Managed agents in Gemini API: wat betekent dit?

Google kondigde onlangs een reeks uitbreidingen aan voor de managed agents-functionaliteit in de Gemini API. De kern: het wordt makkelijker om betrouwbare, productieklare AI-agents te bouwen die zelfstandig taken uitvoeren, ook als dat lang duurt of externe systemen vraagt. Voor ontwikkelaars en bedrijven die serieus willen automatiseren, is dit een relevante stap voorwaarts. Maar wat verandert er precies, en wat betekent het voor jouw organisatie?

Wat zijn managed agents in de Gemini API?

Een managed agent is een AI-component die zelfstandig een taak uitvoert door meerdere stappen te doorlopen, tools aan te roepen en beslissingen te nemen, zonder dat een mens bij elke stap de regie houdt. “Managed” slaat erop dat Google de infrastructuur rondom die agent beheert: de sessiestaat, de uitvoering en de integratie met externe diensten.

Concreet: een agent kan een inkomend formulier lezen, een database raadplegen, een berekening uitvoeren en een e-mail versturen, alles als één aaneengesloten proces. De Gemini API levert daarvoor de onderliggende laag, zodat een ontwikkelaar zich kan richten op het gedrag van de agent en niet op de plumbing eromheen.

Managed agents zijn daarmee een laag boven generieke LLM-aanroepen: je bouwt niet losse AI-oproepen, maar een gecoördineerde agent met geheugen, tools en een doel.

Wat zijn de nieuwe mogelijkheden?

Google kondigt in de officiële aankondiging meerdere uitbreidingen aan voor managed agents in de Gemini API:

• Achtergrondtaken (async agents): agents kunnen nu taken afhandelen die minuten of zelfs uren duren, zonder dat de verbinding open moet blijven.
• Remote MCP-ondersteuning: agents kunnen verbinding maken met externe Model Context Protocol-servers, waardoor ze tools en databronnen buiten Google’s eigen ecosysteem kunnen aanspreken.
• Verbeterd geheugenbeheer: agents houden context bij over meerdere sessies heen, wat terugkerende taken en langdurige processen betrouwbaarder maakt.
• Betere foutafhandeling en betrouwbaarheid: productie-gereed gedrag bij onverwachte situaties, zodat agents niet halverwege stilvallen.

Samen vormen deze toevoegingen een fundament voor agents die écht in een bedrijfsproces kunnen worden ingezet, en niet alleen in een demo.

Wat is remote MCP en waarom telt het mee?

MCP staat voor Model Context Protocol, een open standaard waarmee AI-modellen gestandaardiseerd kunnen communiceren met externe tools en databronnen. Remote MCP-ondersteuning betekent dat een Gemini-agent niet langer beperkt is tot tools die Google zelf aanbiedt, maar dat hij verbinding kan maken met externe MCP-servers, van eigen interne systemen tot diensten van derde partijen.

Praktisch voorbeeld: een agent die een CRM, een boekhoudsysteem en een logistiek platform moet raadplegen, kan dat nu doen via één gestandaardiseerde protocol-laag, ongeacht welke leverancier die systemen levert. Dat verlaagt de integratiedrempel aanzienlijk.

Voor bedrijven die al investeren in API-koppelingen tussen systemen, is dit een relevante ontwikkeling. MCP fungeert daarin als een gemeenschappelijke taal tussen de agent en de rest van de softwareomgeving.

Wat betekent dit in de praktijk voor het MKB?

De aankondiging van Google richt zich op ontwikkelaars, maar de impact is voelbaar tot in de directiekamer van een middelgroot bedrijf. Drie concrete toepassingsgebieden:

• Documentverwerking: inkomende offerteaanvragen, facturen of orderbevestigingen automatisch verwerken en doorzetten naar het juiste systeem, inclusief controle en notificatie bij afwijkingen.
• Klantcommunicatie: een agent die vragen beantwoordt, statussen ophaalt en tickets aanmaakt, ook buiten kantooruren, zonder dat een medewerker erbij hoeft.
• Rapportage en analyses: nachtelijke of wekelijkse rapportages die automatisch worden samengesteld uit meerdere databronnen en verstuurd naar de juiste personen.

De drempel voor deze toepassingen daalt. Niet omdat AI opeens alles kan, maar omdat de infrastructuur betrouwbaarder wordt en de integratie met bestaande systemen eenvoudiger.

Bij Divtag bouwen we AI-tools die werk automatiseren voor MKB-bedrijven in logistiek, automotive en e-commerce. We zien in de praktijk dat de technische haalbaarheid steeds minder de bottleneck is. De echte vraag is: welk proces levert het meeste op als het wordt geautomatiseerd, en hoe zorg je dat de agent betrouwbaar genoeg is om er echt op te vertrouwen?

Waar moet je realistisch over blijven?

De uitbreidingen zijn veelbelovend, maar geen reden om te geloven dat complexe automatisering nu zonder nadenken werkt. Een paar nuances:

• Managed agents in de Gemini API zijn een platform, geen kant-en-klare oplossing. Je hebt nog steeds vakkundige ontwikkelaars nodig die de agent ontwerpen, testen en onderhouden.
• Betrouwbaarheid in productie vraagt om goede foutafhandeling, monitoring en fallbacks. Een agent die af en toe de plank misslaat, is in een bedrijfsproces snel een probleem.
• MCP is een open standaard, maar niet elk systeem ondersteunt het al. Integraties met legacy-software of gesloten platforms blijven maatwerk.
• Databeveiliging en privacyregels gelden onverminderd. Een agent die klantdata verwerkt, moet voldoen aan dezelfde eisen als elk ander systeem in je infrastructuur.

De technologie wordt rijper, maar de regie blijft bij de mensen die het bouwen en de organisatie die het inzet. Dat is geen beperking, dat is gewoon hoe verantwoord automatiseren werkt.