Ik heb meer dan 12 productie AI-agent-systemen opgebouwd in ontwikkeling, DevOps en data-operaties.Hier is waarom de huidige hype rond autonome agenten wiskundig onmogelijk is en wat eigenlijk werkt in de productie. Iedereen zegt dat 2025 het jaar is van AI-agenten.De titels zijn overal: "Autonomous AI zal het werk transformeren", "Agents zijn de volgende grens", "De toekomst is agentisch." In het afgelopen jaar heb ik meer dan een dozijn productie-agent-systemen gebouwd in de hele levenscyclus van softwareontwikkeling: UI-generatoren die functionele React-componenten maken uit natuurlijke taal, code-refactoring-agenten die oude codebasen moderniseren, documentatiegeneratoren die API-documenten automatisch onderhouden en functionele generatoren die specificaties omzetten in werkende implementaties. Development agents Database-operatieagenten die complexe query's en migraties verwerken, DevOps-automatisering AI-systemen die infrastructuur-as-code beheren over meerdere cloudproviders. Data & Infrastructure agents AI-aangedreven CI/CD-pijpleidingen die lintproblemen oplossen, uitgebreide testsuites genereren, geautomatiseerde code-evaluaties uitvoeren en gedetailleerde trekverzoeken met de juiste beschrijvingen maken. Quality & Process agents Deze systemen werken. ze leveren echte waarde. ze besparen uren van handmatig werk elke dag. en dat is precies waarom ik denk dat veel van wat je hoort over 2025 "het jaar van agenten" belangrijke realiteiten mist. TL;DR: Three Hard Truths About AI Agents TL;DR: Drie harde waarheden over AI-agenten Na het bouwen van 12+ productiesystemen, hier is wat ik heb geleerd: Foutpercentages vermenigvuldigen zich exponentieel in multi-stap workflows. 95% betrouwbaarheid per stap = 36% succes over 20 stappen. 
 
 
 Contextvensters creëren vierkante tokenkosten.Lange gesprekken worden verboden duur op schaal. De echte uitdaging is niet AI-mogelijkheden, het is het ontwerpen van hulpmiddelen en feedback-systemen die agenten effectief kunnen gebruiken. De wiskundige werkelijkheid waar niemand over praat Hier is de ongemakkelijke waarheid dat elk AI-agentbedrijf ronddanst: foutcompounding maakt autonome multi-stap workflows wiskundig onmogelijk op productie-schaal. Als elke stap in een werkstroom van een agent 95% betrouwbaarheid heeft, wat optimistisch is voor de huidige LLM's, dan: 
 
 
 
 5 stappen = 77% succespercentage 10 stappen = 59% succes 20 stappen = 36% succes Productiesystemen hebben 99,9%+ betrouwbaarheid nodig. Zelfs als je magisch 99% per-stap betrouwbaarheid bereikt (die niemand heeft), krijg je nog steeds slechts 82% succes over 20 stappen. Dit is geen spoed engineering probleem. Dit is geen modelcapaciteit probleem. Dit is wiskundige realiteit. Mijn DevOps-agent werkt precies omdat het niet echt een 20-staps autonome workflow is. Het is 3-5 discrete, onafhankelijk controleerbare operaties met expliciete rollbackpunten en menselijke bevestigingspoorten. De "agent" behandelt de complexiteit van het genereren van infrastructuurcode, maar het systeem is gebouwd rond de wiskundige beperkingen van betrouwbaarheid. Elk succesvol agentensysteem dat ik heb gebouwd volgt hetzelfde patroon: beperkte contexten, controleerbare operaties en menselijke beslissingspunten (soms) op kritieke kruispunten. De Token-economie die niet toevoegt Er is nog een andere wiskundige realiteit die agenten-evangelisten gemakkelijk negeren: contextvensters creëren vierkante kostenschaling die conversatieagenten economisch onmogelijk maakt. Hier is wat er eigenlijk gebeurt wanneer je een "conversatie" agent bouwt: 
 
 
 
 
 Elke nieuwe interactie vereist het verwerken van ALLE vorige context Token kosten schaal vierkante met gesprek lengte Een gesprek van 100 keer kost $ 50-100 in tokens alleen Vermenigvuldigd met duizenden gebruikers en je kijkt naar onhoudbare economie De eerste paar interacties waren goedkoop.Vanaf de 50e query in een sessie kostte elke reactie meerdere dollars - meer dan de waarde die het leverde.De economie werkt gewoon niet voor de meeste scenario's. Mijn functie generatie agent slaagt omdat het is volledig staatloos: beschrijving → functie → gedaan. geen context te onderhouden, geen gesprek te volgen, geen vierkante kosten explosie. Het is niet een "chat met uw code" ervaring, het is een gerichte tool die een specifiek probleem efficiënt oplost. De meest succesvolle "agenten" in de productie zijn helemaal niet conversatief, ze zijn slimme, beperkte hulpmiddelen die één ding goed doen en uit de weg komen. De Tool Engineering Reality Wall Zelfs als je de wiskundige problemen oplost, slaat je een ander soort muur op: het bouwen van productieclasse-tools voor agenten is een compleet andere technische discipline die de meeste teams onderschatten. De echte uitdaging is het ontwerp van gereedschappen.Elke tool moet zorgvuldig worden ontworpen om de juiste feedback te geven zonder het contextvenster te overweldigen. 
 
 
 
 
 Hoe weet de agent of een operatie gedeeltelijk geslaagd is?Hoe communiceert u complexe toestandsveranderingen zonder tokens te verbranden? Een database query kan 10.000 rijen retourneren, maar de agent hoeft alleen te weten "query geslaagd, 10k resultaten, hier zijn de eerste 5." Wanneer een tool faalt, welke informatie heeft de agent nodig om te herstellen? te weinig en het zit vast; te veel en je verspilt context. Hoe omgaan met operaties die elkaar beïnvloeden? databasetransacties, bestandslocks, middelenafhankelijkheden. Mijn database-agent werkt niet omdat de tooloproepen onbetrouwbaar zijn, maar omdat ik weken heb besteed aan het ontwerpen van tools die effectief communiceren met de AI. De bedrijven die beloven "just connect your APIs and our agent will figure it out" hebben dit technische werk niet gedaan. ze behandelen hulpmiddelen zoals menselijke interfaces, niet AI-interfaces. Het vuile geheim van elk productie-agent-systeem is dat de AI misschien 30% van het werk doet. de andere 70% is tool engineering: het ontwerpen van feedback-interfaces, het efficiënt beheren van context, het omgaan met gedeeltelijke storingen en het bouwen van herstelmechanismen die de AI daadwerkelijk kan begrijpen en gebruiken. De integratie werkelijkheidscontrole Maar laten we zeggen dat je de betrouwbaarheidsproblemen en de economie oplost.Je moet nog steeds integreren met de echte wereld, en de echte wereld is een puinhoop. Enterprise-systemen schoonmaken geen API's die wachten op AI-agenten om ze te orchestreren. ze zijn erfelijke systemen met quirks, gedeeltelijke mislukkingsmodi, authenticatiestromen die zonder kennisgeving veranderen, tarieflimieten die per tijd van de dag variëren en nalevingsvereisten die niet netjes passen in prompt sjablonen. Mijn database agent niet alleen "autonoom uitvoeren van queries." Het navigeren verbinding pooling, verwerkt transactie rollbacks, respecteert alleen-lees replicas, beheert query timeouts, en logt alles voor audit trails. De bedrijven die beloven "autonoom agenten die integreren met uw hele tech stack" zijn ofwel te optimistisch of hebben niet echt geprobeerd om productiesystemen op schaal te bouwen. Wat werkt eigenlijk (en waarom) Na het bouwen van meer dan een dozijn verschillende agentsystemen gedurende de hele levenscyclus van softwareontwikkeling, heb ik geleerd dat de succesvolle systemen een patroon delen: 
 
 
 
 
 
 Mijn UI-generatieagent werkt omdat mensen elke gegenereerde interface beoordelen voordat ze worden ingezet.De AI behandelt de complexiteit van het vertalen van natuurlijke taal in functionele React-componenten, maar mensen maken de uiteindelijke beslissingen over de gebruikerservaring. Mijn database-agent werkt omdat het elke destructieve operatie bevestigt voordat deze wordt uitgevoerd.De AI behandelt de complexiteit van het vertalen van zakelijke vereisten naar SQL, maar mensen behouden de controle over de gegevensintegriteit. Mijn functie generatie agent werkt omdat het werkt binnen duidelijk gedefinieerde grenzen. Geef het een specificatie, krijg een functie terug. Geen bijwerkingen, geen state management, geen integratie complexiteit. Mijn DevOps-automatisering werkt omdat het infrastructuur-as-code genereert die kan worden beoordeeld, versieerd en gerold. de AI behandelt de complexiteit van het vertalen van vereisten in Terraform, maar de implementatiepijplijn onderhoudt alle beveiligingsmechanismen die we hebben geleerd om te vertrouwen. Mijn CI / CD-agent werkt omdat elke fase duidelijke succescriteria en rollback-mechanismen heeft. de AI behandelt de complexiteit van het analyseren van code-kwaliteit en het genereren van correcties, maar de pijpleiding houdt controle over wat er werkelijk wordt samengevoegd. Het patroon is duidelijk: AI omgaat met complexiteit, mensen behouden controle en traditionele software engineering omgaat met betrouwbaarheid. My Predictions Mijn voorspellingen Hier is mijn specifieke voorspelling over wie in 2025 zal vechten: Venture-gefinancierde "volledig autonome agent" startups zullen eerst de economische muur raken. Hun demo's werken geweldig met 5-staps workflows, maar klanten zullen meer dan 20 stapsgewijze processen eisen die wiskundig afbreken. Enterprise-softwarebedrijven die "AI-agenten" op bestaande producten hebben gekoppeld, zien adoptie stagneren. Ondertussen zullen de winnaars teams zijn die beperkte, domeinspecifieke tools bouwen die AI gebruiken voor de harde onderdelen terwijl menselijke controle of strikte grenzen over kritieke beslissingen worden gehandhaafd. De markt zal het verschil leren tussen AI die goed demonstreert en AI die betrouwbaar schepen. Ik wed niet tegen AI. Ik wed tegen de huidige benadering van agentarchitectuur. maar ik geloof dat de toekomst veel waardevoller zal zijn dan de hype suggereert. Het bouwen van de juiste weg Als je denkt aan bouwen met AI-agenten, begin dan met deze principes: Wat kan je agent precies doen, en wat geeft het over aan mensen of deterministische systemen? Define clear boundaries. Hoe omgaat u met de 20-40% van de gevallen waarin de AI fouten maakt? Design for failure. Hoeveel kost elke interactie, en hoe schaalt dat met het gebruik? Solve the economics. Gebruikers vertrouwen tools die consequent werken meer dan ze systemen waarderen die af en toe magie doen. Prioritize reliability over autonomy. Gebruik AI voor de harde onderdelen (begrijpen van intentie, genereren van inhoud), maar vertrouw op traditionele software engineering voor de kritieke onderdelen (uitvoering, foutbeheer, state management). Build on solid foundations. Het zal gewoon niet lijken op wat iedereen belooft in 2025. De echte lessen van de Trenches De kloof tussen "werken in demo" en "werken op schaal" is enorm, en de meeste van de industrie is nog steeds het uitzoeken van dit. De uitdagingen rond agent betrouwbaarheid, kostenoptimalisatie en integratie complexiteit zijn fascinerende technische problemen die nog geen duidelijke oplossingen hebben. Ik adviseer regelmatig teams en bedrijven om deze exacte uitdagingen te navigeren - van architecturale beslissingen tot het vermijden van de valkuilen die ik uit de eerste hand heb geleerd. Hoe meer mensen echte systemen bouwen en eerlijke ervaringen delen, hoe sneller we allemaal uitvinden wat echt werkt. Als je dieper in een van deze onderwerpen wilt duiken. X

Read My Stories

Deze audio wordt geproduceerd in de originele taal van het verhaal!

Te lang; Lezen

Make resilience your competitive advantage

Stop met het geloven van de agent hype - de nummers liegen niet

About Author

OPMERKINGEN

LABELS

DIT ARTIKEL WERD GEPRESENTEERD IN

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps