Microsoft opent MagenticLite volledig: AI-agents op eigen hardware

TL;DR

• Wat: Microsoft Research heeft MagenticLite — inclusief de modellen MagenticBrain en Fara 1.5 — volledig opengesteld met open weights op Hugging Face.
• Waarom relevant: kleine AI-modellen die op eigen hardware draaien, betekent minder afhankelijkheid van dure cloud-API's en meer controle over bedrijfsdata.
• Wat je ermee kunt: evalueer of browser-automatisering met een lokaal draaiend model taken in jouw bedrijf kan overnemen — zonder dat data je netwerk verlaat.

Ik stuitte op een aankondiging van Microsoft Research die me opviel: de volledige stack van MagenticLite is nu open source. De modellen die eerder alleen via Microsoft Foundry beschikbaar waren, staan nu met open weights op Hugging Face. Dat klinkt misschien als een technisch detail, maar voor ondernemers kan dit een verschil maken in hoe ze over AI-automatisering nadenken.

Wat is MagenticLite eigenlijk?

MagenticLite is een zogenaamd agentisch framework van Microsoft Research. Dat is een mondvol, dus laat me het simpeler zeggen: het is een systeem waarbij een AI-model zelfstandig taken kan uitvoeren. Niet alleen een vraag beantwoorden, maar ook daadwerkelijk dingen doen — klikken in een browser, formulieren invullen, bestanden beheren op je computer.

Het systeem bestaat uit twee kernmodellen die samenwerken:

• MagenticBrain — een model van 14 miljard parameters, gebaseerd op Qwen 3 14B. Dit is de "regisseur": het ontleedt een opdracht in stappen, kiest het juiste gereedschap, schrijft code wanneer nodig en delegeert browsertaken.
• Fara 1.5 — een familie van computer-use modellen in drie formaten: 4B, 9B en 27B parameters, gebaseerd op Qwen 3.5. Dit is de "uitvoerder": het model dat daadwerkelijk door websites navigeert, klikt, typt en scrollt.

Denk aan het als een chef-kok (MagenticBrain) die recepten plant en een sous-chef (Fara 1.5) die de ingrediënten snijdt en roert. Samen vormen ze één werkend geheel.

Van gesloten naar open: wat is er veranderd?

Toen Microsoft Research het systeem in mei 2026 aankondigde, was de app zelf open (via GitHub), maar de modellen waren alleen beschikbaar via Microsoft Foundry — Microsofts eigen AI-platform. Je kon ermee werken, maar je zat vast aan hun infrastructuur.

De stap die nu is gezet: MagenticBrain en de volledige Fara 1.5-familie staan nu op Hugging Face met open weights, onder een MIT-licentie. Dat betekent:

• Je kunt de modellen downloaden en op eigen hardware draaien
• Je mag ze aanpassen voor eigen doeleinden
• Je data hoeft je netwerk niet te verlaten
• De licentie staat commercieel gebruik toe

Ik vind het opvallend dat Microsoft hier de hele stack vrijgeeft — de app, het raamwerk én alle modellen. Dat is niet vanzelfsprekend voor een bedrijf van die omvang. Tegelijk is het een patroon dat we vaker zien: grote techbedrijven die open-source modellen gebruiken om een ecosysteem rond hun platforms te bouwen.

De prestaties: klein maar krachtig

Wat mij hier écht boeit, zijn de benchmarkresultaten. Fara 1.5-27B — het grootste model in de familie — scoort 72,3% op de Online-Mind2Web benchmark. Dat is een test waarin een AI-model echte webtaken moet uitvoeren, zoals producten zoeken, formulieren invullen of door meerdere pagina's navigeren.

Ter vergelijking:

• OpenAI's Operator scoort 58,3% op dezelfde test
• Gemini 2.5 Computer Use scoort 57,3%
• Fara 1.5-9B (het middelste model) scoort 63,4%

Dat een model van 27 miljard parameters beter presteert dan veel grotere, commerciële systemen is opmerkelijk. De 9B-variant verdubbelt bijna de score van de vorige generatie (Fara-7B, die op 35% bleef steken).

Op de WebVoyager-benchmark haalt Fara 1.5-9B zelfs 86,6%. Die benchmark meet hoe goed een model door complexe websites kan navigeren — denk aan het boeken van een vlucht of het vergelijken van producten.

Wat betekent "klein" hier?

Een model van 9 miljard parameters kun je draaien op een fatsoenlijke GPU die je voor een paar duizend euro aanschaft, of via een dienst als vLLM zelf host. Vergelijk dat met frontier-modellen van honderden miljarden parameters die alleen in grote datacenters draaien. Het verschil in operationele kosten is enorm.

Wat betekent dit voor een ondernemer?

Stel dat je als ondernemer een bedrijf runt waar medewerkers dagelijks repetitieve browsertaken uitvoeren — gegevens invoeren in leveranciersportalen, prijzen vergelijken, bestellingen plaatsen in systemen zonder API-koppeling. Dat is precies het type werk waar deze modellen voor zijn gebouwd.

Een paar concrete overwegingen:

Privacy en controle

Omdat de modellen lokaal kunnen draaien, verlaat gevoelige bedrijfsdata — klantgegevens, inkoopprijzen, inloggegevens — je eigen omgeving niet. Voor bedrijven in sectoren met strenge privacyvereisten (denk aan zorg, juridisch, financieel) is dat een wezenlijk voordeel ten opzichte van cloud-gebaseerde oplossingen.

Kosten

Geen API-kosten per aanroep. Eenmaal geïnstalleerd draait het model op eigen hardware. Voor bedrijven die veel automatiseringstaken uitvoeren, kan dat financieel interessanter zijn dan betalen per gebruik bij OpenAI of Google.

Toegankelijkheid

De 4B-variant is klein genoeg om op relatief bescheiden hardware te draaien. Dat verlaagt de drempel. Ik zou zelf willen weten hoe die kleinste variant presteert op alledaagse taken — de benchmarks focussen op de 9B- en 27B-modellen.

Een kanttekening

Dit is geen kant-en-klare oplossing die je morgen installeert. Je hebt technische kennis nodig om de modellen te deployen, te configureren en te onderhouden. Voor de meeste MKB-bedrijven betekent dat: je hebt iemand nodig die dit kan opzetten, of je wacht tot er gebruiksvriendelijkere tools omheen worden gebouwd. Dat is een reëel verschil tussen "het is beschikbaar" en "het is bruikbaar voor mijn bedrijf".

Een breder patroon

Ik merk dat ik steeds vaker dit soort aankondigingen voorbij zie komen: capabele AI-modellen die klein genoeg zijn om lokaal te draaien, open genoeg om aan te passen, en goed genoeg om commerciële alternatieven bij te houden of te overtreffen. Dat was twee jaar geleden ondenkbaar.

Kun je je voorstellen wat dit betekent als deze trend doorzet? AI-agents die op een kantoor-PC draaien en routinetaken afhandelen, zonder maandelijks abonnement, zonder dat data naar een Amerikaans datacenter gaat.

We zijn er nog niet — maar de bouwstenen liggen er nu wel. Wat mij betreft is dit vooral een signaal dat de drempel voor AI-automatisering sneller daalt dan veel ondernemers beseffen. Niet door één spectaculaire doorbraak, maar doordat stukje bij beetje alles openkomt en kleiner wordt.