Wat er is gebeurd
OpenAI kondigde op 15 april een stevige update van zijn Agents SDK aan. De kern is niet alleen dat agents meer tools kunnen gebruiken. De grotere verandering is een model-native harness waarmee agents over bestanden, tools en langlopende taken kunnen werken op een manier die veel dichter ligt bij echte enterprise automatisering.
De release voegt native sandbox execution, configureerbaar geheugen, Codex-achtige filesystem tools en een Manifest abstractie voor de agentwerkplek toe. Ontwikkelaars kunnen lokale bestanden mounten, outputmappen definiëren en data binnenhalen uit bronnen zoals AWS S3, Google Cloud Storage, Azure Blob Storage en Cloudflare R2. OpenAI omarmt daarbij patronen die snel standaard worden in productieomgevingen voor agents, zoals MCP tool use, skills, custom instructions via AGENTS.md, shell toegang en patch-based file editing.
Het belangrijkste detail is operationeel, niet cosmetisch. OpenAI scheidt de agentharness expliciet van de compute-omgeving waarin modelgegenereerde code draait. Daardoor kunnen credentials buiten de sandbox blijven, kunnen runs met snapshotting en rehydration herstellen na containerproblemen en kunnen subagents naar geïsoleerde omgevingen worden gestuurd. Dit is dus geen nieuwe promptwrapper, maar infrastructuur voor agents die ook na de demo moeten blijven draaien.
Waarom dit ertoe doet
Dit is relevant omdat de meeste enterprise agentprojecten niet als eerste stuklopen op het model. Ze lopen stuk op de runtime-laag eromheen. Bestanden lezen, output wegschrijven, tools aanroepen, fouten opvangen, risicovolle uitvoering isoleren en state over meerdere stappen bewaren, dat wordt vaak met maatwerk aan elkaar geknoopt. Dat is duur om te bouwen, fragiel om te onderhouden en lastig om te beveiligen. OpenAI maakt die saaie maar cruciale laag nu meer standaard.
Het laat ook zien waar de markt naartoe beweegt. Het afgelopen jaar draaide de concurrentie vooral om intelligentiebenchmarks. Nu verschuift het strijdveld richting execution environments, tool orchestration en deployment ergonomics. Bedrijven hebben niet alleen een slimmer model nodig. Ze hebben voorspelbare werkplekken, hervatbare runs en gecontroleerde toegang tot systemen en data nodig. Dat zijn precies de eisen waar security-, platform- en procurementteams op letten.
Voor documentzware processen is de relevantie direct. Denk aan factuuruitzonderingen, contract intake, schadeafhandeling, vergunningstrajecten of het opstellen van correspondentie. Dat zijn geen taken van één prompt. Er zijn mappen, bestanden, externe tools, tussenresultaten, goedkeuringsstappen en retries nodig. Een betere harness lost het businessprobleem niet vanzelf op, maar verlaagt wel de hoeveelheid maatwerkplumbing die nodig is om iets betrouwbaars te bouwen.
Laava-perspectief
Bij Laava zien we dit als bevestiging van een simpel punt: productie-AI is een systems engineering vraagstuk. Betere reasoning helpt, maar modelkwaliteit alleen maakt nog geen productieklare agent. Je hebt nog steeds contextbeheer, procesgrenzen, deterministische integraties en een veilige execution-laag nodig. In onze taal hoort het model bij de Reasoning Layer, maar waarde ontstaat pas als Context en Action er goed omheen zijn ontworpen.
Daarom moet je deze aankondiging ook met gezonde scepsis lezen. Native sandboxing is nuttig, maar het is niet hetzelfde als governance. Een SDK kan een agent een veiligere werkplek geven, maar bepaalt niet welke business rules tellen, waar een mens moet goedkeuren, hoe metadata wordt afgedwongen of hoe een organisatie PII weghoudt bij externe providers. Dat zijn ontwerpkeuzes. Als die ontbreken, kun je met een geavanceerde harness vooral sneller fouten maken.
Er zit ook een soevereiniteitslaag in. OpenAI standaardiseert een aanpak, maar de onderliggende architectuur is overdraagbaar. Dezelfde eisen gelden of de Reasoning Layer nu op OpenAI, Anthropic of een open model onder eigen beheer draait. Voor Europese organisaties is dat de echte les: houd eigenaarschap over proceslogica, datagrenzen en deploymentkeuzes. Een goed agentsysteem moet een modelswap kunnen overleven.
Wat je nu kunt doen
Als deze release relevant voelt, begin dan niet met een bedrijfsbrede superassistent. Kies één workflow met duidelijke input, duidelijke output en duidelijke eigenaars. De beste kandidaten zijn meestal processen met veel volume die afhankelijk zijn van documenten of berichten, een paar toolcalls nodig hebben en al een menselijk goedkeuringsmoment bevatten. Daar kunnen een model-native harness en sandboxed execution de doorlooptijd verkorten zonder dat het risico uit de hand loopt.
Test het daarna als dunne end-to-end slice in shadow mode. Geef de agent een beperkte werkplek, een smalle toolset, meetbare evaluatiecriteria en expliciete approval gates voordat iets een systeem van record raakt. Werkt het betrouwbaar op echte taken, schaal dan op. Werkt het niet, stop dan vroeg en neem de lessen mee. Zo breng je AI-agents nog steeds het best naar productie: kleine scope, harde guardrails, echte data en geen magic box-denken.