen van een bug, of een analist die een dag besteedt aan het uitpluizen van een dataset.
Voor bedrijven die AI-agents bouwen, zoals OpenAI en Anthropic, is de agentwerkdag ook een marketingmijlpaal: het is een concreet, invoelbaar getal ("onze AI kan nu een hele werkdag zelfstandig doorwerken") dat makkelijker uit te leggen is dan abstracte benchmarkscores. Tegelijk is er een minder zichtbare, serieuzere reden om dit bij te houden: AI-veiligheid. Een model dat urenlang zelfstandig kan handelen zonder toezicht, is ook een model dat urenlang zelfstandig fouten kan maken of, in het slechtste geval, ongewenste acties kan ondernemen voordat iemand het doorheeft. Organisaties als METR meten de tijdshorizon daarom mede om vooraf te kunnen inschatten hoeveel toezicht een nieuw model nodig heeft voordat het wordt vrijgegeven.
Voorbeelden uit de praktijk
Het duidelijkste voorbeeld is het METR-rapport "Measuring AI Ability to Complete Long Tasks" uit maart 2025. Daarin testten de onderzoekers een reeks AI-modellen, van GPT-2 uit 2019 tot de nieuwste modellen van dat moment, op honderden realistische taken, waaronder programmeeropdrachten en onderzoekstaken. De belangrijkste conclusie: de tijdshorizon van de beste beschikbare AI-modellen verdubbelde ongeveer elke zeven maanden. Modellen uit 2019 haalden een tijdshorizon van enkele seconden, GPT-4 uit 2023 kwam uit op ongeveer een kwartier tot twintig minuten, en de meest geavanceerde modellen begin 2025 (waaronder redeneermodellen als o1 van OpenAI en Claude 3.7 Sonnet van Anthropic) naderden ongeveer een uur.
Een ander veelgenoemd voorbeeld is Devin, gepresenteerd door het Amerikaanse bedrijf Cognition Labs in maart 2024 als "de eerste AI-softwareontwikkelaar". Devin werd getest op de benchmark SWE-bench, een verzameling echte, onopgeloste bugs uit populaire opensourceprojecten op GitHub. Devin loste een deel van die bugs zelfstandig op door meerdere uren achter elkaar te programmeren, testen en te corrigeren, iets wat destijds als doorbraak werd gezien, al bleek de praktijkprestatie in onafhankelijke tests later bescheidener dan de eerste demo's suggereerden.
Ook de grote AI-labs gebruiken interne of externe langetermijntests voordat ze een nieuw model uitbrengen. Zowel OpenAI als Anthropic laat externe partijen, waaronder METR, agent-modellen vooraf testen op taken die uren kunnen duren, mede om te bepalen hoeveel menselijk toezicht nodig is. Dit soort pre-deployment testing (testen voorafgaand aan release) is inmiddels vast onderdeel van hun veiligheidsbeleid.
Hoe ver is de techniek?
De trend die METR beschrijft, is duidelijk en goed gedocumenteerd tot begin 2025: de tijdshorizon van AI-agents verdubbelt ruwweg elke zeven maanden, vergelijkbaar met hoe computerchips ooit steeds sneller werden volgens de wet van Moore. Als die trend zich onveranderd voortzet, zou een tijdshorizon van acht uur, uitgaand van ongeveer een uur begin 2025, ergens in de periode 2026-2027 binnen bereik komen. Dat is een extrapolatie, geen vaststaand feit: dit soort trends kan versnellen (bijvoorbeeld door doorbraken in hoe modellen zichzelf corrigeren) of vertragen (bijvoorbeeld doordat de makkelijk te automatiseren taken al zijn opgelost en wat overblijft fundamenteel moeilijker is).
Belangrijk is ook dat één getal, de tijdshorizon, niet de hele werkelijkheid vangt. Een AI kan bij het ene type taak (bijvoorbeeld routinematig programmeren) een veel langere horizon hebben dan bij een ander type taak (bijvoorbeeld een onduidelijk, mensgevoelig probleem met tegenstrijdige eisen). Bovendien meet de "50% succeskans"-definitie die METR gebruikt precies dát: bij de gerapporteerde tijdshorizon slaagt een model in de helft van de gevallen. Voor werk dat je aan een AI wilt toevertrouwen zonder toezicht, wil je doorgaans een veel hogere betrouwbaarheid, wat betekent dat de bruikbare, praktische horizon vaak korter is dan het gerapporteerde getal.
Concreet, actueel cijfermateriaal over 2026 ontbreekt op het moment van schrijven van dit artikel in de direct geraadpleegde bronnen; wie de nieuwste stand wil weten, doet er goed aan de recentste publicaties van METR en Epoch AI te raadplegen, aangezien dit vakgebied maandelijks verandert.
Wie werken eraan?
Het meten van agenttijdshorizons wordt vooral getrokken door METR, een Amerikaanse non-profitorganisatie (voorheen bekend als ARC Evals) die gespecialiseerd is in het onafhankelijk evalueren van de mogelijkheden en risico's van geavanceerde AI-modellen. Zij werken geregeld samen met de grote AI-ontwikkelaars om nieuwe modellen te testen voordat die worden vrijgegeven.
Aan de bouwkant van de agents zelf staan de bekende Amerikaanse AI-labs voorop: OpenAI (met redeneermodellen als de o-serie), Anthropic (met de Claude-modellen, die veel gebruikt worden in coderende agents) en Google DeepMind (met de Gemini-modellen). Daarnaast zijn er gespecialiseerde bedrijven die specifiek agentproducten bouwen, zoals het eerdergenoemde Cognition Labs met Devin. Onderzoeksgroep Epoch AI houdt, los van METR, cijfers en trends over AI-vooruitgang bij en publiceert daar analyses over. Ook overheidsinstanties zoals de Amerikaanse en Britse AI Safety Institutes zijn betrokken bij het beoordelen van hoelang AI-modellen autonoom kunnen handelen, vooral vanuit veiligheidsoogpunt.