De aandacht bij AI gaat vaak naar het model: welk model redeneert het beste, schrijft de mooiste tekst of kan het meeste context verwerken? Dat is logisch, maar zodra AI zelfstandig werk moet uitvoeren is het model nog maar één onderdeel van het systeem.
Het model is het brein. Het harnas eromheen geeft dat brein gereedschap, context, een plek om te werken, regels over wat wel en niet mag en feedback over wat er werkelijk is gebeurd.
Wat bedoelen we met een AI-harnas?
In de praktijk kun je een agent harness zien als de technische laag rond een AI-model die van een gesprek een uitvoerbaar werkproces maakt. Die laag bepaalt bijvoorbeeld welke tools beschikbaar zijn, welke bestanden de AI mag gebruiken, welke apps gekoppeld zijn, welke instructies of skills gelden, wanneer jouw goedkeuring nodig is en hoe resultaten terugkomen in het gesprek.
Daarmee ontstaat een belangrijk verschil. Een gewoon taalmodel kan zeggen hoe je iets zou kunnen doen. Een agent met een goed harnas kan de benodigde informatie ophalen, een plan aanpassen op basis van wat hij onderweg aantreft, het werk uitvoeren en daarna controleren wat er daadwerkelijk is veranderd.
Waarom het harnas zoveel uitmaakt
Agentisch werken bestaat uit een lus. De AI bekijkt de situatie, kiest een actie, gebruikt een tool, ziet het resultaat en besluit daarna wat de volgende stap moet zijn. Als die tools onduidelijk zijn, de context steeds verdwijnt of de agent niet kan controleren wat er werkelijk gebeurde, stapelen fouten zich sneller op.
Daarom draait een sterk harnas niet alleen om méér mogelijkheden. Het gaat juist om duidelijke mogelijkheden: goed beschreven acties, begrensde toegang, echte resultaten uit de omgeving en momenten waarop een mens kan meekijken of ingrijpen.
Dat is ook waarom moderne agentarchitecturen zoveel aandacht geven aan tools, geheugen of state, guardrails, observability en menselijke goedkeuring. Het model blijft probabilistisch. Het harnas maakt de omgeving daarom zo voorspelbaar en controleerbaar mogelijk.
Wat Hands als eigen harnas toevoegt
Hands is zelf geen AI-model. Je blijft de AI gebruiken die je al kent, zoals ChatGPT, Claude of Perplexity. Hands levert de uitvoeringslaag die daaronder ontbreekt: iedere Hand heeft een eigen werkplek, eigen bestanden, eigen app-koppelingen en eigen toegangsafspraken.
Achter de schermen gaat dat verder dan een lijst met losse koppelingen. Hands kan beschikbare mogelijkheden ontdekken, de juiste toolbeschrijving aan het model geven, skills laden voor specifieke werkwijzen, lange taken als duurzame jobs uitvoeren en resultaten weer teruggeven aan dezelfde AI-conversatie. Bij acties met gevolgen kan een voorstel eerst langs een review- of goedkeuringsstap gaan.
- Tools worden echte handelingen. Lezen, zoeken, bestanden aanpassen, opdrachten uitvoeren en werken met verbonden diensten zijn geen tekstsuggesties maar concrete capabilities.
- De werkplek houdt context vast. Projectbestanden en voortgang hoeven niet na iedere chat opnieuw vanaf nul te worden aangeleverd.
- Skills geven werkwijzen mee. Voor terugkerende of specialistische taken kan de Hand extra instructies en procedures gebruiken zonder dat jij iedere stap zelf hoeft uit te schrijven.
- Grenzen horen bij de uitvoering. Toegang en goedkeuring worden onderdeel van het werkproces in plaats van alleen een waarschuwing in een prompt.
- Resultaten komen terug als bewijs. De AI kan vervolgstappen baseren op bestanden, tooluitvoer, tests of andere gemeten resultaten in plaats van alleen op aannames.
Waarom een eigen werkplek belangrijk is
Iedere Hand krijgt een eigen afgeschermde cloudwerkplek. Je kunt dat zien als de praktische sandbox van die digitale collega: een aparte Linux-omgeving waarin zijn bestanden, projecten en runtime leven. De Hand werkt dus niet rechtstreeks op je laptop en deelt zijn werkplek niet automatisch met een andere Hand.
Die scheiding is belangrijk om twee redenen. Ten eerste blijft het werk bij elkaar: een project kan blijven bestaan terwijl jij van apparaat wisselt of een andere AI-interface gebruikt. Ten tweede ontstaat er een duidelijke grens tussen de omgeving van de Hand en jouw eigen computer of andere Hands.
Binnen zijn eigen werkplek kan een Hand juist veel echte computerhandelingen uitvoeren. Het doel van de scheiding is niet om iedere actie klein te maken, maar om krachtige uitvoering een eigen, herkenbare plek te geven die losstaat van jouw laptop en andere Hands.
Eén harnas voor beginners én ervaren AI-gebruikers
Voor een ervaren developer is het idee van een agent-harnas niet nieuw. Je kunt zelf een server inrichten, MCP-tools bouwen, OAuth instellen, secrets beheren, een shell beschikbaar maken, skills schrijven, logging toevoegen en per tool bepalen welke acties eerst goedkeuring vragen.
Het probleem is dat je daarmee eerst een klein agentplatform moet bouwen voordat de agent nuttig wordt. Hands probeert die laag als product beschikbaar te maken voor een veel grotere groep gebruikers.
Een beginner hoeft daarom niet te weten wat een capability graph, een shell of een OAuth-token is. Die gebruiker kan gewoon zeggen:
“Bekijk de documenten in deze Drive-map, maak een overzicht van de openstaande acties en zet een conceptplanning klaar. Verander nog niets in mijn agenda voordat ik het heb gezien.”
Een ervaren gebruiker kan ondertussen nog steeds opdrachten geven die technisch veel dieper gaan: een repository inspecteren, tests draaien, meerdere bestanden aanpassen, een build uitvoeren of een specialistische skill toepassen. De interface mag eenvoudig zijn zonder dat de onderliggende mogelijkheden speelgoed worden.
Meer mogelijkheden vragen om meer controle
Een agent die alleen tekst schrijft kan vooral een slecht antwoord geven. Een agent die bestanden, websites, repositories of zakelijke apps kan veranderen, kan ook echte gevolgen veroorzaken. Daarom wordt het harnas belangrijker naarmate de agent krachtiger wordt.
Hands behandelt die controle als onderdeel van de infrastructuur. Per verbonden app kun je grenzen instellen. Sommige handelingen kunnen automatisch, andere kunnen worden geblokkeerd en gevoeliger acties kunnen eerst jouw expliciete beoordeling vragen. Het voorstel dat je ziet hoort bij de actie die daarna daadwerkelijk wordt uitgevoerd.
Ook verificatie hoort daarbij. Een toolcall die technisch is verstuurd is nog geen bewijs dat een taak is gelukt. Een goed agentproces leest daarom terug, test waar mogelijk en gebruikt de gemeten uitkomst om te bepalen of het werk echt klaar is.
Van gewone opdracht naar echt werk
De beste manier om het verschil te voelen is een opdracht die meerdere stappen nodig heeft. Zonder harnas moet jij zelf alle context verzamelen, bestanden heen en weer verplaatsen en iedere technische stap vertalen. Met een harnas kan de AI veel van die tussenlaag zelf afhandelen.
Plan & capabilitiesDe AI bepaalt welke informatie en tools nodig zijn.Dat is uiteindelijk wat Hands toegankelijk probeert te maken: niet alleen chatten met een slim model, maar een model een vaste, begrensde en bruikbare manier geven om werk te doen.
Je kunt dezelfde Hand met meerdere ondersteunde AI-aanbieders gebruiken. De chatinterface en het model kunnen verschillen, terwijl de identiteit van je Hand, zijn werkplek, bestanden, gekozen apps en toegangsafspraken bij de Hand blijven.
Geef de AI die je al gebruikt niet alleen antwoorden, maar een plek om te werken.
Start met één Hand, verbind alleen de apps die je nodig hebt en bepaal zelf hoeveel vrijheid iedere soort actie krijgt.