Het onderwerp van vandaag is iets waar bijna iedereen van gehoord heeft, maar weinigen echt kunnen uitleggen, het AI-agent Harnas. Je hebt het waarschijnlijk wel eens voorbij zien komen in blogs of op conferenties, maar wat betekent het eigenlijk? Het zit zo, de meeste mensen denken dat het bouwen van een AI-agent rijdt om het schrijven van de perfecte prompt, die ene magische instructie die het model precies laat doen wat jij wilt. Maar dat is hetzelfde als denken dat een auto alleen uit de motor bestaat. Natuurlijk is de motor belangrijk, maar zonder wielen, een stuur, remmen en een chassis kom je nergens. Aan het einde van deze aflevering zul je begrijpen wat een agent Harnas werkelijk is, waarom dit de volgende stap is na prompt engineering en hoe Microsoft AI Foundry dit voor echte bedrijven tot leven brengt. Pak je koffie erbij en laten we beginnen. Waarom prompten niet meer voldoende is Laten we teruggaan naar de beginperiode. Rond 2022 tot 2024 was werken met AI eenvoudig. Je schreef een prompt en kreeg een antwoord. Een emailconcept nodig? Schrijf een prompt. Een samenvatting van een artikel nodig? Schrijf een prompt. Voor simpele, eenmalige taken werkte dat heel goed. Je kon om iets vragen en het model gaf een redelijk antwoord. Maar toen werden mensen ambitieuzer. Ze begonnen deze modellen echt werk te laten doen. Een onderwerp onderzoeken en een rapport schrijven, een codebasis analyseren en een bak oplossen, of een klantenservicegesprek van begin tot eind afhandelen. En plotseling kon één prompt het niet meer aan. Dit is wat er gebeurde. Het contextvenster van het model raakte vol, het vergat de eerdere instructies en begon feiten te verzinnen of onvolledige resultaten te geven. Hoe langer de taak duurde, hoe onbetrouwbaarder de output werd. Je hebt dit waarschijnlijk zelf ook wel eens ervaren. Je vraagt een AI om iets complex te doen, en aan het einde is het vergeten wat je in de eerste plaats had gevraagd. Stel je voor dat je iemand vraagt om in zijn eentje een heel huis vanaf nul te bouwen, in één keer, zonder ooit hun werk te controleren. Dat is wat we deze modellen vroegen te doen. De resultaten waren precies wat je zou verwachten, een half afgebouwd huis met ontbrekende muren en deuren die niet opengaan. De oplossing was niet een betere prompt. Je kon uren besteden aan het fine-tunen van de bewoordingen, meer voorbeelden toevoegen en instructies aanscherpen, maar het zou nog steeds falen bij lange, complexe taken omdat het fundamentele probleem niet te prompt was. Het was het gebrek aan een systeem eromheen. Wat het model nodig had, waren geen betere woorden, maar betere ondersteuning. Daar begon de evolutie van prompt engineering naar context engineering. De drie fases van AI-evolutie. Dit is hoe ik de evolutie van AI zie. Drie fases waarbij de focus voor engineers telkens verschuift. Fase 1 was prompt engineering. Dat liep van ongeveer 2022 tot 2024. De grote vraag was simpel, wat moet ik tegen het model zeggen? Je schreef één instructie, kreeg één antwoord en dat was het. Het hele vak draaide om formulering en toon. Voor basis taken was dat voldoende. Fase 2 volgde daarna context engineering van 2024 tot 2025. De vraag veranderde van wat moet ik zeggen naar wat moet het model zien. Engineers ontdekten dat wat je het model voert belangrijker is dan hoe je het vraagt. Dus bouwden ze systemen zoals tool calling, retrieval augmented generation en het model context protocol MCP. Hiermee kon het model de juiste informatie direct ophalen. In plaats van alles in één prompt te proppen, kon het model ophalen wat het nodig had, wanneer het nodig was. Fase 3 is waar we nu zijn, harness engineering. Vanaf ongeveer 2026 is de vraag, welk systeem moet ik om het model heen bouwen? Hier wordt het interessant, want betrouwbaarheid, geheugen, orchestratie en guardrails komen niet uit het model zelf, maar uit het systeem dat je eromheen bouwt. Dit is de eenvoudigste manier om erover na te denken. Een agent is gelijk aan een model plus een harness. De harness is al het overige. Het model doet het denkwerk, de harness doet de rest. En die harness is het geheime ingrediënt dat het geheel laat werken. Denk er zo over. Het model is een vakman, erg getalenteerd maar beperkt. De harness is de werkplaats, de gereedschappen, de checklist, de supervisor en de remmen. Zonder de werkplaats heeft de vakman nergens om te werken. Zonder gereedschap kan hij niets bouwen. Zonder de checklist vergeet hij stappen. Zonder de supervisor maakt hij fouten. En zonder remmen brandt hij op. De harness biedt al die structuur. Dus, wat zit er precies in deze harness? Laten we hem openen. Wat een harness daadwerkelijk bevat. Dus, wat zit er in een harness? Laten we de onderdelen één voor één langslopen. Ten eerste, de agent lus. Dit is de cyclus die de agent in beweging houdt. Het model denkt na en besluit vervolgens een tool aan te roepen. De tool draait en stuurt een resultaat terug. Het model bekijkt dat, denkt opnieuw na en roept misschien een andere tool aan. De lus blijft doorgaan totdat de agent zijn doel bereikt. Zonder deze lus krijg je alleen één enkele vraag en één enkel antwoord. Met deze lus heb je een systeem dat problemen stap voor stap oplost. Vervolgens, contextbeheer. Dit is cruciaal omdat modellen een beperkte aandachtspannen hebben. Een contextvenster kan maar zoveel bevatten voordat het overstroomt. Het harness grijpt hierin. Het comprimeert het gesprek, vat alle berichten samen en prioriteert wat belangrijk is. Zie het als een archiefsysteem voor het gesprek. Het harness ordent het zodat het model alleen ziet wat relevant is. Zonder dit vallen lange sessies uit elkaar omdat het model de draad kwijtraakt. Dan zijn er nog tools en vaardigheden. Dit zijn de handen van de agent. Een model op zichzelf kan alleen tekst genereren. Het kan geen bestand lezen, op internet surfen, code uitvoeren of een database raadplegen. Het harness geeft het die mogelijkheden, bestandstoegang, surfen op het web, code uitvoering, database queries, allemaal tools die het harness biedt. Het model beslist wanneer ze worden gebruikt en het harness laat ze werken. Geheugen en sessiepersistentie is een ander belangrijk onderdeel. Het harness onthoudt eerdere sessies. Dus als je morgen terugkeert naar een agent, begint deze niet vanaf nul. Het onthoudt je voorkeuren, je projectcontext en de beslissingen die je hebt genomen. De agent leert na verloop van tijd omdat het harness die geschiedenis bewaart. Bar trails vormen de veiligheidslaag, limieten die je stelt aan het gedrag van de agent. Zie het als het regelboek van de agent. Maximaal aantal stappen voordat het stopt, acties die niet zijn toegestaan, menselijke goedkeuring voor risicovolle taken zoals bestanden schrijven of e-mails versturen. Zonder bar trails zou een agent eeuwig door kunnen gaan of iets kunnen doen wat je niet bedoelde. Het harness houdt dit in de hand. Tot slot, orkestratie. Het harness kan gespecialiseerde sub-agents opstarten voor verschillende taken. Eén doet onderzoek, een ander schrijft, een derde verifieert. Ze werken samen als een team van specialisten op een bouwplaats. Ieder doet waar hij goed in is en het harness zorgt dat ze elkaar niet in de weg lopen. Deze componenten zijn nu niet langer slechts theorie. Microsoft heeft een volledig platform gebouwd dat dit alles in de praktijk brengt. Maak kennis met Microsoft AI Foundry, het Enterprise Harness. Dat platform is Microsoft AI Foundry. Zie het als een complete werkplaats voor het bouwen en draaien van AI agents op grote schaal. En als ik schaal zeg, bedoel ik echte schaal, geen lab-experiment. Foundry bedient vandaag meer dan 70.000 klanten en verwerkte alleen al afgelopen kwartaal 100 biljoen tokens. Dat is 100 biljoen, geen typfout. Elke dag ondersteunt het 2 miljard zakelijke zoekopdrachten. Dit is een productieplatform dat enkele van de grootste workloads ter wereld aan kan. Wat Foundry in feite doet, is het harness aanbieden als een beheerdedienst. Je hoeft contextbeheer, geheugen, guardrails en coördinatie niet vanaf nul te bouwen, want het zit er allemaal al in. Jij brengt je agent in en Foundry levert de werkplaats eromheen. Laten we het nu over identiteit hebben. Dit is erg belangrijk. Elke agent in Foundry krijgt zijn eigen entra-agent-idee. Kortom, een digitale identiteit. Zie het als een werknemersbatch die de receptie uitgeeft. De agent kan inloggen op services, toegang krijgen tot gegevens en namens de organisatie handelen, net als een menselijke medewerker. En omdat elke actie aan die identiteit is gekoppeld, is het volledig controleerbaar. Waarom is dat van belang? In een onderneming moet je weten wie wat heeft gedaan. Elke actie wordt gelogd en is traceerbaar. Foundry maakt verbinding met meer dan 1400 zakelijke gegevensbronnen, van SharePoint en Dynamics 365 tot Salesforce en aangepaste databases. Als jouw bedrijf het gebruikt, heeft Foundry waarschijnlijk een connector. De agent is dus niet aan het gissen of dingen aan het verzinnen. Hij haalt echte gegevens uit echte systemen, wat betekent dat de antwoorden gebaseerd zijn op je feitelijke bedrijfsgegevens. Dan is er nog het geheugen. Foundry bevat ingebouwde geheugentypes. Procedureel geheugen helpt de agent om te leren van eerdere taken. Hij wordt na verloop van tijd beter, zoals een training op de werkvloer. Sessiepersistentie betekent dat hij eerdere gesprekken onthoudt, zodat hij niet telkens vanaf nul begint als je ermee praat. Dat maakt interacties vloeiend en intelligent. Hoe werkt dit dan in de praktijk? Laten we de componenten bekijken die Microsoft biedt voor het bouwen van aangepaste frameworks. Het agent-framework voor het bouwen van aangepaste frameworks. Dus, hoe bouw je nu eigenlijk een framework? Microsoft biedt een speciale SDK genaamd het Microsoft Agent Framework, die je wellicht kent onder de eerdere naam, Cementic Kernel. Het is opnieuw opgebouwd, maar het idee blijft hetzelfde. Hiermee kunnen ontwikkelaars aangepaste agent-frameworks bouwen in Python en C Sharp. Het framework heeft drie lagen. Onderaan staat de agent-loop, de kerncyclus waarin het model nadenkt, tools aanroept, resultaten krijgt en opnieuw nadenkt. Daar bovenop bevinden zich workflows, coördinatiepatronen die meerdere agents beheren. En als overkoepelende laag is er het framework zelf, de schil die alles bij elkaar houdt. Microsoft levert vijf ingebouwde coördinatiepatronen. Sequential voert agents één voor één uit in een gedefinieerde volgorde. Concurrent voert ze allemaal parallel uit. Hantoff geeft de controle door van de ene agent naar de andere op basis van wat nodig is. GroupChat laat meerdere agents met elkaar praten in een gedeeld gesprek. En dan is er nog Magentic, een manager van Microsoft Ressearch. Hierbij genereert een supervisor-agent een plan en delegeert vervolgens werk aan gespecialiseerde sub-agents, zoals een projectmanager die taken toewijst aan teamleden. Elk patroon pakt een ander coördinatieprobleem aan. Dit is het beste deel. Het framework is uitbreidbaar. Je kunt elk gewenst model koppelen, van OpenAI, Anthropic en Google Gemini tot Amazon Bedrock en zelfs lokale modellen op Ollama. Hetzelfde geldt voor tools. Je verbindt via OpenAI het model context protocol of directe code. Sommige mensen maken zich zorgen dat het gebruik van Microsoft's framework je vastbindt aan hun ecosysteem. Dat is niet waar. Het framework werkt met elke stack die je al gebruikt. De harness laag voegt mogelijkheden toe zoals bestandstoegang, codeuitvoering, planning middelware en telemetrie. Dus een agent bouwen met dit framework betekent een compleet systeem bouwen dat bestanden leest, code schrijft, taken in meerdere stappen plant en alles logt voor debugging. Het is meer dan alleen een chatinterface. Dit is hoe dat eruit ziet. Stel je een codeeragent voor die op dit framework is gebouwd. Je geeft hem een taak, bijvoorbeeld voeg een nieuwe functie toe aan een bestaande codebase. De agent begint met het doorzoeken van documentatie om de API te begrijpen. Vervolgens schrijft hij de code. Daarna draait hij tests om er zeker van te zijn dat er niets kapot is gegaan. Als een test faalt, leest hij de foutmelding, repareert de bak en draait de tests opnieuw, allemaal binnen dezelfde harness, terwijl hij de denkhandelcontroleercyclus doorloopt totdat het werk klaar is. Zonder de harness zou je elke stap handmatig moeten invoeren. Met de harness handelt de agent de volledige workflow zelfstandig af. Een populair voorbeeld van een harness in actie is het clowpatroon. Microsoft heeft het beschikbaar gesteld op Foundry en het is een geweldige demonstratie van hoe deze onderdelen samenkomen. Cloud Style Agents en Hermes Laten we het hebben over Cloud Style Agents. De naam komt van open source projecten zoals OpenClaw. Deze agents wonen op je machine, wachten op instructies en voeren daarna zelfstandig langdurige taken uit. Ze staan altijd klaar om in te springen wanneer je ze nodig hebt. Zie ze als een persoonlijke assistent die nooit een dag vrijneemt. Microsoft's versie heet Hermes. Het draait binnen Foundry's gehoste agent Sandbox en beschikt over indrukwekkende vermogens. Hermes heeft zijn eigen bestandssysteem, zijn eigen geheugen en zijn eigen set tools. Het kan eigen onderhoudsroutines opzetten, oude bestanden opruimen en zijn werkruimte organiseren. En als het beseft dat het een nieuwe vaardigheid nodig heeft die het nog niet bezit, kan het er ter plekke een bouwen. Nu, dit is het punt met Cloud Agents. Cloud Architecten noemen ze huisdieren, geen vee. Huisdieren zijn uniek. Je geeft ze een naam, je zorgt voor ze, je kunt ze niet zomaar vervangen. Vee is uitwisselbaar. Dus, als er één uitvalt, start je gewoon een andere op. Cloud Agents zijn absoluut huisdieren. Elk exemplaar heeft zijn eigen status, geschiedenis en aangeleerd gedrag. Dat unieke karakter maakt ze krachtig, maar het bemoeilijkt ook herstel en schalen. Als er iets misgaat, kun je het exemplaar niet zomaar weggooien en opnieuw beginnen, want dan verlies je alle opgebouwde kennis. Microsoft's oplossing hiervoor heet routines. Dit zijn geplande taken waarmee de agent wakker kan worden, onderhoud kan plegen en weer kan gaan slapen. In plaats van de sandbox 24 zevende aan te laten staan, wat geld kost, schakelt de agent uit na een periode van inactiviteit. Het routinesysteem wekt de agent wanneer er iets moet gebeuren, zoals oude vaardigheden opschonen, een backup maken of controleren op nieuwe taken. Daarna gaat hij weer slapen. Dit bespaart kosten en houdt de agent beschikbaar wanneer je hem nodig hebt. De sandbox isoleert elke sessie. De bestanden, het geheugen en de configuratie van je agent blijven allemaal in zijn eigen omgeving. En de harness beheert die status over sessies heen, zodat je niet bang hoeft te zijn dat gegevens van de ene agent in die van de andere lekken. Je eigen harness vanaf nul opbouwen is mogelijk, maar de meeste bedrijven hoeven dat niet. Foundry biedt je een kant-en-klaar platform met al deze mogelijkheden ingebouwd. De echte vraag is, wat wil je dat je agent doet? Publiceren en samenwerken, waar harnesses en mensen samenkomen. Dus, je hebt je agent gebouwd en hem voorzien van tools, geheugen, orchestratie en een sandbox. Hoe gebruiken mensen hem nu in de praktijk? Dit is waar Foundry het eenvoudig maakt. Zodra je agent is gebouwd en geïmplementeerd, kun je hem met één klik publiceren naar Microsoft 365 Copilot in Microsoft Teams. Geen tien klikken, geen driedaagse implementatiepijplijn, gewoon één klik. En je agent verschijnt precies waar mensen al werken, in hun e-mail, hun chat en hun documenten. Foundry ondersteunt twee implementatie-modi. Ten eerste, assisterende agents. Deze werken namens jou, zoals e-mails opstellen, vergaderingen, plannen of documenten opzoeken. Ze fungeren als een verlengstuk van jou, alsof je een supersnelle assistent hebt die doet wat je vraagt. Ten tweede, Autopilot agents. Deze zijn nieuwer en interessanter. Ze handelen namens zichzelf met hun eigen e-mailadres en hun eigen identiteit. Je hoeft ze niet elke keer een prompt te geven. Ze nemen zelf initiatief. Autopilot agents hebben een volledig gebruikersaccount. Je kunt ze toevoegen aan een teamsgroepsgat, net zoals je een menselijke collega zou toevoegen. Ze volgen het gesprek en springen bij wanneer ze kunnen helpen, houden openstaande punten bij, beantwoorden vragen over waar het team aan werkt... ...en anboorden zelfs nieuwe teamleden door ze de juiste documenten te sturen en ze voor te stellen aan de juiste personen. Hier is een concreet voorbeeld. Stel dat je een werkstroommanager-agent hebt. Je voegt het toe aan je teamsgroepsgat. Iemand zegt, hé, ik moet het Q3-rapport vrijdag afhebben. De agent merkt op dat dit een actiepunt is. Hij maakt een taak aan, wijst deze toe aan de juiste persoon en voegt een herinnering toe voor donderdag om de voortgang te controleren. Niemand heeft hem gevraagd om dat te doen. Hij zag gewoon dat er iets moest gebeuren en deed het. De harness regelt alle rechten op de achtergrond. Alleen geautoriseerde gebruikers kunnen in een groepsgat met de agent communiceren. De agent ziet alleen de berichten die hij mag zien en negeert de rest. Hij respecteert dezelfde toegangscontroles als je menselijke teamleden. Dit is waarom harness engineering echt loont. De agent is niet langer een chatbot die je in een browser-tabblad opent. Hij wordt een productief teamlid. Hij is aanwezig waar jij bent, werkt zoals jouw team werkt en dat doet hij allemaal omdat de harness... ...het systeem rondom het model, identiteit, rechten, implementatie en integratie beheert. Zonder de harness zou je simpelweg weer een extra chatvenster hebben om in de gaten te houden. Maar elk krachtig hulpmiddel heeft waarborgen nodig. Laten we het hebben over de vangrails die dit alles veilig maken. Verantwoorden AI en governance in de harness. Dit is het punt. Harness engineering gaat niet alleen over het capabeler maken van agents. Het gaat erom ze veilig en betrouwbaar te maken. Een agent die e-mails kan sturen, bestanden kan aanpassen en kan handelen in groepsgats is krachtig... ...maar die kracht heeft controle nodig. Zie het als het geven van de sleutels van het gebouw aan een werknemer. Je wilt dat ze hun werk doen, maar je stelt ook regels op over wat ze wanneer kunnen inzien. De aanpak van Microsoft is gebouwd op de Responsible AI-standaard. Zes principes leiden alles eerlijkheid, betrouwbaarheid en veiligheid, privacy en beveiliging, inclusiviteit, transparantie en verantwoordelijkheid. Dit zijn niet zomaar mooie ideeën op een poster. Het zijn de werkelijke fundamenten voor hoe het hele platform vanaf de basis is ontworpen. De harness is waar deze principes echte code worden. Vangrails beperken wat de agent kan doen. Lifecyclehooks stellen je in staat om beleid af te dwingen bij elke stap van de uitvoering van de agent. Voor de agent draait, na afloop, voor hij een tool aanroept, nadat hij een resultaat krijgt en je kunt op elk punt je eigen controles toevoegen. Wil je voorkomen dat de agent toegang heeft tot bepaalde databases? Dat kan. Wil je menselijke goedkeuring vereisen voordat de agent een e-mail verstuurt? Dat kan ook. Beiden zijn eenvoudig in te stellen. Het Well-Architected Framework van Azure bevat specifieke richtlijnen voor AI workloads. Het dekt alles, van gegevensversleuteling tot incident response. Het idee is dat het bouwen van een AI-systeem fundamenteel niet verschilt van het bouwen van elk ander bedrijfssysteem. Je hebt nog steeds beveiliging, betrouwbaarheid en operationele uitmuntendheid nodig. Het Well-Architected Framework biedt een gestructureerde manier om hierover na te denken zonder de weg kwijt te raken. Daarnaast is er het Cloud Adoption Framework. Dit biedt een vierfaseproces voor AI governance. Ten eerste, identificeer risico's. Wat kan er misgaan? Ten tweede, meet de impact. Hoe erg zou het zijn? Ten derde, beperk risico's met controles. Wat kun je inzetten om het te voorkomen? Ten vierde, beheer met monitoring. Hoe signaleer je problemen wanneer ze zich voordoen? Het is een praktische, stapsgewijze aanpak die abstracte zorgen omzet in concrete acties. Voor agent-harnesses betekent dit specifiek een paar belangrijke zaken. Maximale staplimieten, zodat de agent niet eeuwig blijft doorgaan. Toolbeperkingen, zodat hij alleen toegang heeft tot wat is toegestaan. Menselijke goedkeuringsmomenten voor acties met een hoog risico. Added trails, zodat elke beslissing wordt gelogd en controleerbaar is. Inhoudsfilters die problematische uitvoer opvangen voordat iemand ze ziet. Alles werkt samen om je agent kort aan te lijnen. Microsoft biedt ingebouwde inhoudsbeveiliging en evaluatietools in Foundry. Je kunt je agent testen op basis van criteria voordat je hem inzet. Blijft hij bij het onderwerp? Gaat hij correct om met gevoelige gegevens? Weigert hij verzoeken die hij niet hoort uit te voeren? Je kunt deze evaluaties automatisch uitvoeren en een score krijgen voordat je de agent publiceert voor je team. Zo ontdek je problemen vroegtijdig en niet pas nadat het misgaat. Dit is het complete beeld van een simpele prompt naar een veilige, professionele autonome agent. Het model doet het denkwerk, het harness doet de rest, de coördinatie, de vangrails, de governance, alles wat het betrouwbaar maakt. Laten we de transformatie kort samenvatten. We begonnen met one-shot prompting. Schrijf een prompt, krijg een antwoord. Dat werkte voor eenvoudige taken. Daarna gingen we over op context engineering. Beheer wat het model ziet, laat de juiste informatie op het juiste moment. Dat werkte voor complexere taken. En nu zijn we aangekomen bij volledige harness engineering. Bouw een compleet systeem rond het model met geheugen, tools, coördinatie, van rails en governance. Dit is de belangrijkste lay. Een agent is slechts zo betrouwbaar als het systeem eromheen. Het model is essentieel, absoluut, maar het harness bepaalt het succes in productie. Je kunt het beste model ter wereld hebben, maar zonder een goed harness zal het falen bij echte taken. En je kunt een redelijk model hebben met een uitstekend harness, dat telkens de verwachtingen overtreft. Hier is je uitdaging. Denk bij je volgende AI-project verder dan alleen de prompt. Vraag niet wat ik tegen het model moet zeggen, vraag welk systeem ik eromheen moet bouwen. Die verandering in denkwijze is wat demo's onderscheidt van productiesystemen. In de volgende aflevering duiken we dieper in één onderdeel van het systeem, geheugen. Hoe agents na verloop van tijd leren, hoe ze onthouden wat ze hebben gedaan en hoe dat verandert wat ze kunnen bereiken. Abonneer je zodat je het niet mist.