Interrupt 26 in Londen: Agents worden volwassen
AI
Roy Steunebrink
15 / 10 / 2026
5 minuten
Outernet, midden in de West End van Londen. Een zaal vol mensen die agents ontwerpen, ontwikkelen en deployen. LangChain bracht Interrupt dit jaar voor het eerst naar Londen en daarmee ook voor het eerst naar het Europese continent. Een buitenkans dus, die Frank, Hylke en ikzelf met beide handen aangrepen. Wat ons vooral opviel? De manier waarop we naar AI agents kijken, verandert.
De vraag is niet meer wat agents kunnen, dat weten we inmiddels. De vraag is hoe je ze elke dag een beetje beter maakt. En het antwoord dat in Londen steeds terugkwam, is niet verrassend: met nog meer AI.
Van verwondering naar werk
Op de mainstage stonden onder andere Orange, Roche, DHL, OVO, Monday en Jimdo. Bedrijven waar agents niet meer in een innovatielab zitten, maar in de operatie.
Het sterkste voorbeeld kwam van DB. Zij zetten agents in om technische CAD-tekeningen te digitaliseren. Werk dat eerst twee werkdagen kostte, deed hun agent in vijf minuten, tegen een fractie van de kosten. Dat zit hem niet in één slim model, maar in de manier van werken. Elke wijziging toetsen ze met evaluations op kwaliteit, snelheid en kosten. En omdat er bijna elke week een nieuwe model uitkomt, weten ze snel of dat beter presteert. Het harnas en de evaluations blijven bestaan, het model wissel je in. Zo wordt elke modelrelease een kans in plaats van een risico.
DB stond daarin niet alleen. Roche sprak over ‘paved roads with guardrails’, een geplaveide weg waarop teams binnen de kaders vol gas kunnen. OVO, Monday en Jimdo lieten zien hoe zij meten of een agent zijn werk goed doet, voor en na livegang. DHL ging in op de stap waarop veel projecten vastlopen. Van geslaagde experiment naar productie.
Agents zijn daarmee de fase van verwondering voorbij. Het echte werk is begonnen. En dat werk begint bij zien wat je agent eigenlijk doet.
De VAR voor je agent
Twijfel over een overtreding? Dan kijkt de VAR terug, stap voor stap en vanuit elke hoek, tot precies duidelijk is wat er gebeurde. Voor agents bestaat hetzelfde: de trace. Een volledige opname van elke stap die een agent zet, van de vraag die binnenkomt tot de tool die hij kiest en het antwoord dat hij geeft.
Dat klinkt technisch, maar het vormt de basis van alles wat in Londen werd besproken werd. Want om een agent te kunnen verbeteren, moet je eerst zien en begrijpen wat hij doet en waarom. Alleen zien dat er iets misgaat is niet genoeg. In het vak noemen we dat observability. En dat is inmiddels geen luxe meer, maar een noodzaak.
AI die meekijkt
LangChain gebruikte het event om AI Search te lanceren binnen LangSmith, hun platform om agents te volgen. Het idee is even simpel, als krachtig: je stelt een vraag in gewone taal en krijgt de gesprekken terug waarin het gebeurde. ‘’Raakte de klant gefrustreerd?’’ ‘’Zei de agent dat hij klaar was, terwijl hij dat niet was?’’.
Dat laatste voorbeeld zegt alles. Klassieke zoektechnieken persen een heel gesprek samen tot een rijtje getallen. Een agent die een taak echt afrond en een agent die dat alleen beweerd, ziet er dan vrijwel hetzelfde uit. AI Search kiest daarom een andere route. Een snel decisionmodel (Jev, if you know you know) leest elk gesprek daadwerkelijk en beoordeelt het op jouw vraag. Zo vind je precies de gesprekken waarin het misgaat, zonder er zelf duizenden door te lezen.
AI die controleert wat AI doet. Een jaar geleden klonk dat als een gedachte-experiment.
De cirkel sluit
LangChain oprichter en CEO Harrison Chase nam het nog een stap verder. Zijn verhaal ging over agents die in de loop van de tijd beter worden, en in een van de workshops kon je zien hoe dat er in de praktijk uitziet: LangSmith Engine. Waarvan V2 recentelijk is uitgebracht.
LangSmith Engine kijkt mee met een draaiende agent, herkent patronen in wat er misgaat, zoekt de oorzaak en stelt een oplossing voor. Inclusief een test die voorkomt dat hetzelfde probleem ooit terugkomt. De mens blijft in the loop en die beoordeelt en beslist, terwijl de machine het speurwerk doet
Daarmee sluit de cirkel van de agent development lifecycle. Van eerste prototype via productie naar monitoring en verbetering, constant. Wat tot nu toe handwerk was, wordt een doorlopend cyclisch proces.
Waar dit naartoe gaat
De afgelopen jaren draaide AI om één vraag: wie heeft het beste model? Na Londen durf ik te zeggen dat die vraag haar langste tijd heeft gehad. Modellen worden beter, goedkoper en inwisselbaar. Dat verandert waar de intelligentie van een organisatie zit. Niet in het model, dat huur je. Wel in het harnas eromheen. De kennis en context die je een agent meegeeft, de tools en koppelingen met je systemen, de vangrails die zorgen voor controle, de evaluations die vastleggen wat goed is en de traces die inzicht geven in wat er gebeurt. En in de cirkel waarin je dat harnas blijft aanscherpen.
LangChain noemt het ‘own your intelligence’. Wie zijn harnas zelf in handen heeft, wisselt van model zonder iets kwijt te raken. Wie het volledig bij één leverancier onderbrengt, huurt uiteindelijk zijn eigen intelligentie terug.
De organisaties die dat nu inrichten, bouwen een voorsprong op die zich elke dag een beetje verder uitbreidt. Een agent die zichzelf beter maakt, wordt elke week waardevoller. Een agent die stilstaat, gaat achteruit.
Precies daarom waren we bij Interrupt 26. Bijblijven kan ook vanaf de bank, met een goede nieuwsbrief. Begrijpen waar het vak naar toe gaat, doe je in de zaal, tussen de mensen die het bouwen. En die richting is helder: het gaat hard, en het gaat de goede kant op.