Van 100 experimenten per nacht naar 100 taken per dag: de Karpathy-methode voor MKB

Andrej Karpathy — voormalig hoofd AI bij Tesla en mede-oprichter van OpenAI — deed in 2025 iets opmerkelijks. Hij bouwde een systeem dat 's nachts 100 machine learning-experimenten draaide op één GPU. Zijn "autoresearch" werd legendarisch in de AI-wereld. In april 2026 heeft iemand ditzelfde principe toegepast op agent-engineering: een meta-agent die autonoom duizenden experimenten draait om de taken van andere agents te verbeteren. Het heet AutoAgent, en het is open-source.

Wat heeft dit met jouw MKB te maken? Meer dan je denkt. De onderliggende methode — taken parallel uitvoeren, resultaten vergelijken, en het beste bewaren — is direct toepasbaar op bedrijfsprocessen. In dit artikel vertalen we Karpathy's aanpak naar praktische MKB-automatisering.

Wat is autoresearch — en wat is AutoAgent?

Karpathy's oorspronkelijke autoresearch was simpel van opzet: een AI-agent kreeg een onderzoeksvraag, bedacht 100 verschillende aanpakken, voerde die 's nachts parallel uit, en rapporteerde 's ochtends welke aanpak het beste werkte. Eén GPU, één nacht, 100 experimenten.

In april 2026 heeft Kevin Gu dit principe vertaald naar agent-engineering met AutoAgent. Het systeem werkt zo: een "meta-agent" neemt een bestaande AI-agent onder handen en probeert duizenden variaties op diens prompts, tools en instructies. Elke variatie wordt getest in een sandbox-omgeving. De beste combinatie wordt bewaard, de rest weggegooid. Het resultaat is een agent die significant beter presteert dan het origineel — zonder dat er een mens aan te pas is gekomen.

Dit is fundamenteel anders dan handmatig tweaken. Waar een ontwikkelaar misschien 5 variaties probeert in een middag, probeert AutoAgent er duizenden in een uur. De wet van grote aantallen wint het van menselijke intuïtie.

Van agent-engineering naar bedrijfsprocessen

De AutoAgent-methode is niet beperkt tot het verbeteren van AI-agents. Hetzelfde principe is toepasbaar op elk bedrijfsproces dat te automatiseren is:

E-mailmarketing: 50 varianten van een onderwerpregel testen in plaats van 3, en automatisch de winnaar uitrollen naar je hele lijst
Leadopvolging: 20 verschillende follow-up scripts parallel draaien en meten welke de hoogste conversie geeft
Offertes: 15 varianten van een offerte-template testen op verschillende klantsegmenten en de best presterende standaardiseren
Klantenservice: 10 verschillende antwoordstrategieën tegelijk inzetten en meten welke tot de hoogste klanttevredenheid leidt

Het sleutelwoord is parallel. In plaats van sequentieel te testen — eerst variant A, dan B, dan C — test je alles tegelijk. De tijdwinst is enorm: wat normaal weken of maanden kost, doe je nu in uren.

Google Gemma 4: AI die op je eigen apparaat draait

Een ontwikkeling die dit extra interessant maakt voor het MKB: Google bracht in april 2026 Gemma 4 uit, een AI-model met code-generatie en Skills-ondersteuning dat volledig op je eigen apparaat draait. Geen cloud, geen API-kosten, geen data die je bedrijf verlaat.

Combineer dit met de AutoAgent-methode en je hebt een systeem dat lokaal duizenden varianten van je bedrijfsprocessen test, zonder dat je data de deur uit gaat. Voor Nederlandse MKB-bedrijven die waarde hechten aan privacy en AVG-compliance is dit de heilige graal.

De tool die 50 agents parallel laat draaien

Het kan nóg extremer. In april 2026 werd Clawsweeper gedemonstreerd: een tool die 50 Codex AI-agents parallel laat draaien om pull requests en issues te scannen, beoordelen en af te handelen. Vijftig agents tegelijk, allemaal met hetzelfde doel, allemaal lerend van elkaars resultaten.

Voor MKB-bedrijven is de vertaling helder: stel je voor dat je 50 virtuele medewerkers hebt die allemaal tegelijk je openstaande takenlijst afwerken. De ene belt je leads na, de ander verwerkt facturen, een derde beantwoordt klantmails. Ze werken niet na elkaar, maar naast elkaar. Je ochtend begint met een lege inbox en een volle pipeline.

De business case: reken het zelf uit

Laten we een realistisch scenario schetsen voor een MKB-bedrijf met 20 medewerkers. Dit bedrijf besteedt wekelijks ongeveer 80 uur aan terugkerende administratieve taken: e-mails beantwoorden, leads opvolgen, facturen verwerken, afspraken inplannen.

Met de AutoAgent-methode zet je 10 AI-agents tegelijk aan het werk. Ze draaien 's nachts — wanneer je systemen toch idle zijn — en verwerken alle openstaande taken. 's Ochtends controleer jij de uitzonderingen (de 10% die de agents niet konden afhandelen) en keur je de belangrijkste beslissingen goed.

De rekensom: 80 uur handwerk per week → 8 uur reviewen per week. 72 uur bespaard. Tegen DeepSeek V4-tarieven (17x goedkoper dan Claude) kost dit je ongeveer €60 per maand aan API-kosten. Dat is €0,83 per bespaard uur.

Beginnen met parallelle automatisering

De grootste fout die MKB-bedrijven maken is te klein denken. Ze automatiseren één taak, zien dat het werkt, en stoppen daar. De AutoAgent-filosofie zegt: als het werkt voor één taak, werkt het voor tien taken tegelijk. De marginale kosten van een extra agent zijn nihil; de marginale opbrengst is lineair.

Begin met één proces — bijvoorbeeld leadopvolging. Zet drie varianten tegelijk live, meet welke het beste presteert, en schaal de winnaar op naar al je leads. Volgende week pak je het volgende proces. Binnen een maand heb je een team van AI-agents dat 80% van je administratie afhandelt.

Nieuwsgierig hoeveel jij kunt besparen met parallelle AI-automatisering? Plan een vrijblijvende scan en we rekenen het voor je uit.