📈 economics

Advances in Agentic AI: Back to the Future

Dit paper biedt een gestructureerd analytisch kader voor Agentic AI door de concepten te definiëren, de evolutie van algoritmisatie te schetsen en het onderscheid te maken tussen het bestaande M1-platform en het nieuwe M2-architectuurmodel voor strategische B2B-transformatie, waarna een vooruitblikkend onderzoeksagenda wordt gepresenteerd.

Oorspronkelijke auteurs: Sergio Alvarez-Telena, Marta Diez-Fernandez

Gepubliceerd 2026-03-26

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sergio Alvarez-Telena, Marta Diez-Fernandez

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Agentic AI: Een Reis Terug Naar de Toekomst
(Een simpele uitleg van het complexe paper)

Stel je voor dat je een gigantische, moderne stad wilt bouwen. De wereld is momenteel gefascineerd door Agentic AI (AI-agenten die zelfstandig taken uitvoeren). Maar volgens dit paper is er een groot misverstand. Iedereen denkt dat je de stad kunt bouwen door alleen maar de beste stenen te hebben. De auteurs zeggen: "Nee, de stenen zijn belangrijk, maar het echte geheim zit in het bouwplan en de architect."

Hier is de uitleg, vertaald naar alledaags taal en met creatieve vergelijkingen.

1. Het Grote Misverstand: De "Magische" Stenen (LLM's)

Momenteel denken veel bedrijven dat AI alles kan oplossen als ze maar een Groot Taalmodel (LLM) gebruiken. Dit zijn de modellen die ChatGPT en soortgelijke tools aandrijven.

De vergelijking: Stel je voor dat een LLM een geniale, maar dronken schrijver is. Hij kent alle boeken ter wereld en kan prachtige zinnen maken. Maar als je hem vraagt om een brug te bouwen, zal hij misschien een prachtig gedicht over een brug schrijven, terwijl de brug zelf instort. Hij "hallucineert" (droomt dingen in) omdat hij statistisch raadt wat het volgende woord moet zijn, in plaats van feitelijke logica te volgen.
Het probleem: Bedrijven proberen deze "dronken schrijver" direct in hun fabriek of bank te zetten. Dat is gevaarlijk. Het is alsof je een tovenaar aanstelt om je auto te besturen; hij kan mooie verhalen vertellen, maar hij kent de verkeersregels niet en kan ongelukken veroorzaken.

2. De Twee Machines: M1 en M2

De auteurs splitsen Machine Learning op in twee delen: Learning (L) en Machine (M).

M1 (De Stenenfabriek): Dit is het maken van de intelligente modellen (de "Learning"). Dit is wetenschappelijk werk. Omdat iedereen deze stenen nu kan kopen (ze zijn een "commodity"), is het geen geheim meer. Het is als het hebben van de beste cementmixer. Iedereen heeft die.
M2 (De Architect en de Bouwplannen): Dit is het echte geheim. M2 is het systeem dat bepaalt hoe die stenen gebruikt worden. Het is de architect die weet hoe je een brug bouwt die niet instort, hoe je de verkeerslichten regelt en hoe je zorgt dat de brandweer erbij kan komen als er iets misgaat.
- De kernboodschap: De toekomst ligt niet bij wie de beste stenen heeft (M1), maar bij wie het slimste bouwplan heeft (M2).

3. Twee Manieren om te Bouwen: "Vibe Coding" vs. Strategie

Er zijn twee manieren om deze AI te gebruiken:

Methode A: De "Vibe" Methode (LLM-gebaseerd):
Je zegt tegen de computer: "Bouwt iets leuks!" en hoopt dat het werkt. Dit is wat nu populair is. Het is als proberen een huis te bouwen door te gissen welke bakstenen je nodig hebt. Het werkt misschien voor een tuinhuisje, maar niet voor een wolkenkrabber. Het is onbetrouwbaar en duur.
Methode B: De Strategie Methode (Strategies-based):
Dit is wat de auteurs doen. Ze beginnen met de allerzwaarste, moeilijkste taken (zoals handelen op de beurs of cyberveiligheid) en bouwen daar een perfect systeem omheen. Vervolgens passen ze diezelfde strenge regels toe op alles: HR, marketing, logistiek.
- De vergelijking: Het is als een zwembadteam. Je begint met de beste zwemmers (de moeilijkste taken) en bouwt een systeem dat zorgt dat ze perfect samenwerken. Daarna gebruik je diezelfde discipline voor de recreatieve zwemmers. Het systeem is strak, voorspelbaar en veilig.

4. Waarom Bedrijven Falen (De 95% Fout)

Het paper zegt dat 95% van de AI-projecten faalt. Waarom?

Verkeerde volgorde: Bedrijven proberen AI toe te voegen aan een rommelig bedrijf. Het is alsof je een Formule 1-motor probeert te monteren in een oude fiets. De fiets (het bedrijf) is niet sterk genoeg.
De "Auditor" vs. De "Catalysator": Veel bedrijven laten hun eigen mensen (die goed zijn in controleren en rapporteren) proberen de verandering te leiden. Maar je hebt iemand nodig die de visie heeft en durft te bouwen. Het is alsof je de brandweerman vraagt om de brand te stichten; hij is goed in blussen, niet in bouwen.
Verwarring tussen Wetenschap en Toepassing: Wetenschappers maken mooie theorieën (de stenen). Bedrijven hebben mensen nodig die die theorieën omzetten in werkende machines (de architect). Die twee groepen praten vaak niet met elkaar.

5. De Oplossing: "Algorithmization"

De auteurs hebben een nieuw systeem bedacht, genaamd Algorithmization.

Het idee: In plaats van losse software-apps te kopen, bouw je een federatief ecosysteem. Denk aan een orkest.
- Elke muzikant (elke afdeling van het bedrijf) speelt zijn eigen instrument (heeft zijn eigen kennis).
- Maar ze spelen allemaal uit hetzelfde partituur (het M2-systeem).
- Als de dirigent (het systeem) een teken geeft, spelen ze perfect synchroon.
Het resultaat: Een bedrijf dat zichzelf kan aanpassen, veilig is tegen hackers, en waar AI echt werkt omdat het is ingebouwd in de structuur, niet als een plakband-oplossing.

6. Wat betekent dit voor de Toekomst?

Voor bedrijven: Je moet eerst je eigen bedrijf "op orde" maken voordat je AI kunt gebruiken. Je moet een "AI-first" bedrijf worden, niet alleen een bedrijf dat AI gebruikt.
Voor de economie: Landen die dit goed doen (de "Extreme-Efficient Nations") zullen de winnaars zijn. Het gaat niet meer om wie de slimste computer heeft, maar om wie het slimste systeem heeft om die computer te gebruiken.
Voor de mens: Mensen worden niet vervangen door robots. Mensen worden de dirigenten. De robots spelen de nootjes, maar de mens bepaalt het muziekstuk.

Samenvattend in één zin:
Stop met hopen dat een slimme chatbot je bedrijf gaat redden; bouw in plaats daarvan een strakke, slimme architectuur (M2) waarin die chatbot een veilige en nuttige rol speelt, net zoals een dirigent een orkest leidt. De toekomst hoort niet bij de "stenen", maar bij de "bouwmeesters".

Titel: Vooruitgang in Agentic AI: Terug naar de Toekomst

Auteurs: Sergio Álvarez-Teleña en Marta Díez-Fernández

1. Het Probleem: Conceptuele Verwarring en Architecturale Tekortkomingen

Het artikel identificeert een fundamenteel probleem in de huidige discours over Agentic AI: de onjuiste veronderstelling dat Agentic AI voornamelijk een uitbreiding is van Large Language Models (LLMs).

De Misvatting: Veel organisaties en beleidsmakers baseren hun transformatiestrategieën op LLM's. De auteurs stellen dat dit een structurele fout is. LLM's zijn statistische schatters die gebaseerd zijn op "vibe coding" (prompt-driven dialogue) en inherent last hebben van "hallucinaties" (die geen fouten zijn, maar een structurele eigenschap van hun schattingsproces).
De Risico's: Het integreren van LLM-based agents in productiesystemen (B2B) introduceert structurele ruis, onvoorspelbaarheid en compliance-risico's. Dit leidt tot een faalpercentage van ongeveer 95% bij AI-projecten, niet omdat AI niet werkt, maar omdat organisaties proberen AI toe te passen zonder de juiste architecturale basis.
De Oorzaak: Er is een verwarring tussen Science (het ontwikkelen van modellen $f(x)$ ), Science Applied (het toepassen van bestaande modellen op data) en Applied Science (het integreren van modellen met expert-heuristieken in operationele systemen). De huidige markt focust te veel op het eerste twee, terwijl de echte waarde ligt in het derde.

2. Methodologie: De Machine Theory of Agentic AI

De auteurs introduceren een nieuw theoretisch raamwerk dat Machine Learning (ML) ontleden in twee fundamenteel verschillende componenten: Learning (L) en Machine (M).

De Distinctie:
- Learning (L): De statistische modellen zelf ( $f(x)$ ). Dit wordt gezien als een commoditeit, gedreven door academische innovatie.
- Machine (M): De architectuur die de modellen operationaliseert, orchestreert en integreert met bedrijfslogica.
De Twee Machines (M1 en M2):
- M1 (De Eerste Machine): De infrastructuur nodig om de Learning-component te bouwen en te kalibreren. Dit omvat data-engineering, GPU-clusters, en het trainen van modellen (zoals LLM's). M1 is gericht op Science Applied.
- M2 (De Tweede Machine): De architectuur nodig om de Learning-component te consumeren en te integreren in een federale, strategische bedrijfsomgeving. M2 is gericht op Applied Science. Het combineert statistische modellen met menselijke heuristieken, compliance-regels, en operationele workflows tot een zelforchestrerend systeem.
Strategie vs. LLM:
- LLM-based M2: Gebaseerd op probabilistische generatie, beperkt in determinisme en schaalbaarheid voor kritieke B2B-processen.
- Strategies-based M2 (De kern van het voorstel): Een top-down architecturale discipline (geïnspireerd door algoritmische trading) die "if-then" logica orchestreert via federale "Smart Agents". Dit systeem is ontworpen voor productie, schaalbaarheid en robuustheid.

3. Belangrijkste Bijdragen

Het artikel biedt de volgende conceptuele en praktische bijdragen:

Definitie van Agentic AI: Agentic AI wordt herdefinieerd als niet de interactie met een chatbot, maar de federale uitvoering van algoritmen via modulaire computereenheden (Smart Agents).
Het M2-Concept: De introductie van Strategies-based Agentic AI als de enige haalbare weg voor productie-grade transformatie. Dit vereist een architectuur die heuristieken, modellen en datastromen combineert in een veerkrachtig ecosysteem.
De "Three-Layer Company" Model: Een kader voor organisaties dat onderscheid maakt tussen:
- M2 (de architecturale laag).
- Transformatie om het "right-to-play" te behouden.
- Transformatie om het "right-to-win" te beschermen en uit te breiden.
Validatie van de "Outlier"-Aanpak: De auteurs tonen aan dat hun methode, die afwijkt van de mainstream (99% technologie, 1% business in de vroege fase), leidt tot superieure architecturale resultaten. Ze demonstreren dit door hun eigen Centre of Excellence (SciTheWorld) te gebruiken als proeftuin.
Critische Analyse van LLM's: Een technisch onderbouwd argument waarom LLM's structureel ongeschikt zijn als ruggengraat voor complexe B2B-transformaties vanwege hun gebrek aan determinisme en hun afhankelijkheid van historische data (geen echte "out-of-sample" intelligentie).

4. Resultaten en Bewijsvoering

De auteurs baseren hun conclusies op een decennium aan onderzoek en industriële implementatie:

Succesvolle Implementatie: Ze hebben een volledig functionele M2-architectuur gebouwd en getest in complexe omgevingen, waaronder algoritmische trading (de meest complexe vorm van toegepaste wetenschap), cybersecurity, en portfoliobeheer.
Schaalbaarheid: De architectuur is succesvol toegepast op afdalend niveau: van producten naar afdelingen, bedrijven, sectoren en zelfs nationale strategieën ("Extreme-Efficient Nations").
Erkenning: Het werk is erkend door toonaangevende instanties zoals de Bank van Engeland, J.P. Morgan, en diverse universiteiten (UCL, Oxford Saïd). Het heeft prijzen gewonnen voor innovatie in simulatie en AI.
Valuatie: Ondanks het gebrek aan traditionele commerciële groei (geen massale verkoop, maar "word-of-mouth"), heeft de organisatie een "unicorn"-waardering bereikt op basis van de unieke waarde van hun M2-architectuur.
LLM-Validatie-experiment: In een appendix tonen de auteurs aan dat een LLM (Claude) aanvankelijk kritisch was op hun paper (gebaseerd op standaard biases), maar na het krijgen van de juiste context en documentatie de uniciteit en het potentieel van hun werk erkende. Dit dient als bewijs voor hun theorie over "Augmented Machines" (mens + AI samenwerking).

5. Betekenis en Toekomstvisie

De betekenis van dit artikel gaat verder dan technologie; het is een economisch en strategisch manifest:

Paradigmaverschuiving: De toekomst van concurrentie ligt niet in wie het slimste model ( $f(x)$ ) heeft, maar in wie de beste Machine (M2) heeft om die modellen te consumeren en te orchestreerden.
Organisatorische Transformatie: AI adoptie vereist eerst een organisatorische transformatie. Bedrijven moeten "on-platform" worden voordat ze AI effectief kunnen inzetten.
Nationale Veiligheid en Economie: De auteurs stellen dat landen die M2 beheersen (consumptie van AI) een strategisch voordeel hebben ten opzichte van landen die alleen focussen op het creëren van AI (M1). Dit heeft implicaties voor defensie (niet-fysieke oorlogsvoering via markten) en het BBP.
Nieuwe Kunstvorm: Ze introduceren het concept van "Orthogonal Art", waarbij complexe schematische representaties van AI-architecturen worden gezien als een nieuwe vorm van kunst en communicatie die machines niet zomaar kunnen reproduceren.

Conclusie:
Het artikel concludeert dat de huidige hype rondom LLM's een "bubbel" is die gebaseerd is op een misverstand van wat Agentic AI werkelijk is. De ware transformatie naar een efficiënte, schaalbare en veilige AI-toekomst vereist de overstap van Science Applied (modellen bouwen) naar Applied Science (modellen integreren in een strategische, federale machine). Dit is de weg naar "Strategies-based Agentic AI", de enige weg die leidt tot echte, duurzame concurrentievoordelen.