Een blijvend lerende runtime voor AI-agents.
MS Duplex definieert een nieuwe categorie.

De meeste AI-implementaties beginnen bij elke taak bijna vanaf nul. Prompts, retrieval en vaste workflows geven context, maar het systeem wordt niet beter van elk bevestigd resultaat. Met MS Duplex kan elke afgeronde taak iets achterlaten:

• ·Een betere toolkeuze
• ·Een les over wat een actie verandert
• ·Een herbruikbare skill
• ·Een gecorrigeerde beslissing
• ·Een regel om te onthouden
• ·Een uitgewerkt voorbeeld
• ·Een duidelijk signaal van wat werkte
• ·Een snellere weg terug in het werk
• ·Een nieuwe mogelijkheid, getest vóór gebruik

Zo wordt het systeem nuttiger naarmate je organisatie het meer gebruikt.

Claude, Codex, Cursor en Hermes kunnen allemaal putten uit dezelfde MS Duplex, en via MCP + hooks kunnen je eigen agents dat ook. Wissel van model, agentclient, modelaanbieder of toolleverancier, en je behoudt de processen, regels, geschiedenis en skills die je organisatie heeft geleerd.

De afhankelijkheid van één leverancier valt weg, en wat je organisatie leert, wordt blijvend kapitaal.

MS Duplex bewaart wat het leert op elk niveau dat ertoe doet:

• ·Één persoon
• ·Een team
• ·De organisatie
• ·Één taak
• ·Een werkruimte
• ·Een agent
• ·Een gedeelde draad

Een persoon behoudt de eigen voorkeuren en werkwijzen. Een team bouwt een gedeelde aanpak en kennis van tools op. De organisatie stelt de regels waarbinnen iedereen werkt, terwijl mensen en teams daaronder blijven leren. Dat is veel meer waard dan één globaal geheugen.

Regels in MS Duplex bepalen wat een agent echt uitvoert, niet alleen wat een prompt van het model vraagt. Via MCP + hooks doet MS Duplex mee vóór elk verzoek, vóór elke toolaanroep en na elk resultaat, en telkens als er kennis wordt gedeeld of vergeten.

Ondernemingen hebben controle over gedrag nodig, geen betere formuleringen.

Fine-tuning blijft belangrijk als een model een nieuw algemeen vermogen of nieuw gedrag nodig heeft. Maar voor veel zakelijke behoeften hoeven de gewichten helemaal niet te veranderen:

• ·“Onthoud onze releaseprocedure.”
• ·“Leer welke diagnosetool deze storing oplost.”
• ·“Stop met aanraden wat steeds mislukt.”
• ·“Houd je aan de randvoorwaarde van deze klant.”
• ·“Ga verder met de taak nadat we van model wisselen.”
• ·“Deel dit bewezen proces met het team.”
• ·“Trek in wat niet meer klopt.”

MS Duplex regelt dit allemaal buiten het model: sneller, omkeerbaar, herleidbaar tot de bron, en meestal goedkoper dan telkens opnieuw fine-tunen.

De gangbare opvatting, en de opvatting die MS Duplex mogelijk maakt:

Verbeteringen kunnen zich dan opbouwen tussen modelaanroepen, tussen sessies, en zelfs tussen modelaanbieders.

Als geheugen, personalisatie, regels, geleerd toolgebruik, taakcontinuïteit en de eigen skills van een organisatie in MS Duplex zitten, wordt het model eronder makkelijker te vervangen. Modellen concurreren nog steeds op redeneren, snelheid, modaliteit en prijs.

Maar wat een klant heeft opgebouwd, verdwijnt niet meer als het model wisselt, en de macht verschuift naar wie het geleerde in handen heeft.

Een agent die aan MS Duplex gekoppeld is, blijft zichzelf wanneer:

• ·Een gesprek eindigt
• ·Het contextvenster volloopt
• ·De client herstart
• ·Een taak dagen later wordt hervat
• ·Het model wisselt
• ·Het werk van Claude Code naar Codex verhuist
• ·Een andere bevoegde persoon aansluit

Dat komt dichter bij een vaste digitale medewerker dan bij een reeks losse chats.

ACI is de intelligentie die zich aanpast. MS Duplex is het product dat het aan je AI koppelt: de beslissingen, het toezicht, de ingangen en de levenscyclus van alles wat het leert. Agents werken met een paar eenvoudige, stabiele bewerkingen, het model hoeft nooit te weten wat eronder draait, en hooks koppelen elke beslissing aan een echte actie.

Die grens maakt van een motor infrastructuur die elke agent kan gebruiken.