Airtable past zijn data-first ontwerpfilosofie toe op AI-agenten met het debuut van Superagent op dinsdag. Het is een zelfstandig onderzoeksbureau dat een team van toegewijde AI-agenten inzet die parallel werken om onderzoekstaken uit te voeren.
De technische innovatie ligt in de manier waarop Superagent Orchestrator de context handhaaft. Eerdere agentsystemen maakten gebruik van eenvoudige modelroutering waarbij tussenpersonen informatie tussen modellen filterden. Airtable Orchestrator behoudt volledig inzicht in het gehele uitvoeringstraject: het initiële plan, de uitvoeringsstappen en de resultaten van de subagenten. Hierdoor ontstaat wat een van de oprichters, Howie Liu, een ‘coherente reis’ noemt, waarin het orkest onderweg alle beslissingen neemt. “Het komt er uiteindelijk op neer hoe je de zelfreflectiemogelijkheden van het model benut”, vertelde Liu aan VentureBeat. Liu was ruim twaalf jaar geleden medeoprichter van Airtable, met als kern een cloudgebaseerde relationele database.
Airtable heeft zijn bedrijf opgebouwd met één doel voor ogen: software moet zich aanpassen aan de manier waarop mensen werken, en niet andersom. Die filosofie stimuleert de groei van meer dan 500.000 organisaties, waaronder 80% van de Fortune 100-bedrijven, die het platform gebruiken om aangepaste applicaties te bouwen die passen bij hun workflows.
Superagent-technologie is een evolutie van mogelijkheden die oorspronkelijk zijn ontwikkeld door DeepSky (voorheen bekend als Verloop), dat Airtable in oktober 2025 heeft overgenomen.
Van gestructureerde data tot vrije-vormagenten
Liu beschouwt Airtable en Superagent als complementaire vormfactoren die samen tegemoetkomen aan verschillende bedrijfsbehoeften. Airtable biedt een gestructureerde basis en Superagent voert ongestructureerde onderzoekstaken uit.
“We zijn uiteraard begonnen met de datalaag. Het heet Airtable: het is een datatabel”, zei Liu.
Het platform evolueert als een platform rond die kerndatabase met workflow-, automatiserings- en interfacemogelijkheden die duizenden gebruikers kunnen bereiken. “Ik denk dat Superagent een complementaire vormfactor is, die erg ongestructureerd is”, zei Liu. “Deze agenten zijn in wezen erg vrij van vorm.”
Het besluit om vrije-vormmogelijkheden te bouwen weerspiegelt de kennis die de industrie heeft verworven over het gebruik van steeds capabelere modellen. Liu zei dat naarmate deze modellen slimmer worden, de beste manier om ze te gebruiken is om de beperkingen op de manier waarop ze werken te verminderen.
Hoe het Superagent multi-agentsysteem werkt
Wanneer een gebruiker een query indient, maakt de orkestrator een zichtbaar plan dat complex onderzoek opsplitst in parallelle workflows. Als u bijvoorbeeld onderzoek doet naar een bedrijf voor investeringen, wordt de taak opgesplitst in verschillende delen, zoals onderzoek naar het team, onderzoek naar de financieringsgeschiedenis en onderzoek naar het concurrentielandschap. Elke werkstroom wordt gedelegeerd aan een speciale agent die onafhankelijk werkt. Deze agenten werken parallel, hun werk wordt gecoördineerd door het systeem en ieder levert zijn bijdrage aan het geheel.
Hoewel Airtable Superagent beschrijft als een systeem met meerdere agenten, vertrouwt het op een centrale orkestrator die subtaken plant, verzendt en bewaakt – een meer gecontroleerd model dan een volledig autonome agent.
Airtable Orchestrator behoudt volledig inzicht in het gehele uitvoeringstraject: het initiële plan, de uitvoeringsstappen en de resultaten van de subagenten. Hierdoor ontstaat wat Liu een ‘coherente reis’ noemt, waarin het orkest onderweg alle beslissingen neemt. De subagentbenadering verzamelt zuivere resultaten zonder de belangrijkste orkestratiecontext te vervuilen. Superagent gebruikt verschillende grensmodellen voor verschillende subtaken, waaronder OpenAI, Anthropic en Google.
Dit lost twee problemen op: het beheren van het contextvenster door opgeschoonde resultaten te combineren zonder vervuiling, en aanpassing tijdens de uitvoering mogelijk te maken.
“Misschien probeerden ze een onderzoeksopdracht op een bepaalde manier uit te voeren die niet werkte, konden ze niet de juiste informatie vinden en besloten ze vervolgens iets anders te proberen,” zei Liu. “Hij weet dat hij het eerste heeft geprobeerd en dat het niet werkte. Hij zal dus niet nog een keer dezelfde fout maken.”
Waarom datasemantiek de prestaties van agenten bepaalt
Vanuit het perspectief van een bouwer stelt Liu dat de prestaties van agenten meer afhangen van de kwaliteit van de datastructuur dan van modelselectie of snelle engineering. Hij baseerde dit op de ervaring van Airtable met het bouwen van interne data-analysetools om erachter te komen wat werkt.
Uit interne toolexperimenten blijkt dat datavoorbereiding meer inspanning vergt dan agentconfiguratie.
“We ontdekten dat het moeilijkste deel om het goed te krijgen niet het gebruik van agenten was, maar dat een groot deel van de speciale saus meer te maken had met het semantisch masseren van de gegevens”, zei Liu. “Agenten hebben echt baat bij goede datasemantiek.”
Het werk voor gegevensvoorbereiding richt zich op drie gebieden: het herstructureren van de gegevens zodat agenten de juiste tabellen en kolommen kunnen vinden, verduidelijken wat die kolommen vertegenwoordigen, en ervoor zorgen dat agenten deze betrouwbaar kunnen gebruiken bij query’s en analyses.
Wat bedrijven moeten weten
Voor organisaties die multi-agentsystemen evalueren of aangepaste implementaties bouwen, benadrukt Liu’s ervaring verschillende technische prioriteiten.
Data-architectuur gaat vooraf aan de implementatie van agenten. Uit interne experimenten blijkt dat het bedrijf verwacht dat de gegevensvoorbereiding meer middelen zal verbruiken dan de configuratie van agenten. Organisaties met ongestructureerde gegevens of slechte schemadocumentatie zullen worstelen met de betrouwbaarheid en nauwkeurigheid van agenten, ongeacht de verfijning van het model.
Contextmanagement is erg belangrijk. Het simpelweg combineren van verschillende LLM’s om een agentische workflow te creëren is niet voldoende. Er moet een goede contextorkestrator zijn die de status en informatie kan behouden en tegelijkertijd de hele workflow in ogenschouw kan nemen.
Relationele databases zijn belangrijk. Relationele database-architecturen bieden een schonere semantiek voor agentnavigatie dan documentarchieven of ongestructureerde opslagplaatsen. Organisaties die NoSQL standaardiseren om prestatieredenen zouden moeten overwegen om relationele weergaven of schema’s te behouden voor agentgebruik.
Orkestratie vereist planningsvaardigheden. Net zoals relationele databases queryplanners hebben om de resultaten te optimaliseren, vereisen agentworkflows een orkestratielaag die de resultaten plant en beheert.
“Het grappige en de korte versie is dus dat een groot deel hiervan afhankelijk is van zeer goede planning- en uitvoeringslagen voor agenten, en de mogelijkheid om het model volledig te benutten voor hun vaardigheden”, zei Liu.
