Het afgelopen jaar is de zakelijke AI-gemeenschap verwikkeld in een debat over hoeveel vrijheid ze AI-agenten moeten geven. Te weinig en je krijgt dure workflowautomatisering die het label ‘agent’ nauwelijks rechtvaardigt. Te veel en je krijgt het soort rampen bij het verwijderen van gegevens waar early adopters van tools als OpenClaw last van hadden. Deze week heeft Google Labs een update uitgebracht voor Opaalhet is een visuele agentbouwer zonder code die stilletjes op een antwoord terechtkomt – en die lessen bevat die elke IT-leider die een agentstrategie plant nauwlettend zou moeten bestuderen.
De update introduceert wat Google een ‘agentfase’ noemt die de voorheen statische, drag-and-drop-workflows van Opal transformeert in dynamische, interactieve ervaringen. In plaats van handmatig te specificeren welk model of hulpmiddel ze moeten oproepen en in welke volgorde, kunnen bouwers nu een doel definiëren en de agent het beste pad laten bepalen om dit te bereiken: tools kiezen, modellen zoals Gemini 3 Flash of Veo activeren voor het genereren van video’s, en zelfs gesprekken met gebruikers initiëren wanneer hij meer informatie nodig heeft.
Het klinkt als een bescheiden productupdate. Dat is het niet. Wat Google heeft geleverd is een werkende referentiearchitectuur voor de drie functies die zakelijke agenten in 2026 zullen definiëren:
-
Adaptieve routering
-
Aanhoudende herinnering
-
Human-in-the-loop-orkestratie
…en het wordt allemaal mogelijk gemaakt door de snel verbeterde redenering van grensmodellen zoals Gemini 3-serie.
De ‘off the rails’-spil: waarom betere modellen alles veranderen aan het ontwerp van agenten
Om te begrijpen waarom de Opal-update belangrijk is, moet je een verschuiving begrijpen die zich al maanden in het agenten-ecosysteem aan het opbouwen is.
De eerste golf van enterprise-agentframeworks – tools zoals de vroege versies van CrewAI en de eerste releases van LangGraph – werden gekenmerkt door een spanning tussen autonomie en controle. Vroege modellen waren simpelweg niet betrouwbaar genoeg om vertrouwd te worden bij open besluitvorming. Het resultaat was wat beoefenaars ‘agents op rails’ begonnen te noemen: strak beperkte workflows waarbij elk beslissingspunt, elke tooloproep en elk vertakkingspad vooraf moest worden gedefinieerd door een menselijke ontwikkelaar.
Deze aanpak werkte, maar was beperkt. Het bouwen van een agent op rails betekende anticiperen op elke mogelijke toestand waarin het systeem zich zou kunnen bevinden: een combinatorische nachtmerrie voor alles wat verder gaat dan eenvoudige, lineaire taken. Erger nog, het betekende dat agenten zich niet konden aanpassen aan nieuwe situaties, precies het vermogen dat agent-AI in de eerste plaats waardevol maakt.
De Gemini 3-serie vertegenwoordigt, samen met recente releases zoals Claude Opus 4.6 en Sonnet 4.6 van Anthropic, een drempel waar modellen betrouwbaar genoeg zijn geworden voor planning, redenering en zelfcorrectie, zodat de rails kunnen beginnen te vallen. Google’s eigen Opal-update is een erkenning van deze verschuiving. Voor de nieuwe agentstap hoeven bouwers niet elk pad vooraf te definiëren via een workflow. In plaats daarvan vertrouwt het op het onderliggende model om de doelen van de gebruiker te evalueren, de beschikbare tools te evalueren en dynamisch de optimale volgorde van acties te bepalen.
Dit is hetzelfde patroon dat de agentische workflows en tooloproepen van Claude Code levensvatbaar maakte: de modellen zijn goed genoeg om de volgende stap van de agent te bepalen, en vaak zelfs om zichzelf te corrigeren, zonder dat een mens elke fout handmatig moet reproduceren. Het verschil met Claude Code is dat Google deze mogelijkheid nu verpakt in een product zonder code voor consumenten – een sterk signaal dat de onderliggende technologie het experimentele stadium voorbij is.
Voor bedrijfsteams is de implicatie direct: als je nog steeds agent-architecturen ontwerpt die vooraf gedefinieerde paden naar eventuele onvoorziene omstandigheden vereisen, ben je waarschijnlijk aan het over-engineeren. De nieuwe generatie modellen ondersteunt een ontwerppatroon waarbij u doelen en beperkingen definieert, hulpmiddelen ter beschikking stelt en het model de routering laat afhandelen – een verschuiving van het programmeren van agenten naar het beheren ervan.
Cross-Session Memory: de functie die demo’s scheidt van productieagenten
De andere grote toevoeging in de Opal-update is persistent geheugen. Google staat Opals nu toe om informatie uit verschillende sessies te onthouden (gebruikersvoorkeuren, eerdere interacties, verzamelde context), waardoor agenten worden gemaakt die verbeteren door gebruik in plaats van elke keer opnieuw te beginnen.
Google heeft de technische implementatie achter het geheugensysteem van Opal niet onthuld. Maar het patroon zelf is goed ingeburgerd in de gemeenschap van agenten die bouwen. Tools zoals OpenClaw beheren het geheugen voornamelijk via markdown- en JSON-bestanden, een eenvoudige aanpak die goed werkt voor systemen met één gebruiker. Enterprise-implementaties worden geconfronteerd met een moeilijker probleem: het behoud van geheugen voor meerdere gebruikers, sessies en beveiligingsgrenzen zonder gevoelige context ertussen te lekken.
Deze kloof tussen het geheugen voor één gebruiker en dat voor meerdere gebruikers is een van de meest onderbelichte uitdagingen bij de inzet van enterprise-agents. Een persoonlijke codeerassistent die uw projectstructuur onthoudt, verschilt fundamenteel van een klantgerichte agent die aparte geheugenstatussen moet onderhouden voor duizenden gelijktijdige gebruikers en tegelijkertijd moet voldoen aan het beleid voor het bewaren van gegevens.
Wat de Opal-update aangeeft, is dat Google geheugen als een kernfunctie van de agentarchitectuur beschouwt, en niet als een optionele add-on. Voor IT-beslissers die agentplatforms beoordelen, zou dit de basis moeten zijn voor aankoopcriteria. Een agentframework zonder een duidelijke geheugenstrategie is er een die indrukwekkende demo’s zal opleveren, maar moeite heeft met de productie, waarbij de waarde van een agent wordt vergroot door herhaalde interacties met dezelfde gebruikers en datasets.
Human-in-the-loop is geen terugval, het is een ontwerppatroon
De derde pijler van de Opal-update is wat Google ‘interactieve chat’ noemt: de mogelijkheid voor een agent om de uitvoering te onderbreken, de gebruiker een vervolgvraag te stellen, ontbrekende informatie te verzamelen of keuzes te presenteren voordat hij verdergaat. In de terminologie van agentarchitectuur is dit human-in-the-loop-orkestratie, en de opname ervan in een consumentenproduct is veelzeggend.
De meest effectieve productiemiddelen van vandaag zijn niet volledig autonoom. Het zijn systemen die weten wanneer ze de grenzen van hun zelfvertrouwen hebben bereikt en op een elegante manier de controle aan een mens kunnen overdragen. Dit is het patroon dat betrouwbare bedrijfsagenten onderscheidt van het soort op hol geslagen autonome systemen dat in de hele sector tot waarschuwende verhalen heeft geleid.
In raamwerken als LangGraph wordt de human-in-the-loop traditioneel geïmplementeerd als een expliciet knooppunt in de grafiek: een hardgecodeerd controlepunt waar de uitvoering wordt onderbroken voor menselijke beoordeling. De aanpak van Opal is vloeiender: de agent beslist zelf wanneer hij menselijke input nodig heeft, op basis van de kwaliteit en volledigheid van de informatie waarover hij beschikt. Dit is een natuurlijker interactiepatroon dat beter schaalbaar is, omdat de ontwikkelaar niet van tevoren hoeft te voorspellen waar menselijke tussenkomst precies nodig zal zijn.
Voor enterprise-architecten is de les dat de mens-in-de-lus niet alleen moet worden behandeld als een vangnet dat wordt vastgeschroefd nadat de agent is gebouwd. Het zou een eersteklas mogelijkheid van het agentframework zelf moeten zijn – een mogelijkheid die het model dynamisch kan aanroepen op basis van zijn eigen inschatting van onzekerheid.
Dynamische routering: laat het model het pad bepalen
De laatste belangrijke functie is dynamische routering, waarbij bouwers meerdere paden door een workflow kunnen definiëren en de agent de juiste kunnen laten kiezen op basis van door de gebruiker gedefinieerde criteria. Het voorbeeld van Google is een executive briefing-agent die verschillende paden bewandelt, afhankelijk van of de gebruiker een ontmoeting heeft met een nieuwe of bestaande klant: in het ene geval zoekt hij op internet naar achtergrondinformatie en in het andere geval bekijkt hij interne vergadernotities.
Dit is conceptueel vergelijkbaar met de voorwaardelijke vertakking die LangGraph en soortgelijke raamwerken al enige tijd ondersteunen. Maar de implementatie van Opal verlaagt de barrière dramatisch doordat ontwikkelaars routeringscriteria in natuurlijke taal kunnen beschrijven in plaats van in code. Het model interpreteert de criteria en neemt de routeringsbeslissing in plaats van van een ontwikkelaar te eisen dat hij expliciete voorwaardelijke logica schrijft.
De implicaties voor het bedrijfsleven zijn aanzienlijk. Dynamische routering, aangestuurd door natuurlijke taalcriteria, betekent dat bedrijfsanalisten en domeinexperts (niet alleen ontwikkelaars) complex agentgedrag kunnen definiëren. Dit verplaatst de ontwikkeling van agenten van een puur technische discipline naar een discipline waarin domeinkennis het voornaamste knelpunt wordt, een verandering die de acceptatie door niet-technische bedrijfseenheden dramatisch kan versnellen.
Wat Google werkelijk aan het bouwen is: een agent-intelligentielaag
Het bredere patroon van de Opal-update gaat terug van individuele functies en is dat Google een intelligentielaag bouwt die zich bevindt tussen de intentie van de gebruiker en de uitvoering van complexe, uit meerdere stappen bestaande taken. Voortbouwend op de lessen die zijn geleerd van een interne agent-SDK genaamd ‘Broodplank”, is de agentstap niet zomaar een knooppunt in een workflow – het is er één orkestratie laag die modellen kunnen rekruteren, tools kunnen oproepen, geheugen kunnen beheren, dynamisch kunnen routeren en met mensen kunnen communiceren, allemaal aangedreven door de steeds betere redenering van de onderliggende Gemini-modellen.
Dit is hetzelfde architecturale patroon dat in de industrie opduikt. Claude Code van Anthropic, met zijn vermogen om codeertaken van de ene op de andere dag autonoom te beheren, vertrouwt op vergelijkbare principes: een capabel model, toegang tot tools, persistente context en feedbackloops die zelfcorrectie mogelijk maken. Ralph Wiggum-plug-in formaliseerde het inzicht dat modellen door hun eigen fouten heen kunnen worden geduwd om tot correcte oplossingen te komen – een brute-force-versie van de zelfcorrectie waarvan Opal nu een deel ervan verpakt in een gepolijste consumentenervaring.
Voor bedrijfsteams is het uitgangspunt dat de agentarchitectuur samenkomt op een gemeenschappelijke reeks primitieven: doelgerichte planning, toolgebruik, persistent geheugen, dynamische routering en mens-in-the-loop-orkestratie. Het onderscheidende kenmerk zal niet zijn welke primitieven u implementeert, maar hoe goed u ze integreert – en hoe effectief u gebruik maakt van de verbeterde mogelijkheden van grensmodellen om de hoeveelheid benodigde handmatige configuratie te verminderen.
Het praktische draaiboek voor ondernemersagentbouwers
Google levert deze mogelijkheden in een gratis, op de consument gericht product en zendt een duidelijke boodschap uit: de basispatronen voor het bouwen van effectieve AI-agenten zijn niet langer baanbrekend onderzoek. Ze zijn geproductiseerd. Enterprise-teams die hebben gewacht tot de technologie volwassen werd, hebben nu een referentie-implementatie die ze kosteloos kunnen bestuderen, testen en leren.
De praktische stappen zijn eenvoudig. Beoordeel eerst of uw huidige agent-architecturen te beperkt zijn. Als elk beslissingspunt hardgecodeerde logica vereist, profiteert u waarschijnlijk niet van de planningsmogelijkheden van de huidige grensmodellen. Ten tweede: geef prioriteit aan geheugen als een belangrijk architectonisch onderdeel, en niet als een bijzaak. Ten derde: ontwerp Human-in-the-loop als een dynamische mogelijkheid die de agent kan aanroepen, in plaats van als een vast controlepunt in een workflow. En ten vierde: onderzoek natuurlijke taalroutering als een manier om domeinexperts bij het ontwerpproces van agenten te betrekken.
Opal op zichzelf zal waarschijnlijk niet het platform zijn waar bedrijven gebruik van maken. Maar de ontwerppatronen die het belichaamt – adaptieve, geheugenrijke, mensbewuste agenten, aangedreven door grensmodellen – zijn de patronen die de volgende generatie zakelijke AI zullen definiëren. Google heeft zijn hand laten zien. De vraag voor IT-managers is of ze opletten.
