AI-onderzoeksagent verandert opleiding en wetenschap

OpenAI zegt intern het niveau van een geautomatiseerde onderzoeksstagiair te hebben bereikt. Daarmee bedoelt het bedrijf een AI-systeem dat onder menselijke aansturing afgebakende onderzoekstaken kan uitvoeren waarvoor een ervaren onderzoeker enkele dagen nodig zou hebben.

Voor hogescholen, universiteiten en onderzoeksinstituten in Nederland en België is dit geen bewijs dat AI zelfstandig betrouwbaar onderzoek kan doen. Het is wel een concreet signaal dat opleidingen opnieuw moeten bepalen welke onderzoeksvaardigheden studenten zelf moeten beheersen, welke taken zij aan agents mogen delegeren en welk procesbewijs nodig is om kwaliteit en auteurschap te beoordelen.

Wat er nieuw is

OpenAI publiceerde de interne meting op 6 september 2026. Het bedrijf werkt naar eigen zeggen toe naar een volledig geautomatiseerde AI-onderzoeker in maart 2028. De huidige mijlpaal is beperkter: een agent kan goed omschreven taken uitvoeren onder menselijke leiding.

OpenAI rapporteert dat zijn onderzoeksorganisatie halverwege augustus per menselijke werkdag in totaal 3,1 agentwerkdagen gebruikte. Onderzoekers schrijven sneller code en voeren meer experimenten uit. Het aantal experimenten per actieve onderzoeker lag in augustus op het hoogste niveau sinds de meting in januari 2025 begon.

Die cijfers vragen om voorzichtigheid. Ze komen uit één AI-bedrijf, zijn niet onafhankelijk gerepliceerd en meten vooral gebruik, codebijdragen en experimenten — niet automatisch wetenschappelijke kwaliteit of maatschappelijke waarde. OpenAI vermeldt bovendien dat bij meer dan de helft van de geslaagde taken met een geschatte duur van vier tot acht uur minstens één menselijke ingreep nodig was.

De kansen

Voor onderzoek en onderzoekend onderwijs kunnen agents tijd besparen bij programmeerwerk, het opzetten van evaluaties, het controleren van onderzoeksinfrastructuur en het analyseren van experimenten. Een student of onderzoeker kan sneller varianten testen en meer aandacht besteden aan probleemkeuze, methode, interpretatie en communicatie.

Dat verandert ook beroepsvoorbereiding. Studenten in informatica, datawetenschap en andere onderzoeksintensieve opleidingen moeten niet alleen losse prompts leren schrijven. Zij moeten een agenttaak kunnen afbakenen, tussenresultaten beoordelen, fouten opsporen, code testen en beslissen wanneer een resultaat opnieuw of onafhankelijk moet worden gecontroleerd.

Kwaliteit en reproduceerbaarheid

Meer experimenten zijn niet vanzelf betere experimenten. Een agent kan code produceren die technisch draait maar een verkeerde onderzoeksvraag operationaliseert, data verkeerd splitst, een statistische aanname schendt of alleen gunstige uitkomsten selecteert. Menselijke snelheid kan bovendien een nieuwe bottleneck worden wanneer onderzoekers meer agentwerk moeten beoordelen dan zij zorgvuldig kunnen controleren.

Reproduceerbaarheid vraagt daarom meer dan alleen de eindcode bewaren. Leg ook de gebruikte modelversie, taakomschrijving, invoerdata, tools, menselijke interventies, mislukte routes en uiteindelijke selectie vast. Waar mogelijk moeten een tweede onderzoeker, onafhankelijke testset of andere methode de belangrijkste uitkomst controleren.

Toetsing en auteurschap

Een gepolijst onderzoeksverslag of werkend programma zegt steeds minder over wat een student zelf begrijpt. Bij summatieve opdrachten kan een opleiding procesdocumentatie, versiegeschiedenis, een mondelinge verdediging en een nieuwe controlevraag combineren. Daarmee wordt zichtbaar of de student keuzes kan uitleggen en fouten kan herkennen.

Volledig verbieden is evenmin vanzelfsprekend. Als agents in onderzoek en beroepspraktijk normaal worden, moeten studenten verantwoord leren delegeren. Maak daarom per opdracht duidelijk welke ondersteuning is toegestaan, welke kernhandelingen zelfstandig moeten worden uitgevoerd en hoe AI-bijdragen worden vermeld.

Privacy, veiligheid en toegang

Onderzoeksdata, persoonsgegevens, ongepubliceerde bevindingen en beveiligingsgevoelige code horen niet zonder passende afspraken in een externe agentomgeving. Controleer opslag, trainingsgebruik, bewaartermijnen, toegangsrechten en de mogelijkheid om lokaal of institutioneel beheerd te werken.

De door OpenAI gemelde intensiteit is bovendien kostbaar en komt uit een frontierlab met uitzonderlijke infrastructuur. Onderwijsinstellingen moeten voorkomen dat toegang tot dure agents bepaalt welke studenten of onderzoeksgroepen sneller kunnen werken. Vergelijk daarom niet alleen prestaties, maar ook kosten, toegankelijkheid en afhankelijkheid van één leverancier.

Wat teams nu kunnen afspreken

• Benoem per onderzoeksfase wat een agent mag doen en waar menselijke goedkeuring verplicht is.
• Bewaar prompts, model- en toolversies, code, tussenresultaten en menselijke correcties.
• Test cruciale uitkomsten onafhankelijk en beoordeel methodologische kwaliteit, niet alleen snelheid.
• Vraag bij beoordeling om procesbewijs en een mondelinge of praktische verificatie van begrip.
• Gebruik geen vertrouwelijke onderzoeks- of persoonsgegevens voordat privacy- en beveiligingsvoorwaarden zijn gecontroleerd.
• Zorg voor een werkbaar alternatief wanneer studenten of medewerkers geen gelijke toegang tot betaalde agents hebben.

De kern

OpenAI's interne cijfers laten zien dat onderzoeksagents al veel uitvoerend werk kunnen overnemen, maar ook dat menselijke sturing bij complexere taken vaak nodig blijft. Voor het hoger onderwijs ligt de opdracht daarom niet in het vervangen van onderzoekers, maar in het opleiden van mensen die sneller werk kritisch kunnen begrenzen, controleren en verantwoorden.