De duidelijkste manier om te weten of een AI die leert je team zal helpen, is kijken hoe die leert van het werk van je team. Een demo draait op het probleem van iemand anders. Een pilot draait op het jouwe, en de mensen die het werk het best kennen, beslissen of het heeft geholpen.
Deze gids loopt door het plannen van een MS Duplex-pilot in de volgorde waarin een onderzoeksleider erover zou moeten nadenken: het werk dat je kiest, de vier stappen, de workflows en de koppeling, wie beoordeelt en wat je meet, en wat je team ontvangt. Hij gaat niet uit van een bepaald vakgebied. Overal waar je team met AI experimenten, simulaties, analyses of ontwerpreviews uitvoert, is het plan hetzelfde.
Begin bij het onderzoek waarin je AI beter moet worden
MS Duplex laat de AI die je team al gebruikt leren van bevestigde resultaten, correcties van experts en beslissingen. De waarde ervan komt het best tot uiting waar dezelfde soorten beslissingen steeds terugkomen, dus daar moet de pilot beginnen. Een beslissing die één keer wordt genomen, geeft het systeem weinig om van te leren. Een beslissing die je team elke dag neemt, geeft het elke keer iets om op te verbeteren.
Goede kandidaten voor een pilot hebben een paar kenmerken gemeen:
- De beslissingen herhalen zich: hetzelfde soort keuze komt terug over projecten, mensen of runs heen.
- Uitkomsten worden bevestigd: een test, een meting of een review door een expert laat zien of het voorstel van de AI standhield.
- Fouten kosten iets: een verkeerde of onnodige run kost rekenkracht, instrumenttijd, materialen of de aandacht van een expert.
- Experts corrigeren de AI al: dezelfde correctie is meer dan eens gemaakt, door dezelfde mensen.
- Het werk loopt over sessies of mensen heen: een overdracht of een nieuwe sessie betekent nu dat het project opnieuw moet worden uitgelegd.
In de meeste onderzoeksorganisaties wijst dat naar bekend werk: instellingen aanbevelen voor de volgende run, kandidaten rangschikken om te testen, een reeks runs plannen richting een doel, kiezen welke tool of methode je voor een analyse gebruikt, of analyses beoordelen voordat ze als definitief worden gemarkeerd. Kies een of twee workflows. Een smalle pilot met een duidelijke maatstaf vertelt je meer dan een brede met een vage maatstaf.
Stel dat de agent van een team instellingen aanbeveelt voor een terugkerende analyse, en dat een senior wetenschapper of engineer hem steeds corrigeert omdat hij een bekende grens van de methode negeert. Dat is een sterke kandidaat voor een pilot. De beslissing herhaalt zich, de uitkomst wordt bevestigd door een meting, en de correctie heeft een eigenaar die kan beoordelen of ze blijft hangen.


De vier stappen van een pilot
Elke MS Duplex-pilot volgt dezelfde vier stappen. Ze zijn zo opgezet dat het resultaat overeind blijft bij je eigen experts en bij iedereen aan wie zij rapporteren.
- Kies het werkKies terugkerende onderzoeksworkflows waarin beslissingen terugkomen en een verkeerde of onnodige run duur is. Benoem de mensen die eigenaar zijn van die workflows, want zij bevestigen de uitkomsten en beoordelen de resultaten.
- Spreek de maatstaf afSpreek voordat er iets draait met je experts af hoe de pilot wordt beoordeeld: de kosten van elk geaccepteerd, reproduceerbaar resultaat, en de experttijd die nodig is om er te komen. Door het eerst op te schrijven, blijft de vergelijking eerlijk.
- Draai ze naast elkaarGebruik hetzelfde model, dezelfde tools, dezelfde data en hetzelfde budget met en zonder MS Duplex, zodat de leerlaag het enige verschil is. Waar je omgeving het ondersteunt, voeg je een beheerde koppeling toe, zodat je regels gelden voordat kostbare stappen beginnen.
- Beoordeel blindJe experts beoordelen de resultaten zonder te weten welke opzet ze heeft opgeleverd. Hun scores, afgezet tegen de maatstaf die je hebt afgesproken, zijn de uitkomst van de pilot.
De volgorde doet ertoe. Een maatstaf die wordt gekozen nadat de resultaten binnen zijn, lokt discussie uit. Een vergelijking zonder passende baseline kan de leerlaag niet onderscheiden van een beter model of een groter budget. Blind beoordelen houdt ieders verwachtingen, ook die van ons, buiten het oordeel.
De workflows en de koppeling kiezen
MS Duplex wordt gekoppeld aan de AI die je wetenschappers en engineers al gebruiken, zodat ze de tools houden die ze kennen. Bepaal via welke hiervan de gekozen workflows lopen:
- Claude, Codex, Cursor of een andere agent die MCP spreekt, de open standaard om AI-agents tools te geven.
- Je eigen onderzoeksagents en pipelines, via de MS Duplex API en Python SDK.
Kies daarna de koppeling. Met een standaardkoppeling roept je agent MS Duplex aan om relevante ervaring op te halen, het plan te volgen en de uitkomsten vast te leggen die je toestaat. Dat is de makkelijkste manier om te beginnen. In ondersteunde omgevingen met hooks laat een beheerde koppeling de stappen die je selecteert via MS Duplex gaan, zodat je regels gelden voordat een kostbare simulatie of run begint en de stappen die je voor goedkeuring markeert op een persoon wachten.
Spreek vóór de eerste run drie dingen af met de eigenaars van de workflows. Ten eerste welke uitkomsten worden vastgelegd: geslaagde tests, metingen, goedgekeurde conclusies, correcties met hun redenen. Ten tweede wie ze bevestigt. Ten derde welke regels vanaf het begin gelden, zoals een budgetlimiet of een stap die goedkeuring nodig heeft. MS Duplex leert van de uitkomsten en correcties die je team kiest vast te leggen, dus deze lijst bepaalt wat de pilot kan laten zien.


Wie beoordeelt, en wat je meet
De beoordelaars moeten de experts zijn die eigenaar zijn van het werk: de mensen die anders de AI zouden corrigeren, de conclusies ervan zouden goedkeuren en zouden beslissen wat doorgaat. Kies ze voordat de pilot start en houd ze buiten de opzet, zodat ze resultaten beoordelen zonder te weten welke opzet ze heeft opgeleverd.
De belangrijkste maatstaf is de maatstaf die in de tweede stap is afgesproken: de kosten van elk geaccepteerd, reproduceerbaar resultaat, en de experttijd die het kost. “Geaccepteerd” betekent dat je experts ernaar zouden handelen. “Reproduceerbaar” betekent dat een andere onderzoeker het uit het dossier zou kunnen reconstrueren. Beide zijn oordelen die je team al maakt. De pilot vraagt je ze consequent te maken, en blind.
Vraag de beoordelaars en de eigenaars van de workflows om naast de belangrijkste maatstaf te noteren wat ze in het dossier zien:
- Correcties die een expert meer dan eens moest maken
- Runs die werden voorgesteld op aanpakken waarvan het team al had gezien dat ze mislukten
- Beslissingen die MS Duplex direct nam, en beslissingen die het aan het model of een persoon overliet, met de reden
- Hoe een nieuwe sessie of een overdracht het werk oppakte
- Of elke aanbeveling naar haar bron kon worden herleid
Deze notities vervangen de maatstaf niet. Ze verklaren hem, en ze laten zien waar de leerlaag het meest hielp en waar hij weinig verschil maakte, en dat is wat je nodig hebt om te beslissen waar je hem hierna inzet.
Wat je team ontvangt
Een goed geplande pilot laat je team achter met bewijs dat het kan verdedigen en ervaring die het behoudt.
- Een vergelijking naast elkaar op je eigen werk, blind beoordeeld door je eigen experts aan de hand van de maatstaf die je hebt afgesproken
- Het dossier van wat MS Duplex tijdens de pilot heeft geleerd, gebruikt en goedgekeurd, elk item met zijn bron, klaar om te beoordelen en te exporteren
- De ervaring die onderweg is opgebouwd: bevestigde resultaten met hun omstandigheden, correcties van experts met hun redenen, beslissingen met hun bewijs en geverifieerde methoden
- Een duidelijk beeld van welke workflows het meest hebben gewonnen, als leidraad voor de volgende stap van je team
Die ervaring is van je organisatie, welk model of welke leverancier je ook gebruikt. Persoonlijke, team- en organisatielagen, en de regels die bepalen wat ertussen wordt verplaatst, kunnen worden ingericht zoals je organisatie haar werk al deelt. De gewoonten van elke onderzoeker blijven persoonlijk, en wat een team bevestigt, wordt gedeeld met dat team.
Veelgestelde vragen
Moeten onze wetenschappers en engineers hun manier van werken veranderen?
Ze houden de AI die ze al gebruiken. MS Duplex wordt gekoppeld aan Claude, Codex, Cursor en andere agents die MCP spreken, of aan je eigen agents via de API en Python SDK. Wat er vooral bijkomt, is uitkomsten bevestigen en correcties met hun redenen vastleggen, wat de meeste experts in een of andere vorm al doen.
Verandert de pilot ons model?
MS Duplex leert naast het model, waarvan de gewichten blijven zoals ze zijn. In beide opzetten die worden vergeleken, draait hetzelfde model, dus het verschil dat je experts zien, komt van de leerlaag.
Kunnen we meer dan één model gebruiken in de pilot?
Ja. De ervaring zit in MS Duplex, zodat verschillende modellen uit dezelfde ervaring kunnen putten. Houd het model gelijk tussen de twee opzetten die worden vergeleken, zodat de vergelijking eerlijk blijft.
Hoe beginnen we?
Breng ons het onderzoek waarin je AI beter moet worden. Samen kiezen we de workflows, spreken we de maatstaf af met je experts en plannen we de run naast elkaar, met je experts als beoordelaars.


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.









