Open autoresearch: hoe AI-agents zelfstandig onderzoek doen

Bijgewerkt: 10 september 2026 · 7 min leestijd

Stel je een stagiair voor die dag en nacht kan doorwerken, tientallen bronnen tegelijk leest, aantekeningen maakt, tegenstrijdigheden opmerkt en aan het eind van de middag een net rapport met voetnoten aflevert. Dat is ongeveer wat een autoresearch-agent doet: een AI-systeem dat op basis van een vraag zelfstandig het web afspeurt, informatie combineert en er een samenhangende tekst van maakt, zonder dat een mens elke stap hoeft te sturen. Het woord "open" ervoor betekent dat de broncode van zo'n systeem vrij beschikbaar is, in tegenstelling tot gesloten commerciële varianten van bedrijven als OpenAI of Google.

Waar een zoekmachine je linkjes geeft en een chatbot een pasklaar (maar soms onbetrouwbaar) antwoord, probeert een autoresearch-agent het beste van twee werelden te combineren: hij zoekt actief, controleert meerdere bronnen tegen elkaar en verantwoordt zijn beweringen met verwijzingen. Open-source versions van deze technologie, zoals GPT Researcher en Hugging Face's Open Deep Research, laten zien dat je zulke systemen ook zonder de rekenkracht en data van een techgigant kunt bouwen — en dat iedereen kan meekijken hoe ze precies werken.

Wat is het precies?

Een autoresearch-agent bestaat meestal uit een taalmodel (het soort AI achter ChatGPT of vergelijkbare systemen) dat is gekoppeld aan gereedschappen: een zoekmachine, een browser om webpagina's te lezen, soms een rekenmodule of code-uitvoerder. Het model krijgt niet alleen de opdracht om tekst te genereren, maar om een lus te doorlopen: zoeken, lezen, samenvatten, nagaan wat er nog ontbreekt, opnieuw zoeken, en zo verder totdat er genoeg materiaal is voor een antwoord.

Dat proces heet in vaktaal een agentic workflow: het model neemt zelf tussentijdse beslissingen (welke zoekterm nu, welke bron wel of niet vertrouwen) in plaats van in één keer een antwoord te produceren. Sommige systemen splitsen een grote onderzoeksvraag op in deelvragen die door meerdere "sub-agents" tegelijk worden uitgezocht, waarna een laatste stap alles samenvoegt tot een lopend verhaal met bronvermeldingen.

Belangrijk is dat zo'n agent niet zomaar verzint: idealiter citeert hij elke bewering met een link naar de bron, zodat een lezer kan controleren of de AI het goed heeft begrepen. Dat is ook meteen de zwakke plek: het systeem is alleen zo goed als de bronnen die het vindt en de mate waarin het model die correct samenvat. Verzinsels (in de AI-wereld "hallucinaties" genoemd) kunnen nog steeds optreden, vooral bij schaarse of tegenstrijdige informatie.

Bij de meest ambitieuze varianten gaat autoresearch verder dan het schrijven van een literatuuroverzicht. Projecten als Sakana AI's "The AI Scientist" proberen de hele wetenschappelijke cyclus te automatiseren: een onderzoeksidee bedenken, code schrijven om een experiment uit te voeren, de resultaten analyseren en er een wetenschappelijk artikel over schrijven — inclusief een geautomatiseerde peer review om het eigen werk te beoordelen.

Wat wil men ermee bereiken?

De directe belofte is tijdwinst: een grondig literatuuronderzoek dat een mens dagen kost, zou een agent in enkele minuten tot een half uur kunnen doen. Voor journalisten, beleidsmakers, studenten of analisten die snel een betrouwbaar overzicht nodig hebben van een onderwerp, is dat aantrekkelijk.

Een tweede doel is toegankelijkheid. Grote techbedrijven bouwen krachtige, maar gesloten onderzoeksassistenten die vaak alleen tegen betaling en binnen hun eigen platform beschikbaar zijn. De open-source beweging wil dezelfde mogelijkheden bieden aan iedereen: onderzoekers zonder groot budget, journalisten, ngo's, of ontwikkelaars die het systeem willen aanpassen aan hun eigen taal, vakgebied of privacy-eisen. Omdat de code open is, kan bovendien iedereen nagaan hoe het systeem tot zijn antwoorden komt — belangrijk voor vertrouwen en controleerbaarheid.

Een derde, ambitieuzere doelstelling is het versnellen van wetenschap zelf. Als AI niet alleen literatuur kan samenvatten maar ook hypotheses kan bedenken en experimenten kan voorstellen of uitvoeren, zou dat in theorie de doorlooptijd van fundamenteel onderzoek kunnen verkorten — met name in vakgebieden waar veel data beschikbaar is, zoals scheikunde, biomedische wetenschap of machine learning zelf.

Voorbeelden uit de praktijk

GPT Researcher (sinds 2023, ontwikkeld door Assaf Elovic) is een van de eerste en bekendste open-source projecten in dit veld. Het systeem doorzoekt meerdere bronnen tegelijk, laat deelagents deelonderwerpen uitzoeken en stelt daarna een geciteerd rapport samen. Het project draait volledig op vrij beschikbare code en is inmiddels door duizenden ontwikkelaars gebruikt of aangepast.

Open Deep Research van Hugging Face (begin 2025) is een directe, open-source reactie op OpenAI's gesloten "Deep Research"-functie in ChatGPT. Het is gebouwd bovenop Hugging Face's eigen agent-raamwerk "smolagents" en probeert met transparante, herbruikbare code hetzelfde soort diepgaande onderzoeksrapporten te maken. Ook LangChain, een populair open-source raamwerk voor AI-agents, publiceerde een eigen open implementatie onder dezelfde naam.

STORM, ontwikkeld door onderzoekers van Stanford University (2024), richt zich specifiek op het schrijven van encyclopedie-achtige artikelen: het systeem simuleert een soort interview tussen meerdere "perspectieven" om een onderwerp van verschillende kanten te belichten voordat het een artikel schrijft. Het project is open-source gepubliceerd en gebruikt als inspiratie voor latere autoresearch-tools.

The AI Scientist van het Japanse Sakana AI (gepubliceerd in augustus 2024, code openbaar op GitHub) gaat een stap verder dan tekst schrijven: het genereert zelf ideeën voor machine-learning-onderzoek, schrijft de bijbehorende code, voert experimenten uit en schrijft er een volledig paper over, inclusief een automatische zelfbeoordeling. Het is nadrukkelijk een experiment en geen vervanging van menselijke wetenschappers — de kwaliteit van de gegenereerde papers is wisselend.

Ter vergelijking, en om te laten zien waar de open varianten zich tegen afzetten: OpenAI's Deep Research (begin 2025 gelanceerd in ChatGPT) en Google's AI co-scientist (aangekondigd begin 2025, gebaseerd op Gemini-modellen) zijn krachtige, maar gesloten systemen. Google claimde dat hun systeem heeft bijgedragen aan een hypothese over antibioticaresistentie die later in een laboratorium is getoetst, samen met onderzoekers van onder meer Imperial College London — een voorbeeld dat vaak wordt aangehaald, al blijft onafhankelijke verificatie van dit soort claims belangrijk.

Hoe ver is de techniek?

Voor het samenvattend doorzoeken van het open web — het "literatuuronderzoek"-type autoresearch — is de techniek redelijk volwassen: de rapporten zijn doorgaans leesbaar, grotendeels correct geciteerd en bruikbaar als startpunt. Toch blijven er beperkingen: agents kunnen betrouwbare en onbetrouwbare bronnen door elkaar halen, worstelen met betaalmuren en recente gebeurtenissen, en presenteren soms een schijnzekerheid die niet is terug te voeren op de bronnen zelf. Open-source systemen lopen in kwaliteit vaak nog wat achter op de best gefinancierde gesloten varianten, al wordt dat gat kleiner naarmate de onderliggende taalmodellen (waar de agents op draaien) beter worden.

Voor het automatiseren van echt wetenschappelijk onderzoek — hypotheses bedenken, experimenten ontwerpen en uitvoeren — staat de techniek nog veel pril. Systemen als The AI Scientist tonen aan dát het kan, maar de gegenereerde ideeën zijn vaak beperkt van originaliteit, en de "experimenten" spelen zich meestal af in overzichtelijke, computationele omgevingen (zoals machine-learning-benchmarks) in plaats van in een echt laboratorium. Bij natuurwetenschappelijk onderzoek met fysieke experimenten is er doorgaans nog een robotlab of menselijke onderzoeker nodig om de voorgestelde experimenten daadwerkelijk uit te voeren.

Een breder gedeelde zorg in de wetenschappelijke wereld is dat automatisch gegenereerde teksten en papers het aantal middelmatige of onjuiste publicaties kunnen doen toenemen, wat de werklast van menselijke peer reviewers vergroot. Dit wordt in de vakliteratuur wel aangeduid met termen als "AI slop" in de context van wetenschap: een golf van oppervlakkig ogende, geautomatiseerd geproduceerde content die moeilijk te onderscheiden is van serieus werk zonder grondige controle.

Wie werken eraan?

In de open-source hoek zijn vooral gemeenschapsprojecten en kleinere bedrijven actief: individuele ontwikkelaars achter GPT Researcher, het Franse/Amerikaanse Hugging Face (bekend van zijn platform voor open AI-modellen) met Open Deep Research en het smolagents-raamwerk, en LangChain, een bedrijf dat veelgebruikte open-source gereedschappen voor AI-agents maakt. Academische groepen dragen eveneens bij: Stanford University met STORM is daar een voorbeeld van.

Aan de gesloten kant investeren de grote AI-bedrijven fors: OpenAI (VS) met zijn Deep Research-functie, Google DeepMind (VS/VK) met het AI co-scientist-systeem gebaseerd op de Gemini-modellen, en Anthropic en Perplexity met eigen onderzoeksfuncties in hun producten. Sakana AI, opgericht in Japan door voormalige Google-onderzoekers, positioneert zich nadrukkelijk op het snijvlak van AI en wetenschappelijke ontdekking, met The AI Scientist als opvallendste voorbeeld.

Daarnaast zijn academische instituten zoals Carnegie Mellon University al langer bezig met verwante systemen die AI koppelen aan robotlaboratoria voor scheikundig onderzoek, wat laat zien dat de grens tussen "tekstonderzoek" en "experimenteel onderzoek" door AI langzaam vervaagt. Nederland en Europa spelen in dit specifieke veld vooralsnog een beperkte, vooral toepassingsgerichte rol; het merendeel van de grondleggende ontwikkeling komt uit de VS en Japan.