Agent loops moeten de promptfase van AI vervangen

Een nieuwe werkwijze met AI-agents wint snel aan aandacht: agent loops. In plaats van telkens nieuwe prompts te schrijven, geef je een AI-agent een duidelijk doel, instructies en succescriteria. Daarna voert het systeem de taak herhaald uit, controleert het de eigen voortgang en stuurt het zichzelf bij.

Van chatten naar laten uitvoeren

De volgende grote verschuiving in het werken met AI lijkt niet opnieuw een beter chatvenster te zijn, maar een andere manier van aansturen. Steeds meer ontwikkelaars en AI-bouwers praten over ‘agent loops’: herhaalbare workflows waarin een AI-agent niet wacht op elke volgende menselijke prompt, maar zelfstandig stappen blijft zetten tot een doel is bereikt.

Dat klinkt technisch, maar het verschil is eenvoudig. Bij klassiek prompten geef je een opdracht, bekijk je het antwoord, corrigeer je de AI en typ je opnieuw. Bij een loop geef je vooraf het doel, de spelregels en de meetlat. De agent plant vervolgens zelf de tussenstappen, voert acties uit, bekijkt het resultaat en beslist of er nog een ronde nodig is.

Boris Cherny en Peter Steinberger duwen het concept vooruit

De discussie kreeg de voorbije dagen extra gewicht door uitspraken van Boris Cherny, de maker van Claude Code. Hij zei recent dat hij zelf nauwelijks nog prompts schrijft, omdat een agent dat werk overneemt en Claude aanstuurt. Volgens Business Insider ziet Cherny loops als een van de ontwikkelingen waar hij over tien jaar het meest trots op zal zijn.

Ook Peter Steinberger, de maker van OpenClaw en inmiddels engineer bij OpenAI, wijst in dezelfde richting. Hij stelde op X dat gebruikers niet langer vooral prompts voor coding agents moeten schrijven, maar loops moeten ontwerpen die die agents aan het werk zetten. Business Insider omschrijft loop engineering daarom als een nieuwe laag boven prompt engineering: niet de losse instructie staat centraal, maar het proces dat telkens opnieuw instructies genereert, werk verdeelt en resultaten controleert.

Waarom loops beter passen bij agents

Agent loops sluiten aan bij wat moderne AI-agents al kunnen. Tools zoals Claude Code en OpenAI Codex kunnen code lezen, bestanden aanpassen, commando’s uitvoeren en externe tools aanroepen. Een recente analyse van Claude Code omschrijft de kern van zulke systemen als een eenvoudige herhalende lus: het model wordt aangeroepen, gebruikt tools, verwerkt de uitkomst en gaat opnieuw verder. De complexiteit zit vooral in alles eromheen: permissies, contextbeheer, extensies, subagents en logging.

Daarmee verschuift de rol van de gebruiker. Die wordt minder een promptschrijver en meer een ontwerper van werkprocessen. Een goede loop bevat een duidelijk doel, beperkingen, testcriteria en momenten waarop de agent zichzelf of een tweede agent laat controleren. Zeker bij softwareontwikkeling is dat belangrijk, omdat het model dat code schrijft niet altijd de beste beoordelaar is van zijn eigen werk.

Meer autonomie, maar ook meer risico

De belofte is groot. Agent loops kunnen repetitieve taken automatiseren, meerdere agents parallel laten werken en workflows laten doorgaan zonder dat iemand voortdurend naast het scherm zit. Denk aan code onderhouden, bugs triëren, documentatie bijwerken of tests laten draaien tot een probleem echt is opgelost.

Maar de nadelen zijn even duidelijk. Loops kunnen veel tokens verbruiken, fouten herhalen of te lang doorgaan als de succescriteria slecht zijn geformuleerd. Ook neemt het risico toe wanneer agents toegang krijgen tot bestanden, tools of externe systemen. Autonomie vraagt dus om grenzen: budgetlimieten, logging, reviewmomenten en duidelijke stopvoorwaarden.

De hype rond agent loops draait daarom niet alleen om meer automatisering. Het echte nieuws is dat AI-gebruik volwassener wordt. Wie goede resultaten wil, moet niet langer alleen de perfecte prompt zoeken, maar een betrouwbaar systeem ontwerpen waarin AI kan werken, controleren en bijsturen. Prompt engineering verdwijnt daarmee niet volledig, maar schuift op naar iets groters: procesontwerp voor autonome AI.

Een eenvoudig voorbeeld van een agent loop

Een eenvoudig voorbeeld van een agent loop voor een AI die een artikel nakijkt:

Doel:
Maak dit artikel publicatieklaar.

Instructies:
1. Lees het volledige artikel.
2. Controleer op feitelijke fouten, onduidelijke zinnen en doublures.
3. Herschrijf problematische stukken.
4. Controleer of de titel en intro goed aansluiten bij de inhoud.
5. Geef pas "klaar" terug als de tekst foutloos en publiceerbaar is.

Succescriteria:
- Geen taalfouten
- Geen herhaling
- Duidelijke structuur
- Titel dekt de inhoud
- Artikel is tussen 400 en 700 woorden

Loop:
1. Analyseer het artikel.
2. Maak verbeteringen.
3. Controleer je eigen verbeteringen.
4. Vergelijk het resultaat met de succescriteria.
5. Als iets nog niet klopt: ga terug naar stap 2.
6. Als alles klopt: lever de definitieve versie op.