Onze AI-evolutie in kaart: van complexe workflows naar intelligente agents

Zoals zoveel technologieën blijven ook AI-frameworks en de bijbehorende terminologie evolueren. Techprofessionals werken al lang met complexe AI-systemen, ruim voor termen als “Compound AI Systems” en “AI Agents” ingeburgerd raakten. Wanneer de uitdaging erom vroeg, grepen we vaak naar de creatieve en gesofisticeerde oplossingen die onder die termen vallen, ook al was de terminologie toen nog niet vastgelegd.

In deze blog delen we onze weg: hoe onze aanpak evolueerde van het bouwen van geïntegreerde AI-workflows met meerdere modellen naar het ontwerpen van intelligente, adaptieve agents.

Compound AI systems bouwen (nog voor we wisten dat ze zo heetten)

Destijds pakten we uitdagingen aan waarvoor vaak AI-oplossingen nodig waren die verder gingen dan wat één model aankon. Zo ontwierpen we pipelines met meerdere stappen om data binnen te halen, te transformeren en te analyseren, soms over verschillende modaliteiten heen, zoals tekst, audio en beeld. In plaats van te vertrouwen op één model voor alles, begonnen we meerdere AI-componenten te integreren, waaronder large language models (LLM's), die elk een specifiek deel van het proces voor hun rekening namen.

Om die ingewikkelde workflows te orkestreren, zetten we AWS Step Functions in, waarmee we modulaire, geautomatiseerde pipelines konden bouwen. Zonder het zelf te beseffen, bouwden we eigenlijk wat later bekend zou worden als Compound AI Systems: een combinatie van tools en modellen die sequentieel of parallel samenwerken, elk met een eigen taak binnen een groter geheel.

Een van die projecten draaide rond het verwerken van videocontent voor een klant. De pipeline startte met een audiotranscriptie, knipte de output vervolgens op in behapbare stukken en zette tot slot een LLM in om de tekst helderder te maken en er waardevolle inzichten uit te halen. Zo'n gelaagde workflow toonde hoe krachtig en efficiënt zulke compound systemen complexiteit kunnen beheersen.

De verschuiving naar AI-agents

Door de recente sprongen in wat LLM's kunnen, vooral op het vlak van redeneren en plannen, zagen we de grenzen van rigide, vooraf vastgelegde workflows. Het werd mogelijk om niet alleen de uitvoering, maar ook de besluitvorming aan AI-systemen over te laten.

Daar komen AI-agents in beeld. Die systemen volgen niet zomaar stappen, ze beslissen zelf welke stappen ze zetten, op basis van context, doelen en feedback. Om die omslag te ondersteunen, begonnen we te werken met LangGraph, een krachtig framework om agentic AI-systemen te orkestreren. Met LangGraph konden we dynamische, evoluerende workflows bouwen waarin agents redeneren, zich aanpassen en samenwerken.

Een van onze recente oplossingen op basis van agents was een systeem dat zelfstandig data verrijkte en categoriseerde. Die agent bepaalde op intelligente wijze of en wanneer hij externe tools aanriep, en optimaliseerde zo zijn eigen flow in functie van de taak. Dat was niet gewoon automatisering, dat was aanpassingsvermogen.

Wat we onderweg geleerd hebben

Onze basis in het bouwen van Compound AI Systems gaf ons het modulaire denken, de ervaring met orkestratie en de focus op betrouwbaarheid die we nodig hadden om door te groeien naar architecturen op basis van agents. Die vroege projecten leerden ons hoe we meerdere modellen en services laten samenwerken tot samenhangende systemen, een essentiële vaardigheid als je met autonome agents werkt.

Maar agentic systemen brengen hun eigen uitdagingen mee. Ze moeten veerkrachtig zijn in onvoorspelbare omgevingen en in realtime kunnen reageren. Foutafhandeling, feedbackloops en intelligente vertakkingen worden veel belangrijker wanneer het systeem zelf “nadenkt”.

We ontdekten dat de sweet spot vaak in een hybride aanpak ligt, die de gestructureerde robuustheid van Compound AI Systems combineert met de flexibiliteit en intelligentie van AI-agents. Dat evenwicht laat ons innoveren zonder aan stabiliteit in te boeten.

Wat de toekomst brengt

Als we vooruitkijken, zijn we ervan overtuigd dat de toekomst van AI-orkestratie resoluut bij agent-gedreven systemen ligt. Teams die willen innoveren, bouwen best verder op wat ze geleerd hebben bij het bouwen van compound architecturen: modulariteit, schaalbaarheid en doordacht ontwerp.

Frameworks zoals LangGraph gaan daarin een sleutelrol spelen, net als een blijvende focus op systemen die leren en zich aanpassen. We kijken vooral uit naar kansen om door te dringen in use cases die autonome besluitvorming vragen, van de optimalisatie van bedrijfsprocessen tot AI-native applicaties die vroeger ondenkbaar leken.

Tot slot

Het AI-landschap verandert sneller dan ooit, en wij zijn vastbesloten om mee te evolueren. Onze weg van Compound AI Systems naar AI-agents weerspiegelt onze zoektocht naar slimmere, meer adaptieve technologie.

Door de betrouwbaarheid van gestructureerde pipelines te combineren met de autonomie van intelligente agents, ontwikkelen we oplossingen die niet alleen geautomatiseerd zijn, maar ook echt intelligent.

Benieuwd hoe AI je workflows of product kan transformeren? Neem contact op, we verkennen graag samen met jou de mogelijkheden.