Autonome agents: wat ze zijn en hoe ze werken

Wat een autonome agent is

Een autonome agent is een AI-systeem dat zelfstandig naar een doel toewerkt. Iemand beschrijft het gewenste resultaat, en de agent bepaalt de stappen en voert ze uit.

Stel dat iemand wil kiezen tussen drie projectmanagementtools. Een autonome agent kan elke tool opzoeken, de bijbehorende prijspagina openen, de verschillen noteren en een kant-en-klare vergelijking opleveren. De persoon stelt het doel vast en beoordeelt het resultaat, en de agent doet het werk daartussen.

Veel huidige softwareagents gebruiken een groot taalmodel om instructies te interpreteren en te bepalen wat ze vervolgens doen. Sommige modellen verwerken ook afbeeldingen of audio. Om op het web te zoeken, op knoppen te klikken of e-mail te versturen, heeft de agent software nodig die het model met tools verbindt en de verzoeken van het model uitvoert.

In het projectmanagementvoorbeeld zouden het LLM en de agent zo werken:

1. Het LLM leest het doel en schrijft een verzoek om de prijzen van de eerste tool op te zoeken.
2. De software van de agent voert de zoekopdracht uit en geeft de resultaten als tekst terug aan het LLM.
3. Het LLM leest de resultaten, kiest de volgende stap (de prijspagina openen) en schrijft een nieuw verzoek.
4. Deze cyclus herhaalt zich totdat het LLM besluit dat de vergelijking compleet is en het eindantwoord schrijft.

Vergroten

Autonomieniveaus

In een agentisch AI-systeem (AI die is gebouwd om acties uit te voeren, niet alleen om vragen te beantwoorden) is autonomie een ontwerpkeuze. Dezelfde agent kan zo worden ingesteld dat hij vóór elke stap om bevestiging vraagt of een hele taak zelfstandig afrondt.

Onderzoekers van de University of Washington stellen een raamwerk met vijf niveaus voor om de verschillende gradaties van autonomie te verklaren die een agent kan hebben:

Op niveau 4 kan een agent zelfstandig onderzoek doen en een inkooporder opstellen, maar pauzeren voordat hij die indient. Op niveau 5 zou hij de order ook indienen.

Autonome AI-agents versus automatisering versus chatbots

Autonome agents verschillen op twee manieren van chatbots en workflowautomatisering: ze bepalen hun eigen stappen en ze voeren acties uit in andere apps en op andere websites.

Een chatbot beantwoordt vragen in een gesprek, maar onderneemt daarbuiten meestal geen actie. Workflowautomatisering onderneemt wel actie, maar alleen door stappen te volgen die iemand vooraf heeft ingesteld. Een veelvoorkomende vorm is robotic process automation (RPA): software die eenvoudige, op regels gebaseerde taken herhaalt, zoals het kopiëren van gegevens van het ene systeem naar het andere.

Een autonome agent doet allebei: hij onderneemt actie in andere software en kiest zijn eigen stappen richting een doel, binnen de tools, rechten en instructies die hij heeft gekregen.

Een klacht over een vertraagde bestelling laat het verschil zien. Een chatbot kan antwoorden met een vooraf geschreven uitleg van het verzendbeleid. Een workflowautomatisering kan een standaardmail over een “vertraagde bestelling” versturen. Een autonome agent kan de bestelling opzoeken, ontdekken dat die onderweg is zoekgeraakt, een vervangend product versturen en de klant op de hoogte brengen.

Hoe autonome agents werken

Een autonome agent vertrouwt op vier vaardigheden om een taak te voltooien: de stappen plannen, tools gebruiken, onthouden wat hij al heeft gedaan en de eigen resultaten controleren. Voor grotere taken verdelen sommige agents het werk ook over een team van agents.

1. Doelen opsplitsen en plannen maken

Een doel is meestal te groot om in één stap uit te voeren, dus de eerste taak van een agent is het opsplitsen in kleinere taken. Als de gebruiker de agent bijvoorbeeld vraagt een teamoffsite te plannen, kan de agent het doel opsplitsen in data kiezen, locaties binnen het budget zoeken, de beschikbaarheid controleren en een uitnodiging opstellen.

Afhankelijk van hoe ze zijn gebouwd, kunnen agents vooraf plannen of al doende plannen. Vooraf plannen betekent elke stap uitschrijven voordat je begint, wat goed werkt voor korte, voorspelbare taken. Al doende plannen betekent de volgende stap of twee uitstippelen, actie ondernemen en bijsturen op basis van wat er terugkomt. Als de favoriete locatie voor de offsite al volgeboekt was, kon de agent overstappen op de volgende optie zonder opnieuw te beginnen.

Vergroten

Een overzichtsstudie van op LLM's gebaseerde autonome agents van de Renmin University of China concludeert dat deze tweede aanpak complexere taken beter aankan, omdat het lastig is een perfect plan te schrijven voordat je resultaten hebt gezien. Veel agents combineren de twee: ze schetsen eerst een volledig plan en stellen dat tijdens het werk bij.

2. Actie ondernemen met tools

Zodra er een plan ligt, werkt de agent het taak voor taak af en kiest hij voor elke taak een tool.

• Om locaties te vinden, kan hij op het web zoeken met een zoekopdracht als “offsitelocaties voor 20 personen in de buurt van Austin”.
• Om de beschikbaarheid te controleren, kan hij de boekingspagina van elke locatie in een browser openen en de agenda bekijken.
• Om de uitnodiging te versturen, kan hij verbinding maken met de e-mail van de persoon via een API, de koppeling waarmee het ene stuk software gegevens of acties kan opvragen bij een ander.

Na elke actie leest de agent wat er terugkomt en bepaalt hij de volgende zet. Als de zoekopdracht vijf locaties oplevert, controleert hij hun beschikbaarheid. Als een boekingspagina niet laadt, probeert hij het telefoonnummer van de locatie of gaat hij door naar de volgende optie.

De tools waarover een agent beschikt, bepalen welke taken hij zelfstandig kan afronden. Zonder toegang tot e-mail kan hij de uitnodiging wel opstellen, maar niet versturen.

3. Voortgang bijhouden met geheugen

Terwijl de agent werkt, moet hij bijhouden wat hij heeft gedaan en wat hij heeft geleerd. Tegen de tijd dat hij drie locaties heeft gecontroleerd, moet hij weten welke volgeboekt waren, welke nog plek hadden en wat elke locatie kost. Die gegevens staan in het contextvenster van het LLM: de hoeveelheid tekst die het model in één keer kan overzien.

Lange taken kunnen dat contextvenster ontgroeien. Agents met langetermijngeheugen lossen dit op door informatie buiten het model op te slaan, meestal in een database, en alleen op te halen wat de huidige stap nodig heeft.

Langetermijngeheugen blijft ook tussen taken behouden. Als het tijd is om de offsite van volgend jaar te plannen, kan de agent de locatielijst en het budget van dit jaar hergebruiken, of onthouden dat het team de voorkeur geeft aan locaties binnen een uur rijden.

4. Resultaten controleren en bijsturen

Tijdens het werk letten veel agents op signalen dat een stap is misgegaan. Als een boekingsformulier een foutmelding geeft of een zoekopdracht niets oplevert, probeert de agent een andere aanpak. Wanneer hij voor een beslissing staat die hij niet alleen hoort te nemen, bijvoorbeeld of een locatie die iets boven het budget zit acceptabel is, vraagt hij het aan de persoon en past hij zich aan op basis van het antwoord.

Voordat ze hun werk opleveren, controleren veel agents hun resultaten. Het LLM leest terug wat het heeft gemaakt, vergelijkt dat met het doel en somt op wat ontbreekt of niet klopt. De agent past het werk aan en controleert opnieuw totdat het resultaat aan het doel voldoet. Ontbreekt bijvoorbeeld het adres van de locatie in de uitnodiging, dan vangt de controle dat op en voegt de agent het toe voordat de uitnodiging wordt verstuurd.

5. Werk verdelen over agents

Sommige taken gaan sneller als meerdere agents ze verdelen. Een hoofdagent verdeelt het werk en geeft onderdelen door aan subagents.

Perplexity Computer werkt zo. Iemand beschrijft het gewenste resultaat, en Computer splitst dat op in taken en subtaken en maakt vervolgens subagents aan om die uit te voeren. Subagents kunnen onderzoek doen op het web, documenten genereren, gegevens verwerken of via API's gekoppelde diensten aanroepen.

Als Computer tegen een probleem aanloopt, maakt het nieuwe subagents aan om het op te lossen. Elke subagent kan ook op een ander AI-model draaien, zodat elk onderdeel van het werk naar het model gaat dat daar het meest geschikt voor is.

Bij het offsitevoorbeeld kan de ene subagent dus locaties onderzoeken, terwijl een andere de teamagenda's controleert en een derde reisopties uitzoekt.

Vergroten

Hoe mensen autonome agents gebruiken

Mensen gebruiken autonome agents vooral voor alledaags kenniswerk: onderzoek, schrijven, e-mail en studeren. In een studie van onderzoekers van Harvard en Perplexity waren productiviteits- en leertaken goed voor 57% van de agentische zoekopdrachten. De voorbeelden hieronder laten zien wat een agent voor elk soort werk doet.

Onderzoek en analyse

Onderzoek past goed bij agents, omdat het uit veel kleine stappen bestaat. Een agent kan zoeken, bronnen openen, ze lezen en vergelijken wat ze zeggen. Neem een zoekopdracht als “vind drie recente studies over thuiswerken en productiviteit en vat samen wat elke studie heeft gevonden.” De agent zoekt naar studies en opent de meest relevante. Hij leest de bevindingen van elke studie en schrijft een samenvatting met links naar elke bron. Staat een studie achter een betaalmuur, dan gaat de agent door naar de volgende. In de studie is het samenvatten en analyseren van onderzoek goed voor 7% van de agentische zoekopdrachten.

Documenten, e-mail en agenda's

Agents werken vaak in de tools die mensen al dagelijks gebruiken. In de studie van Harvard en Perplexity waren de documenttools en e-mail van Google de twee meest voorkomende, samen goed voor ongeveer een kwart van de agentische zoekopdrachten. Neem een zoekopdracht als “neem de ongelezen e-mails van deze week door, markeer alles van klanten en stel antwoorden op voor de planningsverzoeken.” De agent opent de inbox en sorteert de berichten. Hij controleert de agenda op vrije tijden en stelt voor elk verzoek een antwoord op. Hij kan de concepten opslaan zonder ze te versturen, zodat de persoon ze eerst stuk voor stuk kan bekijken.

Leren en studieopdrachten

Studenten gebruiken agents om te studeren. Studieopdrachten vormen in de studie de grootste afzonderlijke categorie van agentgebruik, met 13% van de agentische zoekopdrachten. Een zoekopdracht als “overhoor me over hoofdstuk vier van mijn studiestof” stuurt de agent naar de cursuswebsite, waar hij het hoofdstuk leest, vragen over de belangrijkste punten schrijft en de antwoorden van de student controleert. Dezelfde aanpak werkt voor iedereen die een nieuw onderwerp leert, zoals een werknemer die zich snel moet inwerken in een onbekende branche.

Winkelen en vergelijken

Winkelen is goed voor 10% van de agentische zoekopdrachten, vooral het zoeken en vergelijken van producten. Als een agent wordt gevraagd om “een zit-stabureau onder de $ 400 met goede reviews te vinden”, doorzoekt hij verschillende webwinkels, filtert hij op prijs en beoordeling, vergelijkt hij de beste opties en kan hij de beste aan een winkelwagen toevoegen. Een agent opties laten vergelijken op verschillende websites kan veel tijd besparen, omdat de persoon niet langer elk aanbod hoeft te openen en te vergelijken.

Zeven best practices voor het gebruik van autonome agents

1. Beginnen met taken die eenvoudig te controleren zijn

De beste eerste taken zijn taken waarbij een fout gemakkelijk op te merken en goedkoop te herstellen is. Onderzoekssamenvattingen en productvergelijkingen zijn goede startpunten. Als de agent naar zijn bronnen linkt, kost het controleren van het werk een paar minuten. Naarmate het vertrouwen groeit, kunnen mensen langere taken met meer stappen uitbesteden.

2. Duidelijke resultaten en randvoorwaarden vastleggen

De agent kan mogelijk betere beslissingen nemen als hij weet waarom de taak belangrijk is. Een sterke prompt leest als een briefing aan een opdrachtnemer: het doel, de doelgroep, wat al bekend is en wat al is uitgesloten. “Vergelijk deze drie leveranciers voor een memo aan de raad van bestuur; de raad hecht het meeste belang aan het implementatierisico, en we hebben iedereen zonder SOC 2-compliance al uitgesloten” geeft de agent wat hij nodig heeft om zelfstandig afwegingen te maken.

3. Goedkeuringsmomenten toevoegen

Sommige acties kunnen niet ongedaan worden gemaakt, zoals een e-mail versturen, een aankoop doen, bestanden verwijderen of een formulier indienen. Als een agent dat toelaat, stel hem dan zo in dat hij vóór deze stappen pauzeert en eerst om toestemming vraagt. Ook de prompt zelf kan een stoppunt bepalen. “Stel antwoorden op, maar verstuur ze niet” of “voeg de beste optie toe aan mijn winkelwagen, maar reken niet af” vertelt de agent precies waar hij moet stoppen en de controle moet teruggeven.

4. Het plan beoordelen voordat het werk begint

Vraag de agent bij een grotere taak om zijn plan te schetsen voordat hij begint. Een plan beoordelen kost een minuut, en een misverstand in dat stadium rechtzetten is veel goedkoper dan het pas in een afgerond eindproduct ontdekken.

5. Toegang beperken tot wat de taak vereist

Elk account dat een agent kan bereiken, is een account waarin hij kan handelen. Door alleen de apps te koppelen die een taak vereist, blijven gevoelige gegevens buiten bereik en beperk je wat er mis kan gaan. Een agent die leveranciers onderzoekt, heeft geen toegang tot e-mail nodig. Een agent die antwoorden opstelt wel, maar die heeft mogelijk geen toestemming nodig om ze te versturen.

6. De controles in de prompt inbouwen

Agents controleren hun eigen output al, dus de prompt kan ze vertellen waarop ze moeten letten. Als je beschrijft hoe een goed resultaat eruitziet (“elk cijfer heeft een bron nodig uit 2025 of later”), past de agent die norm toe voordat hij zijn werk teruggeeft. Als je hem vraagt bevestigde feiten te scheiden van zijn eigen gevolgtrekkingen en aannames te markeren, wordt de menselijke controle sneller en gerichter.

7. Hergebruiken wat werkt

Een prompt die een sterk resultaat opleverde, kan een sjabloon worden voor de volgende vergelijkbare taak. De agent een voorbeeld geven van goede output, zoals het rapport van vorig kwartaal, werkt vaak beter dan het formaat in woorden beschrijven. Terugkerende taken kunnen vaste workflows worden.

Hoe Perplexity omgaat met autonome agents

Perplexity biedt twee autonome agents. Comet Assistant voert alledaagse taken uit in de browser, en Perplexity Computer neemt grotere projecten op zich die uren of langer kunnen duren.

Comet Assistant is ingebouwd in Comet, de AI-browser van Perplexity. Het werkt op de websites die iemand al open heeft, zodat het vergaderingen kan plannen, documenten kan bewerken, e-mail kan versturen en vluchten kan boeken zonder van tool te wisselen.

Computer draait in de cloud en verdeelt elk doel over subagents, zoals eerder beschreven. Het maakt verbinding met honderden services, en mensen kunnen specifieke AI-modellen kiezen voor specifieke onderdelen van het werk. Computer is beschikbaar voor Pro- en Max-abonnees.

Ontdek Comet Assistant om een agent in de browser te proberen, of Perplexity Computer om een groter project uit te besteden.

Veelgestelde vragen

Is een autonome agent hetzelfde als agentische AI?

Nee, maar de termen overlappen. Agentische AI verwijst meestal naar de bredere categorie AI-systemen die doelen nastreven door te plannen en acties uit te voeren. Een autonome agent is een specifiek systeem binnen die categorie dat zijn werk uitvoert met weinig stapsgewijze goedkeuring.

Zijn alle AI-agents autonoom?

Nee. Sommige agents voeren elke stap pas uit wanneer iemand daartoe opdracht geeft, terwijl andere een hele taak zelfstandig voltooien. De eerder beschreven autonomieniveaus laten het volledige spectrum zien, van agents die iemand stap voor stap bedient tot agents die iemand alleen in de gaten houdt.

Kunnen autonome agents aankopen of betalingen doen?

Sommige agents kunnen helpen bij aankopen, afhankelijk van de website, machtigingen en beveiligingsmaatregelen. Comet Assistant kan producten vergelijken en helpen bij het afrekenproces. Met Instant Buy van Perplexity kunnen in aanmerking komende gebruikers in de VS ondersteunde producten kopen binnen Perplexity, met PayPal als beschikbare afrekenoptie.

Zijn programmeervaardigheden nodig voor autonome agents?

Veel kant-en-klare agents kunnen zonder programmeren worden gebruikt. Op sommige platforms kunnen mensen ook agents bouwen via instructies in natuurlijke taal of een grafische interface. Programmeren kan nuttig zijn voor aangepaste integraties, debuggen en meer gespecialiseerd gedrag.