We beginnen een duidelijker teken te krijgen van hoe uitgestrekt het oppervlak van contextengineering zal zijn. In theorie zou het bouwen van AI-agenten zo eenvoudig moeten zijn als het hebben van een superkrachtig model, het geven van een set tools, het hebben van een echt goede systeemprompt en het geven van toegang tot gegevens. Misschien zal het op een gegeven moment echt zo eenvoudig zijn. Maar in de praktijk, om agenten te maken die vandaag de dag werken, heb je te maken met een delicate balans van wat je aan de globale agent moet geven versus een subagent. Welke dingen agentisch te maken versus gewoon een deterministische toolaanroep. Hoe om te gaan met de inherente beperkingen van het contextvenster. Je moest uitzoeken hoe je de juiste gegevens voor de taak van de gebruiker kunt ophalen, en hoeveel rekencapaciteit je aan het probleem moet besteden. Hoe te beslissen wat snel moet zijn, en mogelijk kwaliteitsverlies met zich meebrengt, versus langzaam maar misschien vervelend. En eindeloze andere vragen. Tot nu toe is er geen enkel juist antwoord voor dit alles, en er zijn betekenisvolle afwegingen voor elke benadering die je kiest. En belangrijk is dat het goed krijgen hiervan een diepgaand begrip vereist van het domein waarvoor je het probleem oplost. Het omgaan met dit probleem in AI-codering is anders dan in de wet, wat weer anders is dan in de gezondheidszorg. Dit is waarom er momenteel zoveel kansen zijn voor AI-agenten.