Onderzoeksteams wisselen vaak van model. Een nieuwe release redeneert beter door moeilijke analyses heen, een ander model doet terugkerend werk tegen lagere kosten, een groep stapt over van de ene assistent naar de andere. Elke wissel brengt iets nuttigs, en elke wissel zet op het spel wat het team heeft bijgebracht aan het model dat het achterlaat.
Wat een team zijn AI bijbrengt, wordt gemakkelijk onderschat, omdat het zich ongemerkt opbouwt: een correctie die een expert op een maandag maakte, een methode die twee reviewers goedkeurden, een bedrijfsgrens die over een reeks runs is bevestigd. Dit artikel gaat over waar die ervaring hoort te staan, wat er gebeurt op de dag dat een team wisselt, en hoe je wat je hebt opgebouwd van jezelf houdt.
Wat je team opbouwt met zijn AI
Elke sessie met een onderzoeksagent levert meer op dan een antwoord. Een deel daarvan is het bewaren waard, omdat het experttijd, rekenkracht of labtijd kostte om het vast te stellen. In MS Duplex bouwt dit zich op terwijl je team werkt:
- Resultaten die het team heeft bevestigd, elk met de omstandigheden waaronder ze gelden
- Correcties van je experts, elk met de reden erachter
- Beslissingen, met het bewijs waarop ze rustten
- Methoden die het team heeft geverifieerd, die agents hergebruiken en aanpassen
- Plannen, checkpoints en voortgang van lange campagnes
- Welke tools werkten voor welk soort probleem
In de meeste opstellingen verdwijnt bijna alles daarvan zodra een sessie eindigt. Het transcript wordt misschien ergens bewaard, maar de volgende sessie begint er niet vanuit, en het volgende model heeft het niet gezien. In MS Duplex stapelt het zich op tot een bezit dat van je organisatie is, met elk item naast zijn bron bewaard, klaar voor welke sessie, agent of welk model het werk ook als volgende oppakt.


Waarom de ervaring naast het model hoort
Teams bewaren wat ze hun AI hebben bijgebracht op een paar gangbare plekken, en elke plek heeft zijn nut. Fine-tuning bouwt kennis in de gewichten van één model in via een trainingsrun op een voorbereide dataset. Het past goed wanneer je wilt veranderen wat een model over de hele linie weet. De kennis die het toevoegt, hoort wel bij dat model, en wanneer de volgende release komt, moet het werk er opnieuw voor worden gedaan.
Instructiebestanden en promptbibliotheken zijn makkelijker mee te nemen, en veel teams houden er één bij voor elke tool die ze gebruiken. Ze bevatten wat iemand heeft opgeschreven, ze groeien vaak mee met elk model dat het team in gebruik neemt, en iemand moet elke kopie in de pas houden met het onderzoek.
MS Duplex bewaart de ervaring naast het model, terwijl de gewichten van het model blijven zoals ze zijn. Een bevestigd resultaat of een correctie van een expert wordt één keer geleerd, bewaard met het bijbehorende bewijs en de omstandigheden, en aangeboden aan welk model het team ook gebruikt. Wissel je van model, dan verandert wat er over de ervaring redeneert. De ervaring zelf blijft waar ze was.
Die scheiding telt het zwaarst wanneer een team een upgrade overweegt. Als de ervaring aan één model vastzit, heeft een team een reden om erbij te blijven nadat er een beter model is gekomen, omdat overstappen zou kosten wat het kostte om die ervaring op te bouwen. Als de ervaring naast het model staat, kan een team een nieuwe release op zijn merites beoordelen voor het werk dat voorligt.
Wat er gebeurt op de dag dat je wisselt
Stel dat de agent van een team runs heeft gepland en analyses heeft beoordeeld in een lang project. Experts hebben hem meerdere keren gecorrigeerd, het team heeft twee methoden goedgekeurd en het plan heeft zijn derde checkpoint bereikt. Er komt een nieuw model uit dat het team wil gebruiken voor zijn moeilijkste analyses. De wissel verloopt zo.
- Het team wisselt van modelDe agent stapt over op het nieuwe model, of het team stapt over op een andere assistent: Claude, Codex, Cursor, een andere agent die MCP spreekt, of een eigen agent gebouwd op de API en de Python SDK. De ervaring in MS Duplex blijft onaangetast door de wissel.
- Het eerste verzoek steunt op wat het team heeft opgebouwdBij het eerste verzoek van het nieuwe model liggen de correcties, de bevestigde resultaten en de goedgekeurde methoden al binnen bereik, elk met zijn bron.
- Het plan gaat verder bij zijn checkpointHet doel, de beslissingen tot nu toe en de voortgang gaan mee, dus de agent gaat verder vanaf het derde checkpoint en niemand hoeft het project opnieuw uit te leggen.
- Methoden worden gecontroleerd waar ze worden gebruiktOok het nieuwe model past de goedgekeurde methoden toe, en elke methode wordt opnieuw geverifieerd waar ze wordt gebruikt. Waar een geval afwijkt van de omstandigheden waaronder een les is bevestigd, zegt MS Duplex dat.
- Nieuwe resultaten komen bij dezelfde ervaringWat het team bevestigt terwijl het met het nieuwe model werkt, wordt bewaard met zijn bron, naast alles wat eraan voorafging, klaar voor elk model dat het team hierna gebruikt.
Er hoeft niets opnieuw te worden getraind voor het nieuwe model, omdat de ervaring van het team in MS Duplex staat, naast het model. Het werk dat het team op de dag van de wissel doet, is het model kiezen. De ervaring gaat mee, met elke bron vastgelegd.
Het juiste model voor elke taak
Vrijheid om van model te wisselen betekent ook vrijheid om meer dan één model tegelijk te gebruiken. Taken verschillen. Het ene model redeneert misschien het best door een moeilijke analyse heen, een ander past bij terugkerend werk tegen lagere kosten, en een team moet vrij zijn om beide in hetzelfde project te gebruiken.
Als de ervaring in MS Duplex staat, putten alle modellen uit dezelfde pool. Eén verstandige manier om het werk te verdelen:
- Terugkerende beslissingen, zoals instellingen aanbevelen voor de volgende run of kandidaten rangschikken op afgesproken criteria, op een model dat om de kosten is gekozen
- Moeilijke analyses en onbekende gevallen op het model dat je team het meest vertrouwt voor zorgvuldig redeneren
- Reviews van analyses en ontwerpen in de assistent die je reviewers het liefst gebruiken
- Je eigen agents en pipelines, via de API en de Python SDK, elk op het model dat bij zijn taak past
Wat het ene model bevestigt, is er ook voor het andere. Een correctie die een expert maakt tijdens een review met het ene model, geldt wanneer het andere model een overeenkomend geval tegenkomt. Een methode die bij moeilijke analyses is geverifieerd, komt beschikbaar voor terugkerend werk en wordt opnieuw geverifieerd waar ze wordt gebruikt.
Collega’s krijgen dezelfde vrijheid. De agents die je autoriseert, krijgen dezelfde ervaring mee, dus een onderzoeker die liever een andere assistent gebruikt, begint waar de rest van het team was gebleven, en de agent van een collega kan werk overnemen waar die van jou aan begon.


Wat je hebt opgebouwd, van jezelf houden
De ervaring die een team met MS Duplex opbouwt, is van zijn organisatie, met welk model of welke leverancier het ook werkt. Ze staat in een opslag die van je organisatie is, en je regels bepalen welke mensen en agents erbij kunnen. Mensen en agents zien alleen wat hun scope toestaat, en rechten blijven onder je eigen beheer.
Ze blijft georganiseerd zoals je organisatie dat is. Elke onderzoeker, elk team en de organisatie heeft een eigen laag: de werkgewoonten van een wetenschapper of engineer blijven persoonlijk, wat een team bevestigt, wordt gedeeld met dat team, en wat de organisatie als standaard aanneemt, geldt overal. Je regels bepalen wat tussen lagen beweegt, en niets daarvan wordt gedeeld met een ander bedrijf. Van model wisselen laat dat allemaal zoals het was.
Ze blijft ook controleerbaar. Elk item behoudt zijn bron, dus als een nieuw model een aanbeveling doet, kan je team zien op welke lessen het steunde en waar elke les vandaan kwam. De geschiedenis van wat is geleerd, gebruikt en goedgekeurd, is ondertekend en klaar om te exporteren. Blijkt een les onjuist, dan corrigeert of verwijdert je team die ene les, en de wijziging geldt voor elk model dat het team gebruikt.
Veelgestelde vragen
Waarmee begint een nieuw model?
Met alles wat je team in MS Duplex heeft opgebouwd: bevestigde resultaten met hun omstandigheden, correcties van experts met hun redenen, beslissingen met hun bewijs, geverifieerde methoden, plannen en voortgang, en wat het team over zijn tools heeft geleerd. Elk item behoudt zijn bron.
Tussen welke assistenten en agents kunnen we wisselen?
Claude, Codex, Cursor en andere agents die MCP spreken, koppelen rechtstreeks, en je eigen agents en pipelines koppelen via de API en de Python SDK. Je team kan er meerdere tegelijk gebruiken, allemaal op basis van dezelfde ervaring.
Werkt MS Duplex naast een gefinetuned model?
Ja. Het werkt naast een gefinetuned model en net zo goed naast een algemeen model, en laat beide leren van je werk. Als je team een model finetunet voor een taak, is de ervaring in MS Duplex er voor dat model en voor de volgende release.
Van wie is de ervaring die ons team opbouwt?
Van je organisatie, welk model of welke leverancier je ook gebruikt. Je regels bepalen welke mensen en agents erbij kunnen, en de ondertekende geschiedenis van wat is geleerd, gebruikt en goedgekeurd, kan worden geëxporteerd.


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.









