Stel je voor: een AI-systeem dat je niet hoeft te programmeren, geen prompts hoeft te geven, en dat zichzelf nieuwe taken aanleert door gewoon te observeren wat er in je bedrijf gebeurt. Dat is precies waar Rich Sutton, een van de grondleggers van modern AI-onderzoek en winnaar van de Turing Award (de 'Nobelprijs voor informatica'), nu aan werkt met zijn nieuwe startup Oak Lab.
Van reinforcement learning naar zelflerende agents
Rich Sutton is geen onbekende. Hij schreef het standaardwerk over reinforcement learning — de techniek waarmee AI-systemen leren door trial-and-error, net zoals mensen dat doen. Denk aan AlphaGo dat zichzelf leerde Go spelen, of ChatGPT dat leerde converseren door miljarden voorbeelden te verwerken.
Maar Oak Lab gaat een stap verder. Waar huidige AI-systemen nog afhankelijk zijn van menselijke programmeurs die trainingsdata verzamelen, modellen finetunen en prompts schrijven, wil Sutton agents bouwen die volledig autonoom leren. Ze observeren hun omgeving, experimenteren, en verbeteren zichzelf — zonder dat er een mens aan te pas komt.
Waarom dit een keerpunt is
Tot nu toe was AI voor het MKB een dure aangelegenheid. Je had data scientists nodig, dure API's, en maanden aan implementatietijd. Een zelflerende agent verandert dat fundamenteel: je zet hem aan, hij kijkt mee met je bedrijfsprocessen, en binnen weken — niet maanden — optimaliseert hij zelfstandig je voorraadbeheer, klantenservice of facturatie.
Verrassend genoeg is de technologie dichterbij dan je denkt. NVIDIA kondigde deze week aan dat hun Nemotron-modellen nu benchmark-leidende prestaties leveren met LangChain's Deep Agents — een open-source framework voor autonome AI-agents. En Google breidde zijn Managed Agents in de Gemini API uit met achtergrondtaken en remote MCP-ondersteuning. De infrastructuur wordt gebouwd terwijl wij praten.
De Nederlandse realiteit: van 15 man naar 15 agents
Neem een gemiddeld Nederlands installatiebedrijf met 15 medewerkers. De eigenaar besteedt nu 12 uur per week aan offertes, facturatie en planning — tijd die niet naar klanten of groei gaat. Met een zelflerende agent die de bedrijfsprocessen observeert, leert het systeem binnen enkele weken welke offertes kansrijk zijn, wanneer voorraad besteld moet worden, en welke facturen prioriteit hebben. Geen programmeur nodig, geen dure consultant. De agent leert van de data die het bedrijf al produceert: e-mails, offertes, facturen, planningen.
Dit is geen verre toekomstmuziek. Nederlandse MKB-bedrijven in de logistiek experimenteren al met AI-agents die zelfstandig routes optimaliseren op basis van realtime verkeersdata. De stap naar volledig zelflerende systemen is kleiner dan de meeste ondernemers denken.
Wat betekent dit voor jouw MKB?
De zelflerende agent is geen sciencefiction meer. De eerste generaties draaien al in enterprise-omgevingen, en de vertaling naar het MKB is een kwestie van maanden, niet jaren. Drie dingen die je nu kunt doen:
1. Begin met proces-documentatie
Een zelflerende agent heeft data nodig om van te leren. Begin vandaag met het documenteren van je belangrijkste bedrijfsprocessen — offertes opstellen, facturatie, voorraadbeheer. Hoe beter gedocumenteerd, hoe sneller een agent kan leren.
2. Experimenteer met no-code AI-tools
Wacht niet op Oak Lab. Tools zoals Google's Managed Agents en OpenAI's GPT-5.6 (nu de standaard in Microsoft 365 Copilot) bieden al semi-autonome functionaliteit. Begin klein: laat een AI-agent je e-mail categoriseren of je agenda beheren.
3. Heroverweeg je IT-strategie
Als AI-agents zichzelf kunnen trainen, verschuift de bottleneck van "hoe krijg ik AI aan de praat" naar "hoe organiseer ik mijn data". Investeer in schone, gestructureerde data — dat is het goud van de zelflerende economie.
De Turing Award-winnaar die de afgelopen 40 jaar de basis legde voor moderne AI, zet nu zijn kaarten op zelflerende agents. De vraag is niet óf deze technologie naar het MKB komt, maar of jouw bedrijf er klaar voor is wanneer het zover is.