De meeste onderzoeksteams gebruiken nu AI-agents voor terugkerend werk: kandidaten rangschikken, instellingen aanbevelen voor de volgende run, een batch plannen, een analyse beoordelen. Het werk herhaalt zich elke week. In de meeste opzetten blijft de agent zoals hij was. Bij zijn honderdste taak gedraagt hij zich zoals bij zijn eerste, en de fout die een expert vorige maand corrigeerde, komt deze maand terug.
Dit artikel gaat over agents die beter worden naarmate je ze gebruikt: wat dat voor een onderzoeksteam zou moeten betekenen, hoe MS Duplex dat waarmaakt met de agents die je al draait, hoe één geverifieerd resultaat een methode wordt die het hele team hergebruikt, en hoe je de verbetering beoordeelt op je eigen werk.
Wat “beter door gebruik” zou moeten betekenen
Voor een onderzoeksteam is de bruikbare test eng afgebakend. Het gedrag van de agent zou moeten veranderen door resultaten die je werk heeft bevestigd, en je zou moeten kunnen zien welke resultaten welke verandering veroorzaakten. Vlotheid en zelfvertrouwen doen er niet toe. Verbetering in onderzoek uit zich in minder runs besteed aan aanpakken waarvan het team al weet dat ze mislukken, betere eerste keuzes bij terugkerende beslissingen en minder correcties voor hetzelfde soort fout.
In MS Duplex is de uitkomst de maatstaf. Een test slaagt, een meting komt terug, een expert keurt een conclusie goed of corrigeert die en zegt waarom. Van die bevestigde uitkomsten leren je agents, en aan diezelfde uitkomsten wordt elke verandering in gedrag getoetst. Het eigen gevoel van de agent over hoe goed hij het deed, is geen bewijs.
- Een test of controle die slaagt of faalt op het voorstel van de agent
- Een meet- of simulatieresultaat van een run die de agent plande
- De goedkeuring van een conclusie door een expert
- De correctie van een expert, met de reden erachter
Je team kiest welke van deze uitkomsten MS Duplex vastlegt, en je wetenschappers en engineers beslissen wat wordt overgenomen. Je regels gaan voor.
Hoe het gedrag van een agent verandert, ronde na ronde
Voor het team verandert er weinig aan de werkdag. Je agents blijven werken via de tools die ze nu gebruiken, in Claude, Codex, Cursor, een andere agent die MCP spreekt, of je eigen agents via de API en de Python SDK. MS Duplex staat naast het model, terwijl de gewichten ervan blijven zoals ze zijn, en neemt de uitkomsten op zodra ze binnenkomen. Van elk bevestigd resultaat wordt geleerd vanaf het volgende verzoek.
Daar volgen twee veranderingen uit. Wat werkte, schuift naar voren: de volgende keer dat een vergelijkbaar geval zich voordoet, hoort de aanpak achter een bevestigd succes bij de eerste dingen die de agent probeert. Wat mislukte, wordt niet langer voorgesteld onder de omstandigheden waarin het mislukte. De tweede helft is even belangrijk als de eerste. Een instelling die buiten een bekend werkbereik faalt, kan daarbinnen prima zijn, dus MS Duplex bewaart de omstandigheden bij de mislukking en houdt de instelling alleen achter waar die overeenkomen.
Stel dat de agent van een team instellingen aanbeveelt voor de volgende run van een terugkerende evaluatie. Over een paar rondes zou het patroon er zo uit kunnen zien:
- Een gemengde eerste rondeDe agent beveelt instellingen aan voor acht runs. Vijf doorstaan de acceptatiecontrole van het team. Drie falen, allemaal met dezelfde instelling voorbij het bereik waarin de methode standhoudt. Het team bevestigt beide reeksen resultaten.
- Een gerichtere tweede rondeDe agent begint bij de instellingen achter de vijf successen en laat de falende instelling weg waar de omstandigheden overeenkomen. Er gaan minder runs naar een uitkomst die het team al heeft gezien.
- Een correctie met een redenEen reviewer corrigeert één aanbeveling en legt vast waarom: een controle die de agent oversloeg, is belangrijk voor dit soort input. Vanaf het volgende verzoek neemt de agent die controle op bij vergelijkbare input.
- Een betere eerste keuzeEen ongebruikelijke combinatie slaagt waar de gebruikelijke eerste keuze tekortschoot. De nieuwe aanpak neemt de plek vooraan in, gekoppeld aan de run die dat rechtvaardigde.
- Een review met het dossier openDe teamleider opent het dossier en ziet elke verandering in het gedrag van de agent, wanneer die plaatsvond en welke uitkomsten die veroorzaakten.
Niets hiervan wachtte op een trainingsrun, een voorbereide dataset of iemand die de instructies van de agent herschreef. De agent verbeterde tussen reviews door, omdat het bewijs tussen reviews door bleef binnenkomen.


Van één geverifieerd resultaat naar een methode die het team hergebruikt
Een deel van wat een agent leert, is een voorkeur: probeer dit eerst, houd dat hier achter. Een ander deel is een hele procedure. Een onderzoeker komt uit op een reeks controles die een slechte input onderschept voordat die een run kost, of op een manier van data voorbereiden die een vergelijking tussen ontwerpen eerlijk maakt. Zodra een test of een expert bevestigt dat de procedure werkt, bewaart MS Duplex die als methode, met de stappen, de omstandigheden waaronder ze zijn bevestigd en het resultaat dat ze bewees.
Een methode wordt op een van twee manieren gebruikt, afhankelijk van hoe dicht het volgende geval erbij ligt.
Het volgende vergelijkbare geval
Waar de omstandigheden overeenkomen met die waaronder de methode is bevestigd, past de agent de methode direct toe. De agent van een collega met hetzelfde soort taak krijgt dezelfde beproefde stappen, zodat het resultaat minder afhangt van wie het werk toevallig uitvoerde.
Een verwant geval
Waar iets verschilt, zoals een nieuw inputformaat, een andere tool of een breder werkbereik, past MS Duplex de methode aan de nieuwe omstandigheden aan en stelt die ter controle voor voordat iemand erop vertrouwt. Zodra de aangepaste versie is bevestigd, wordt die een eigen methode. Na verloop van tijd bouwt een team een familie van verwante methoden op, elk gekoppeld aan het resultaat dat haar bewees.
Methoden die je team vertrouwt, worden gedeeld met de mensen en agents die je regels toestaan. Een methode kan bij één onderzoeker blijven, met een team worden gedeeld of een standaard worden binnen de hele organisatie. Elke methode wordt opnieuw geverifieerd waar ze wordt gebruikt, zodat een procedure die in de ene omgeving is bewezen, in de volgende opnieuw wordt gecontroleerd voordat ze daar wordt vertrouwd. De agent van een nieuw teamlid begint met de beste methoden van het team al op hun plek, en als een expert vertrekt, blijven de methoden die die expert uitwerkte bij het team.


Zien waarom de agent veranderde
Een verbetering die je team niet kan herleiden, is moeilijk te vertrouwen en nog moeilijker te verdedigen tegenover de mensen die het werk financieren. MS Duplex legt elke verandering in gedrag vast: wat de agent nu anders doet, sinds wanneer en welke uitkomsten dat rechtvaardigden. Elke methode behoudt het resultaat waarop ze rust. Als een teamleider vraagt waarom de agent deze maand betere runs plant dan vorige maand, staat het antwoord in het dossier, met de bronnen.
Het dossier is ook de manier waarop een fout wordt hersteld. Stel dat één verandering rustte op één resultaat dat later twijfelachtig bleek. Het team verwijdert die ene les, en de aanbevelingen die ervan afhingen verdwijnen mee, terwijl al het andere dat de agent leerde blijft. Een les corrigeren werkt op dezelfde manier: alleen die les verandert.
Naarmate aanpakken zich bewijzen, kunnen meer routinebeslissingen direct worden genomen op basis van geleerde methoden, vaak zonder enige modelaanroep. Waar het bewijs mager is of het geval onbekend, gaat de beslissing naar je model of naar een onderzoeker, met de reden.
- +16 puntennauwkeuriger dan een voor de taak gefinetuned model, bij terugkerend werk, zonder trainingsrun, in gecontroleerde tests van MatterSpace
Dat cijfer komt uit de gecontroleerde tests van MatterSpace met MS Duplex op terugkerend werk. Het laat zien wat leren van bevestigde uitkomsten naast een model kan doen. Wat het voor je team doet, is een vraag voor je eigen werk, beoordeeld door je eigen experts.
Hoe je het beoordeelt op je eigen werk
De eerlijke test voor een agent die door gebruik verbetert, is terugkerend werk dat je team al doet, gemeten zoals je experts het zouden meten.
- Kies beslissingen die terugkomen en waarbij een verkeerde of onnodige run duur is. Verbetering is het makkelijkst te zien waar hetzelfde soort keuze vaak terugkomt.
- Spreek de maatstaf met je experts af voordat er iets draait: de kosten van elk geaccepteerd, reproduceerbaar resultaat, en de experttijd die het kost.
- Draai hetzelfde model, dezelfde tools, dezelfde data en hetzelfde budget met en zonder MS Duplex, naast elkaar.
- Laat je experts de resultaten blind beoordelen, zonder te weten welke opzet ze opleverde.
- Lees het dossier naast de scores: fouten die zich niet meer herhalen, correcties die niemand twee keer hoeft te maken en methoden die nieuwe teamleden bereiken.
Een pilot met MatterSpace volgt dat patroon, op je eigen workflows, met je experts als beoordelaars.
Veelgestelde vragen
Verbetert de agent zonder dat iemand hem beoordeelt?
Hij verbetert op basis van de uitkomsten die je team kiest vast te leggen, zoals tests, metingen en correcties van experts, zodat hij tussen reviews door steeds beter wordt. Je wetenschappers en engineers beslissen wat wordt overgenomen, je regels gaan voor en in beheerde omgevingen wachten de stappen die je selecteert op een persoon voordat ze draaien.
Wat is het verschil tussen een les en een methode?
Een les verandert wat de agent in een bepaalde situatie probeert of achterhoudt, zoals een instelling die onder bepaalde omstandigheden mislukte. Een methode is een hele procedure waarvan bevestigd is dat ze werkt, bewaard met haar stappen, haar omstandigheden en het resultaat dat haar bewees, zodat ze direct kan worden toegepast of aangepast aan een verwant geval.
Moeten we ons model fine-tunen?
Nee. MS Duplex werkt naast het model, terwijl de gewichten ervan blijven zoals ze zijn, dus er is geen dataset om voor te bereiden en geen trainingsrun om op te wachten. Het werkt naast een gefinetuned model net zo goed als naast een algemeen model.
Wat gebeurt er met wat de agent heeft geleerd als we van model wisselen?
Dat blijft bij je team. De ervaring staat in MS Duplex, in een opslag die van je organisatie is, zodat een nieuw model of een nieuwe agent begint bij de methoden en lessen die je team al heeft bevestigd.


Gebouwd door MatterSpace
MatterSpace bouwt MS Duplex voor wetenschappers, onderzoekers en ingenieurs in elk vakgebied, zodat de AI die ze al gebruiken leert van elk resultaat dat ze bevestigen.









