Tegen de tijd dat een onderzoeksteam een leerlaag overweegt, heeft het meestal zijn AI al gekozen. Wetenschappers hebben de assistent waar ze naar grijpen, platformengineers hebben agents en pipelines rond bepaalde modellen gebouwd, en de gewoonten die daarbij horen, kostten moeite om te vormen. Een laag die iedereen vroeg over te stappen op een nieuwe tool, zou beginnen met het verspelen van de goodwill die ze nodig heeft.
MS Duplex is gebouwd om te koppelen aan de opzet die je hebt. Deze gids behandelt de manieren om te koppelen, de twee soorten koppeling en hoe je ertussen kiest, de beslissingen die je neemt voordat je koppelt, wat er daarna verandert in de dag van je team en wat van jou blijft.
De manieren om te koppelen
Er zijn twee families van koppelingen, en veel organisaties zullen beide gebruiken.
- Je assistenten. Claude, Codex, Cursor en andere agents die MCP spreken, worden rechtstreeks gekoppeld. MCP, het Model Context Protocol, is de open standaard om AI-agents tools te geven, dus een agent die het spreekt, kan MS Duplex bereiken. Je wetenschappers en engineers houden de AI die ze kennen.
- Je eigen agents en pipelines. De onderzoeksagents en workflows die je team heeft gebouwd, worden gekoppeld via de MS Duplex API en Python SDK, met hetzelfde leren achter elk ervan.
Achter elke koppeling zit dezelfde ervaring. Stel dat één wetenschapper of engineer in Cursor werkt, een collega in Claude, en dat het platformteam een terugkerende screeningpipeline draait via de Python SDK. Een correctie die de eerste wetenschapper in haar assistent maakt, is er voor de agent van de collega en voor de pipeline, voor zover je regels dat toestaan, en een resultaat dat de pipeline bevestigt, is er voor beide assistenten. Welke agent het werk deed, doet er minder toe dan wat het werk bevestigde.
Je agents blijven je simulators, analysecode, databases en instrumenten bereiken via hun eigen koppelingen, en het koppelen van MS Duplex laat die koppelingen zoals ze zijn. MS Duplex leert hoe elke tool presteerde op elk soort probleem en neemt die ervaring mee naar de volgende keuze van tool, instelling of methode.


Standaard- of beheerde koppeling
Elke agent wordt op een van twee manieren gekoppeld. Het verschil is hoeveel van zijn werk via MS Duplex gaat voordat het gebeurt.
Standaardkoppeling
Je agent roept 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 snelste manier om te beginnen. De agent put uit wat je team heeft bevestigd, je regels en voorkeuren zijn zichtbaar in zijn redenering, en de uitkomsten die je kiest vast te leggen, worden ervaring voor de volgende run.
Beheerde koppeling
In ondersteunde omgevingen met hooks gaan de stappen die je selecteert via MS Duplex, zodat je regels gelden voordat een kostbare simulatie of run begint. Daar wordt een stap die een regel overtreedt, gestopt voordat hij draait, en wachten de stappen die je voor goedkeuring markeert, zoals een dure simulatie of een wijziging in gedeelde data, op een persoon. Elke goedkeuring wordt vastgelegd, met wie wat heeft goedgekeurd.
Een verstandige standaardkeuze is te beginnen met een standaardkoppeling en een beheerde toe te voegen waar een verkeerde stap duur is. Een team waarvan de agent vooral analyses beoordeelt, kan goed uit de voeten met de standaardkoppeling. Een team waarvan de agent kostbare runs start op een gedeeld budget, of data bewerkt waarop anderen vertrouwen, is het geval waarvoor de beheerde koppeling is gemaakt. Beide kunnen in één organisatie draaien, en een pilot gebruikt de beheerde koppeling waar die past.
Beslissingen die je neemt voordat je koppelt
Koppelen is vooral een kwestie van keuzes, en die keuzes gaan meer over je onderzoek dan over software. Maak ze samen met de mensen die het gaan gebruiken.
- Kies het werkKies terugkerende workflows waarin beslissingen terugkomen en een verkeerde of onnodige run duur is, zoals instellingen aanbevelen voor de volgende run, kandidaten rangschikken, runs plannen of analyses beoordelen. Daar wordt een les het vaakst hergebruikt.
- Kies de agentsBepaal welke assistenten en pipelines voor dat werk worden gekoppeld, en welke mensen ze gebruiken. Verschillende groepen kunnen verschillende AI gebruiken, die allemaal uit dezelfde ervaring putten.
- Kies de koppelingOm te beginnen een standaardkoppeling voor de meeste agents, en een beheerde, in ondersteunde omgevingen, voor de agents waarvan je de stappen gecontroleerd wilt hebben voordat ze draaien.
- Bepaal wat als bevestigd teltMS Duplex leert van de uitkomsten en correcties die je kiest vast te leggen. Spreek af welke dat zijn: een geslaagde test, een meting, een goedgekeurde conclusie, de correctie van een expert met de reden ervan.
- Stel regels, voorkeuren en goedkeuringen inLeg vast wat je team vereist, gescheiden van wat het liever doet, en selecteer de stappen die op een persoon wachten. Een regel die later wordt toegevoegd, geldt vanaf het volgende verzoek, zonder dat er iets opnieuw hoeft te worden getraind.
- Stem de opzet af met je beveiligingsteamWaar MS Duplex draait en hoe je data wordt behandeld, wordt vanaf het eerste gesprek afgestemd met je beveiligingsverantwoordelijken en data-eigenaren.
Wat je team anders doet: heel weinig
Na het koppelen blijven je wetenschappers en engineers werken in de assistent die ze al gebruiken, met dezelfde modellen en dezelfde tools. Ze plannen, draaien, analyseren en stellen de volgende stap voor zoals voorheen. Het meeste van wat verandert, gebeurt naast hen, in wat de AI bij elk verzoek meebrengt.
Een paar gewoonten maken het verschil, en elk ervan is een kleine uitbreiding van wat zorgvuldige onderzoeksteams al doen:
- Bevestig resultaten waar de bevestiging telt. Een geslaagde test, een meting of een goedgekeurde conclusie wordt ervaring waar de volgende run bij begint.
- Corrigeer de agent met een reden. Een correctie die zegt waarom, wordt bewaard met die reden en de omstandigheden waaronder ze geldt, zodat ze het volgende overeenkomende geval bereikt.
- Kijk af en toe naar wat er is geleerd. Elke les behoudt zijn bron, en iedereen in het team kan hem inzien, corrigeren, verwijderen of herstellen.
Wat het team vooral merkt, is wat ophoudt. Een nieuwe sessie begint bij de actuele stand van het werk: het doel, de beslissingen, de goedgekeurde methoden en de voortgang, zodat niemand het project opnieuw aan de AI uitlegt. De agent van een collega, op een ander model, gaat verder waar die van jou ophield. Wat werkte, wordt het eerste wat de agents proberen, en wat mislukte, wordt niet meer voorgesteld. De correctie van een expert wordt één keer geleerd en toegepast waar die past, zodat experts zichzelf niet langer herhalen.
Stel dat een team zijn assistenten en één screeningpipeline koppelt. Al vroeg corrigeert een expert de rangschikking van de agent omdat een scoringsmethode faalt buiten een bekende werkgrens, en legt vast waarom. In de volgende sessie controleert de agent die grens voordat hij rangschikt. Wanneer de pipeline een verwant geval tegenkomt, haalt MS Duplex de correctie op met haar bron en laat zien welke omstandigheid afwijkt. Niemand veranderde zijn manier van werken. De agents veranderden wat ze controleren.
Wat van jou blijft
Een leerlaag aan je AI koppelen roept een terechte vraag op over eigendom. Het antwoord gaat over drie dingen.
- Je modellen. MS Duplex leert naast het model, waarvan de gewichten blijven zoals ze zijn. Wissel van model, client of leverancier, en de ervaring die je team heeft opgebouwd, blijft bij je team. Gebruik één model voor moeilijke analyses en een ander voor terugkerend werk, die allebei uit dezelfde ervaring putten.
- Je tools. Je simulators, analysecode, databases en instrumenten blijven zoals ze zijn, worden door je agents via hun eigen koppelingen bereikt en effectiever gebruikt naarmate MS Duplex leert waar elk ervan goed voor is.
- Je data en je ervaring. Bevestigde resultaten, correcties, beslissingen, methoden en plannen stapelen zich op in een opslag die van je organisatie is. Persoonlijke, team- en organisatielagen bepalen wie wat ziet, mensen en agents bereiken alleen wat hun scope toestaat, en niets ervan wordt gedeeld met een ander bedrijf.
Elk item behoudt zijn bron, in een ondertekende geschiedenis van wat is geleerd, gebruikt en goedgekeurd, die je team kan beoordelen en exporteren. Een andere onderzoeker kan uit dat dossier een beslissing reconstrueren, en elke afzonderlijke les kan worden gecorrigeerd of verwijderd terwijl al het andere blijft zoals het was.


Veelgestelde vragen
Moeten onze wetenschappers en engineers van AI-tools wisselen?
Nee. Claude, Codex, Cursor en andere agents die MCP spreken, worden rechtstreeks gekoppeld, en je eigen agents en pipelines koppel je via de API en Python SDK. Je wetenschappers en engineers houden de AI die ze al gebruiken.
Wat is het verschil tussen een standaardkoppeling en een beheerde 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. Met een beheerde koppeling gaan in ondersteunde omgevingen met hooks de stappen die je selecteert via MS Duplex, zodat een stap die een regel overtreedt, wordt gestopt voordat hij draait en de stappen die je markeert op goedkeuring wachten.
Leert MS Duplex van alles wat onze agents doen?
Het leert van de uitkomsten en correcties van experts die je team kiest vast te leggen. Elke les behoudt zijn bron en de omstandigheden waaronder hij geldt, en je team kan elk ervan afzonderlijk corrigeren of verwijderen.
Kunnen we meer dan één model koppelen?
Ja. Je team kan meer dan één model en agent tegelijk gebruiken, die allemaal uit dezelfde ervaring putten, en wat de een bevestigt, is er volgens jouw regels voor de anderen. Als het model verandert, gaat de ervaring mee.


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.









