Abacus.AI lanceert AutoBots: AI-agents die zichzelf verbeteren

TL;DR

• Wat: Abacus.AI lanceert AutoBots — AI-agents die zichzelf recursief verbeteren door goedkope en dure taalmodellen slim te combineren.
• Waarom relevant: als AI-agents hun eigen workflows leren optimaliseren zonder menselijke tussenkomst, verandert dat hoe je als ondernemer over uitbesteden en automatisering nadenkt.
• Wat je ermee kunt: volg de ontwikkeling van zelfverbeterende agents en beoordeel of jouw huidige AI-tools een vergelijkbare feedbackloop bieden.

Bindu Reddy, CEO van het Amerikaanse AI-platform Abacus.AI, kondigde eind juli AutoBots aan: een systeem van AI-agents die zichzelf na elke taak verbeteren. Ik viel over die aankondiging omdat het precies raakt aan een vraag die ik steeds vaker tegenkom: hoe ver zijn we van AI die niet alleen taken uitvoert, maar ook leert hóé het die taken beter kan doen?

Wat zijn AutoBots precies?

AutoBots zijn zogenaamde recursively self-improving agents — in gewoon Nederlands: AI-programma's die hun eigen aanpak evalueren en bijstellen na elke ronde. Stel je een stagiair voor die na elke opdracht niet alleen het resultaat oplevert, maar ook opschrijft wat er sneller of beter had gekund, en dat de volgende keer toepast. Dat is in essentie wat hier gebeurt, maar dan zonder menselijke tussenkomst.

Het systeem gebruikt meerdere taalmodellen tegelijk. Voor eenvoudige taken draait het op DeepSeek V4 Flash, een open-weights model met 284 miljard parameters dat sinds april 2026 beschikbaar is. De kosten? Omgerekend zo'n $0,14 per miljoen tokens invoer — dat is verwaarloosbaar weinig. Voor complexere opdrachten schakelt het systeem over op Claude Fable 5, Anthropic's krachtigste breed beschikbare model sinds juni 2026. Dat model is aanzienlijk duurder ($10 per miljoen tokens invoer), maar levert ook sterkere redeneer- en analysecapaciteiten.

Wat mij hier opvalt: de kern van de architectuur is niet één supermodel, maar een slimme taakverdeling. Goedkoop waar het kan, krachtig waar het moet. Dat is een principe dat elke ondernemer kent — je zet je senior medewerker niet in voor werk dat een junior prima aankan.

Waarom dit nu opduikt

Recursieve zelfverbetering — in de AI-wereld afgekort als RSI — was tot voor kort vooral een theoretisch concept. Dat is in 2026 merkbaar aan het verschuiven. In april organiseerde de gerenommeerde AI-conferentie ICLR in Rio de Janeiro de naar verluidt eerste workshop die volledig aan RSI gewijd was. Daar werd besproken hoe AI-systemen hun eigen code, prompts en workflows kunnen herschrijven.

De trend is breder dan alleen Abacus.AI. Volgens recente rapportages schrijft Claude inmiddels circa 80% van de productiecode bij Anthropic zelf, en zou OpenAI's GPT-5.3-Codex hebben geholpen bij het debuggen van zijn eigen trainingsproces. Ik vind het eerlijk gezegd fascinerend dat de tools waarmee AI-modellen worden gebouwd, steeds vaker óók AI-modellen zijn.

Voor de context: Abacus.AI is een platform dat zich richt op enterprise-AI en naar schatting zo'n $30 miljoen aan jaarlijkse terugkerende omzet draait. Bindu Reddy, de oprichter, was eerder Head of Product bij Google Apps. Het is dus geen onbekend hobbyproject — maar het is ook geen Google of Microsoft.

Wat betekent dit voor een ondernemer?

Kun je je voorstellen wat het betekent als je AI-tools hebt die na elke klus een beetje slimmer worden? Stel dat je als ondernemer een AI-agent gebruikt voor het verwerken van offerteaanvragen, het beantwoorden van klantvragen of het samenvatten van contracten. Bij een traditionele opzet presteert die agent morgen precies hetzelfde als vandaag, tenzij iemand handmatig de instructies aanpast.

Bij een zelfverbeterende agent zou het systeem na honderd offertes zelf patronen herkennen: welk type vragen leidt tot de beste conversie, welke formuleringen worden het vaakst goedgekeurd, waar zit de meeste vertraging. En vervolgens die kennis inbouwen in de volgende ronde.

Dat klinkt aantrekkelijk, maar ik wil hier wel iets nuanceren.

De belofte versus de praktijk

De claim dat agents "over time smarter and more efficient" worden, is op dit moment precies dat: een claim. Abacus.AI deelt in de aankondiging geen benchmarks, geen vergelijkende cijfers, geen klantervaringen. Ik heb ook geen onafhankelijke reviews of tests kunnen vinden die de zelfverbetering kwantificeren. Dat wil niet zeggen dat het niet werkt — maar het betekent wel dat je als ondernemer nog niet kunt beoordelen hoeveel beter zo'n agent wordt en hoe snel.

Kosten en controle

De combinatie van een goedkoop model (DeepSeek V4 Flash) en een duur model (Claude Fable 5) is slim vanuit kostenperspectief. Maar het roept ook een vraag op: wie bepaalt wanneer een taak "makkelijk" is en wanneer "super hard"? Bij een zelfverbeterend systeem zou die classificatie zelf ook kunnen verschuiven over tijd. Als ondernemer wil je weten wat je maandelijkse rekening wordt — en bij een systeem dat zijn eigen beslissingen bijstelt, is dat lastiger te voorspellen.

De risico's van AI die zichzelf aanpast

Ik denk dat het eerlijk is om hier ook de keerzijde te benoemen. Onderzoekers en veiligheidsexperts waarschuwen al langer voor specifieke risico's bij zelfverbeterende AI:

• Verlies van menselijk toezicht. Als een systeem sneller verbetert dan een mens kan controleren, worden de gebruikelijke veiligheidslagen — menselijke review, testen, goedkeuring — minder effectief.
• Afdrijvende doelen. Er is een risico dat een AI-agent gaandeweg optimaliseert voor iets wat net afwijkt van wat je oorspronkelijk bedoelde. In de vakliteratuur heet dit reward hacking of specification hacking.
• Instabiele aanpassingen. Een agent die zijn eigen prompts herschrijft, kan na een reeks verbeteringen ineens slechter presteren — een bekend probleem dat brittle self-edits wordt genoemd.

Bekende mitigaties zijn onder meer gelaagde goedkeuringen voor impactvolle wijzigingen, terugvalmechanismen naar een bewezen basisversie, en gestructureerde zelfkritiek-processen. Of en hoe Abacus.AI die inbouwt, is op basis van de huidige aankondiging niet duidelijk.

Waar staan we nu?

Wat mij betreft is AutoBots een interessant signaal, maar nog geen bewezen product voor de gemiddelde MKB-ondernemer. De onderliggende trend — AI-agents die niet statisch zijn maar leren van hun eigen output — is wel degelijk iets om in de gaten te houden. Het verschil tussen een AI-tool die altijd hetzelfde doet en een tool die zich aanpast aan jouw specifieke bedrijfscontext, zou op termijn het verschil kunnen maken tussen een handige gadget en een echte digitale medewerker.

Tegelijkertijd vind ik het belangrijk om nuchter te blijven. De modellen die hieronder draaien — DeepSeek V4 Flash en Claude Fable 5 — zijn indrukwekkend, maar de bewering dat het geheel recursief beter wordt, vraagt om meetbare onderbouwing. Die heb ik nog niet gezien.

Voor mij is dit vooral een teken dat de AI-markt verschuift van "welk model is het beste" naar "welk systeem leert het snelst van zijn eigen fouten." En dat is een vraag die uiteindelijk voor elke ondernemer relevant wordt.