Wie vandaag een AI-agent wil bouwen, ontdekt al snel dat het taalmodel slechts een deel van het verhaal is. De echte uitdaging begint wanneer zo'n agent zelfstandig taken moet uitvoeren, bestanden moet verwerken, externe systemen moet aanspreken, eerdere informatie moet onthouden en urenlang betrouwbaar moet blijven werken.
Met Claude Managed Agents probeert Anthropic precies dat technische fundament uit handen van ontwikkelaars te nemen. In plaats van ieder bedrijf opnieuw een eigen agent-loop, sandbox, toolinfrastructuur en sessiebeheer te laten bouwen, levert het platform een beheerde omgeving waarin autonome Claude-agenten kunnen draaien.
Ervaringen van drie bedrijven (Wispr, Actively en Pendo) illustreren hoe snel die aanpak nieuwe toepassingen mogelijk kan maken.
Van prototype naar werkende agent in één dag
Een opvallend voorbeeld komt van Wispr. Het bedrijf bouwde de eerste versie van een meetingassistent in slechts één dag en wist het systeem vervolgens binnen enkele weken verder op te schalen.
Dat tempo zegt veel over de verschuiving die zich bij AI-softwareontwikkeling voltrekt. Ontwikkelaars hoeven niet langer noodzakelijk elk onderdeel van de infrastructuur zelf te programmeren. Een deel daarvan kan worden overgelaten aan een beheerd agentplatform.
Claude Managed Agents combineert daarvoor verschillende onderdelen. Een agent bestaat uit een model, systeemprompt, tools, MCP-servers en skills. Vervolgens draait die agent binnen een omgeving, bijvoorbeeld een beheerde cloud-sandbox of een zelf gehoste sandbox.
Daarbinnen start een sessie waarin Claude zelfstandig kan werken. De agent kan onder meer bestanden lezen en schrijven, commando's uitvoeren, code draaien, het web raadplegen en externe diensten via MCP aanspreken.
Het resultaat lijkt steeds minder op een klassieke chatbot en steeds meer op een digitale medewerker met een eigen werkruimte.
Actively bouwt een verkoper die over accounts heen kan werken
Ook Actively gebruikte de technologie om snel van concept naar toepassing te gaan. In ongeveer twee weken bouwde het bedrijf een salesagent die over verschillende accounts heen kan werken.
Daarmee wordt een fundamenteel verschil zichtbaar tussen een eenvoudige AI-assistent en een echte agent.
Een chatbot wacht doorgaans op een vraag en formuleert vervolgens een antwoord. Een agent krijgt eerder een doel. Daarna moet het systeem zelf bepalen welke informatie nodig is, welke hulpmiddelen moeten worden gebruikt en welke tussenstappen noodzakelijk zijn om dat doel te bereiken.
Dat vereist infrastructuur voor langdurige taken. Claude Managed Agents is juist ontworpen voor werk dat minuten of zelfs uren kan duren en waarbij meerdere tools achter elkaar worden gebruikt.
Pendo laat AI rechtstreeks naar code kijken
Bij Pendo krijgt het concept nog een andere invulling. Het analyticsplatform gebruikt agenttechnologie om codebases van klanten te lezen en vervolgens mogelijke oplossingen of verbeteringen voor te stellen.
Daarmee wordt de agent niet alleen een gesprekspartner, maar ook een onderzoeker.
Hij kan door bestanden navigeren, relevante code zoeken, verbanden leggen en uiteindelijk een voorstel formuleren. Voor ontwikkelaars betekent dit dat steeds meer van het voorbereidende analysewerk door een agent kan worden uitgevoerd.
Maar precies daar verschijnt ook een van de belangrijkste lessen uit de praktijk: een agent die overtuigend klinkt, is nog geen agent die betrouwbaar werkt.
Niet controleren wat de agent zegt, maar wat hij bereikt
Een cruciale uitdaging bij autonome agenten is daarom verificatie.
Bij traditionele generatieve AI wordt vaak gekeken naar de kwaliteit van het antwoord. Bij agentsystemen verschuift die beoordeling naar het resultaat.
Heeft de agent werkelijk de juiste gegevens verzameld? Is de wijziging correct uitgevoerd? Werkt de gegenereerde code? Is het gewenste zakelijke resultaat bereikt? Dat vraagt om zogenaamde outcome-based verificatie. De kwaliteit van de agent wordt niet alleen beoordeeld op zijn redenering of formulering, maar vooral op het eindresultaat van zijn acties.
Voor bedrijven die agents in productie willen inzetten, worden tests en evaluaties daardoor minstens zo belangrijk als prompts.
Geheugen wordt infrastructuur
Een tweede belangrijke bouwsteen is memory.
Een nuttige agent moet vaak informatie over meerdere interacties kunnen meenemen. Een salesagent moet bijvoorbeeld eerdere activiteiten kunnen kennen, terwijl een programmeeragent moet begrijpen welke bestanden of beslissingen tijdens eerdere stappen relevant waren.
Claude Managed Agents werkt daarom met stateful sessions. Sessies kunnen hun gesprekshistoriek, bestanden, sandboxstatus en resultaten behouden.
Dat maakt langere workflows mogelijk waarbij een agent niet telkens vanaf nul hoeft te beginnen.
Memory verandert daarmee van een handige AI-functie in een architectuurvraagstuk. Ontwikkelaars moeten bepalen wat een agent moet onthouden, hoe lang die informatie relevant blijft en wanneer geheugen juist moet worden opgeschoond.
De sandbox als digitale werkplaats
Autonomie brengt bovendien risico's mee.
Wanneer een AI-agent code mag uitvoeren, bestanden kan aanpassen en externe diensten kan aanspreken, moet duidelijk worden afgebakend waar hij dat mag doen.
Daarom speelt sandboxing een centrale rol.
Claude Managed Agents kan draaien in een door Anthropic beheerde cloudomgeving, maar organisaties kunnen ook kiezen voor een zelf gehoste sandbox. Dat laatste kan belangrijk zijn wanneer compliance, gegevensresidentie of specifieke beveiligingseisen een rol spelen.
De sandbox wordt zoiets als de digitale werkplaats van de agent: voldoende vrijheid om zelfstandig taken uit te voeren, maar binnen gecontroleerde grenzen.
De nieuwe vraag: wat bouwt het bedrijf nog zelf?
Misschien is de interessantste ontwikkeling niet wat Claude Managed Agents technisch kan, maar welke architectuurkeuze het bedrijven voorschotelt.
Tot voor kort moest een ontwikkelteam voor een serieuze agent veel infrastructuur zelf bouwen: een agent-loop, tooluitvoering, sessiebeheer, beveiligde runtime, contextmanagement en systemen voor langdurige processen. Bij een managed model verschuift een deel daarvan naar het platform.
Anthropic vergelijkt die ontwikkeling zelf impliciet met abstractielagen uit de computerwereld: de onderliggende implementatie kan voortdurend veranderen terwijl ontwikkelaars tegen relatief stabiele interfaces blijven programmeren.
Dat is belangrijk omdat AI-modellen snel evolueren. Een agent-harness die vandaag noodzakelijk lijkt, kan bij een volgende generatie modellen gedeeltelijk overbodig worden.
Zelf bouwen waar differentiatie ontstaat
Dat betekent niet dat bedrijven niets meer zelf hoeven te ontwikkelen.
Integendeel.
De strategische vraag wordt vooral waar maatwerk daadwerkelijk concurrentievoordeel oplevert.
De generieke infrastructuur voor het uitvoeren van agents kan steeds vaker een platformdienst worden. Maar de bedrijfslogica, eigen databronnen, gespecialiseerde tools, evaluatiecriteria, workflows, permissions en gebruikerservaring blijven sterk afhankelijk van de toepassing.
Het onderscheidende vermogen verschuift daardoor mogelijk van hoe de agent technisch blijft draaien naar wat de agent voor de gebruiker kan bereiken.
Van AI-model naar operationeel systeem
Claude Managed Agents past daarmee in een bredere ontwikkeling binnen generatieve AI.
De eerste generatie AI-applicaties draaide vooral rond prompts. Daarna kwamen tools, RAG, MCP, skills en memory. Nu ontstaat daarboven een nieuwe laag: infrastructuur waarmee al die onderdelen als één operationeel agentsysteem kunnen functioneren.
Anthropic bouwt Managed Agents rond vier centrale begrippen: agent, environment, session en events. Een agent krijgt zijn model, instructies en gereedschappen. De environment bepaalt waar hij werkt. De session vertegenwoordigt een concrete opdracht. Events vormen vervolgens de communicatie tussen applicatie en agent.
Het klinkt technisch, maar de consequentie is eenvoudig: ontwikkelaars hoeven steeds minder tijd te besteden aan het bouwen van de machinekamer.
De agent wordt een nieuwe softwarelaag
De voorbeelden van Wispr, Actively en Pendo laten vooral zien hoe snel experimenten daardoor kunnen veranderen in werkende toepassingen.
Een meetingassistent ontstaat in een dag. Een cross-account salesagent wordt in twee weken gebouwd. Een analyticsplatform laat AI zelfstandig door codebases navigeren.
Maar snelheid alleen zal niet bepalen welke agents uiteindelijk succesvol worden.
De moeilijkste vragen liggen een niveau hoger: hoe wordt gecontroleerd of een agent zijn doel werkelijk bereikt? Wat mag hij onthouden? Welke acties mag hij zelfstandig uitvoeren? Hoe worden fouten gemeten? Hoe blijven kosten beheersbaar? En welke onderdelen moeten bedrijven bewust zelf blijven bouwen?
Daarmee verschuift de discussie over AI-agents langzaam van “kan het model deze taak uitvoeren?” naar “hoe wordt deze digitale medewerker betrouwbaar in productie ingezet?”
En precies daar lijkt de volgende grote fase van agentic AI te beginnen.
|
Claude Managed Agents overviewPre-built, configurable agent harness that runs in managed infrastructure. Best for long-running tasks and asynchronous work. |
