AI die leert van eigen successen: wat is Recursive Self-Rewrite?

TL;DR

• Wat: Onderzoekers presenteren Recursive Self-Rewrite (RSR), een methode waarmee één AI-model leert van oplossingen die onder verschillende omstandigheden zijn gevonden — en die herbruikbaar maakt.
• Waarom relevant: Dit raakt direct aan de vraag hoe AI-agents straks betrouwbaar complexe taken uitvoeren in je bedrijf, ook als de omstandigheden veranderen.
• Wat je ermee kunt: Volg hoe AI-agents zich ontwikkelen richting zelfstandig probleemoplossend vermogen — dat bepaalt wanneer automatisering van complexere bedrijfsprocessen realistisch wordt.

Ik stuitte op een paper die me aan het denken zette: Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite, gedeeld door AI-onderzoeker Akhaliq op X. Het gaat over een methode waarmee een AI-model zichzelf verbetert door succesvolle aanpakken om te zetten in herbruikbare instructies. Wat mij opvalt, is dat dit precies het probleem raakt waar veel bedrijven tegenaan lopen zodra ze AI willen inzetten voor iets complexers dan een chatbot.

Het probleem: wat werkt op het lab, werkt niet in de praktijk

Laat me beginnen met het kernprobleem dat de onderzoekers — verbonden aan onder andere de University of Maryland — aanpakken. Wanneer je een AI-model traint om complexe taken uit te voeren, gebruik je vaak gespecialiseerde hulpmiddelen: specifieke prompts, controle-mechanismen, stopregels. De onderzoekers noemen dit harnesses — je kunt het vergelijken met een klimharnas dat je tijdens de training draagt.

Het punt is: zodra het model in de echte wereld aan de slag gaat, zijn die hulpmiddelen er niet meer. Het model moet het dan doen met een standaard-interface. Vergelijk het met een kok die tijdens de opleiding met professionele apparatuur leert koken, maar thuis alleen een basisuitrusting heeft. De kennis zit erin, maar de vertaling naar de nieuwe omgeving is het lastige stuk.

Dit noemen de onderzoekers de training-deployment gap — het gat tussen wat een model leert en wat het daadwerkelijk kan inzetten. En dat gat is precies wat Recursive Self-Rewrite probeert te dichten.

Hoe RSR werkt: een planner, een criticus en een uitvoerder

De methode bestaat uit drie stappen die samenwerken. Ik vind het eerlijk gezegd een elegante aanpak, al is het technisch best complex. Laat me het stap voor stap uitleggen.

De Planner

De planner neemt succesvolle oplossingen — gevonden onder verschillende gespecialiseerde omstandigheden — en destilleert daaruit zogeheten runbooks. Een runbook is in feite een gestructureerd stappenplan: wat is het einddoel, wat zijn de tussenstappen, welke controles zijn nuttig, en wat zijn veelvoorkomende valkuilen? Belangrijk: het runbook geeft géén kant-en-klaar antwoord, maar beschrijft de aanpak.

De Criticus

Vervolgens beoordeelt de criticus of het runbook daadwerkelijk nuttige procedure bevat, of dat er stiekem een oplossing in verborgen zit. Dit is een kwaliteitscontrole om te voorkomen dat het model de antwoorden "voorgekauwd" krijgt in plaats van het denkproces te leren.

De Uitvoerder

Tot slot voert de uitvoerder de taak opnieuw uit in een schone omgeving, met alleen het runbook als leidraad. Geen gespecialiseerde hulpmiddelen, geen shortcuts. Het resultaat is een nieuwe, schone oplossing die wél werkt onder standaardomstandigheden.

De onderzoekers gebruikten één basismodel — Qwen-3.8-27B — en wisten op deze manier 2.001 succesvolle oplossingen om te zetten in 11.094 bruikbare trainingsvoorbeelden. Dat is een vermenigvuldiging met een factor vijf, zonder dat er nieuwe taken aan te pas kwamen.

De resultaten: flinke verbeteringen, maar ook grenzen

De cijfers zijn opvallend. Op de Terminal-Bench 2 benchmark steeg de score (pass@3) van 57,0% naar 74,2%. Op de moeilijkere Terminal-Bench Hard ging het van 39,0% naar 63,0%. En drie verschillende harnesses samen losten 34,3% meer taken op dan het beste individuele hulpmiddel.

Maar — en dit vind ik belangrijk om te noemen — de methode heeft duidelijke beperkingen. Bij lange, complexe taken bleef de score laag: een procesbeloning van maximaal 0,29 op de Long-Horizon benchmark, met nul volledig afgeronde taken. Ook varieerde het slagingspercentage van herschreven oplossingen flink: van 58,3% bij Markdown-taken tot 87,5% bij OpenFOAM-simulaties. Het model kan dus beter worden, maar het is geen wondermiddel.

De onderzoekers merkten ook op dat directe training op ongefilterde oplossingen soms juist slechter presteerde — het model raakte dan vast in herhalende, doodlopende patronen. De filtering via de criticus blijkt dus essentieel.

Wat betekent dit voor ondernemers?

Stel dat je als ondernemer nadenkt over het inzetten van AI-agents voor complexere taken — denk aan het automatisch afhandelen van klantvragen die meerdere stappen vereisen, of het verwerken van technische documenten. Dan is het gat tussen "het werkt in een demo" en "het werkt bij ons in het bedrijf" precies het probleem dat dit onderzoek adresseert.

In Nederland gebruikte in 2025 bijna 30% van het MKB minstens één AI-technologie, volgens recente cijfers. Maar het gros daarvan betreft relatief eenvoudige toepassingen: chatbots, tekstgeneratie, eenvoudige dataverwerking. De stap naar AI die zelfstandig complexe, meerstaps-processen afhandelt, is een andere zaak.

Wat mij aan dit onderzoek opvalt, is dat het een concreet mechanisme biedt voor die vertaalslag. Niet door het model slimmer te maken in de traditionele zin, maar door het systematisch te laten leren van zijn eigen successen — en die lessen toepasbaar te maken in een standaardomgeving. Kun je je voorstellen wat dat betekent als een AI-agent die nu tien soorten problemen kan oplossen met speciale hulpmiddelen, straks diezelfde tien problemen ook aankan zonder die hulpmiddelen?

Dat is nog toekomstmuziek voor de meeste bedrijven. Maar het is wel het type onderzoek dat de fundering legt voor betrouwbaardere AI-automatisering — en dat is relevant als je nu al nadenkt over waar je bedrijf over twee jaar staat.

Een voorzichtige stap in de goede richting

Ik denk dat het eerlijk is om dit onderzoek te zien als wat het is: een technische bijdrage die een reëel probleem adresseert, met meetbare resultaten en eerlijke beperkingen. Het is geen doorbraakpaper dat alles verandert, maar het laat wel zien dat de kloof tussen gespecialiseerde training en praktische inzet kleiner kan worden — mits je de juiste structuur aanbrengt.

Wat mij betreft is het vooral een signaal dat AI-agents zich ontwikkelen in de richting van robuuster probleemoplossend vermogen. En voor ondernemers die de ontwikkelingen volgen, is dat een stuk relevanter dan het zoveelste benchmarkrecord.