Airtable past zijn data-first-ontwerpfilosofie toe op AI-agenten met het debuut van Superagent op dinsdag. Het is een autonome 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 Superagent-orkestrator de context handhaaft. Eerdere agentsystemen gebruikten eenvoudige modelroutering waarbij een tussenpersoon informatie tussen modellen filterde. De Airtable Orchestrator behoudt volledig inzicht in het gehele uitvoeringstraject: het initiële plan, de uitvoeringsstappen en de resultaten van de subagenten. Dit creëert wat mede-oprichter Howie Liu ‘een samenhangende reis’ noemt, waarbij de orkestrator onderweg alle beslissingen neemt. “Uiteindelijk hangt het allemaal af van hoe je het zelfreflexieve vermogen van het model exploiteert”, 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 wens: software moet zich aanpassen aan de manier waarop mensen werken, en niet andersom. Deze filosofie heeft de groei van meer dan 500.000 organisaties aangewakkerd, waaronder 80% van de Fortune 100, die het platform gebruiken om aangepaste applicaties te bouwen die passen bij hun workflows.
Superagent-technologie is een evolutie van functies die oorspronkelijk zijn ontwikkeld door DeepSky (voorheen bekend als Helling), dat Airtable in oktober 2025 heeft overgenomen.
Van gestructureerde data tot vrije-vormagenten
Liu karakteriseert Airtable en Superagent als complementaire vormfactoren die samen aan verschillende zakelijke behoeften voldoen. Airtable zorgt voor de gestructureerde basis en Superagent handelt ongestructureerde zoektaken af.
“We zijn uiteraard begonnen met een datalaag. Het heet Airtable – het is een datatabel”, zei Liu.
Het platform ontwikkelde zich als een platform rond die kerndatabase met workflowmogelijkheden, automatiseringen en interfaces die kunnen worden geschaald naar duizenden gebruikers. “Ik denk dat Superagent een zeer complementaire, zeer ongestructureerde vormfactor is”, zei Liu. “Deze agenten zijn van nature zeer vrije vorm.”
De beslissing om functionaliteit in vrije vorm te creëren weerspiegelt het begrip van de industrie over het gebruik van steeds capabeler wordende modellen. Liu zei dat naarmate 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 de complexe zoekopdracht opsplitst in parallelle workflows. Als u bijvoorbeeld onderzoek doet naar een bedrijf voor investeringen, wordt dit opgesplitst in verschillende delen van die activiteit, zoals teamonderzoek, onderzoek naar financieringsgeschiedenis, onderzoek naar concurrentielandschap. Elke workflow wordt gedelegeerd aan een gespecialiseerde agent die onafhankelijk werkt. Deze agenten werken parallel, hun werk wordt gecoördineerd door het systeem en elk draagt zijn eigen deel 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 Airtable Orchestrator 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 neemt. De secundaire agentbenadering verzamelt schone resultaten zonder de context van de primaire orkestrator te vervuilen. Superagent gebruikt meerdere grensmodellen voor verschillende subtaken, waaronder OpenAI, Anthropic en Google.
Dit lost twee problemen op: het beheert contextvensters door schone resultaten te aggregeren zonder vervuiling, en het maakt aanpassing tijdens de uitvoering mogelijk.
“Misschien probeerde hij op een bepaalde manier een onderzoekstaak uit te voeren, maar dat werkte niet. Hij kon de juiste informatie niet vinden en besloot toen iets anders te proberen,” zei Liu. “Hij weet dat hij het eerste heeft geprobeerd en dat het niet werkte. Hij zal dus niet nog een keer dezelfde fout maken.”
Omdat de gegevenssemantiek de prestaties van agenten bepaalt
Vanuit het perspectief van de bouwer stelt Liu dat de prestaties van agenten meer afhangen van de kwaliteit van de datastructuur dan van modelselectie of tijdige engineering. Het bouwde voort op de ervaring van Airtable door een interne data-analysetool te bouwen om te begrijpen wat werkt.
Uit het interne tool-experiment bleek dat het voorbereiden van gegevens meer inspanning vergde dan het configureren van agenten.
“We ontdekten dat het moeilijkste deel om op te lossen eigenlijk niet het harnas van de agent was, maar dat het grootste deel van de speciale saus meer te maken had met het masseren van de semantiek van de gegevens”, zei Liu. “Agenten hebben echt baat bij goede datasemantiek.”
Het datavoorbereidingswerk concentreerde zich op drie gebieden: het herstructureren van de gegevens zodat agenten de juiste tabellen en velden konden vinden, verduidelijken wat die velden vertegenwoordigen, en ervoor zorgen dat agenten deze op betrouwbare wijze kunnen gebruiken in 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. Uit het interne experiment bleek dat bedrijven ervan uit mogen gaan dat datavoorbereiding meer resources vergt dan agentconfiguratie. Organisaties met ongestructureerde gegevens of slechte schemadocumentatie zullen worstelen met de betrouwbaarheid en nauwkeurigheid van agenten, ongeacht de verfijning van het model.
Het beheren van de context is essentieel. Het simpelweg samenvoegen van meerdere LLM’s om een agentworkflow 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 NoSQL om prestatieredenen standaardiseren, zouden moeten overwegen om relationele weergaven of schema’s voor agentgebruik te onderhouden.
Orkestratie vereist planningsvaardigheden. Net zoals een relationele database een queryplanner heeft om de resultaten te optimaliseren, hebben agentworkflows een orkestratielaag nodig die de resultaten plant en beheert.
“Het komt er dus op neer dat het voor een groot deel neerkomt op het hebben van een heel goed niveau van uitvoeringsplanning en orkestratie voor de agent en het volledig kunnen benutten van de modellen voor datgene waar ze goed in zijn,” zei Liu.
