Airtable past zijn data-first-ontwerpfilosofie toe op AI-agenten met het debuut van Superagent op dinsdag. Het is een zelfstandige onderzoeksagent die teams van gespecialiseerde AI-agenten inzet die parallel werken om onderzoekstaken uit te voeren.
De technische innovatie ligt in de manier waarop de orkestrator van Superagent de context handhaaft. Eerdere agentsystemen maakten gebruik van eenvoudige modelroutering waarbij een tussenpersoon informatie tussen modellen filterde. De orkestrator van Airtable behoudt volledig inzicht in het gehele uitvoeringstraject: het initiële plan, de uitvoeringsstappen en de resultaten van de subagenten. Dit creëert wat medeoprichter Howie Liu ‘een samenhangende reis’ noemt, waarbij de orkestrator onderweg alle beslissingen nam. “Het komt uiteindelijk neer op hoe je het zelfreflecterende vermogen van het model benut”, vertelde Liu aan VentureBeat. Liu was ruim twaalf jaar geleden medeoprichter van Airtable, met als kern een cloudgebaseerde relationele database.
Airtable heeft zijn bedrijf gebouwd op één enkele weddenschap: software moet zich aanpassen aan de manier waarop mensen werken, en niet andersom. Die filosofie zorgde voor de groei van meer dan 500.000 organisaties, waaronder 80% van de Fortune 100, die het platform gebruikten om op maat gemaakte applicaties te bouwen die bij hun workflows pasten.
De Superagent-technologie is een evolutie van mogelijkheden die oorspronkelijk zijn ontwikkeld door DeepSky (voorheen bekend als Verloop), dat Airtable in oktober 2025 heeft overgenomen.
Van gestructureerde data tot vrije-vormagenten
Liu beschouwt Airtable en Superagent als complementaire vormfactoren die samen tegemoetkomen aan verschillende bedrijfsbehoeften. Airtable zorgt voor de gestructureerde basis en Superagent verzorgt de ongestructureerde onderzoekstaken.
“We zijn duidelijk begonnen met een datalaag. Het staat in de naam Airtable: het is een tabel met gegevens”, zei Liu.
Het platform ontwikkelde zich als een steiger rond die kerndatabase met workflowmogelijkheden, automatiseringen en interfaces die kunnen worden geschaald naar duizenden gebruikers. “Ik denk dat Superagent een zeer complementaire vormfactor is, die erg ongestructureerd is”, zei Liu. “Deze agenten zijn van nature zeer vrije vorm.”
De beslissing om capaciteiten in vrije vorm te bouwen weerspiegelt de lessen uit de industrie over het gebruik van steeds capabelere modellen. Liu zei dat naarmate de modellen slimmer zijn geworden, de beste manier om ze te gebruiken is door minder beperkingen te hebben aan de manier waarop ze werken.
Hoe het multi-agentsysteem van Superagent werkt
Wanneer een gebruiker een query indient, maakt de orkestrator een zichtbaar plan dat complex onderzoek opsplitst in parallelle werkstromen. Als u bijvoorbeeld onderzoek doet naar een bedrijf voor investeringen, wordt dat opgedeeld in verschillende delen van die taak, zoals onderzoek doen naar het team, onderzoek naar de financieringsgeschiedenis, onderzoek naar het concurrentielandschap. Elke werkstroom wordt gedelegeerd aan een gespecialiseerde agent die onafhankelijk uitvoert. Deze agenten werken parallel, hun werk wordt gecoördineerd door het systeem, en elk draagt zijn steentje bij aan het geheel.
Hoewel Airtable Superagent beschrijft als een systeem met meerdere agenten, vertrouwt het op een centrale orkestrator die subtaken plant, verzendt en bewaakt – een meer gecontroleerd model dan volledig autonome agenten.
De orkestrator van Airtable behoudt volledig inzicht in het gehele uitvoeringstraject: het initiële plan, de uitvoeringsstappen en de resultaten van de subagenten. Hierdoor ontstaat wat Liu ‘een samenhangende reis’ noemt, waarbij de orkestrator onderweg alle beslissingen nam. De subagentbenadering verzamelt opgeschoonde resultaten zonder de context van de hoofdorkestrator te vervuilen. Superagent gebruikt meerdere grensmodellen voor verschillende subtaken, waaronder OpenAI, Anthropic en Google.
Dit lost twee problemen op: het beheert contextvensters door opgeschoonde resultaten samen te voegen zonder vervuiling, en het maakt aanpassing tijdens de uitvoering mogelijk.
“Misschien probeerde het een onderzoekstaak op een bepaalde manier uit te voeren, wat niet lukte, kon het niet de juiste informatie vinden, en besloot het toen iets anders te proberen,” zei Liu. “Het weet dat het het eerste heeft geprobeerd en dat het niet werkte. Het zal dus niet opnieuw dezelfde fout maken.”
Waarom datasemantiek de prestaties van agenten bepaalt
Vanuit het perspectief van een bouwer stelt Liu dat de prestaties van agenten meer afhangen van de kwaliteit van de datastructuur dan van modelselectie of snelle engineering. Hij baseerde dit op de ervaring van Airtable met het bouwen van een interne data-analysetool om erachter te komen wat werkt.
Uit het interne tool-experiment bleek dat het voorbereiden van gegevens meer moeite kostte dan het configureren van agenten.
“We ontdekten dat het moeilijkste onderdeel om het goed te krijgen niet zozeer het harnas van de agenten was, maar dat het grootste deel van de speciale saus meer te maken had met het masseren van de datasemantiek,” zei Liu. “Agenten hebben echt baat bij goede datasemantiek.”
Het datavoorbereidingswerk concentreerde zich op drie gebieden: het herstructureren van gegevens zodat agenten de juiste tabellen en velden konden vinden, verduidelijken wat die velden vertegenwoordigen, en ervoor zorgen dat agenten ze betrouwbaar konden gebruiken bij zoekopdrachten en analyses.
Wat bedrijven moeten weten
Voor organisaties die multi-agentsystemen evalueren of aangepaste implementaties bouwen, wijst de ervaring van Liu op verschillende technische prioriteiten.
Gegevensarchitectuur gaat vooraf aan de implementatie van agenten. Het interne experiment toonde aan dat bedrijven mogen verwachten dat datavoorbereiding meer bronnen verbruikt dan agentconfiguratie. Organisaties met ongestructureerde gegevens of slechte schemadocumentatie zullen worstelen met de betrouwbaarheid en nauwkeurigheid van agenten, ongeacht de verfijning van het model.
Contextbeheer is van cruciaal belang. Het simpelweg aan elkaar plakken van verschillende LLM’s om een agentische workflow te creëren is niet voldoende. Er moet een goede contextorkestrator zijn die de status en informatie kan bijhouden met zicht op de hele workflow.
Relationele databases zijn belangrijk. Relationele databasearchitectuur biedt een schonere semantiek voor agentnavigatie dan documentarchieven of ongestructureerde opslagplaatsen. Organisaties die om prestatieredenen standaardiseren op NoSQL zouden moeten overwegen om relationele weergaven of schema’s te onderhouden voor agentgebruik.
Orkestratie vereist planningsmogelijkheden. Net zoals een relationele database een queryplanner heeft om de resultaten te optimaliseren, hebben agentische workflows een orkestratielaag nodig die de resultaten plant en beheert.
“Dus de clou en de korte versie is dat het voor een groot deel neerkomt op het hebben van een heel goede planning- en uitvoeringsorkestratielaag voor de agent, en het volledig kunnen benutten van de modellen voor datgene waar ze goed in zijn,” zei Liu.
