Nieuw controlesysteem voorkomt overbodige stappen van autonome AI-agenten

Een team onder leiding van Dongsheng Xiao publiceerde op 28 september 2026 een paper over een probleem dat zij ‘LLM-parkinsonisme’ noemen. De term verwijst naar AI-agenten die blijven doorwerken nadat een taak al is afgerond, en nog wat kleine aanpassingen doen of hun eigen werk opnieuw controleren. Volgens de auteurs komt dat doordat dezelfde lus die acties genereert ook bepaalt wanneer het werk moet stoppen. Hun oplossing is een nieuwe architectuur, Global Executive Control (GEC) v0.2, die het genereren van acties scheidt van het toezicht op projectniveau.

Hoe we hier zijn gekomen

Grote taalmodellen (LLM’s) kunnen plannen, code schrijven en tools gebruiken, maar missen vaak een duidelijk ‘stopsignaal’. In tests slaagde een basisagent die één beste inschatting van een plan volgde in 67% van de moeilijke opdrachten. Toen het model in dezelfde test kon kiezen uit een reeks mogelijke acties, steeg het slagingspercentage naar 96,5%. De onderzoekers stellen dat de keuze uit meerdere opties het grootste deel van die verbetering verklaart, maar dat het proces daardoor ook meer tokens verbruikt: de basiseenheden tekst die het model verwerkt.

Wat de nieuwe architectuur doet

GEC voegt een bestuurslaag toe die rekening houdt met onzekerheid, de voortgang van de agent bewaakt en beslist wanneer het genoeg is. In een benchmark met 24.000 episodes en een limiet van 40.000 tokens behaalde GEC hetzelfde slagingspercentage van 96,5% als de aanpak met meerdere kandidaat-acties, terwijl het gemiddelde tokenverbruik daalde van 19.782 naar 12.574 – een afname van 36%. Ook daalde het gemiddelde aantal tokens dat nodig was om een taak binnen de limiet af te ronden van 16.136 naar 13.114, een besparing van 18,7%. De extra stappen voor toezicht kosten ongeveer 500 synthetische tokens per cyclus; volgens de auteurs is dat nog altijd efficiënt.

Wat volgt

De paper vermeldt dat de simulaties pleiten voor expliciet toezicht op de reikwijdte, het bewijs, het middelengebruik en het moment waarop een taak moet stoppen, maar dat validatie in de praktijk nog nodig is. Waarschijnlijk wordt GEC in toekomstig onderzoek getest op live-agenten die met externe tools of gebruikers communiceren. Als de aanpak standhoudt, kunnen ontwikkelaars een vergelijkbare controlelaag inbouwen in chatbots, codeerassistenten en andere autonome AI-diensten. Zo voorkomen ze onnodige verwerking en dat systemen blijven doorwerken aan afgeronde taken.