
Een nieuwe wetenschappelijke benchmark laat zien dat de meest geavanceerde AI-agenten nog grote moeite hebben met complete zorgprocessen. Zelfs Codex GPT-5.5, de best presterende AI in de test, rondt slechts ongeveer 42 procent van de medische taken succesvol af. Daarmee onderstrepen de onderzoekers dat AI weliswaar steeds beter wordt, maar nog ver verwijderd is van volledig autonome inzet in de gezondheidszorg.
De benchmark, HealthAgentBench, werd op 30 juni gepubliceerd op arXiv door onderzoekers van onder meer Microsoft Research en diverse internationale onderzoeksinstellingen. In plaats van AI te testen met losse medische vragen of meerkeuze-examens, richt de benchmark zich op realistische klinische workflows waarin AI-agenten zelfstandig meerdere stappen moeten uitvoeren.
Dat maakt de resultaten veel relevanter voor de praktijk.
Waarom deze benchmark anders is
De meeste AI-tests meten hoe goed een taalmodel antwoord geeft op afzonderlijke vragen.
HealthAgentBench kiest juist voor een compleet andere aanpak.
De benchmark bestaat uit 54 realistische zorgtaken, verdeeld over zeven verschillende categorieën. AI-agenten moeten werken met echte zorgomgevingen, uiteenlopende databronnen en complexe software. Daarbij krijgen ze slechts beperkte instructies en moeten ze zelfstandig bepalen welke stappen nodig zijn om een taak succesvol af te ronden.
De onderzoekers testen onder meer:
- elektronische patiëntendossiers (EPD's)
- medische beeldvorming
- klinische planning
- wetenschappelijk onderzoek
- data-analyse
- diagnostische workflows
- complexe besluitvorming over meerdere stappen
Het gaat dus niet om een chatbot die een vraag beantwoordt, maar om een AI-agent die een volledige medische workflow probeert uit te voeren.
Zelfs GPT-5.5 blijft steken op ongeveer 42 procent
Juist daar blijken de huidige AI-systemen nog grote beperkingen te hebben.
Volgens de onderzoekers behaalt Codex GPT-5.5 de hoogste totaalscore van alle onderzochte modellen, maar voltooit het slechts ongeveer 42 procent van de volledige taken succesvol.
Andere frontier-modellen presteren nog lager.
Dat betekent niet dat AI in 58 procent van de gevallen medische fouten maakt. De benchmark beoordeelt alleen een taak als geslaagd wanneer de volledige workflow correct wordt afgerond. Zodra een AI-agent ergens in het proces vastloopt of een cruciale stap overslaat, telt de opdracht als mislukt.
Juist daardoor ontstaat een realistischer beeld van wat AI vandaag daadwerkelijk zelfstandig kan.
Medische beeldvorming blijft een groot struikelblok
De onderzoekers zien duidelijke verschillen tussen verschillende soorten medische werkzaamheden.
AI-agenten blijken relatief goed in het automatisch opzetten van onderzoekspijplijnen voor gegevens uit elektronische patiëntendossiers.
Veel moeilijker wordt het wanneer meerdere vaardigheden tegelijk nodig zijn.
Vooral medische beeldvorming blijkt een hardnekkig probleem. AI moet daarbij niet alleen beelden interpreteren, maar ook informatie combineren, vervolgacties plannen en beslissingen nemen binnen een complexe klinische context.
Ook taken waarbij grote hoeveelheden informatie moeten worden doorzocht of waarbij meerdere redeneerstappen achter elkaar nodig zijn, blijven voor alle huidige modellen uitdagend.
Waarom dit belangrijk is voor de AI-sector
De resultaten komen op een opvallend moment.
Steeds meer technologiebedrijven presenteren AI-agenten als de volgende grote stap in kunstmatige intelligentie. In plaats van alleen tekst te genereren, moeten deze systemen zelfstandig complete processen uitvoeren, software bedienen en beslissingen nemen.
Juist de zorg geldt daarbij als een van de meest veelbelovende toepassingsgebieden.
Deze benchmark laat echter zien dat de stap van een slimme chatbot naar een betrouwbare digitale collega aanzienlijk groter is dan vaak wordt gesuggereerd.
Een AI-agent moet niet alleen medische kennis bezitten, maar ook omgaan met verschillende databronnen, softwareomgevingen, uitzonderingssituaties en complexe besluitvorming. Dat blijkt voorlopig een veel moeilijkere uitdaging.
Ook buiten de zorg is de boodschap relevant
Hoewel HealthAgentBench specifiek voor de gezondheidszorg is ontwikkeld, reiken de conclusies verder dan ziekenhuizen alleen.
Vrijwel iedere sector experimenteert momenteel met AI-agenten die zelfstandig administratieve processen, analyses of bedrijfsworkflows moeten uitvoeren.
De benchmark laat zien dat juist die lange ketens van handelingen nog een zwakke plek vormen. Een model kan uitstekend afzonderlijke opdrachten uitvoeren, maar raakt sneller de draad kwijt zodra tientallen beslissingen achter elkaar genomen moeten worden.
Dat is een belangrijk inzicht voor bedrijven die verwachten dat AI-agenten op korte termijn volledige bedrijfsprocessen kunnen overnemen.
Lees ook
Een realistischer meetlat voor de volgende generatie AI
Volgens de onderzoekers is HealthAgentBench bedoeld als een nieuwe standaard om de vooruitgang van AI-agenten te meten.
Waar bestaande benchmarks steeds vaker verzadigd raken doordat moderne modellen vrijwel perfecte scores behalen, legt deze nieuwe test juist bloot waar de grootste uitdagingen nog liggen.
Dat maakt de benchmark waardevol voor ontwikkelaars, zorginstellingen en beleidsmakers die willen beoordelen wanneer AI werkelijk klaar is voor grootschalige inzet in kritieke omgevingen.
De uitkomst is duidelijk: ondanks de snelle vooruitgang beschikken de beste AI-agenten van dit moment nog niet over de betrouwbaarheid die nodig is om zelfstandig complexe medische workflows uit te voeren. Er is nog aanzienlijke ruimte voor verbetering voordat AI een volwaardige digitale collega in de zorg kan worden.

Robin HeesterOprichter
Robin Heester is mede-oprichter van AI Wereld en heeft door de jaren heen meerdere websites, nieuwsbrieven en magazines opgericht. Hij schrijft over technologie, innovatie en de maatschappelijke impact van nieuwe digitale ontwikkelingen.
Populair nieuws

Wat doen ASML, ASM en Besi precies bij het maken van een AI-chip?

Anthropic gaat naar de beurs voor 83 dollar per aandeel: wie houdt de macht?

Nvidia daalt na recordcijfers, ASML, ASM en Besi stijgen

Perplexity laat AI-modellen elkaars werk controleren bij grote opdrachten

Deze 5 dingen kun je automatiseren om meer tijd te hebben voor GTA 6

Xiaomi 18 Pro laat AI apps maken voor het scherm achterop
Laatste reacties
- Hi! In de eerste zin van het artikel geven we aan dat het gaat om wat Ouders & Onderwijs vindt. Ik denk ook niet dat die organisatie voor alle ouders spreekt.
RobinHeester10-11-2026 - Ik verbaas mij er over, dat het hier gebracht wordt alsof een onbekende organisatie als "ouders & onderwijs". Namens alle ouders spreekt. Ik als ouder van een dichter op de basisschool en persoonlijk zeer ervaren met AI, ben er op tegen dat AI op de basisschool aanwezig is. Ik deel de mening van deze organisatie dan ook helemaal niet en ondersteun het verbod volledig.wwigman10-11-2026
- Haha! Je bent gelukkig niet de enige hoor. Wel een van de weinige die reageert. :)
RobinHeester30-09-2026 - Toch wel leuk wat je in elkaar hebt gezet🙃 volgens mij ben ik de enige lezer!Cas.v28-09-2026
- Kan inderdaad allebei waar zijn
RobinHeester09-09-2026 - De Chinese AGI is een bedreiging voor de westerse democratie? En een US AGI niet? Er is nauwelijks meer sprake van democratie in de US. Ik vraag me af of het iets uitmaakt waar de eerste AGI het ‘levenslicht’ ziet. Op het moment dat een AGI werkt trekt het zich waarschijnlijk niets aan van locatie en onttrekt het zich aan iedere controle. Hoe een AGI gaat acteren is een filosofische (of Darwinistische?) vraag. Zo lang als een AGI mensen nodig heeft zal ze deze gebruiken, daarna…markvanbijnen09-09-2026
- Wie zijn die experts die dat beweren??Cas.v09-09-2026
- Is volgens X zelf aan de hand https://x.com/GlobalAffairs/status/2093130747796148634
RobinHeester29-08-2026 - Wapeniseert?? Dit is een erg onbetrouwbaar bericht. Niet alleen slecht vertaald, maar ook niet controleerbaar.Cas.v28-08-2026
- Niet mijn observatie dat de toeleveringsaanvoer stabiliseert.Cas.v26-08-2026


