Agentinfrastructuur: de bouwstenen achter zelfstandig werkende AI
Stel je een callcenter voor waar een medewerker niet alleen kan praten, maar ook zelfstandig een creditcard kan terugbetalen, een agenda-afspraak kan verzetten en een collega kan bellen als iets buiten haar bevoegdheid valt. Om dat mogelijk te maken heb je meer nodig dan een pratend persoon: je hebt systemen nodig die toegang geven tot de juiste databases, regels die bepalen wat wel en niet mag, en een manier om acties te loggen en terug te draaien als het misgaat. Agentinfrastructuur is precies dat, maar dan voor kunstmatige intelligentie: het geheel van software, protocollen en diensten waarmee een AI-agent (een AI-systeem dat zelfstandig stappen zet om een taak te volbrengen) daadwerkelijk met de buitenwereld kan werken.
Een taalmodel zoals ChatGPT of Claude kan op zichzelf alleen tekst genereren. Zodra zo'n model e-mails moet versturen, in een spreadsheet moet rekenen, op internet moet zoeken of moet samenwerken met andere AI-systemen, is er extra 'bedrading' nodig: verbindingen naar tools, een vorm van geheugen, regels voor beveiliging en een mechanisme dat bepaalt welke stap er na de vorige komt. Die verzameling bedrading noemen ontwikkelaars agentinfrastructuur. Het is dus geen los product dat je koopt, maar een laag technologie die onder en tussen AI-agenten zit, vergelijkbaar met hoe het internet een laag infrastructuur is onder websites.
Wat is het precies?
Agentinfrastructuur bestaat uit een aantal onderdelen die meestal samen worden gebruikt.
Allereerst is er het basismodel: het taalmodel dat beslissingen neemt en tekst genereert, zoals GPT-4 of Claude. Dit model vormt het 'brein', maar heeft op zichzelf geen handen om iets te doen.
Daarna komt tool use of function calling: de mogelijkheid voor het model om een extern programma aan te roepen, bijvoorbeeld een rekenmachine, een zoekmachine of een boekingssysteem. Het model formuleert dan geen antwoord in gewone taal, maar een gestructureerd verzoek dat een computer kan uitvoeren.
Vervolgens is er geheugen. Een taalmodel heeft een beperkt 'contextvenster' (het aantal woorden dat het tegelijk kan verwerken), dus voor langere taken is aanvullend geheugen nodig. Dit gebeurt vaak met een vectordatabase, een soort zoeksysteem dat relevante eerdere informatie snel kan terugvinden op basis van betekenis in plaats van exacte woorden.
Een vierde onderdeel is orchestratie: de logica die bepaalt in welke volgorde een agent plant, handelt en het resultaat controleert, vaak een herhalende lus van 'denken – doen – waarnemen'. Frameworks zoals LangGraph of AutoGen bieden kant-en-klare bouwstenen hiervoor.
Steeds belangrijker zijn standaardprotocollen die vastleggen hoe een agent met tools en data praat, zodat niet elk bedrijf zijn eigen koppeling hoeft te bouwen. Het bekendste voorbeeld is het Model Context Protocol (MCP), dat Anthropic eind 2024 als open standaard uitbracht.
Tot slot zijn er sandboxen: afgeschermde omgevingen waarin een agent bijvoorbeeld code mag uitvoeren of op internet mag klikken, zonder dat er schade kan ontstaan aan het echte systeem van de gebruiker. Dit is vergelijkbaar met een oefenruimte waarin fouten geen gevolgen hebben voor de buitenwereld.
Wat wil men ermee bereiken?
Het doel is de stap te zetten van AI die alleen vragen beantwoordt naar AI die meerstaps-taken zelfstandig afrondt: niet 'wat is het adres van dit bedrijf' maar 'boek voor mij de goedkoopste vlucht naar Berlijn volgende maand en zet hem in mijn agenda'. Dat vereist dat een systeem tussenstappen kan nemen, fouten kan herstellen en met meerdere diensten tegelijk kan communiceren.
Een tweede doel is standaardisatie. Zonder gedeelde protocollen moet elke softwareleverancier apart een koppeling bouwen met elk AI-model en omgekeerd; dat schaalt slecht. Met een open standaard zoals MCP kan één tool-koppeling in principe door elk agentsysteem worden hergebruikt, ongeacht welk taalmodel eronder zit.
Een derde ambitie is interoperabiliteit tussen agenten van verschillende aanbieders: een inkoopagent van bedrijf A moet kunnen samenwerken met een logistiek-agent van bedrijf B zonder dat beide dezelfde software gebruiken. Hier ligt ook een economisch motief: bedrijven als OpenAI, Google en Microsoft willen dat ontwikkelaars agenten bouwen bovenop hún infrastructuur, wat een nieuwe laag concurrentie oplevert bovenop de concurrentie tussen de taalmodellen zelf.
Tegelijk spelen veiligheidsdoelen mee: men wil agenten kunnen beperken tot wat ze mogen doen, hun acties kunnen loggen en kunnen ingrijpen voordat een fout onomkeerbare gevolgen heeft, bijvoorbeeld een verkeerde betaling.
Voorbeelden uit de praktijk
AutoGPT (maart 2023) was een van de eerste open source-experimenten waarbij een taalmodel zichzelf doelen stelde en stappen uitvoerde zonder tussenkomst. Het werd viral, maar liep in de praktijk vaak vast in herhalende lussen — een vroeg en leerzaam voorbeeld van hoe broodnodig goede infrastructuur is.
Het Model Context Protocol van Anthropic (november 2024) is inmiddels het duidelijkste voorbeeld van een gedeelde standaard: binnen een jaar sloten ook OpenAI en Google DeepMind zich in 2025 aan, waarmee het protocol de facto een gemeenschappelijke taal werd voor het koppelen van agenten aan tools en databronnen.
Devin, gelanceerd door het Amerikaanse Cognition Labs in maart 2024, presenteerde zich als 'AI-softwareontwikkelaar' die zelfstandig code schrijft, test en debugt in een eigen sandbox-omgeving — een directe toepassing van sandboxing en orchestratie in de praktijk.
Met Computer Use (Anthropic, oktober 2024) kreeg een Claude-model de mogelijkheid om een schermomgeving waar te nemen en zelf muis en toetsenbord te bedienen, wat een nieuwe categorie infrastructuur vereiste: veilige, geïsoleerde virtuele desktops.
Google introduceerde in april 2025 het Agent2Agent-protocol (A2A), gericht op communicatie tussen agenten van verschillende bedrijven onderling, gesteund door meer dan vijftig partnerbedrijven — een poging om hetzelfde te doen voor agent-naar-agent-verkeer wat MCP deed voor agent-naar-tool-verkeer.
Hoe ver is de techniek?
Het veld is nog jong en verandert per maand. Standaarden zoals MCP en A2A zijn pas sinds 2024-2025 breed omarmd, en het is nog niet volledig uitgekristalliseerd hoe deze protocollen zich tot elkaar zullen verhouden of samensmelten.
Betrouwbaarheid blijft het grootste knelpunt. Op benchmarks zoals SWE-bench (dat meet hoe goed AI-agenten echte softwarebugs kunnen oplossen) zijn de scores de afgelopen twee jaar flink gestegen, maar foutpercentages van tientallen procenten op complexere taken zijn nog normaal. Agenten lopen vast in lussen, roepen tools verkeerd aan of 'hallucineren' stappen die niet kloppen.
Beveiliging is een tweede open probleem. Doordat agenten tekst uit e-mails, webpagina's of documenten kunnen interpreteren als instructies, ontstaat het risico van zogeheten prompt injection: kwaadwillenden verstoppen commando's in content die een agent tegenkomt, met als doel het systeem ongewenste acties te laten uitvoeren. Onderzoekers en bedrijven werken aan tegenmaatregelen, maar een sluitende oplossing bestaat nog niet.
Tegelijk gaat de ontwikkeling snel: sandboxdiensten, monitoring-tools (zoals LangSmith en Langfuse, die het gedrag van agenten loggen en analyseren) en goedkopere rekenÂkracht maken het steeds eenvoudiger om agenten op productieschaal te bouwen. De meeste experts beschouwen 2024-2026 als de fase waarin de basisinfrastructuur wordt gelegd, vergelijkbaar met de vroege jaren van cloud computing.
Wie werken eraan?
Bij de grote AI-labs lopen Anthropic (MCP, Computer Use), OpenAI (function calling, de Operator-agent) en Google DeepMind (A2A, Project Mariner) voorop. Microsoft investeert via Azure AI Agent Service en het open source-framework AutoGen, en Meta doet onderzoek naar agentarchitecturen binnen zijn Llama-onderzoeksgroepen.
Daarnaast is een levendig ecosysteem van gespecialiseerde bedrijven ontstaan: Cognition Labs (Devin), LangChain Inc. en CrewAI (orchestratie-frameworks), en E2B (gespecialiseerde sandbox-infrastructuur voor code-uitvoering).
Buiten de Verenigde Staten is China actief met partijen als Alibaba (Qwen-Agent) en het Chinese startup Monica, bekend van de in maart 2025 veel besproken agent 'Manus'. Academisch onderzoek naar agentveiligheid en -betrouwbaarheid gebeurt onder meer aan Stanford University en UC Berkeley, waar onderzoeksgroepen benchmarks en veiligheidskaders ontwikkelen waarop de industrie zich baseert.