McKinsey bestudeerde 50 agentische AI-bouwprojecten en waar ze het meest falen, en reduceerde het tot 6 belangrijke factoren—essentieel voor AI-ingenieurs: 1. Het gaat niet om de agent, het gaat om de workflow. Maak je niet druk om "indrukwekkende" agents te bouwen. Denk aan het hele systeem, niet aan leuke speeltjes. 2. Agents zijn niet altijd het antwoord. Niet elke workflow heeft een multi-agent systeem nodig. Taken met een lage variantie en voorspelbaarheid worden het beste afgehandeld met regels of ML, LLM's voegen complexiteit toe. De grote winsten voor agents komen in processen met hoge variantie en rommelige situaties (bijv. complexe financiële informatie extraheren). 3. Vermijd "AI Slop". (veelvoorkomend) Focus op de lange termijn ontwikkeling van agents, zoals je zou doen met de ontwikkeling van een werknemer. Vergeet indrukwekkende demo's. Focus op benchmarks. Agents moeten duidelijke functiebeschrijvingen krijgen, worden ingewerkt en feedback ontvangen zodat ze regelmatig verbeteren. 4. Volg elke stap, niet alleen de uitkomsten. Agents opschalen zonder zichtbaarheid vraagt om stille mislukkingen. Denk na over het monitoren van elke fase van de workflow. Op deze manier kunnen teams fouten vroegtijdig opsporen, logica snel verfijnen en totale ineenstortingen vermijden. Wanneer fouten zich voordoen (en dat zullen ze), kun je volgen waar het misging en waarom. Sla dit niet over. 5. Hergebruik agents wanneer je kunt. Veel bedrijven verspillen tijd aan het bouwen van eenmalige agents voor elke taak. De slimste zet is het creëren van modulaire agentcomponenten (invoeren, extraheren, verifiëren, analyseren) die hergebruikt kunnen worden voor andere workflows. Het centraliseren van gevalideerde tools en prompts vermindert 30–50% van het overbodige werk, dit is geen grap. 6. Mensen blijven essentieel, maar in nieuwe rollen. Agents kunnen parseren, automatiseren en opschalen. Maar mensen bieden oordeel, afhandeling van randgevallen en creatieve probleemoplossing. De toekomst is niet agent versus mens, maar agent + mens. Dit zijn de fouten die startups en gevestigde bedrijven op grote schaal maken. Ze veroorzaken enorme schade aan reputatie en middelen. En nu weet je hoe je dit kunt vermijden.

Iedereen in het onderzoek verliest zijn verstand over dit nieuwe DeepSeek-artikel in Nature. Dit is geen troll, ze hebben daadwerkelijk een nieuw artikel gepubliceerd.

waarom trainen we modellen niet vooraf voor agentische taken? nou, deze jongens deden dat. en het werkte. dezelfde introduceerden een tussenstap na de pre-training en voor de post-training. ze synthetiseerden agentactiegegevens en hun AgentFounder-30B model stelt een nieuwe SOTA vast op 10 benchmarks. SFT heeft ook aanzienlijk kleinere verliezen na deze Agentic Continual Pre-training stap. waarom werkt dit? omdat algemene fundamentele modellen meestal geen agentische inductieve bias hebben, waardoor de last op de post-training komt. wanneer je multi-stap redenering en het gebruik van tools in de pre-training fase introduceert, vergemakkelijk je de weg voor de post-training, vooral wanneer je dit doet met een mix van korte en lange horizon agentische taken. wat betekent dit als je je bedrijf runt op agents of ze op enige schaal bouwt? je kunt gegevens synthetiseren tegen lage kosten, een fundamenteel model verder pre-trainen en het vervolgens post-trainen.