Google’s Opal liet het team van het bedrijf stilletjes een nieuwe blauwdruk zien voor het bouwen van AI-agents

Het afgelopen jaar is de zakelijke AI-gemeenschap verwikkeld geweest in een debat over de hoeveelheid vrijheid die AI-agenten moeten krijgen. Te weinig, en je zult eindigen met dure workflowautomatisering die nauwelijks voldoet aan het label ‘agent’. Te veel en je zult de ramp met het verwijderen van gegevens ervaren die early adopters van tools als OpenClaw overkwam. Deze week heeft Google Labs een update uitgebracht voor Opaaleen visuele agentbouwer zonder code, die in stilte de antwoorden biedt – en lessen biedt die elke IT-leider die de planningsagentstrategie zorgvuldig zou moeten bestuderen.

Deze update introduceert wat Google ‘agentstappen’ noemt die de voorheen statische, slepen-en-neerzetten-workflow van Opal transformeren in een dynamische, interactieve ervaring. In plaats van handmatig te bepalen welke modellen of tools ze moeten oproepen en in welke volgorde, kunnen makers nu doelen definiëren en agenten het beste pad laten bepalen om deze te bereiken: tools selecteren, modellen zoals Gemini 3 Flash of Veo activeren voor het maken van video’s, en zelfs een gesprek met de gebruiker beginnen wanneer deze meer informatie nodig heeft.

Klinkt als een eenvoudige productupdate. Nee. Wat Google leverde was een werkende referentiearchitectuur voor de drie mogelijkheden die zakelijke agenten in 2026 zullen definiëren:

1. Adaptieve routering

2. Aanhoudende herinnering

3. Menselijke orkestratie in cirkel

…en het wordt allemaal mogelijk gemaakt door de snelle toename van het redeneervermogen van dergelijke grensmodellen Gemini 3-serie.

Het ‘ontspoorde’ keerpunt: waarom betere modellen alles veranderen aan het ontwerp van agenten

Om te begrijpen waarom de Opal-update belangrijk is, moet je de veranderingen begrijpen die zich al maanden in het agent-ecosysteem voordoen.

De eerste golf van enterprise-agentframeworks – tools zoals vroege versies van CrewAI en vroege releases van LangGraph – werden bepaald door de spanning tussen autonomie en controle. Het initiële model is niet betrouwbaar genoeg om te vertrouwen voor open besluitvorming. Het resultaat is wat praktijkmensen ‘agents on rails’ beginnen te noemen: zeer beperkte workflows waarin elk beslissingspunt, elke tooloproep en elk vertakkingspad vooraf moet worden bepaald door menselijke ontwikkelaars.

Deze aanpak is succesvol, maar beperkt. Het bouwen van een agent op rails betekent anticiperen op elke toestand waarin het systeem zich kan bevinden – een combinatorische nachtmerrie voor alles behalve eenvoudige, lineaire taken. Erger nog: dit betekent dat agenten zich niet kunnen aanpassen aan nieuwe situaties, een vermogen dat AI-agenten zo waardevol maakt.

De Gemini 3-serie vertegenwoordigt, samen met recente releases zoals Claude Opus 4.6 en Sonnet 4.6 van Anthropic, de drempel waarop modellen betrouwbaar genoeg zijn geworden in planning, redeneren en zelfcorrectie, zodat de rails los kunnen raken. Google’s eigen Opal-update is een erkenning van deze verandering. Voor de nieuwe agentstap hoeft de bouwer niet elk pad door de workflow vooraf te definiëren. In plaats daarvan vertrouwt het erop dat het onderliggende model de gebruikersdoelen evalueert, de beschikbare tools beoordeelt en dynamisch de optimale volgorde van acties bepaalt.

Dit is hetzelfde patroon dat de agentworkflows en tooloproepen van Claude Code uitvoerbaar maakt: het model is goed genoeg om de volgende stap van de agent te bepalen en kan vaak zelfs zichzelf corrigeren zonder dat een mens elke fout handmatig opnieuw moet oproepen. Het verschil met Claude Code is dat Google deze mogelijkheden nu verpakt in een product zonder code voor consumenten – een sterk signaal dat de onderliggende technologie de experimentele fase voorbij is.

Voor bedrijfsteams zijn de implicaties duidelijk: als je nog steeds een agentarchitectuur ontwerpt die voor elke onvoorziene gebeurtenis vooraf gedefinieerde paden vereist, ben je waarschijnlijk aan het over-engineeren. De nieuwe generatie modellen ondersteunt een ontwerppatroon waarin u de doelen en beperkingen definieert, de hulpmiddelen ter beschikking stelt en het model de routering laat afhandelen – de verschuiving van programmeeragenten naar het beheer ervan.

Geheugen tussen sessies: een functie die demo’s scheidt van productieagenten

De tweede grote toevoeging in de Opal-update is persistent geheugen. Google staat Opal nu toe om informatie uit verschillende sessies te onthouden (gebruikersvoorkeuren, eerdere interacties, verzamelde context) waardoor de agent beter kan worden gebruikt, in plaats van elke keer opnieuw te beginnen.

Google heeft de technische implementatie achter het Opal-geheugensysteem niet onthuld. Maar het patroon zelf is goed ingeburgerd in de gemeenschap van agenten die bouwen. Tools zoals OpenClaw verwerken het geheugen voornamelijk via markdown- en JSON-bestanden, een eenvoudige aanpak die goed werkt voor systemen met één gebruiker. Enterprise-implementaties worden geconfronteerd met een moeilijker probleem: het behoud van geheugen voor meerdere gebruikers, sessies en beveiligingsgrenzen zonder gevoelige context ertussen te lekken.

Het delen van geheugen voor één of meerdere gebruikers is een van de minst besproken uitdagingen bij de implementatie van bedrijfsagenten. Een persoonlijke codeerassistent die uw projectstructuur onthoudt, verschilt fundamenteel van een klantgerichte agent die aparte geheugenstatussen moet onderhouden voor duizenden gelijktijdige gebruikers en tegelijkertijd moet voldoen aan het beleid voor het bewaren van gegevens.

Het signaal van de Opal-update is dat Google geheugen als een kernkenmerk van de agentarchitectuur beschouwt, en niet als een optionele extra. Voor IT-beslissers die agentplatforms beoordelen, zou dit de inkoopcriteria moeten informeren. Een agentframework zonder duidelijke geheugenstrategie levert indrukwekkende demo’s op, maar lijdt onder de productie, waarbij de waarde van de agent toeneemt als gevolg van herhaalde interacties met dezelfde gebruikers en datasets.

Human-in-the-loop is geen erfenis, het is een ontwerppatroon

De derde pijler van de Opal-update is wat Google ‘interactieve chat’ noemt: het vermogen van de agent om de uitvoering te onderbreken, de gebruiker vervolgvragen te stellen, ontbrekende informatie te verzamelen of opties te presenteren voordat hij verdergaat. In de terminologie van agentarchitectuur is dit human-in-the-loop-orkestratie, en de opname ervan in consumentenproducten is nuttig.

De meest effectieve agenten in de huidige productie zijn niet volledig autonoom. Het zijn systemen die weten wanneer ze de grenzen van hun zelfvertrouwen hebben bereikt en die de controle zo vriendelijk aan de mens kunnen overdragen. Het is een patroon dat betrouwbare bedrijfsagenten onderscheidt van oncontroleerbare autonome systemen, dat in de hele sector tot waarschuwende verhalen heeft geleid.

In raamwerken als LangGraph worden ‘humans-in-the-loop’ traditioneel geïmplementeerd als expliciete knooppunten in de grafiek – een hardgecodeerd controlepunt waar de uitvoering wordt gepauzeerd voor menselijke beoordeling. De aanpak van Opal is vloeiender: de agent beslist zelf wanneer hij menselijke input nodig heeft, op basis van de kwaliteit en volledigheid van de informatie waarover hij beschikt. Dit is een natuurlijker interactiepatroon en schaalbaarder, omdat de maker niet van tevoren precies hoeft te voorspellen waar menselijk ingrijpen nodig zal zijn.

Voor enterprise-architecten is de les dat de mens-in-the-loop niet simpelweg als een vangnet moet worden behandeld zodra de agent is gebouwd. Dit zou een eersteklas mogelijkheid van het agentframework zelf moeten zijn – een mogelijkheid die het model dynamisch kan gebruiken op basis van zijn eigen onzekerheidsbeoordeling.

Dynamische routing: Laat het model het pad bepalen

Het laatste belangrijke kenmerk is dynamische routering, waarbij auteurs meerdere paden door een workflow kunnen definiëren en agenten het juiste pad kunnen laten kiezen op basis van specifieke criteria. Het voorbeeld van Google is een bureau voor executive briefing dat verschillende wegen bewandelt, afhankelijk van of de gebruiker een ontmoeting heeft met een nieuwe of bestaande klant: in het ene geval zoekt hij op internet naar achtergrondinformatie, in een ander geval bekijkt hij interne vergadernotities.

Dit is conceptueel vergelijkbaar met de voorwaardelijke vertakking die LangGraph en soortgelijke raamwerken al enige tijd ondersteunen. Maar de implementatie van Opal verlaagt de barrière dramatisch doordat bouwers routeringscriteria in natuurlijke taal kunnen beschrijven in plaats van in code. Dit model interpreteert criteria en neemt routeringsbeslissingen, in plaats van van ontwikkelaars te eisen dat ze expliciete voorwaardelijke logica schrijven.

De gevolgen voor bedrijven zijn aanzienlijk. Dynamische routering, mogelijk gemaakt door natuurlijke taalcriteria, betekent dat bedrijfsanalisten en domeinexperts (niet alleen ontwikkelaars) het gedrag van complexe agenten kunnen bepalen. Hierdoor verschuift de ontwikkeling van agenten van een puur technische discipline naar een discipline waarin domeinkennis het voornaamste knelpunt is, een verandering die de acceptatie binnen niet-technische bedrijfseenheden aanzienlijk kan versnellen.

Wat Google eigenlijk aan het bouwen is: een agent-intelligentielaag

Afwijkend van individuele functies, is het bredere patroon in de Opal-updates dat Google een intelligentielaag opbouwt die zich bevindt tussen de intentie van de gebruiker en de uitvoering van complexe meerstapstaken. Gebaseerd op de lessen van een interne agent-SDK genaamd “Broodplank”, is de agentstap niet zomaar een knooppunt in de workflow; het is een orkestratie laag die modellen kunnen rekruteren, tools kunnen inzetten, geheugen kunnen beheren, dynamisch kunnen routeren en met mensen kunnen communiceren, allemaal aangedreven door de steeds verfijndere redeneermogelijkheden van het onderliggende Gemini-model.

Dit is hetzelfde architecturale patroon dat in de hele sector voorkomt. Claude Code van Anthropic, met zijn vermogen om codeertaken van de ene op de andere dag autonoom te beheren, vertrouwt op vergelijkbare principes: capabele modellen, toegang tot tools, persistente context en feedbackloops die zelfcorrectie mogelijk maken. Ralph Wiggum-plug-ins het formaliseren van het inzicht dat modellen onder druk kunnen worden gezet doordat ze er zelf niet in slagen de juiste oplossing te vinden – een ruwe versie van zelfcorrectie waarvan Opal nu een deel ervan verpakt in een betere consumentenervaring.

Voor bedrijfsteams is het uitgangspunt dat agent-architecturen samenkomen op een gemeenschappelijke reeks primitieven: doelgerichte planning, toolgebruik, persistent geheugen, dynamische routering en mens-in-the-loop-orkestratie. Het verschil is niet welke primitieven u implementeert, maar hoe goed u ze integreert – en hoe effectief u de toenemende mogelijkheden van grensmodellen gebruikt om de hoeveelheid benodigde handmatige configuratie te verminderen.

Een praktische handleiding voor bureaubouwers

Door deze mogelijkheden te presenteren in een gratis product dat toegankelijk is voor consumenten, zendt Google een duidelijke boodschap uit: de basispatronen voor het bouwen van effectieve AI-agenten zijn niet langer baanbrekend onderzoek. Ze worden geproduceerd. Enterprise-teams die hebben gewacht tot de technologie volwassen werd, beschikken nu over een referentie-implementatie die ze gratis kunnen bestuderen, testen en leren.

De praktische stappen zijn heel eenvoudig. Evalueer eerst of uw huidige agentarchitectuur te beperkt is. Als elk beslissingspunt geprogrammeerde logica vereist, profiteert u waarschijnlijk niet van de planningsmogelijkheden van de huidige grensmodellen. Ten tweede: geef prioriteit aan geheugen als een kerncomponent van de architectuur, en niet slechts als een bijzaak. Ten derde: ontwerp Human-in-the-loop als een dynamische mogelijkheid die door agenten kan worden gebruikt, en niet als een vast controlepunt in de workflow. En ten vierde: onderzoek natuurlijke taalroutering als een manier om domeinexperts bij het ontwerpproces van agenten te betrekken.

Opal zelf zal waarschijnlijk niet het platform zijn dat het bedrijf gebruikt. Maar het ontwerppatroon dat het belichaamt – een adaptieve, geheugenrijke, mensbewuste agent, aangedreven door een grensmodel – is het patroon dat de volgende generatie zakelijke AI zal definiëren. Google heeft zijn capaciteiten gedemonstreerd. De vraag voor IT-leiders is of ze opletten.