AI-agentframeworks 2026: wat is er echt veranderd

Vijf agent-frameworks bereikten in de eerste zeven maanden van 2026 productierijpheid — LangGraph 1.0, Microsoft Agent Framework 1.0, Google ADK 2.0, Pydantic AI V2 en Amazon Bedrock AgentCore — en kwamen, onafhankelijk van elkaar, uit op dezelfde architectuur: een graph van stappen met een verplichte pauze voor menselijke goedkeuring, ingebouwd in de runtime zelf. Die convergentie, niet één afzonderlijke release, is het echte nieuws voor wie dit jaar een agent-project scopt.

De meeste berichtgeving behandelt deze releases als een vijfvoudige leveranciersvergelijking — kies wat bij uw cloud of taal past. Dat mist het patroon. Wanneer vijf concurrerende teams (LangChain, Microsoft, Google, de Pydantic-onderhouders, AWS) onafhankelijk van elkaar binnen negen maanden op hetzelfde primitief uitkomen, vertelt dat primitief u iets over wat productie-agents daadwerkelijk nodig hebben. Dit artikel behandelt wat er convergeerde, wat een actuele praktijkcase van deze maand laat zien over het plafond, en wat een Nederlands technisch team hiervan moet meenemen.

Vijf frameworks, één releasevenster

LangGraph 1.0 verscheen als eerste, in oktober 2025, en zette het patroon dat de rest volgde: duurzame status die een herstart van de server tijdens een workflow overleeft, volwaardige API's om een run te pauzeren voor menselijke controle, en caching op nodeniveau zodat een lange graph geen al voltooid werk opnieuw uitvoert. Microsoft Agent Framework 1.0 bereikte op 3 april 2026 general availability door twee frameworks die Microsoft eerder los uitbracht — Semantic Kernel en AutoGen — samen te voegen tot één .NET- en Python-SDK, met zowel Model Context Protocol als Agent-to-Agent nu native in plaats van later toegevoegd; AutoGen en Semantic Kernel krijgen alleen nog onderhoud. Google ADK 2.0 volgde in mei en juni, met een omslag van een hiërarchische agent-executor naar een graph-gebaseerde Workflow Runtime waarin agents, tools en functies allemaal nodes in dezelfde graph zijn, met human-in-the-loop als ingebouwd primitief in plaats van een workaround. Pydantic AI V2 werd op 23 juni 2026 stabiel rond één nieuw concept, capabilities — één samenstelbare eenheid die de tools, hooks, instructies en modelinstellingen van een agent bundelt — met memory, guardrails en gesandboxte executie als optionele Harness-laag erbovenop. En de Amazon Bedrock AgentCore-harness bereikte op 17 juni 2026 general availability met een declaratief model: u beschrijft het model, de tools en de instructies, en AWS beheert identiteit, memory, de tool-gateway en observability eronder.

Wat er werkelijk convergeerde

Haal de merknaam weg en de vijf frameworks zijn het over drie dingen eens. Ten eerste is uitvoering een graph, geen keten of enkele lus: stappen kunnen parallel lopen, weer samenkomen, onafhankelijk opnieuw proberen en per node status vasthouden — de enige structuur die opschaalt voorbij een handvol opeenvolgende tool-aanroepen. Ten tweede is menselijke controle een runtime-primitief, geen applicatiecode die er achteraf aan wordt geplakt — LangGraph, Microsoft Agent Framework en Google ADK laten een ontwikkelaar nu allemaal een node markeren als "hier pauzeren voor goedkeuring", waarna het framework de onderbreking, de hervatbare status en het audit trail zelf afhandelt. Ten derde komt tooltoegang steeds vaker via MCP binnen in plaats van via handgeschreven functies: Microsoft Agent Framework levert MCP-ondersteuning al bij 1.0, de MCP-integratie van LangGraph rijpte in 2026 verder met streamable HTTP-transport, en zelfs de Harness van Pydantic AI behandelt MCP-servers als standaard capability-bron (onze diepgaande blik op MCP, RAG en A2A gaat in op de protocolkant). Niets hiervan was gecoördineerd. Het gebeurde omdat hetzelfde faalpatroon steeds opdook in productie: agents die prima werkten in een demo verloren controleerbaarheid zodra een mens tijdens een taak moest ingrijpen, en teams die zelf een goedkeuringsstap bouwden, herbouwden onafhankelijk van elkaar dezelfde kapotte versie ervan. De frameworks vonden human-in-the-loop niet uit; ze tilden een patroon dat praktijkmensen al slecht zelf bouwden naar iets dat de runtime standaard correct afhandelt.

Wat 64 subagents die een 50 jaar oud vermoeden bewijzen werkelijk laat zien

Op 10 juli meldde OpenAI dat GPT-5.6 Sol Ultra een volledig bewijs had geleverd van het Cycle Double Cover-vermoeden, een grafentheorieprobleem dat sinds 1973 openstond, door tot 64 gelijktijdige subagents in te zetten die parallel verschillende algebraïsche en structurele benaderingen volgden, waarna een coördinerend proces ze binnen een uur samenvoegde tot één bewijs. Het bewijs heeft nog geen peer review doorstaan, en vermoedens als dit hebben eerder foutieve bewijzen aangetrokken — behandel de wiskundige claim dus als voorlopig. Het technische patroon is niet voorlopig, en het is precies de graph-plus-orchestratievorm hierboven, tot een uiterste doorgevoerd: veel onafhankelijke workers die uiteenlopende sporen verkennen, een toezichthoudend proces dat ze "agressief en dynamisch" beheert in plaats van ze volgens een vast schema te laten lopen, en een samenvoegstap die alleen een gestructureerde runtime — geen enkele lange prompt — bij elkaar kan houden. Voor een bedrijf is de les niet "we hebben 64 subagents nodig". De les is dat hetzelfde primitief — parallelle takken, expliciete status, een coördinator — dat een wiskundig vermoeden bewees, ook een agent voor factuurmatching of contractcontrole in vijf stappen betrouwbaar maakt bij 20 vertakkingen in plaats van één.

Het gat dat de framework-keuze niet dicht

Framework-volwassenheid heeft zich niet vertaald in productie-inzet in het tempo dat de leveranciersaankondigingen suggereren. Onafhankelijke onderzoeken uit 2026 laten zien dat circa 79% van de bedrijven zegt AI-agents in een of andere vorm te hebben geadopteerd, tegenover slechts 11–31% (afhankelijk van onderzoek en sector) die daadwerkelijk een agent in productie draait — banken en verzekeraars lopen voorop, zorg en overheid lopen achter. Meerdere analyses wijten het gat niet aan modelkwaliteit maar aan governance: pilots lopen vast op identiteit en toegangsbeheer, het onvermogen om te traceren wat een agent werkelijk deed, en onvoldoende monitoring zodra een agent echte data raakt. Dat is precies de laag waar de framework-generatie van 2026 op mikt — duurzame status, verplichte goedkeuringsnodes, ingebouwde observability — waardoor het kiezen van een framework met deze primitieven standaard nu een governancebeslissing is, geen zuiver technische. Het betekent ook dat het omgekeerde faalpatroon reëel is: een volwassen framework adopteren en vervolgens de human-in-the-loop- en auditfuncties overslaan om sneller te leveren, herbouwt precies het gat dat het framework moest dichten. Het gereedschap lost het probleem alleen op als het team ook echt de onderdelen gebruikt die daarvoor zijn toegevoegd.

Een keuzekader voor een Nederlands technisch team

De meeste vergelijkingsartikelen stoppen bij een functietabel. Een nuttigere vraag voor een technisch lead bij een Nederlands mkb-bedrijf, of een intern devteam dat met een implementatiepartner werkt, is in welke van vier situaties u zich bevindt.

Draait uw stack al op .NET of vooral op Azure, dan is Microsoft Agent Framework de weg van de minste weerstand — het erft het enterprise-identiteits- en connector-ecosysteem van Semantic Kernel, en Microsoft heeft AutoGen en Semantic Kernel expliciet op onderhoudsmodus gezet om migratie daarheen te stimuleren; nieuwe projecten op een van beide voorgangers kunnen dus beter overstappen dan wachten.

Is uw team vooral Python-georiënteerd, al geïnvesteerd in LangChain, of heeft u de meest volwassen human-in-the-loop- en duurzame-executieprimitieven nodig die vandaag beschikbaar zijn, dan is LangGraph 1.0 de veiligste standaardkeuze — het heeft van de vijf het langste productietrack record (GA sinds oktober 2025) en de diepste MCP-integratie.

Bouwt u op Google Cloud of heeft u mobiele of on-device agents nodig (Gemini Nano-ondersteuning kwam met ADK 2.0 mee), dan is de graph-gebaseerde Workflow Runtime van Google ADK gemaakt om deterministische bedrijfslogica en modelgestuurde stappen in dezelfde graph te combineren — nuttig als slechts een deel van een workflow autonoom moet zijn.

Wilt u zo min mogelijk code en draait u probleemloos volledig binnen AWS, dan ruilt de declaratieve harness van Bedrock AgentCore controle in voor snelheid: u beschrijft de agent, AWS draait de infrastructuur, en u erft standaard AWS's identiteits- en observability-stack in plaats van die zelf te bouwen.

Pydantic AI V2 staat er ietwat los van — het is de meest compacte kern van de vijf en past bij teams die liever hun eigen capabilities samenstellen dan een compleet platform overnemen, ten koste van meer zelf te bouwen governancelaag.

Geen van deze keuzes is permanent, en geen ervan is later zonder migratiekosten. Wat nu wél de moeite waard is om vast te leggen, is de eis, niet de leverancier: elk framework dat u kiest voor een agent-project in 2026 moet standaard duurzame status, een volwaardige menselijke-goedkeuringsstap en MCP-gebaseerde tooltoegang ondersteunen. Een framework dat een van de drie mist, vraagt uw team om met de hand exact het primitief te herbouwen waar de rest van de sector net een jaar over deed om op te convergeren.

Onze kijk

De framework-vraag staat dichter bij opgelost dan een jaar geleden, en dat is oprecht nuttig nieuws: het betekent dat een kleiner deel van het budget van een agent-project naar het vanaf nul bouwen van orchestratie-loodgieterswerk hoeft, en een groter deel naar wat een werkend systeem echt onderscheidt — de domeinlogica, de datakoppelingen, en een goedkeuringsworkflow die uw compliance-team daadwerkelijk afzegent. Maar framework-volwassenheid is geen implementatievolwassenheid. Een team kan LangGraph 1.0 of Microsoft Agent Framework adopteren en toch een agent uitleveren zonder audit trail, omdat de human-in-the-loop-node optioneel is, niet automatisch. Plant u voor de tweede helft van 2026 een agent-ontwikkeltraject, dan is de nuttigere vraag aan een bouwpartner niet welk framework ze gebruiken — de meeste geloofwaardige opties ondersteunen inmiddels dezelfde primitieven — maar of ze u de goedkeuringsstap en het audit-log van hun laatste agent in productie kunnen laten zien. Ons AI-implementatie-werk begint bij die governancelaag, niet bij de framework-keuze, en onze notitie over het draaien van een AI-pilot beschrijft hoe u de eerste pilot opbouwt.

Veelgestelde vragen