Lange-horizontaak: hoe ver kan een AI vooruitplannen?
Stel je een stagiair voor die je twee soorten opdrachten kunt geven. De eerste: "beantwoord deze ene e-mail." Dat lukt de meeste mensen in een paar minuten, zonder veel nadenken over wat er daarna moet gebeuren. De tweede: "organiseer volgende maand ons hele bedrijfsevenement, van locatie tot catering tot uitnodigingen." Dat is een heel ander soort taak: er zijn tientallen deelstappen, beslissingen hangen van elkaar af, en een fout in stap drie kan pas in stap twintig zichtbaar worden. Dat tweede type opdracht noemen onderzoekers een lange-horizontaak (in het Engels: long-horizon task).
In de wereld van kunstmatige intelligentie (AI) is dit begrip de laatste jaren belangrijk geworden omdat AI-systemen steeds vaker niet één vraag beantwoorden, maar zelfstandig een reeks handelingen na elkaar uitvoeren: een AI-agent genoemd. Een taalmodel dat één gedicht schrijft, is geen lange-horizontaak. Een AI die dagenlang zelfstandig code schrijft, test, bugs opspoort en weer aanpast om een compleet softwareproject af te maken, wél. De vraag hoe lang zo'n keten van stappen kan zijn voordat een AI de weg kwijtraakt, is een van de belangrijkste graadmeters geworden om te bepalen hoe krachtig AI-systemen werkelijk zijn.
Wat is het precies?
Een lange-horizontaak is een opdracht die niet in één enkele stap kan worden opgelost, maar die bestaat uit een reeks tussenstappen die over een langere periode moeten worden volgehouden, gepland en bijgestuurd. "Lang" wordt hier meestal niet gemeten in kloktijd voor de computer zelf (die kan razendsnel rekenen), maar in de tijd die een mens nodig zou hebben om dezelfde taak te voltooien. Een taak die een ervaren professional een paar minuten kost, heet kort. Een taak die een team dagen of weken kost, heet lang.
Om dit meetbaar te maken, gebruiken onderzoekers een aantal bouwstenen. Ten eerste moet een AI-agent een doel kunnen vasthouden zonder dat een mens na elke stap opnieuw instructies geeft. Ten tweede moet het systeem een vorm van geheugen of context hebben: het moet onthouden wat het al geprobeerd heeft, welke bestanden het heeft aangemaakt, welke fouten het tegenkwam. Ten derde moet het tussentijds kunnen controleren of het nog op de goede weg zit, en zo nodig een andere aanpak kiezen als iets niet werkt.
Dat laatste is precies waar het meestal misgaat. Bij een taak van tien stappen kan een klein foutpercentage per stap nog goed uitpakken, maar bij honderd stappen stapelen kleine fouten zich op. Onderzoekers spreken van foutstapeling: als een AI-model bijvoorbeeld 95 procent kans heeft om één stap correct uit te voeren, is de kans dat het honderd stappen achter elkaar allemaal goed doet nog geen 1 procent. Lange-horizontaken zijn daarom vooral een test van volhoudingsvermogen en foutherstel, niet alleen van "intelligentie" in de klassieke zin.
Wat wil men ermee bereiken?
Onderzoekers en bedrijven zijn om verschillende redenen geïnteresseerd in dit onderwerp. De belangrijkste reden is praktisch: veel economisch waardevol werk bestaat niet uit losse vraag-antwoordmomenten, maar uit langlopende projecten. Een boekhoudkundige controle, een softwareproject, een wetenschappelijk experiment of een marketingcampagne opzetten, het zijn allemaal ketens van samenhangende stappen. Een AI die alleen korte, geïsoleerde vragen kan beantwoorden, kan dat werk niet overnemen. Een AI die dagenlange projecten zelfstandig kan trekken, potentieel wel.
Een tweede reden is dat de lengte van taken die een AI aankan, is gaan gelden als een van de weinige objectieve, meetbare graadmeters voor voortgang in het veld. In plaats van vage uitspraken als "dit model is slimmer", kun je zeggen: "dit model kan taken van gemiddeld een uur voltooien, het vorige kon dat maar voor tien minuten." Dat maakt vergelijkingen tussen modellen en tussen jaren concreter.
Een derde, voorzichtiger reden heeft te maken met veiligheid en toezicht. Onderzoeksorganisaties die risico's van AI in kaart brengen, gebruiken de tijdshorizon van taken ook als signaal voor hoeveel autonomie een systeem aankan voordat er zorgen ontstaan over controle en toezicht: hoe langer een AI zelfstandig kan opereren zonder menselijke tussenkomst, hoe belangrijker het wordt om te weten wanneer het misgaat en hoe je dat op tijd merkt.
Voorbeelden uit de praktijk
Het onderzoeksinstituut METR (Model Evaluation and Threat Research), een non-profitorganisatie die AI-modellen onafhankelijk test, publiceerde begin 2025 onderzoek waarin ze de "tijdshorizon" van AI-modellen probeerden te meten: de duur van taken (uitgedrukt in benodigde mensuren) die een model met ongeveer vijftig procent slaagkans kan afronden. Volgens hun metingen ging dat van luttele minuten bij modellen uit 2023 naar orde van grootte een uur bij de meest geavanceerde modellen begin 2025, met een groei die de afgelopen jaren ruwweg om de zes tot acht maanden leek te verdubbelen. METR benadrukt zelf dat dit een grove, onzekere maatstaf is die sterk afhangt van het soort taken in de test.
In de softwarewereld gold Devin, gepresenteerd door het start-up Cognition AI in 2024, als een van de eerste veelbesproken voorbeelden van een agent die zich richtte op langere, zelfstandige programmeeropdrachten: het opzetten van een project, fouten opsporen, tests draaien en de code stap voor stap verbeteren, in plaats van alleen losse codefragmenten te suggereren.
Ook grotere AI-bedrijven experimenteren met langer-lopende agents. OpenAI en Google DeepMind hebben beide prototypes en producten getoond die zelfstandig meerdere stappen in een webbrowser uitvoeren, zoals formulieren invullen, zoeken en boekingen doen, in plaats van alleen op één vraag te antwoorden. Anthropic breidde zijn Claude-modellen uit met de mogelijkheid om een computerscherm te bedienen en langere, agentachtige codeersessies te ondersteunen via tools als Claude Code.
In de academische wereld worden lange-horizontaken getest met benchmarks: gestandaardiseerde testsets waarmee verschillende AI-modellen eerlijk vergeleken kunnen worden. Voorbeelden zijn SWE-bench, waarin een AI-model echte, openbare software-bugs uit bestaande projecten moet oplossen, en bredere agent-benchmarks die vragen combineren met bestandsbeheer, zoeken op internet en rekenwerk over meerdere stappen.
Hoe ver is de techniek?
De vooruitgang is de afgelopen paar jaar duidelijk zichtbaar, maar de absolute niveaus blijven bescheiden. Volgens de metingen die hierboven zijn genoemd, konden de beste modellen medio 2025 betrouwbaar taken van ongeveer een uur menselijk werk aan; taken van een dag of langer bleven een grote uitdaging. Als de waargenomen groeitrend zich onveranderd zou voortzetten, zouden AI-systemen tegen het einde van dit decennium taken van weken tot maanden kunnen aanpakken. Dat is echter een extrapolatie met veel onzekerheid: trends uit twee, drie jaar data zeggen niet automatisch iets over de komende tien jaar, en de onderzoekers die deze cijfers publiceren, waarschuwen daar zelf ook voor.
De belangrijkste obstakels zijn niet alleen "meer rekenkracht" of "grotere modellen". Een centraal probleem is het beperkte werkgeheugen (de zogeheten contextvenster) van taalmodellen: hoe langer een taak duurt, hoe meer informatie een model moet vasthouden over wat het al heeft gedaan, en dat raakt op een gegeven moment vol of wordt onbetrouwbaar. Een ander probleem is dat fouten zich opstapelen zonder dat het model dat zelf altijd goed merkt: het systeem "denkt" soms dat het op de goede weg is, terwijl het al stappen geleden is afgedwaald. Ten slotte is het lastig om lange taken goed te beoordelen: bij een taak van twee minuten kan een mens snel controleren of het antwoord klopt, bij een project van drie dagen is dat zelf ook een tijdrovende klus, wat het testen en verbeteren van deze systemen vertraagt.
Wie werken eraan?
Onderzoek naar lange-horizontaken wordt gedreven door een combinatie van commerciële AI-bedrijven en onafhankelijke onderzoeksorganisaties. Grote taalmodelontwikkelaars als OpenAI, Google DeepMind en Anthropic bouwen actief aan agentproducten die langere, meerstaps taken moeten kunnen uitvoeren, van browserassistenten tot programmeeragents. Start-ups die zich specifiek op autonome software-agents richten, zoals Cognition AI, spelen een zichtbare rol in het testen van de grenzen van wat mogelijk is in de praktijk.
Daarnaast is er een laag van onafhankelijke evaluatie-instituten, met METR als bekendste voorbeeld, die als taak hebben om de capaciteiten (en risico's) van AI-modellen objectief te meten, los van de bedrijven die deze modellen bouwen. Universiteiten en academische onderzoeksgroepen, onder meer in de Verenigde Staten (zoals Stanford en Princeton, betrokken bij benchmarks als SWE-bench) en bij grotere techbedrijven zoals Meta, dragen bij aan de gestandaardiseerde testen waarmee vooruitgang wordt gemeten. Overheden en toezichthouders, onder meer in de Verenigde Staten, het Verenigd Koninkrijk en de Europese Unie, volgen dit onderzoek met interesse omdat de autonomie-duur van AI-systemen wordt gezien als een praktische indicator voor wanneer extra vormen van toezicht nodig zijn.