Default
Door Remote - 28 May 2026
In het kort
Onderzoekers van de Shanghai Jiao Tong University en Tencent ontwikkelden ProAct, een AI-agent die is ontworpen om waarschijnlijke gebruikersbehoeften te voorspellen voordat gebruikers erom vragen.
Het systeem gebruikt de tijd tussen berichten om eerdere gesprekken te bekijken en informatie vooraf voor te bereiden.
Onderzoekers zeiden dat ProAct beter presteerde dan eerdere proactieve AI-systemen bij het testen van benchmarks, hoewel bij de experimenten geen echte gebruikers betrokken waren.
Onderzoekers van de Shanghai Jiao Tong Universiteit en het Chinese technologieconglomeraat Tencent beweren een AI-agent te hebben gebouwd die de stille tijd tussen gesprekken gebruikt om te voorspellen wat gebruikers vervolgens zullen vragen – en antwoorden voor te bereiden voordat ze erom vragen.
Het systeem, genaamd ProAct, werkt anders dan de meeste AI-agents die wachten tot gebruikers een vraag stellen voordat ze reageren. In plaats daarvan gebruikt ProAct de downtime tussen berichten om eerdere gesprekken en opgeslagen gebruikersinformatie te bekijken, en bereidt vervolgens op de achtergrond nuttige informatie voor voordat de volgende vraag arriveert.
“Hoewel AI-agenten opmerkelijke capaciteiten vertonen op het gebied van redeneren en gereedschapsgebruik, blijven ze fundamenteel reactief: ze berekenen antwoorden alleen na expliciete gebruikersprompts”, schreven de onderzoekers. “Dit paradigma negeert een cruciale kans: de inactieve tijd tussen interacties wordt grotendeels verspild, waardoor agenten zich niet kunnen voorbereiden op toekomstige gebruikersbehoeften.”
Het systeem werkt in meerdere fasen. De eerste, genaamd Future-State Prediction, voorspelt waarschijnlijke vervolgvragen door eerdere gesprekken, gebruikersvoorkeuren en ontbrekende informatie te analyseren.
De tweede fase, genaamd Idle-Time Acquisition, beslist welke van deze voorspellingen de moeite waard zijn om te onderzoeken op basis van relevantie, timing en hoe nuttig de nieuwe informatie zou kunnen zijn.
Een afzonderlijk systeem beslist vervolgens of de voorbereide informatie wordt gepresenteerd, opgeslagen voor later of bewaard totdat het nodig is, waardoor een “closed-loop”-systeem ontstaat dat is ontworpen om te anticiperen op en te reageren op de behoeften van de gebruiker.
“Na elke voorgrondinteractie werkt de agent zijn geheugen bij, voorspelt mogelijke toekomstige behoeften, wijst de berekeningen voor inactieve tijd toe aan waardevolle kandidaten en beslist hoe de resulterende voorbereiding moet worden afgehandeld”, schreven ze. “Deze formulering koppelt voorspelling, acquisitie en levering aan één enkel beleid, in plaats van inactieve rekenkracht te behandelen als onbeperkt zoeken op de achtergrond.”
Volgens de onderzoekers werd ProAct getest in 200 simulaties in 40 domeinen, waaronder financiële planning, beheer van softwarereleases en cyberbeveiliging. Volgens de krant verminderde het systeem het aantal gesprekswisselingen met 14,8% en het aantal vervolgverzoeken met 11,7%. In een vergelijking met behulp van een benchmark genaamd ProActEval, anticipeerde ProAct op 703 voorspelbare gebruikersbehoeften, tegenover 32 voor het eerdere systeem. De onderzoekers rapporteerden ook een vermindering van 28,1% in hallucinaties.
Het onderzoek komt als autonome AI-agenten verspreid over de technologie-industrie, met projecten zoals OpenClaw en Hermes Agent die persistente AI-assistenten leveren die langere, meer onafhankelijke taken kunnen uitvoeren – zoals coderen, planning, onderzoek en workflowautomatisering – met minder directe menselijke input.
De studie komt ook omdat afzonderlijke onderzoekers eerder deze maand waarschuwden dat AI-agenten gevaarlijke taken kunnen uitvoeren zonder de gevolgen te begrijpen.
“Net als de heer Magoo marcheren deze agenten naar een doel zonder de gevolgen van hun daden volledig te begrijpen”, zei hoofdauteur Erfan Shayegani, een promovendus aan UC Riverside, in een verklaring. “Deze agenten kunnen uiterst nuttig zijn, maar we hebben waarborgen nodig omdat ze soms prioriteit kunnen geven aan het bereiken van het doel boven het begrijpen van het grotere geheel.”
Onderzoekers erkenden dat het ProAct-onderzoek verschillende beperkingen had, waaronder dat het systeem in 3% van de gevallen de reacties verergerde door irrelevante informatie naar voren te brengen. De krant zei ook dat elke echte versie privacybescherming nodig heeft, omdat het systeem voortdurend gesprekken analyseert en gebruikersgegevens opslaat.
“Onze budgetanalyse laat verder zien dat grotere Idle-Time Acquisition-budgetten de actieve tokenkosten verhogen en afnemende rendementen opleveren,” schreven ze, “dus proactieve berekeningen zijn eerder een afweging op het operationele punt dan iets dat moet worden gemaximaliseerd.”
Dagelijkse debriefing NieuwsbriefBegin elke dag met de belangrijkste nieuwsverhalen van dit moment, plus originele artikelen, een podcast, video's en meer. Uw e-mail Download het! Download het!
Onderzoekers van de Shanghai Jiao Tong University en Tencent ontwikkelden ProAct, een AI-agent die is ontworpen om waarschijnlijke gebruikersbehoeften te voorspellen voordat gebruikers erom vragen.
Het systeem gebruikt de tijd tussen berichten om eerdere gesprekken te bekijken en informatie vooraf voor te bereiden.
Onderzoekers zeiden dat ProAct beter presteerde dan eerdere proactieve AI-systemen bij het testen van benchmarks, hoewel bij de experimenten geen echte gebruikers betrokken waren.
Onderzoekers van de Shanghai Jiao Tong Universiteit en het Chinese technologieconglomeraat Tencent beweren een AI-agent te hebben gebouwd die de stille tijd tussen gesprekken gebruikt om te voorspellen wat gebruikers vervolgens zullen vragen – en antwoorden voor te bereiden voordat ze erom vragen.
Het systeem, genaamd ProAct, werkt anders dan de meeste AI-agents die wachten tot gebruikers een vraag stellen voordat ze reageren. In plaats daarvan gebruikt ProAct de downtime tussen berichten om eerdere gesprekken en opgeslagen gebruikersinformatie te bekijken, en bereidt vervolgens op de achtergrond nuttige informatie voor voordat de volgende vraag arriveert.
“Hoewel AI-agenten opmerkelijke capaciteiten vertonen op het gebied van redeneren en gereedschapsgebruik, blijven ze fundamenteel reactief: ze berekenen antwoorden alleen na expliciete gebruikersprompts”, schreven de onderzoekers. “Dit paradigma negeert een cruciale kans: de inactieve tijd tussen interacties wordt grotendeels verspild, waardoor agenten zich niet kunnen voorbereiden op toekomstige gebruikersbehoeften.”
Het systeem werkt in meerdere fasen. De eerste, genaamd Future-State Prediction, voorspelt waarschijnlijke vervolgvragen door eerdere gesprekken, gebruikersvoorkeuren en ontbrekende informatie te analyseren.
De tweede fase, genaamd Idle-Time Acquisition, beslist welke van deze voorspellingen de moeite waard zijn om te onderzoeken op basis van relevantie, timing en hoe nuttig de nieuwe informatie zou kunnen zijn.
Een afzonderlijk systeem beslist vervolgens of de voorbereide informatie wordt gepresenteerd, opgeslagen voor later of bewaard totdat het nodig is, waardoor een “closed-loop”-systeem ontstaat dat is ontworpen om te anticiperen op en te reageren op de behoeften van de gebruiker.
“Na elke voorgrondinteractie werkt de agent zijn geheugen bij, voorspelt mogelijke toekomstige behoeften, wijst de berekeningen voor inactieve tijd toe aan waardevolle kandidaten en beslist hoe de resulterende voorbereiding moet worden afgehandeld”, schreven ze. “Deze formulering koppelt voorspelling, acquisitie en levering aan één enkel beleid, in plaats van inactieve rekenkracht te behandelen als onbeperkt zoeken op de achtergrond.”
Volgens de onderzoekers werd ProAct getest in 200 simulaties in 40 domeinen, waaronder financiële planning, beheer van softwarereleases en cyberbeveiliging. Volgens de krant verminderde het systeem het aantal gesprekswisselingen met 14,8% en het aantal vervolgverzoeken met 11,7%. In een vergelijking met behulp van een benchmark genaamd ProActEval, anticipeerde ProAct op 703 voorspelbare gebruikersbehoeften, tegenover 32 voor het eerdere systeem. De onderzoekers rapporteerden ook een vermindering van 28,1% in hallucinaties.
Het onderzoek komt als autonome AI-agenten verspreid over de technologie-industrie, met projecten zoals OpenClaw en Hermes Agent die persistente AI-assistenten leveren die langere, meer onafhankelijke taken kunnen uitvoeren – zoals coderen, planning, onderzoek en workflowautomatisering – met minder directe menselijke input.
De studie komt ook omdat afzonderlijke onderzoekers eerder deze maand waarschuwden dat AI-agenten gevaarlijke taken kunnen uitvoeren zonder de gevolgen te begrijpen.
“Net als de heer Magoo marcheren deze agenten naar een doel zonder de gevolgen van hun daden volledig te begrijpen”, zei hoofdauteur Erfan Shayegani, een promovendus aan UC Riverside, in een verklaring. “Deze agenten kunnen uiterst nuttig zijn, maar we hebben waarborgen nodig omdat ze soms prioriteit kunnen geven aan het bereiken van het doel boven het begrijpen van het grotere geheel.”
Onderzoekers erkenden dat het ProAct-onderzoek verschillende beperkingen had, waaronder dat het systeem in 3% van de gevallen de reacties verergerde door irrelevante informatie naar voren te brengen. De krant zei ook dat elke echte versie privacybescherming nodig heeft, omdat het systeem voortdurend gesprekken analyseert en gebruikersgegevens opslaat.
“Onze budgetanalyse laat verder zien dat grotere Idle-Time Acquisition-budgetten de actieve tokenkosten verhogen en afnemende rendementen opleveren,” schreven ze, “dus proactieve berekeningen zijn eerder een afweging op het operationele punt dan iets dat moet worden gemaximaliseerd.”
Dagelijkse debriefing NieuwsbriefBegin elke dag met de belangrijkste nieuwsverhalen van dit moment, plus originele artikelen, een podcast, video's en meer. Uw e-mail Download het! Download het!