Google heeft Scion open-source gemaakt, een experimentele orchestration testbed voor het parallel draaien van meerdere gespecialiseerde agents over containers, worktrees, lokale machines, remote VM's en Kubernetes-clusters. Volgens de samenvatting van InfoQ en Google's eigen documentatie krijgt elke agent een eigen geïsoleerde runtime, identiteit, credentials en workspace, terwijl teams toch complexe taakgrafen kunnen coördineren.
Daarmee is dit meer dan weer een agentdemo. Het interessante is niet dat meerdere modellen tegelijk kunnen werken. Het interessante is de architectuurkeuze: eerst isolatie, daarna orkestratie. Google beschrijft Scion als een soort hypervisor voor agents. Dat is voor enterprise-teams een veel nuttiger denkmodel dan de bekende belofte dat één algemene agent alles wel oplost.
De timing is relevant. Veel organisaties zijn voorbij de eerste chatbotgolf en experimenteren nu met agents die code schrijven, output valideren, systemen inspecteren of werk tussen tools verplaatsen. De bottleneck is niet meer of een LLM tekst kan produceren. De bottleneck is of meerdere agents veilig en voorspelbaar kunnen samenwerken, zonder elkaars context, credentials of output te vervuilen.
Waarom dit ertoe doet
De meeste enterprise AI-missers komen niet door een gebrek aan intelligentie. Ze ontstaan door zwakke operationele grenzen. De ene agent overschrijft het werk van de andere. Gedeelde credentials geven te veel toegang. Een prompt sleept per ongeluk de verkeerde context mee naar de volgende stap. Logs zijn onvolledig. Menselijke goedkeuringsmomenten zijn onduidelijk. Zodra een agentworkflow productiesystemen raakt, zijn dit engineeringproblemen, geen promptproblemen.
Scion is interessant omdat het agents behandelt als nuttige, maar niet volledig vertrouwde workers. Elke agent krijgt een eigen container, git worktree en credential boundary. Coördinatie gebeurt via expliciete taakgrafen, gedeelde workspaces en messagingpatronen, niet via verborgen promptmagie. Dat ligt veel dichter bij hoe productiesystemen gebouwd moeten worden. Wie gelijktijdige agents wil, heeft concurrency control, scheiding van verantwoordelijkheden en guardrails op infrastructuurniveau nodig.
Dit raakt ook kosten en modelstrategie. In een echte workflow heeft niet elke stap hetzelfde model nodig. De ene agent classificeert documenten, de andere extraheert velden, weer een andere beoordeelt uitzonderingen, en een volgende bereidt een ERP- of CRM-actie voor ter goedkeuring. Een goed georkestreerd systeem laat je elke stap naar het goedkoopste en veiligste model routeren dat de taak aankan. Zonder orkestratie gebruiken teams vaak één duur model voor alles.
Laava's perspectief
Bij Laava kijken we niet naar production AI als één magische agent met meer tools. We denken in systemen. Context, reasoning en action vragen om verschillende vormen van controle. Hoe waardevoller de workflow wordt, hoe belangrijker de grenzen worden: wie mag wat lezen, welk model mag welke taak uitvoeren, welke output moet citeerbaar zijn, en welke acties vereisen menselijke goedkeuring voordat iets ERP, CRM of e-mail raakt.
Daarom is de les van Scion groter dan het project zelf. Enterprise-teams moeten niet alleen vragen of een agent slim genoeg is. Ze moeten vragen of de architectuur parallel werk, gedeeltelijke storingen, retries, audit-eisen en modelwissels overleeft. Een goede agentstack is niet alleen een reasoninglaag. Het is een control plane voor permissies, state, observability en veilige uitvoering.
Dit sluit direct aan op Laava's werk in document- en workflowintensieve omgevingen. Als je factuurinname, triage van klantmails, contractverwerking of interne kennisstromen automatiseert, heb je vaak meerdere gespecialiseerde stappen nodig. Extractie, validatie, routing, samenvatting en actie zijn niet hetzelfde werk. Die stappen netjes opsplitsen levert meestal hogere nauwkeurigheid, lagere kosten en minder faalmodi op dan één grote agent die end-to-end improviseert.
Wat je nu kunt doen
Als je team AI-agents verkent, begin dan met het in kaart brengen van één echte workflow in plaats van een algemene agent-shell te bouwen. Bepaal welke stappen reasoning nodig hebben, welke deterministische validatie vereisen, welke systeemtoegang nodig hebben en waar een menselijke goedkeuringspoort hoort. Ontwerp daarna eerst de grenzen: gescheiden identiteiten, gescheiden credentials, gescheiden logs en duidelijk eigenaarschap van state.
Je hoeft Scion zelf niet te adopteren om van de les te profiteren. Wat telt is het operating model erachter. Behandel agentorkestratie als infrastructuur, niet als theater. Gebruik isolatie als standaard, maak samenwerking expliciet, houd de modelllaag vervangbaar en meet elke stap op bedrijfsuitkomst. Zo worden AI-agents saai genoeg om in productie te vertrouwen.