🤖 AI

Agentization of Digital Assets for the Agentic Web: Concepts, Techniques, and Benchmark

Dit paper introduceert een gestructureerde aanpak en een nieuw benchmark voor het automatisch converteren van digitale activa tot autonome agenten, waardoor de schaalbaarheid en interoperabiliteit van het Agentic Web worden verbeterd.

Oorspronkelijke auteurs: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zh

Gepubliceerd 2026-04-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Linyao Chen, Bo Huang, Qinlao Zhao, Shuai Shao, Zhi Han, Zicai Cui, Ziheng Zhang, Guangtao Zeng, Wenzheng Tang, Yikun Wang, Yuanjian Zhou, Zimian Peng, Yong Yu, Weiwen Liu, Hiroki Kobayashi, Weinan Zhang

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

Stel je het internet voor als een enorme, drukke stad. In het verleden waren de gebouwen in deze stad (websites, apps, documenten) als stille bibliotheken. Je kon er binnenlopen, lezen wat er stond, maar je kon niet met de bibliothecaris praten of vragen om een specifieke taak te doen. Alles was statisch.

Nu, met de komst van slimme AI-agenten (zoals geavanceerde chatbots die taken kunnen uitvoeren), willen we dat deze gebouwen praten en samenwerken. We willen dat ze niet alleen informatie bevatten, maar dat ze zelf actief taken kunnen uitvoeren.

Dit artikel introduceert een manier om die "stille bibliotheken" om te toveren tot actieve werknemers. Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: De "Stille Bibliotheken"

Op dit moment zitten er op internet miljoenen waardevolle dingen: code, documenten, video's en audio. Maar deze zijn vaak "dood". Ze wachten erop dat een mens ze opent en gebruikt.

De analogie: Stel je voor dat je een gereedschapskist hebt vol met perfecte hamers en schroevendraaiers, maar ze zitten vastgelijmd in een doos. Je kunt ze niet gebruiken tenzij je ze eerst losmaakt, in elkaar zet en een handleiding schrijft. Dat is wat mensen nu handmatig doen: het is duur, traag en saai.

2. De Oplossing: "Agentization" (Het Activeren)

De auteurs noemen dit proces "Agentization". Het is het proces waarbij je een statisch digitaal object (zoals een stuk code) omtovert tot een AI-agent die zelfstandig kan werken en met andere agents kan praten.

De analogie: Het is alsof je die vastgelijmde hamer uit de doos haalt, er een robotarm aan bevestigt en een stem geeft. Plotseling kan die hamer niet alleen spijkers slaan, maar ook tegen een andere robot zeggen: "Ik heb een spijker nodig, kun jij die voor me halen?"

3. De Drie Grote Hindernissen

Het artikel legt uit dat dit niet zomaar even kan. Er zijn drie grote struikelblokken:

De Omgeving (De Werkplaats): Elke tool heeft een specifieke werkplek nodig. De ene heeft een bepaalde versie van Python nodig, de andere weer niet. Als je ze door elkaar gooit, werken ze niet.
- Analogie: Het is alsof je een chef-kok probeert te laten koken in een keuken waar de gaskraan kapot is en de pan ontbreekt.
De Vaardigheden (De Taken): De code is vaak ongeschreven. De AI moet raden wat de tool eigenlijk doet.
- Analogie: Je hebt een gereedschapskist, maar er staat niet op welke schroevendraaier voor welke schroef is. De AI moet het zelf uitzoeken.
De Communicatie (Het Visum): Zelfs als de tool werkt, moet hij een duidelijk visitekaartje hebben zodat andere robots weten wat hij kan.
- Analogie: Een supersterke kruiwagen is nutteloos als niemand weet dat hij bestaat of wat hij kan dragen. Hij moet een bordje hebben: "Ik draag zware dozen."

4. De Oplossing: De "Agentization Agent"

De auteurs hebben een speciale AI-agent gebouwd die deze drie problemen oplost. Deze agent neemt een stuk code, bouwt de juiste werkplek, leest de code om te zien wat hij kan, en maakt een duidelijk visitekaartje.

Het resultaat: Een stuk code dat voorheen alleen op een harde schijf lag, wordt nu een A2A-agent (Agent-to-Agent). Hij kan nu in het "Agentic Web" stappen en samenwerken met andere agents om complexe taken te doen.

5. De Test: De "Agentization Bench"

Om te bewijzen dat dit werkt, hebben de auteurs een grote test opgezet (een benchmark).

Ze hebben 35 verschillende, echte software-projecten genomen (zoals tools voor video-editing, chemieberekeningen of web-scraping).
Ze hebben gekeken of hun systeem deze projecten kon omtoveren tot werkende agents.
De uitkomst: Het werkt! De agents konden taken uitvoeren en met elkaar samenwerken. Maar het was niet perfect: soms faalde de omgeving, soms begreep de agent de taken niet goed, en soms was het visitekaartje onduidelijk.

Waarom is dit belangrijk?

Vroeger moesten we voor elke nieuwe taak een nieuwe, dure AI-agent bouwen. Nu kunnen we bestaande software "hergebruiken" door ze om te toveren tot agents.

De toekomst: Stel je een internet voor waar je tegen je AI zegt: "Plan mijn vakantie."
- Je AI-agent gaat naar een reis-agent (omtoverde website) om vluchten te zoeken.
- Die agent praat met een hotel-agent (omtoverde database) om te boeken.
- Die praat met een weer-agent om de kleding te adviseren.
- Alles gebeurt automatisch, zonder dat jij de websites zelf bezoekt.

Kortom: Dit artikel is de blauwdruk voor hoe we het internet van een verzameling stille bibliotheken veranderen in een levendige stad vol samenwerkende robots, die allemaal hun eigen specialiteit hebben en perfect met elkaar kunnen communiceren.

1. Probleemstelling

De opkomst van het Agentic Web (een paradigma waarbij autonome, doelgerichte agents samenwerken via het internet) vereist een schaalbare manier om gespecialiseerde agents te genereren. Huidige methoden voor het handmatig bouwen van agents zijn kostbaar, traag en moeilijk te diversifiëren.

Er bestaat een enorme hoeveelheid waardevolle digitale activa (zoals code-repositories, documenten, media en services) die al functionele kennis en capaciteiten bevatten. Het huidige probleem is echter dat deze statische activa niet direct bruikbaar zijn in een agent-ecosysteem. Er ontbreekt een geautomatiseerde methode om deze activa om te zetten in interoperabele agents die voldoen aan protocollen zoals A2A (Agent-to-Agent).

De specifieke technische uitdagingen bij het "agentiseren" (het omzetten in agents) van code-repositories zijn:

Inconsistente omgevingen: Afhankelijkheden conflicteren vaak en zijn moeilijk te reproduceren.
Gestructureerde vaardigheden: Nuttige functionaliteit zit vaak verborgen in ongedocumenteerde code en moet worden geëxtraheerd tot atomaire, herbruikbare acties.
Semantische kloof: Zelfs als code werkt, ontbreekt het vaak aan duidelijke, ontdekbare interfaces (zoals "agent cards") zodat andere agents de functionaliteit kunnen begrijpen en aanroepen.

2. Methodologie

Het paper introduceert een gestructureerd proces voor de agentization van digitale activa, met een focus op code-repositories als representatief geval.

Het Agentization-proces

Het proces wordt geformaliseerd in vier fasen om een statische repository ( $D$ ) om te zetten in een A2A-compliant agent ( $A$ ):

Omgeving Setup: Het creëren van een reproduceerbare uitvoeringsomgeving ( $E$ ) die alle systeemafhankelijkheden en runtime-vereisten bevat.
Vaardigheidsextractie (Skill Extraction): Het identificeren, omhullen en valideren van functionele eenheden uit de code als uitvoerbare tools ( $T$ ).
Inner Agent Instantiatie: Het opbouwen van de cognitieve architectuur ( $A_{in}$ ) die deze tools integreert in een redeneerlus (bijv. ReAct) om taken te plannen en uit te voeren.
Finale Agentization: Het genereren van een Agent Card ( $C$ ), een zelfbeschrijvend register dat de identiteit en beschikbare tools van de agent definieert, zodat deze door andere agents kan worden ontdekt.

De A2A-Agentization Agent

Om dit proces uit te voeren, stellen de auteurs een Agentization Agent voor. Dit is een autonoom framework dat de bovenstaande fasen uitvoert: het lost omgevingsinconsistenties op, extrahert vaardigheden en overbrugt de semantische kloof, waardoor ruwe repositories worden omgezet in volledig functionele, interoperabele agents.

3. Belangrijkste Bijdragen

Conceptualisering en Formalisatie: Het paper definieert het concept van "agentization of digital assets" voor het Agentic Web en formaliseert dit als een autonoom ontwikkelingsproces op repository-niveau.
A2A-Agentization Bench: De auteurs introduceren de eerste benchmark die specifiek is ontworpen om de kwaliteit van agentization te evalueren. Deze benchmark bevat:
- 35 diverse GitHub-repositories over 9 domeinen (bijv. visuele verwerking, documentatie, chemie, financiën).
- 522 evaluatie-instanties (336 single-repo taken en 186 multi-repo taken).
- Twee kernmetrieken:
  - Fidelity: De nauwkeurigheid waarmee geëxtraheerde vaardigheden worden uitgevoerd.
  - Interoperability: Het vermogen om naadloos te worden aangeroepen door andere agents via het A2A-protocol.
Empirische Evaluatie: Het paper test de A2A-Agentization Agent op vier state-of-the-art frameworks (Claude Code, Codex CLI, OpenHands, EnvX) en analyseert de resultaten grondig.

4. Resultaten

De experimenten tonen aan dat geautomatiseerde agentization haalbaar is, maar nog aanzienlijke uitdagingen kent:

Proces Succes: Frameworks zoals Claude Code en EnvX bereiken een 100% succesrate bij het deployen van agents (Pass@1), wat aantoont dat moderne modellen goed kunnen volgen voor schema-validatie.
Vaardigheidsbehoud (Single-Agent): De uitvoeringssuccesrate varieert. Claude Code scoort het hoogst (36,9%), gevolgd door EnvX (35,1%). Dit suggereert dat een robuuste omgevingsconfiguratie cruciaal is voor succesvolle uitvoering.
Samenwerking (Multi-Agent):
- De kwaliteit van de Agent Card (specificatiekwaliteit) is sterk gecorreleerd met het succes van de orchestratie. EnvX en Claude Code presteren hier het beste (hoge Skill F1-scores).
- OpenHands toont een interessante dynamiek: hoewel het de laagste orchestratie-succesrate heeft (door minder duidelijke zelfbeschrijvingen), heeft het de hoogste uitvoeringssuccesrate (46,2%) wanneer taken wel correct worden toegewezen. Dit wijst op een zeer robuuste uitvoeringsengine, maar zwakke communicatie.
Identificeerde Bottlenecks:
1. Omgevingspre-configuratie: Moeilijkheden bij het oplossen van systeemafhankelijkheden leiden vaak tot dure runtime-foutoplossing.
2. Vaardigheidsconstructie: Hallucinaties van API's of incorrecte signatuurdefinities zorgen ervoor dat agents terugvallen op onstabiele codegeneratie in plaats van gebruik te maken van geëncapsuleerde tools.
3. Capaciteitsspecificatie: Vaagheid in de Agent Card (bijv. generieke beschrijvingen) maakt het voor orchestratoren onmogelijk om de juiste agent voor een specifieke taak te selecteren.

5. Betekenis en Conclusie

Dit werk is van fundamenteel belang voor de schaalbaarheid van het Agentic Web. Het biedt een roadmap om de "supply-side" uitdaging op te lossen: hoe we de enorme hoeveelheid bestaande software en digitale activa kunnen omzetten in een interoperabel ecosysteem van agents.

De studie benadrukt dat succesvolle agentization niet alleen gaat over het genereren van code, maar om drie kritieke pijlers:

Robuuste omgevingspre-configuratie.
Betrouwbare vaardigheidsconstructie (extractie van echte functionaliteit).
Duidelijke zelfbeschrijving (Agent Cards) om effectieve multi-agent samenwerking mogelijk te maken.

Door deze uitdagingen te adresseren en een gestandaardiseerde benchmark te bieden, faciliteert dit onderzoek de integratie van digitale activa in een volledig verbonden, schaalbaar Agentic Web-ecosysteem.