Hoe AI-agents leren hun eigen geheugen op te ruimen

TL;DR

• Wat: Onderzoekers van Xiaohongshu (RedNote) ontwikkelden Self-GC, een systeem dat een apart AI-model laat beslissen welke informatie een AI-agent mag bewaren, samenvatten of weggooien.
• Waarom relevant: AI-agents die langer achter elkaar doorwerken — denk aan klantenservice of administratie — lopen nu vast zodra hun 'werkgeheugen' vol zit. Dit onderzoek laat zien hoe dat probleem kleiner wordt.
• Wat je ermee kunt: Als je AI-agents inzet of overweegt, vraag je leverancier hoe zij omgaan met geheugenbeheer bij langere taken. Dat bepaalt of je agent betrouwbaar blijft.

Ik stuitte op een bericht van DeepLearning.AI over een onderzoek dat me aan het denken zette. Onderzoekers bij Xiaohongshu — het Chinese platform dat je misschien kent als RedNote — hebben een manier gevonden om AI-agents slimmer te laten omgaan met hun eigen geheugen. Dat klinkt misschien technisch, maar het raakt iets waar iedere ondernemer die met AI werkt vroeg of laat tegenaan loopt.

Waarom geheugen een probleem is voor AI-agents

Een AI-agent — software die zelfstandig taken uitvoert, zoals e-mails beantwoorden of gegevens opzoeken — werkt met een zogenaamd context window. Zie dat als het werkgeheugen: alles wat de agent 'in zijn hoofd' kan houden terwijl hij bezig is. Net zoals jij niet oneindig veel notities op je bureau kunt leggen zonder het overzicht te verliezen, heeft een AI-agent een limiet.

Bij korte taken is dat prima. Maar zodra een agent langer aan het werk is — een uitgebreid klantgesprek, het doorwerken van meerdere documenten, het uitvoeren van een reeks opdrachten — raakt dat werkgeheugen vol. De standaardoplossing is simpel: oude informatie weggooien. Maar dat is alsof je tijdens een vergadering je eigen aantekeningen van een half uur geleden verscheurt, terwijl je die misschien nog nodig hebt.

De huidige methoden om dit op te lossen zijn vrij grof. Vaak wordt gewoon het oudste stuk tekst verwijderd, of wordt er met vaste regels bepaald wat weg mag. Uit het onderzoek van Xiaohongshu blijkt dat die aanpak in moeilijke situaties maar in 54,55% van de gevallen de juiste informatie bewaart. Dat betekent dat bijna de helft van de tijd cruciale details verloren gaan.

Wat Self-GC anders doet

Self-GC — voluit Self-Governing Context — pakt het fundamenteel anders aan. In plaats van vaste regels gebruikt het systeem een apart AI-model (een zogenaamde planner) dat meekijkt en beoordeelt welke informatie nog relevant is.

Concreet werkt het zo: zodra het werkgeheugen van de agent voor meer dan 30% gevuld is, stuurt Self-GC de volledige gespreksgeschiedenis naar dit planner-model. Dat model kiest vervolgens per informatieblok één van drie acties:

Fold (opvouwen)

De informatie wordt verplaatst naar een soort archief, met een korte notitie over waar het staat. De agent kan het later woord-voor-woord terughalen als dat nodig blijkt. Vergelijk het met een dossier dat je van je bureau naar de archiefkast verplaatst — je weet waar het ligt.

Mask (inkorten)

Herhalende of weinig informatieve stukken tekst worden ingekort. Het begin en het einde blijven staan, maar het midden — vaak lange logbestanden of repetitieve uitvoer — wordt weggelaten. Handig bij technische output waar veel ruis in zit.

Prune (snoeien)

Informatie die echt niet meer nodig is, wordt verwijderd. Denk aan logboeken van mislukte pogingen of opdrachten die al volledig zijn afgerond.

Wat ik hier interessant vind: het systeem test de voorgestelde wijzigingen eerst op een kopie, voordat het iets daadwerkelijk aanpast. En het grijpt pas in als de besparing minimaal 30% van de tokens bedraagt. Dat is een voorzichtige aanpak, en dat is precies wat je wilt bij software die zelfstandig beslissingen neemt.

De cijfers: wat levert het op?

De onderzoekers publiceerden hun bevindingen begin juli 2026 op arXiv. De resultaten zijn op twee manieren getest.

Bij een set van 33 complexe gesprekken verwijderde Self-GC bijna 44% van de tokens, terwijl het in 84,85% van de gevallen de benodigde details behield. Ter vergelijking: de standaardmethoden verwijderden meer (62-70%), maar hielden slechts in 54,55 tot 69,70% van de gevallen de juiste informatie over. Meer weggooien is makkelijk — het kunststuk is weggooien zonder dat je iets mist.

Bij een grotere test met 332 gesprekken — afkomstig uit de productieomgeving van Xiaohongshu — steeg het behoud van relevante details zelfs naar 91 tot 95%.

In de praktijk, bij daadwerkelijk gebruik op het platform, leverde Self-GC een tokenreductie op van 10 tot 15%, met pieken rond 20%. Dat is bescheidener dan de labresultaten, maar het zijn productiecijfers — en die zijn doorgaans betrouwbaarder.

Ik wil hier wel een kanttekening plaatsen: dit onderzoek is gepubliceerd door Xiaohongshu zelf. Onafhankelijke replicatie door andere partijen heb ik nog niet gevonden. Dat betekent niet dat de resultaten onbetrouwbaar zijn, maar het is goed om dat in het achterhoofd te houden.

Wat betekent dit voor jou als ondernemer?

Volgens Gartner zal tegen eind 2026 ongeveer veertig procent van alle bedrijfssoftware een vorm van AI-agents bevatten, tegenover minder dan vijf procent in 2025. Die groei gaat hard, ook in het Nederlandse MKB.

Stel dat je als ondernemer een AI-agent inzet voor klantenservice. Een klant stuurt drie berichten, de agent beantwoordt ze netjes. Maar na twintig berichten in hetzelfde gesprek — met bijlagen, eerdere antwoorden, contextinformatie — begint het werkgeheugen vol te raken. Zonder slim geheugenbeheer vergeet de agent wat de klant in bericht drie zei, en geeft hij een antwoord dat nergens op slaat. Dat is precies het probleem dat Self-GC aanpakt.

Uit onderzoek onder Nederlandse MKB-ondernemers blijkt dat 42% tijdgebrek noemt als grootste drempel voor AI-adoptie. Een agent die halverwege een taak zijn context verliest, kost je juist méér tijd — omdat je moet controleren en corrigeren. Betrouwbaar geheugenbeheer is daarom niet zomaar een technisch detail; het bepaalt of een AI-agent daadwerkelijk tijd bespaart of juist extra werk oplevert.

Kun je je voorstellen wat het betekent als je boekhoudagent halverwege een facturencontrole vergeet welke inkooporder bij welke factuur hoort? Dat is geen theoretisch probleem — dat is precies wat er gebeurt als het context window volloopt en de verkeerde informatie wordt weggegooid.

Nog niet kant-en-klaar, wel een richting

Self-GC is op dit moment geen product dat je kunt kopen of installeren. Het is een onderzoeksresultaat, gepubliceerd als paper, getest binnen de eigen omgeving van Xiaohongshu. De gebruikte planner is standaard Qwen3.6-Plus — een model dat niet overal beschikbaar is.

Maar wat mij betreft is het signaal belangrijker dan het specifieke systeem. De richting is duidelijk: AI-agents worden pas echt bruikbaar voor langere, complexere taken als ze slim leren omgaan met hun eigen geheugen. Niet door alles te onthouden — dat is te duur en te traag — maar door op het juiste moment te bepalen wat belangrijk is en wat niet.

Ik denk dat dit het type verbetering is dat je als ondernemer niet direct ziet, maar wel voelt. Het verschil tussen een agent die na tien stappen nog steeds weet waar hij mee bezig is, en eentje die in de war raakt. Het verschil tussen software waar je op kunt vertrouwen en software die je voortdurend moet controleren.

Voor mij is dit vooral een signaal dat de AI-wereld zich steeds serieuzer bezighoudt met betrouwbaarheid bij langlopende taken. En dat is precies wat nodig is voordat AI-agents écht hun plek verdienen in het dagelijks werk van ondernemers.