No-questions-brief: een opdracht die een AI-agent zelfstandig kan uitvoeren
Stel je huurt een aannemer in om een schuur te bouwen. Je kunt zeggen: "bouw iets moois in de tuin" en dan de rest van de week telefoontjes krijgen over de afmetingen, het materiaal en de kleur van de deur. Of je geeft meteen een volledig bouwtekening mee: exacte maten, materiaallijst, vergunningen, deadline en wat er moet gebeuren als het regent. In het tweede geval hoeft de aannemer niets meer te vragen; hij kan gewoon beginnen. Zo'n complete, zelfvoorzienende opdracht noemen mensen in de wereld van kunstmatige intelligentie (AI) een no-questions-brief: een instructie aan een AI-systeem die zo volledig is dat het systeem geen verduidelijkende vragen hoeft te stellen om aan de slag te gaan.
De term is geen officieel, in een woordenboek vastgelegd begrip, maar een praktijkterm die is opgekomen rond zogeheten AI-agents: AI-programma's die niet alleen een vraag beantwoorden, maar zelfstandig een reeks stappen uitvoeren om een taak af te ronden, zoals code schrijven, een tekst produceren of een klantvraag afhandelen. Omdat zulke agents steeds vaker zonder mens in de buurt werken, wordt het belangrijk dat de opdracht die ze krijgen in één keer goed is. Dit artikel legt uit wat een no-questions-brief inhoudt, waarom bedrijven ernaar streven en hoever de techniek staat.
Wat is het precies?
Een no-questions-brief is in de kern een tekstuele instructie, een zogeheten prompt, die aan een AI-taalmodel wordt gegeven. Een taalmodel (zoals de systemen achter ChatGPT of Claude) genereert tekst of acties op basis van de instructies die het krijgt. Normaal gesproken kan een AI-systeem, als iets onduidelijk is, om verduidelijking vragen — net zoals een mens dat zou doen. Bij een no-questions-brief is dat expliciet niet de bedoeling: het systeem moet de taak in één keer, autonoom (zelfstandig, zonder tussenkomst) afronden.
Om dat mogelijk te maken, bevat zo'n brief doorgaans een aantal vaste onderdelen. Ten eerste een duidelijke doelbeschrijving: wat moet er precies opgeleverd worden. Ten tweede context: achtergrondinformatie die het systeem nodig heeft, bijvoorbeeld voor wie de tekst is of welke regels gelden. Ten derde randvoorwaarden: een vaste opmaak, een woordenaantal, verboden woorden of een verplichte structuur. En ten vierde, vaak het lastigste onderdeel, beslisregels voor onzekerheid: instructies over wat het systeem moet doen als het iets niet zeker weet, bijvoorbeeld "benoem twijfel expliciet" in plaats van "vraag het na".
Technisch gezien wordt dit vaak ondersteund door wat een system prompt heet: een set achtergrondinstructies die los staat van de eigenlijke gebruikersvraag en die het gedrag van het AI-systeem stuurt, bijvoorbeeld "beantwoord altijd in JSON-formaat" of "stel nooit tussentijdse vragen". In combinatie met een gedetailleerde taakbrief ontstaat zo een opdracht die, in het jargon van AI-onderzoekers, zero-shot uitvoerbaar is: het systeem hoeft geen voorbeelden te zien of extra rondes met de gebruiker te doorlopen, één set instructies is genoeg.
Wat wil men ermee bereiken?
De belangrijkste reden om met no-questions-briefs te werken is schaalbaarheid: als een AI-systeem duizenden taken per dag moet uitvoeren, is het onwerkbaar als er voor elke taak een mens beschikbaar moet zijn om vragen te beantwoorden. Door de opdracht vooraf zo compleet te maken, kan een systeem volledig automatisch en op grote schaal werken.
Daarnaast speelt snelheid en consistentie een rol. Een brief die niets aan het toeval overlaat, levert voorspelbaardere resultaten op: dezelfde soort opdracht leidt telkens tot een vergelijkbaar soort antwoord, wat belangrijk is voor bedrijven die AI inzetten voor bijvoorbeeld klantcommunicatie of contentproductie. Ook kostenbesparing speelt mee: elke keer dat een AI-agent moet "terugvragen", kost dat extra rekentijd en vertraagt het proces, en bij geautomatiseerde pijplijnen is er vaak sowieso niemand die de vraag direct kan beantwoorden.
Tegelijk is er een spanningsveld. Een brief die geen ruimte laat voor vragen, dwingt het AI-systeem om bij onduidelijkheden zelf aannames te doen. Dat kan goed uitpakken als de brief werkelijk compleet is, maar risicovol zijn als er toch een blinde vlek in zit — het systeem gokt dan liever dan dat het stilvalt, wat tot fouten kan leiden. Het schrijven van een goede no-questions-brief is dus evenzeer een vaardigheid voor de mens die de opdracht opstelt als voor het AI-systeem dat hem uitvoert.
Voorbeelden uit de praktijk
Het concept is vooral zichtbaar geworden bij zogeheten coding agents: AI-systemen die zelfstandig software schrijven. Een bekend voorbeeld is Devin, gepresenteerd door het Amerikaanse bedrijf Cognition Labs in maart 2024 en aangeprezen als een van de eerste "AI software engineers" die een programmeertaak in zijn geheel kan oppakken op basis van een enkele, uitgebreide opdrachtomschrijving.
Ook GitHub, onderdeel van Microsoft, introduceerde in 2024 GitHub Copilot Workspace, waarbij een ontwikkelaar een taakbeschrijving (bijvoorbeeld een bugmelding) invoert en de AI zelfstandig een plan en bijbehorende code genereert, met als uitgangspunt dat de opdracht zo compleet mogelijk is voordat het systeem aan de slag gaat.
Anthropic, het bedrijf achter het AI-model Claude, publiceerde vanaf 2024 tools als Claude Code, een opdrachtregel-hulpmiddel waarbij een ontwikkelaar een gedetailleerde taak meegeeft waarna het systeem zelfstandig bestanden doorzoekt, code aanpast en taken afrondt zonder voortdurend terug te vragen.
Een vroeg en invloedrijk, maar ook berucht experiment was AutoGPT, dat in 2023 veel aandacht kreeg: gebruikers gaven het systeem één doel mee waarna het zelfstandig subtaken bedacht en uitvoerde. Het liet destijds zowel de belofte als de beperkingen van volledig autonome uitvoering zien, omdat het systeem regelmatig vastliep of afdwaalde zonder menselijke bijsturing.
Een minder zichtbaar maar inmiddels wijdverspreid voorbeeld is geautomatiseerde contentproductie: nieuws- en informatiesites laten AI-taalmodellen op basis van een vaste, gestructureerde opdracht (met exacte eisen aan lengte, opbouw en toegestane opmaak) achtergrondartikelen genereren, zonder dat er tijdens het schrijfproces contact is tussen redacteur en AI-systeem. Dit artikel zelf is daar in feite een voorbeeld van: het is geschreven op basis van een vooraf vastgelegde, gedetailleerde instructie zonder tussentijdse terugkoppeling.
Hoe ver is de techniek?
Het onderliggende vermogen van AI-taalmodellen om lange, gedetailleerde instructies te volgen is de afgelopen jaren snel verbeterd, mede dankzij grotere "contextvensters" (de hoeveelheid tekst die een model tegelijk kan "lezen" en meewegen) en betere training op het volgen van complexe, meerstaps-opdrachten. Voor relatief afgebakende taken, zoals het schrijven van een tekst volgens een vast stramien of het uitvoeren van een specifieke programmeeraanpassing, werkt de aanpak inmiddels behoorlijk betrouwbaar.
Het grootste obstakel blijft de onvolledigheid van de brief zelf: als een instructie een situatie niet voorziet, moet het model gokken, en dat gokken kan leiden tot wat in de sector hallucinatie wordt genoemd — het overtuigd overbrengen van iets dat feitelijk niet klopt. Hoe autonomer en onvoorspelbaarder de taak, hoe groter dat risico. Bij open-einde-taken zoals AutoGPT bleek dit destijds een reëel probleem; bij strak afgebakende taken, zoals dit type artikel met een vaste structuur, is het risico kleiner maar niet nul.
Er is ook een blijvend spanningsveld tussen volledige autonomie enerzijds en controleerbaarheid en veiligheid anderzijds. Bedrijven als Anthropic en OpenAI bouwen daarom vaak controlemechanismen in, zoals beperkingen op wat een agent zelfstandig mag doen of verplichte tussenstappen bij risicovolle acties, ook al gaat dat ten koste van de "pure" no-questions-aanpak. Kortom: de techniek is in snel tempo praktijkrijp geworden voor afgebakende taken, maar volledig betrouwbare autonomie bij complexe, open opdrachten is nog geen uitgemaakte zaak.
Wie werken eraan?
De ontwikkeling van agentic AI — AI-systemen die zelfstandig taken uitvoeren — wordt aangevoerd door een klein aantal grote Amerikaanse AI-bedrijven: Anthropic, OpenAI, Google DeepMind en Microsoft (onder meer via GitHub) investeren fors in modellen en tools die lange, complexe instructies kunnen opvolgen zonder tussentijdse hulp. Cognition Labs, de maker van Devin, is een voorbeeld van een kleiner, gespecialiseerd bedrijf dat zich volledig op autonome coding agents richt.
Daarnaast doen academische instituten onderzoek naar de betrouwbaarheid en veiligheid van dit soort autonome systemen, waaronder onderzoeksgroepen verbonden aan Stanford University (onder meer via het Stanford Institute for Human-Centered AI) en andere universitaire AI-labs die kijken naar hoe je taakinstructies zo ontwerpt dat AI-systemen minder snel fouten maken. Veel van dit werk wordt gepubliceerd op open platforms zoals arXiv, waar onderzoekers voorpublicaties delen nog voordat ze in een tijdschrift verschijnen. Verreweg de meeste toonaangevende ontwikkelingen komen vooralsnog uit de Verenigde Staten, al werken ook Europese en Aziatische onderzoeksgroepen aan aanpalende thema's zoals AI-veiligheid en regelgeving.