Samenvatting:
- Er zijn 7 verschillende typen AI-agenten, variërend van eenvoudige reactieve agenten tot multi-agentsystemen.
- Momenteel richten toonaangevende AI-bedrijven zich vooral op het bouwen van doelgerichte agenten naast lerende agenten.
- In de toekomst zien we mogelijk echt autonome AI-agenten die met andere AI-agenten kunnen samenwerken om meerdere taken uit te voeren.
Het is duidelijk dat actiegerichte AI-agenten het voortouw zullen nemen in de AI-revolutie. De eerste tekenen zijn al zichtbaar. Van AI-gestuurde chatbots tot AI-agenten die uw e-mails kunnen lezen en afspraken kunnen boeken: we gaan het agenttijdperk in. Om AI-agenten beter te begrijpen, heb ik de verschillende soorten AI-agenten uitgebreid uitgelegd. Daarnaast heb ik een lijst samengesteld van toonaangevende bedrijven en bestaande AI-agenten die al op de markt beschikbaar zijn. Laten we beginnen.
1. Middelen met eenvoudige reacties
Laten we beginnen met het eenvoudigste type AI-agent: agenten met eenvoudige reacties. Zoals de naam al aangeeft, voeren deze agenten acties uit op basis van actuele informatie, volgens een 'als-dan'-voorwaarde. Een thermostaat schakelt bijvoorbeeld de verwarming in als de temperatuur onder een bepaald punt daalt. Er wordt simpelweg een actie uitgevoerd wanneer aan de voorwaarde is voldaan.
Dit type AI-agent kent echter diverse beperkingen. Er wordt alleen rekening gehouden met de huidige informatie (ook wel ‘percepties’ of perceptie genoemd). Het apparaat onthoudt geen eerdere temperatuurmetingen en houdt geen rekening met toekomstige metingen. Het apparaat handelt alleen op basis van de huidige temperatuur.
Eenvoudige reactieve agenten hebben geen geheugen en handelen alleen als de omgeving volledig waarneembaar is – een toestand waarin alle informatie die nodig is om een beslissing te nemen, beschikbaar is. Het gevolg is dat er geen interne representatie of model van de wereld behouden blijft.
2. Modelgebaseerde reflecterende agenten
Vervolgens verbeteren op modellen gebaseerde reflecterende agenten de prestaties van eenvoudige reflecterende agenten. Dit type agent onderhoudt een interne representatie van de wereld en heeft daarom geheugen. In principe houden deze agenten acties bij en hoe deze de wereld beïnvloeden. Daarnaast werken ze het interne model/de interne weergave bij. Een zelfrijdende auto kan bijvoorbeeld, terwijl hij door het verkeer navigeert, de locatie van voertuigen onthouden, zelfs als ze van hun huidige locatie zijn verplaatst. Deze interne representatie zorgt ervoor dat u beter geïnformeerde beslissingen kunt nemen.
Op basis van eerdere observaties en actuele informatie creëert de agent een interne representatie van de wereld en onderneemt de gewenste actie. Dit betekent dat op modellen gebaseerde reflexieve agenten in gedeeltelijk waarneembare omgevingen kunnen opereren. In principe wordt het interne model gebruikt om de volgende actie te voorspellen. Dit model is gebaseerd op geavanceerde algoritmen voor kunstmatige intelligentie.
3. Doelgerichte agenten
Zoals de naam al doet vermoeden, zijn doelgedreven agenten resultaatgedreven agenten. Dit betekent dat ze toekomstige acties overwegen die hen dichter bij het uiteindelijke doel brengen. Deze agenten kunnen onderzoek doen, operaties plannen en verschillende reeksen handelingen overwegen die hen naar het gewenste doel leiden. Doelgerichte agenten baseren hun acties op het in acht nemen van toekomstige gevolgen.
Een GPS die uw route plant, moet bijvoorbeeld alle wegen die naar de bestemming leiden, doorzoeken en in overweging nemen. Er wordt rekening gehouden met alle mogelijke routes op basis van afstand, duur, actuele verkeersdrukte, enzovoort. Op basis van deze informatie plant en kiest de doelgerichte agent de beste route om de gewenste bestemming te bereiken. Dit type agent is essentieel in AI-toepassingen waarbij strategische planning vereist is.
4. Agenten op basis van voordelen
Hulpmiddelen op basis van nut zijn een type doelgerichte middelen, maar ze zijn niet aan een specifiek doel gekoppeld. Doelgerichte agenten denken bijvoorbeeld alleen in termen van het wel of niet bereiken van een doel – binair. Agenten die op nut zijn gebaseerd, beschouwen echter verschillende toestanden in de wereld, evalueren verschillende uitkomsten op basis van complexe voorkeuren en kiezen vervolgens de actie die hun ‘nut’ maximaliseert.
Dit type agent werkt door een numerieke score toe te kennen aan verschillende actiereeksen en alleen de actie te selecteren die de hoogste nutsscore oplevert. Hulpmiddelen op basis van bruikbaarheid zijn bedoeld voor situaties waarin de uitkomst onzeker is. Het doel van een handelssysteem dat op kunstmatige intelligentie (AI) draait, kan bijvoorbeeld zijn om het maximaliseren van de winst, maar het moet ook rekening houden met hoeveel risico de gebruiker kan verdragen en wat de huidige marktomstandigheden zijn. Dit vereist een zorgvuldige analyse van de mogelijke risico's en rendementen.
In principe houden agenten die op nut gebaseerd zijn rekening met verschillende voorkeuren en evalueren ze de uitkomsten voordat ze een beslissing nemen. Hun doel is niet alleen om het doel te bereiken, maar om verschillende factoren in evenwicht te brengen om zo de optimale actie te vinden. Dit betekent dat zij proberen het ‘verwachte nut’ te maximaliseren op basis van een uitgebreide beoordeling van de omstandigheden.
5. Lerende agenten: prestaties verbeteren in AI-systemen
Lerende agenten kunnen per definitie hun prestaties in de loop van de tijd verbeteren door te leren van eerdere ervaringen. De beste eigenschap van Learning Agents is hun vermogen om zich aan te passen aan onbekende omgevingen en hun acties te optimaliseren op basis van feedback. Bij het leren van agenten is er een ‘kritieke’ component die feedback geeft over hoe goed de agent presteert, wat cruciaal is voor het leerproces.
Om een voorbeeld te geven: bedenk hoe spamfilters werken voor e-mails. Spamfilters hebben om te beginnen een aantal basisregels; Naarmate u echter e-mails als spam blijft markeren, leert de agent op basis van de gegeven beoordelingen (‘criticus’) en past zijn gedrag aan. Vanaf nu worden deze e-mails automatisch als spam gemarkeerd en naar een andere map verplaatst. Dit proces is gebaseerd op geavanceerde algoritmen op het gebied van machinaal leren.
6. Piramideagenten
Hiërarchische agenten zijn een type agent dat complexe doelen opsplitst in subdoelen. Er zijn veel complexe taken die meerstapsprocedures en probleemoplossing vereisen. In zulke gevallen worden taken opgedeeld in kleinere, beter beheersbare deelproblemen, die hiërarchisch worden georganiseerd. Deze taken worden nu gedelegeerd aan agenten op een lager niveau, terwijl agenten op een hoger niveau de strategie en de uiteindelijke output bepalen.
Wanneer u bijvoorbeeld een AI-robot vraagt om het avondeten te bereiden, plant en verdeelt de agent op hoog niveau de taak, bijvoorbeeld het maken van pasta en saus. Deze taken worden vervolgens verder opgedeeld, zoals het aanzetten van het fornuis en het toevoegen van water aan de pan. Op deze hiërarchische manier wordt de taak nu voltooid, van de ene laag naar de volgende. Met deze aanpak kunnen complexe taken efficiënt en effectief worden uitgevoerd, wat cruciaal is bij geavanceerde AI-toepassingen.
7. Multi-Agent Systemen
Ten slotte komen we bij multi-agentsystemen (MAS), waarin meerdere onafhankelijke agenten worden gecombineerd om een gemeenschappelijk doel te bereiken. Dankzij deze systemen kunnen meerdere agenten met elkaar communiceren, interacteren, mogelijke acties coördineren, onderhandelen en samenwerken. In dergelijke systemen opereert elke agent onafhankelijk en heeft zijn eigen beslissingsvermogen.
Alle agenten moeten zich echter houden aan een gemeenschappelijk multi-agent systemenprotocol om conflicten te voorkomen en een gemeenschappelijk doel te bereiken. In een supply chain-systeem zijn er bijvoorbeeld meerdere agenten die de voorraad bijhouden, een andere agent rapporteert aan de inkoopafdeling op basis van de voorraadvereisten, een logistiek agent vindt de beste verzendroute, enzovoort. Multi-agentsystemen vormen een effectieve oplossing voor complexe problemen waarbij coördinatie en samenwerking tussen onafhankelijke entiteiten vereist is.
Huidige AI-agenten van toonaangevende technologiebedrijven
Er zijn al veel verschillende soorten AI-agenten op de markt verkrijgbaar. Bedrijven als OpenAI, Google, Microsoft, Anthropic, Salesforce en vele anderen bouwen AI-agents en -frameworks om de kracht van gerichte AI effectief te benutten. Hieronder staan een aantal AI-agents die u kunt bekijken. Houd er rekening mee dat deze tools nog steeds voortdurend in ontwikkeling en verbetering zijn.
OpenAI
OpenAI is het eerste bedrijf dat Operator AI-agent Consumentgericht. Het is een agent die een computer gebruikt om taken op het web te automatiseren. Een operator kan met webbrowsers communiceren en klikken, typen en swipen om acties uit te voeren. Je kunt het gebruiken om formulieren in te vullen, vliegtickets te boeken, boodschappen te bestellen en meer. Het is echter nog niet volledig autonoom. Je moet handmatig betalingen voltooien en indien nodig CAPTCHA's invoeren. Deze agent is een belangrijke stap in de richting van de ontwikkeling van AI die complexe taken efficiënt kan uitvoeren.
Operator valt waarschijnlijk in de categorie van doelgerichte en lerende agent. Het is doelgericht en leert door de interactie met websites. Bovendien doet het OpenAI's Deep Research Agent Voert complexe, meerstaps onderzoekstaken uit en analyseert tekst, afbeeldingen en PDF-bestanden om een uitgebreid rapport te genereren. Ik zou zeggen dat het een combinatie is van een doelgerichte agent, een lerende agent en een hiërarchische agent die taken opsplitst in kleinere subtaken. Deze mogelijkheden maken het een krachtig hulpmiddel voor onderzoekers en analisten.
Bovendien zegt OpenAI dat de nieuwste o3 en o4-mini Het zijn niet zomaar AI-modellen, maar agentachtige AI-systemen. Deze nieuwe AI-systemen gedragen zich als agenten en kunnen communiceren met een breed scala aan tools, waaronder webzoekmachines, Python-interpreters, beeldanalyse en Plus. Het zijn modelgebaseerde en doelgebaseerde agenten. Deze systemen vertegenwoordigen een aanzienlijke vooruitgang in AI-mogelijkheden.
Tot slot is de nieuwste Codex CLI-tool van OpenAI, waarmee ontwikkelaars code kunnen lezen, bewerken en uitvoeren vanaf de terminal, een ander type AI-agent. Het kan automatisch fouten herstellen, nieuwe functies creëren en bestanden wijzigen. Ook dit is een doelgerichte agent, gebouwd met behulp van de Learning-agent. Deze tool verhoogt de productiviteit van ontwikkelaars aanzienlijk.
Tot nu toe heeft Google alleen Deep Research AI Agent op Gemini, die op een vergelijkbare manier werkt als de agent van OpenAI. Hij kan op het web surfen, de informatie die hij nodig heeft in kaart brengen en de informatie samenvoegen tot een uitgebreid rapport over een willekeurig onderwerp. Ik classificeer deze agent als een doelgerichte, lerende agent, wat hem geavanceerd maakt op het gebied van kunstmatige intelligentie.
Vervolgens onthulde Google Project Mariner, dat nog steeds in ontwikkeling is. Dit project werkt zoals de Operator AI-agent van OpenAI en kan taken in de Chrome-browser automatiseren. Het kan het actieve scherm analyseren en acties uitvoeren op websites. Google zegt dat de agent wordt getest door betrouwbare testers en dat deze binnenkort wordt uitgebracht.
Daarnaast heeft Google geïntroduceerd Agent2Agent (A2A)-protocol Nieuw is dat meerdere AI-agenten met elkaar kunnen communiceren. Het is zelf geen agent, maar een standaard/raamwerk dat multi-agentsystemen (MAS) mogelijk maakt.
antropisch
Net als OpenAI heeft Anthropic zijn AI-agent “Computer Use” onthuld, momenteel in bètaversie, die kan communiceren met desktopcomputeromgevingen. Het kan het scherm analyseren, klikken, typen en bestandsbewerkingen uitvoeren. Het is niet beperkt tot webbrowsers; het kan ook acties uitvoeren op het niveau van het besturingssysteem. Het spreekt voor zich dat dit een doelgerichte leeragent is.
Daarnaast heeft Anthropic onlangs een zoektool uitgebracht met Workspace on Cloud-integratie. Het kan verbinding maken met uw Gmail, Agenda, Drive en het web, zodat u onderzoek kunt doen en inzichten kunt verkrijgen. Claude Code is een proxy-coderingstool die in Terminal draait. Begrijpt de codebase en kan bestanden wijzigen, tests uitvoeren en met Git communiceren. Beide zijn doelgerichte agenten.
Tot slot heeft Anthropic het Model Context Protocol (MCP) ontwikkeld, een open standaard voor het verbinden van AI-modellen met externe gegevensbronnen, zodat AI-agents betrouwbaar kunnen werken op services zonder API. Hoewel het geen agent is, maakt het communicatie mogelijk tussen AI-modellen, hulpmiddelen, websites en andere gegevensbronnen. Je kunt ontdekken hoe MCP in de cloud instellen op Windows en macOS.
Microsoft
Op het gebied van consumentendiensten heeft Microsoft verschillende nieuwe AI-agenten aangekondigd voor zijn chatbot Copilot. Een agent kan Diepgaand onderzoek in Copilot Voer meerstappenonderzoek uit om uitgebreide rapporten over specifieke onderwerpen te creëren. Bovendien kan het Copilootacties Boek tickets, maak reserveringen en koop producten via internet. Het werkt echter alleen op partnerwebsites.
Voor bedrijven heeft Microsoft onlangs de Computer Use AI-agent in Copilot Studio aangekondigd. Het kan rechtstreeks communiceren met websites en desktoptoepassingen om acties uit te voeren en is niet afhankelijk van gespecialiseerde API's. Microsoft heeft daarnaast de Security Copilot-agent geïntroduceerd die helpt bij phishingwaarschuwingen, gegevensbeveiliging en identiteitsbeheer: essentiële onderdelen van cyberbeveiliging voor ondernemingen.
Microsoft heeft diverse Copilot-agents ontwikkeld voor zakelijke klanten. U kunt zelfs een aangepaste AI-agent voor uw workflow maken. U kunt aan de slag gaan in Copilot Studio en MCP-servers, API's en externe bronnen verbinden om taken te automatiseren, de werkproductiviteit te verhogen en potentiële fouten te verminderen.
Salesforce
Naast Microsoft heeft Salesforce het Agentforce-platform voor zakelijke klanten ontwikkeld, dat autonome en aanpasbare AI-agenten biedt. Zakelijke gebruikers kunnen meerdere AI-agenten op Agentforce maken, implementeren en beheren om leads te genereren, de verkoop te optimaliseren, marketing te beheren en meer. Agentforce is een toonaangevend platform voor de automatisering van bedrijfsprocessen met behulp van kunstmatige intelligentie.
Salesforce beweert dat Agentforce-agenten, in tegenstelling tot Microsoft's Copilot, onafhankelijk acties kunnen uitvoeren op basis van vooraf gedefinieerde gebeurtenissen of triggers. Agentforce-agenten kunnen records in de database bijwerken, e-mails verzenden, vergaderingen boeken, lopende zaken oplossen, enzovoort. Dankzij deze mogelijkheden is Agentforce een krachtig hulpmiddel voor het automatiseren van klantenservice- en verkooptaken.
Dit zijn de typen AI-agenten die u kunt verkennen en waaruit u kunt opmaken welke AI-agenten er momenteel op de markt verkrijgbaar zijn. Naarmate we verdergaan, worden AI-agenten een essentieel onderdeel van de internetervaring, zowel voor consumenten als voor bedrijven. De markt voor AI-agenten zal naar verwachting de komende jaren een aanzienlijke groei doormaken, gedreven door de toenemende vraag naar automatisering en verbeterde efficiëntie.
Reacties zijn gesloten.