Meta's AI-agenten lopen achter op hun eigen planning

Er is een bepaald soort bedrijfsverklaring die klinkt als zelfvertrouwen maar leest, bij nadere inspectie, als een waarschuwing. Zuckerberg produceerde er één deze week. In interne communicatie die openbaar werd, erkende hij dat Meta's AI-agentambities niet zo snel vooruitgaan als het bedrijf van plan was. De agenten zouden nu al echt werk moeten doen. Dat doen ze niet.

Dit telt voorbij Meta. Wanneer de organisatie die meer openbaar in AI-infrastructuur heeft geïnvesteerd dan bijna elke ander erkent dat de kloof tussen visie en uitvoering echt is, stelt het de gesprekken die iedereen voert over wat AI-agenten vandaag echt kunnen doen, opnieuw in.

Wat Zuckerberg daadwerkelijk zei, en wat het betekent

De erkenning was geen crisisaankondiging. Het was ongemakkelijker dan dat: een openhartige interne erkenning dat de agenten die Meta bouwde om autonome bedrijfstaken uit te voeren, advertentiecampagnes te beheren en als virtuele assistenten binnen zijn platforms te werken, achter op schema lopen. Het frame was eerlijk over de afstand tussen waar de modellen nu staan en waar ze moeten staan om betrouwbaar werkzaam te zijn.

Die afstand is het interessante onderdeel. Meta heeft enkele van de meest capabele open fundamentele modellen gepubliceerd. LLaMA 3 is serieus werk. Het bedrijf heeft de computerkracht, de data en het onderzoekstalent. En toch zijn de agenten niet klaar. Dat zegt je iets belangrijks over waar de moeilijkheid werkelijk ligt.

Het probleem is niet de ruwe modelcapaciteit. Het is de laag erboven. Agenten mislukken niet omdat het onderliggende model niet kan redeneren, maar omdat de ondersteuning eromheen, het geheugen, het gereedschapgebruik, het foukherstel, het vermogen om in een echt product te werken zonder dingen kapot te maken, echt moeilijk is om op te bouwen. Meta ontdekt dat op schaal. Kleinere teams ontdekken het elke dag.

Waarom bureaus de verkeerde plek zijn om naar dit probleem te kijken

De meeste bureaugesprekken over AI-agenten beginnen op de verkeerde plek. Ze beginnen met de demo. Iemand toont een Zapier-workflow met een GPT-4-aanroep erin en noemt het een agent. Of een team bouwt een chatbot die een CRM-record kan opzoeken en verklaart het agenttijdperk open.

Die dingen zijn prima. Ze zijn nuttig. Maar ze zijn geen agenten in de zin die Meta, Google en Anthropic bedoelen wanneer zij het woord gebruiken. Een echte agent neemt een doel, geen prompt. Het beslist welke stappen te nemen, voert ze uit over tools en systemen, controleert of ze werken, en herstelt wanneer ze dat niet doen. Het doet dit over minuten of uren, niet milliseconden. Het handelt ambiguïteit af zonder elke dertig seconden om hulp te vragen.

Dat bouwen is een ander soort probleem. En als Meta, met al zijn middelen, eraan achterblijft, dan is de tijdlijn waar productteams en oprichters van uitgaan waarschijnlijk optimistisch.

Dit is geen argument tegen het begin. Het is een argument voor het weten wat je daadwerkelijk bouwt. Er is een betekenisvol verschil tussen een goed ontworpen AI-functie en een agent. Het ene kan dit kwartaal verscheepd worden. Het ander waarschijnlijk niet, niet betrouwbaar, nog niet.

De drie plaatsen waar agenten echt stukgaan

Bij Studio Hyra hebben we het afgelopen jaar AI in producten voor oprichters en productteams gebouwd. Niet erover gepraat, gebouwd. De faalmodi verschijnen ruwweg op dezelfde drie plaatsen elke keer.

Geheugen is moeilijker dan het lijkt. Een agent die niet kan onthouden wat hij drie stappen geleden besloot zal zichzelf tegenspreken. Retrieval-augmented generation helpt, maar context samen stikken over een lange taak blijft breekbaar. Het model vergeet. Het contextvenster loopt vol. De taak drijft af.

Gereedschapgebruik is niet plug-and-play. Een model laten een externe API aanroepen is eenvoudig. Het laten een 401-reactie afhandelen, opnieuw proberen met de juiste referenties, begrijpen dat de data die het teruggot oud is, en beslissen of het moet doorgaan of stoppen is dat niet. Elke toolintegratie is een nieuw oppervlak voor falen. Echte producten hebben er tientallen van.

Evaluatie is het onderdeel waar niemand begroting voor maakt. Hoe weet je of de agent het juiste deed? Met een conventionele functie schrijf je tests. Met een agent die over een lange horizon werkt, is de output vaak dubbelzinnig. Was dat de juiste email om te versturen? Was dat het juiste record om bij te werken? Het bouwen van de evaluatielaag, het onderdeel dat je vertelt of de agent werkt, duurt vaak net zo lang als het bouwen van de agent zelf. De meeste teams slaan het over. Dan vragen ze zich af waarom de agent zich onverwacht in productie gedraagt.

Hoe een realistische tijdlijn er nu uitziet

Hier is een eerlijker beeld van waar dingen in de tweede helft van 2025 staan.

AI-functies in één beurt, een classifier, een samenvoatter, een slim formulier, verschepen snel en leveren waarde. Dit zijn geen agenten, maar ze zijn echt. Ze stapelen op in de tijd als je ze goed ontwerpt.

Smalle agenten, dingen die één specifieke taak in een gecontroleerde omgeving met een duidelijk succeskriterium uitvoeren, zijn vandaag bouwbaar. Een agent die inkomende supporttickets leest, ze categoriseert en een antwoord voor menselijke beoordeling opstelt. Een agent die een datastream controleert en een team waarschuwt wanneer een drempel wordt overschreden. Deze werken. Het oppervlak is klein genoeg om goed te evalueren.

Brede agenten, dingen die over meerdere systemen werken, zich bezighouden met open doelstellingen en consequente beslissingen nemen zonder toezicht, zijn nu niet betrouwbaar verscheepbaar. Meta weet dit. Dat is het nieuws.

De juiste zet voor de meeste productteams is de smalle versie goed te bouwen in plaats van op de brede versie te wachten. Ontwerp de interface zodat deze een capabeler agent later kan opnemen. Architectuur niet rond een mogelijkheid die nog niet bestaat.

Dit bedoelen we wanneer we zeggen dat orchestratie het werkelijke ambacht is. Niet het kiezen van het meest opzichtige model. Weten welk probleem vandaag oplosbaar is, het schoon bouwen, en de deur open laten voor wat er volgt. Dat is de klus.

De contraire opside

Er is iets nuttigs in Zuckerbergs erkenning, voorbij het voor de hand liggende waarschuwingssignaal. Wanneer het meest bullische AI-bedrijf ter wereld zijn tijdlijn bijstelt, verdwijnt enige ruis.

De afgelopen twee jaar waren vol aankondigingen die suggereerden dat agenten zes maanden weg waren. Elk kwartaal verschoven de doelpalen. Dit patroon maakte het moeilijk voor serieuze teams om te plannen. Als zelfs Meta zegt dat de tijdlijn langer dan verwacht is, geeft dat iedereen anders toestemming om naar een realistische horizon in plaats van een marketinghorizon te bouwen.

Het betekent ook dat de teams die nu het onglorieuze werk doen, de geheugenarchitectuur, de evaluatiepijplijnen, de smalle goed afgebakende agenten die werkelijk in productie werken, een echt voordeel zullen hebben wanneer de bredere mogelijkheden arriveren. De infrastructuur die je voor een smalle agent bouwt is grotendeels dezelfde infrastructuur die een brede agent nodig zal hebben. Begin daar.

Meta's gat is geen reden om af te remmen. Het is een reden om specifiek te zijn over wat je bouwt en waarom.