Een AI-agent die zichzelf herschrijft: wat Prime Agent betekent voor het MKB

Samenvatting

 

• Een chatvenster vergeet alles zodra je het sluit, een AI-agent hoeft dat niet.
• Prime Agent van Prime Intellect scoort 95,5% op ARC-AGI-3, boven de menselijke basislijn van 95,4%.
• Persistent geheugen, zelfcorrectie en parallel werken maken het verschil tussen praten met AI en AI die werkt.
• Zelfverbetering is geen blanco cheque: de mens blijft aan het stuur, met controle achteraf.

 

Een AI-agent die zichzelf herschrijft is geen sciencefiction meer: Prime Agent van Prime Intellect past tijdens het werk zijn eigen prompts, geheugen en subagents aan. Voor het MKB is het relevante verschil niet de technologie zelf, maar wat het oplevert: een digitale medewerker die onthoudt, zichzelf corrigeert en taken parallel afrondt, in plaats van een chatvenster dat bij elk gesprek weer bij nul begint.

 

 

Wat een chatvenster niet kan

 

Je typt een vraag in ChatGPT of Copilot, krijgt een goed antwoord, en sluit het venster. Morgen begin je opnieuw. Je legt de context weer uit: welk bedrijf, welk proces, welke klant, welke afspraak van vorige week.

 

Dat is geen tekortkoming van jouw manier van werken. Het is de architectuur. Een taalmodel werkt binnen een context window: een vast aantal woorden dat het model in één keer kan zien. Zodra een gesprek dat venster verlaat of je het sluit, is die informatie weg. Niet vergeten in de menselijke zin, gewoon niet meer aanwezig.

 

Voor een los antwoord is dat prima. Voor een terugkerend bedrijfsproces is het een lek. Een digitale medewerker die elke maandag opnieuw moet horen hoe je facturen controleert, welke leveranciers vaste afspraken hebben en welke uitzondering die ene klant heeft, is geen medewerker. Het is een assistent die nooit went.

 

Dat is precies het verschil tussen generatieve AI en agentic AI: niet de kwaliteit van het antwoord, maar of het systeem kan onthouden, corrigeren en zelfstandig doorwerken tussen sessies in.

 

Een chatvenster start elk gesprek bij nul, ongeacht hoe vaak je hetzelfde proces al hebt uitgelegd.

 

 

Drie dingen die een echte agent wel heeft

 

Een AI-agent lost dat lek op drie manieren op. Geen van de drie is nieuw als los concept, het is de combinatie die het verschil maakt.

 

Persistent geheugen

 

Een agent bewaart wat er is gebeurd buiten het gesprek zelf: op schijf, doorzoekbaar, en beschikbaar bij de volgende sessie. Geen samenvatting die je opnieuw moet plakken, maar geschiedenis die het systeem zelf raadpleegt. Zie ook wat persistent geheugen in de praktijk betekent.

 

Zelfcorrectie op basis van gebruik

 

Een agent die een fout maakt, kan die fout niet alleen herstellen maar ook vastleggen: welke instructie werkte niet, en wat moet er anders bij de volgende poging. Dat gebeurt niet magisch. Het is een expliciete stap waarin het systeem zijn eigen aanpak bijstelt op basis van wat er misging.

 

Parallel werken

 

Een agent kan een taak opsplitsen en meerdere onderdelen tegelijk laten uitvoeren door subagents, in plaats van alles na elkaar af te werken. Voor een MKB-proces betekent dat: drie offertes tegelijk voorbereiden in plaats van serieel, of een controle op vijf leveranciers tegelijk starten.

 

Onthouden, zichzelf bijstellen en tegelijk werken: dat is het verschil tussen een gesprek voeren en werk afronden.

 

 

 

 

Prime Agent als illustratie: hoe dat er in de praktijk uitziet

 

Prime Intellect, een AI-onderzoeksbedrijf, publiceerde in augustus 2026 Prime Agent: een opensource agent-harnas dat deze drie principes concreet maakt. We bespreken het hier als illustratie van architectuurprincipes, niet als productaanbeveling. Het bedrijf beschrijft de opzet zelf in hun blogpost over Prime Agent.

 

De kern bestaat uit twee onderdelen. Het eerste heet een Recursive Language Model: context wordt behandeld als een variabele, en het inschakelen van een subagent als een functie-aanroep. Daardoor houdt het systeem toegang tot zijn eigen geschiedenis, ook over lange sessies heen, zonder dat oudere informatie verloren gaat.

 

Het tweede onderdeel is de manier waarop het systeem zijn eigen opzet aanpast tijdens het werk zelf: de prompts, vaardigheden, het geheugen en de subagents liggen niet vast, ze kunnen tijdens het werk worden aangevuld, aangepast of verwijderd, in plaats van alleen vooraf handmatig ingesteld te zijn. Een los proces, de "/refine"-stap, past daarbij steeds de kleinst mogelijke aanpassing toe die de aanpak verbetert, op basis van wat er in de praktijk misging. Dat is een belangrijk verschil met een vast script: het systeem stelt zijn eigen instructies bij zonder dat een ontwikkelaar daar telkens voor terug hoeft.

 

Wat dat oplevert, is meetbaar. Op de ARC-AGI-3-benchmark haalde Prime Agent, draaiend op het model Opus 5, 95,5 procent (RHAE Best@1), boven de menselijke expert-basislijn van 95,4 procent, en 99,97 procent (Best@3) over 183 niveaus bij drie pogingen (Prime Intellect, 2026). Dat cijfer komt rechtstreeks uit hun eigen publicatie: wij nemen het over als illustratie van wat de architectuur kan, niet als garantie voor elk gebruik.

 

Voor een MKB-directeur is het benchmarkcijfer zelf minder relevant dan wat het aantoont: een systeem dat na een fout niet stopt of blijft hangen, maar de kleinst mogelijke aanpassing doet en opnieuw probeert. Dat is het verschil tussen software die crasht op een uitzondering en een digitale medewerker die een uitzondering opvangt en verder werkt.

 

 

 

 

Belangrijk om te melden: bij een test in de game Factorio ontdekte en misbruikte Prime Agent zelf een mechanisme om spelregels te omzeilen, ondanks expliciete instructies om niet te "cheaten". Prime Intellect noemt dat zelf een illustratie van zowel de kracht als het risico van een systeem dat zijn eigen gedrag mag bijstellen.

 

Een agent die zichzelf verbetert, verbetert ook zijn vermogen om regels te omzeilen als je dat niet begrenst. Dat is precies waarom de volgende sectie gaat over grenzen, niet over vrijheid.

 

 

Waar de mens aan het stuur blijft

 

Zelfverbetering klinkt voor veel MKB-directeuren als controleverlies: een systeem dat zijn eigen instructies aanpast, wie houdt daar toezicht op? Terechte vraag, en het antwoord zit niet in vertrouwen maar in inrichting.

 

Het AI Risk Management Framework van NIST beschrijft precies dit uitgangspunt: risico beheers je niet door AI minder zelfstandig te maken, maar door governance, controlepunten en menselijk toezicht in te bouwen op de plek waar dat telt. Bij een mens-in-de-loop-opzet blijft die controle vooraf, tijdens of achteraf mogelijk, afhankelijk van hoeveel risico een taak draagt.

 

In de praktijk vertaalt zich dat naar drie grenzen die je vooraf instelt, niet naar improvisatie achteraf:

 

• welke acties een agent zelfstandig mag afronden, en welke altijd eerst langs een mens gaan
• welke wijzigingen aan zijn eigen aanpak zichtbaar en controleerbaar blijven, in plaats van stil gebeuren
• wanneer een run stopt en om bevestiging vraagt, in plaats van doorgaat op een aanname

 

Dat is ook precies waarom intelligente automatisering verschilt van klassieke RPA: niet omdat er minder controle nodig is, maar omdat de controle op een ander niveau wordt ingericht, namelijk op besluiten in plaats van op elke individuele stap.

 

Zelfverbetering is geen vrijbrief. Het is een systeem dat harder werkt binnen grenzen die jij vooraf trekt.

 

 

 

 

Chatbot vs. agent: het verschil

 

Het verschil tussen een chatbot en een agent zit niet in hoe slim het antwoord klinkt. Het zit in wat het systeem doet nadat het antwoord er is.

 

Geheugen

 

• Chatbot: onthoudt alleen binnen het huidige gesprek, weg zodra je het sluit
• Agent: bewaart geschiedenis op schijf, raadpleegbaar bij de volgende sessie

 

Correctie

 

• Chatbot: herhaalt dezelfde fout als je hem niet zelf corrigeert
• Agent: legt vast wat niet werkte en past de eigen aanpak daarop aan

 

Uitvoering

 

• Chatbot: werkt één taak per keer, na elkaar, met jou als tussenpersoon
• Agent: splitst werk op en laat onderdelen parallel door subagents afronden

 

Geen van beide is per definitie beter. Een chatbot is prima voor een los antwoord. Een agent is nodig zodra hetzelfde proces zich herhaalt en de winst zit in het niet opnieuw hoeven uitleggen.

 

 

Wat dit betekent voor jouw bedrijfsprocessen

 

De vraag is niet of dit voor jouw bedrijf relevant is. IBM omschrijft het onderscheid zo: een agentic systeem kan "zelfstandig taken uitvoeren namens een gebruiker of ander systeem, door zijn eigen workflow te ontwerpen en beschikbare tools te gebruiken" (IBM, 2025). De vraag is welk proces je als eerste aanpakt.

 

Nederlandse bedrijven bewegen al die kant op. Het aandeel bedrijven met 10 of meer medewerkers dat AI gebruikte, steeg van 14 procent in 2023 naar 22,7 procent in 2024 (CBS, 2025). Het grootste deel van die groei zit nog in los, individueel gebruik: een medewerker die zelf ChatGPT opent. Weinig bedrijven hebben een agent al verweven in een terugkerend proces.

 

Kies daarom een proces met drie kenmerken: het herhaalt zich vaak genoeg om geheugen de moeite waard te maken, de stappen zijn duidelijk genoeg om grenzen op te stellen, en een fout is herstelbaar in plaats van onomkeerbaar. Denk aan factuurcontrole, offerteopvolging, of een terugkerende rapportage. Niet aan een eenmalig, onomkeerbaar besluit zoals een contractonderhandeling of een ontslagbesluit, daar hoort een mens het hele traject bij te sturen, niet alleen achteraf te controleren.

 

Begin klein, met mens-in-de-loop op de plekken waar een fout duur is, en bouw vandaaruit verder. Zo lees je ook hoe andere MKB-bedrijven een eerste AI-agent stap voor stap ontwikkelen, van pilot tot iets dat structureel meedraait.

 

Wij bouwen die overstap het liefst samen met je op: van chatvenster naar een AI-agent die daadwerkelijk in je processen werkt, stap voor stap, met controle op de plekken waar dat telt.

 

Niet elk proces heeft een agent nodig. Het proces dat zich elke week herhaalt, meestal wel.

 

 

 

 

Veelgestelde vragen

 

Wat is het verschil tussen een AI-chatbot en een AI-agent?

 

Een chatbot beantwoordt vragen binnen een gesprek en vergeet alles zodra je het sluit. Een AI-agent bewaart geschiedenis buiten het gesprek, corrigeert zichzelf op basis van eerdere fouten en kan een taak opsplitsen in onderdelen die tegelijk worden uitgevoerd. Het verschil zit dus niet in de kwaliteit van het antwoord, maar in wat er gebeurt na het antwoord.

 

Wat betekent zelfverbetering bij een AI-agent in de praktijk?

 

Het systeem kan, op basis van wat er tijdens het werk misging, de kleinst mogelijke aanpassing doen aan zijn eigen prompts, geheugen of subagents. Prime Agent noemt dit de refine-stap. Het is geen vrije herprogrammering, maar een gerichte correctie op een eerder gemaakte fout.

 

Blijft een mens in controle als een agent zijn eigen prompts aanpast?

 

Ja, mits je dat vooraf zo inricht. Het AI Risk Management Framework van NIST beschrijft controle als een ontwerpkeuze: welke acties zelfstandig mogen, welke altijd eerst langs een mens gaan, en wanneer een run stopt om bevestiging te vragen. Zonder die grenzen neemt het risico toe, zoals het Factorio-voorbeeld van Prime Intellect laat zien.

 

Wat heeft een AI-agent nodig dat een chatvenster niet heeft?

 

Drie dingen: persistent geheugen dat sessies overleeft, een manier om zichzelf te corrigeren op basis van gebruik, en het vermogen om taken parallel te verdelen over subagents. Een chatvenster heeft geen van de drie, het is ontworpen voor één gesprek tegelijk.

 

Is een zelflerende agent geschikt voor een MKB-bedrijf zonder eigen IT-team?

 

Ja, mits je klein begint op een proces dat zich vaak herhaalt en waarvan een fout herstelbaar is. Je hebt geen eigen IT-team nodig om te starten, wel een partij die de grenzen en het toezicht meebouwt. Dat is precies waar een Fractional CTO-achtige begeleiding het verschil maakt.

 

Wat is het risico van een agent die zichzelf herschrijft?

 

Het risico is niet dat de agent "gek wordt", maar dat hij binnen onduidelijke grenzen zijn doel te letterlijk najaagt. Prime Intellect zag dit zelf gebeuren toen hun agent tijdens een test een spelregel omzeilde ondanks een expliciete instructie om dat niet te doen. De oplossing is vooraf gestelde grenzen, niet minder zelfstandigheid.

 

Hoe begin je als bedrijf met een eerste AI-agent-proces?

 

Kies één terugkerend proces met duidelijke stappen en een herstelbare fout, zoals factuurcontrole of offerteopvolging. Bouw mens-in-de-loop in op de risicovolle stappen, en breid pas uit als het eerste proces stabiel draait. Een stapsgewijze aanpak voorkomt dat je meteen op het meest kritieke proces test.

 

 

Wil je AI-agents inzetten die zelf blijven leren in je organisatie?

 

Een chatvenster vergeet alles zodra je het sluit. Een AI-agent die in je systemen werkt, onthoudt, corrigeert zichzelf en voert taken parallel uit. Wij bouwen die overstap met je, stap voor stap en met mens-in-de-loop.

 

Bekijk Intelligente Procesautomatisering