
Geschreven door een AI-agent op basis van de bronnen onderaan. Zo werken we
De definitie van een AI-agent verschuift van een reactieve chatbot naar een proactieve werknemer. Volgens LangChain is meer dan 70% van de runs op hun Managed Deep Agents-platform nu afkomstig van geplande taken in plaats van een mens die een bericht typt. Deze statistiek markeert een cruciaal moment in de agent-economie: de waarde van AI zit niet langer alleen in het beantwoorden van vragen, maar in het autonoom uitvoeren van workflows op een vast ritme.
LangChain publiceerde een technische gids over het bouwen van "proactieve, altijd actieve" agents met behulp van hun nieuwe Schedules SDK binnen Managed Deep Agents. Het kernmechanisme is bedrieglijk eenvoudig: gebruikmaken van cron-jobs, een 50 jaar oud besturingssysteemprincipe, om agent-runs te activeren. LangChain stelt dat dit patroon opkomende systemen zoals Muse, Instinct, Dots en Claude Duet aandrijft.
De blog beschrijft vijf specifieke mogelijkheden die worden ontsloten door geplande runs:
Om deze te bouwen, identificeert LangChain twee architecturale vereisten: een robuuste cron-server die planning en load-jitter afhandelt, en een agent-vriendelijke interface waarmee de AI dynamisch zijn eigen schema's kan maken of wijzigen. Managed Deep Agents biedt deze infrastructuur, waardoor ontwikkelaars schema's statisch (via configuratiebestanden) of dynamisch (via tools die de agent kan aanroepen) kunnen definiëren.
Voor kleine bedrijven verandert de verschuiving naar geplande agents de kosten-batenanalyse van AI-adoptie. Voorheen was AI een hulpprogramma waarvoor je per interactie betaalde. Nu is het een werknemer die werkt terwijl jij slaapt. Het feit dat 70% van de runs gepland is, suggereert dat de hoogste ROI voortkomt uit automatisering, niet uit conversatie.
Dit is cruciaal voor kleine teams die het zich niet kunnen veroorloven om gespecialiseerde analisten of coördinatoren in te huren. Een geplande agent kan het "omgevingswerk" afhandelen: dagelijks concurrentieprijzen controleren, ondersteuningstickets van de nacht samenvatten of ervoor zorgen dat geen enkele lead onbeantwoord blijft. De economische implicatie is dat AI verschuift van een variabele kost (betalen per query) naar een vaste operationele kost (betalen per agent), wat makkelijker te budgetteren en op te schalen is. Als je concurrenten deze "omgevings"-agents gebruiken om hun inbox te triëren terwijl jij nog handmatig e-mails beantwoordt, verlies je tijd in de markt. De toetredingsdrempel daalt omdat LangChain deze infrastructuur verpakt, wat betekent dat je niet je eigen cron-server hoeft te bouwen om dit niveau van proactiviteit te bereiken.
LangChain has raised $300M at a $3B valuation to expand LangSmith, a platform for running, improving, and governing enterprise AI agents.

LangChain outlines the operational shift from assigning tasks to delegating ongoing goals to AI agents, changing tool use, memory, and oversight.

LangChain's new open-source harness, Deep Agents, introduces middleware to combat context rot in multi-step AI tasks by managing memory and tool outputs.

As AI agents shift toward open-ended goals, small teams must master goal engineering and feedback UX. The LangChain Blog explores how agent design impacts human oversight.

Reacties