Blog

Wat is een agentisch LMS, en de vraag die ze scheidt

Agentische platforms laten AI-agents zelfstandig werken. Het verschil dat de aanschaf bepaalt: past de agent dat werk zelf toe, of geeft hij het aan een mens?

The Lurno teamAugmental31 augustus 20269 min lezen

Elk leerplatform zal zichzelf binnen een jaar agentisch noemen, dus het woord op zichzelf zegt al bijna niets meer. Eén vraag herstelt het signaal, en die gaat niet over hoe capabel de agents zijn. Hij luidt: als een agent een stuk werk afmaakt, past hij dat dan zelf toe, of geeft hij het aan een mens? Alles wat een instelling moet goedkeuren volgt uit het antwoord.

Agentisch LMS

Een leerplatform waarop AI-agents zelfstandig werk van meerdere stappen uitvoeren — een cursus opstellen uit bronmateriaal, een inzending nakijken volgens een model, een rapport samenstellen — in plaats van één prompt per keer te beantwoorden. De term beschrijft hoeveel van een taak het systeem ongevraagd op zich neemt. Over wie verantwoordelijk is voor het resultaat zegt hij op zichzelf niets.

De categorie kwam snel en van bovenaf de markt binnen. Docebo kondigde AgentHub aan op zijn Inspire-evenement op 21 april 2026, met agents die volgens het bedrijf «redeneren, beslissen en handelen» over bedrijfskennis en vaardigheden, met volledige beschikbaarheid gepland voor het najaar. Absorb publiceerde op 5 juni 2026 een definitie van een agentisch leersysteem — agents die «handelen binnen leerprocessen» — en meldde dat de architectuur in de Aura-bèta 40 tot 60% van de routinematige administratieve tickets oploste «zonder dat een mens een wachtrij opende». Een reeks koopgidsen voor 2026 rangschikt agentische platforms inmiddels als een eigen categorie.

Wat is het verschil tussen een AI-ondersteund LMS en een agentisch?

«AI-ondersteund» beschrijft functies die aan een bestaand product zijn geplakt: een samenvatknop, een vragengenerator, een chatpaneel. Elk doet één ding als je erom vraagt. «Agentisch» beschrijft omvang: het systeem neemt een hele taak op zich over meerdere stappen, beslist binnen die taak wat het daarna doet, en gaat door zonder bij elke beurt te worden aangespoord. De sprong daartussen is echt. En het is ook het punt waarop de vraag wie het resultaat toepast ophoudt theoretisch te zijn.

De scheidslijn binnen de categorie

Dat cijfer van Absorb verdient een pauze, want het spreekt een luie versie van dit stuk tegen. Terugkerende vragen over inschrijvingen en certificaten wegvangen is precies waar autonomie rendeert: de vragen herhalen zich, de antwoorden komen uit goedgekeurde inhoud, en er een fout in maken kost iemand een tweede mail. Daar heeft niemand een mens voor nodig. Het belang is binnen een leerplatform niet gelijk verdeeld, en een regel «een mens keurt alles goed» die overal wordt toegepast levert alleen een trager product op. Het argument is smaller: het gaat over de handvol plekken waar fout zijn duur is.

Er worden twee ontwerpen onder hetzelfde woord verkocht, en ze gedragen zich heel verschillend zodra er voor het eerst iets misgaat.

Agents die handelen. De agent maakt de taak af en past het resultaat toe. Een cursus wordt gepubliceerd, een inschrijving toegewezen, een rapport ingediend. U hoort het achteraf, meestal via een melding. Dit is wat het grootste deel van de categorie met agentisch bedoelt, en dit is waar de demo's op gebouwd zijn.
Agents die voorstellen. De agent maakt dezelfde taak af en stopt. Wat hij heeft gemaakt komt binnen als concept, als item in een wachtrij, als voorgesteld cijfer — en een mens met een naam past het toe of niet. Het werk is identiek; de laatste stap hoort bij iemand aan wie je kunt vragen waarom.

Het tweede is trager. Dat is een echte prijs en hoort er duidelijk bij: als u een assistent wilt die het gewoon doet, gaat een goedkeuringsstap u irriteren. Wat u voor die vertraging koopt, is dat een modelfout een afgewezen concept is in plaats van een incident — een onderscheid dat maar af en toe telt, en dan enorm.

Lurno

De agent maakt het werk en geeft het over. Een mens past het toe, en de vastlegging bewaart wat is voorgesteld naast wat is geaccepteerd — inclusief wat is afgewezen, de regel die bewijst dat de controle iets deed.

Not this

De agent krijgt te horen dat hij vóór belangrijke handelingen om bevestiging moet vragen, waarbij het model zelf beoordeelt wat belangrijk is, in hetzelfde contextvenster als het materiaal dat het moest lezen.

Dat tweede patroon verdient een naam omdat het veel voorkomt en klinkt als het eerste. Een systeem waarin het model te horen krijgt dat het toestemming moet vragen, is niet hetzelfde als een systeem waarin het model er zonder niet langs kan. Het eerste is een regel die het model kan volgen. Het tweede is een muur. Vraag welke u wordt getoond, en vraag de muur te zien.

Waarom dit een inkoopvraag is en geen voorkeur

Voor een bedrijf dat interne compliance-herinneringen automatiseert is autonomie vooral een efficiëntiekeuze. Voor een school, een universiteit of een gereguleerde werkgever is het een governancevraag, en steeds vaker een juridische. Wetgevers zijn begonnen regels te schrijven over waar AI in beoordeling mag staan — meerdere Amerikaanse staten hebben zich uitgesproken over de vraag of AI de primaire basis van een cijfer mag zijn, en het beeld verandert nog. De wetgevingstracker van FutureEd is de praktische plek om te controleren wat dit semester voor u geldt en niet het vorige.

Zelfs waar nog niets is vastgelegd, komt de vraag bij elke institutionele aankoop op hetzelfde punt. Iemand tekent een papier waarop staat wat het systeem onbeheerd mag doen. Die persoon heeft een korter antwoord nodig dan een beschrijving van de instructies aan het model.

Mag AI werk van studenten beoordelen?

Dat hangt ervan af wat u met beoordelen bedoelt. Een voorgesteld cijfer volgens een model produceren, met de redenering erbij geschreven, is goed haalbaar en scheelt echte tijd. Dat cijfer aan een student vrijgeven als zijn resultaat is een andere handeling met andere gevolgen, en dat is degene waarover regels worden geschreven. Vraag een leverancier die twee in het gesprek te scheiden. Behandelt het antwoord ze als één ding, dan is dat het antwoord.

Vervangen agentische AI-systemen docenten?

In geen van beide ontwerpen, al falen ze verschillend op die vraag. Een agent die handelt heeft nog steeds iemand nodig die verantwoordelijk is voor wat hij deed — het werk verschuift, de verantwoordelijkheid niet, en de mens hoort het achteraf. Een agent die voorstelt houdt die mens vóór de beslissing in plaats van erachter. Wat in beide gevallen verdwijnt is het deel van het vak dat niemand verdedigt: een eerste versie maken, de veertigste inzending met hetzelfde model nakijken, elke maand hetzelfde rapport opnieuw bouwen. Het oordeel of een concept klopt, een cijfer eerlijk is, een getal betekent wat het lijkt te betekenen, is het beschermde deel — en het deel waar instellingen voor betalen.

Zes vragen aan een agentische leverancier

Ze staan op volgorde van hoeveel ze meestal blootleggen, en de eerste is het hele gesprek waard.

Som elke handeling op die een agent zonder mens kan uitvoeren. Vraag het op papier, niet op een dia. De lengte van de stilte vóór het antwoord is data.
Is de bevestiging een instructie of een controle? Beslist het model wanneer het toestemming vraagt, dan is de toestemming adviserend. Heeft de agent geen route naar het echte object, dan is het een controle.
Wie geeft een cijfer vrij? Niet wie het achteraf kan overschrijven — wie het vrijgeeft. Dat zijn twee systemen.
Wat laat de vastlegging zien? Een log van wat de agent deed is zwakker dan een vastlegging met wat is voorgesteld, wat is toegepast, door wie, en wat is afgewezen.
Kunnen we de agents uitzetten? Per organisatie, niet per klant. Een groep heeft vaak de ene school met en de andere zonder nodig.
Wat gebeurt er op een slechte dag? Vraag wat een fout antwoord kost en wie het merkt. «U corrigeert het achteraf» en «het heeft niemand bereikt» zijn verschillende producten.

Waar Lurno staat, en wat het ons kost

Lurno is de tweede kolom. De agents stellen lessen en vragen op uit de documenten die u uploadt, met de bron naast elk punt; ze stellen cijfers voor volgens uw model op een geanonimiseerde inzending; ze begeleiden cursisten via oplopende modi; en ze maken van een vraag in gewone taal een rapport. Geen van hen kan zijn eigen werk toepassen, en dat is geen instelling: er is geen route van een agent naar een vrijgegeven cijfer of een gepubliceerde cursus. De zwaarste handelingen vragen twee verschillende mensen, en geen van beiden mag degene zijn die de wijziging voorstelde.

De rapportage-agent is het duidelijkste geval. Hij schrijft de rapportdefinitie en leest uw gegevens nooit. Wat hij voorstelt gaat opnieuw door dezelfde rechtencontroles als een met de hand gebouwd rapport, dus hij kan geen getal verzinnen en geen organisatie tonen die de vrager niet toch al mocht zien.

De vertraging is echt. Er is geen modus waarin onze agents in een lopend programma schrijven of zelf een cijfer vrijgeven. Wilt u autonomie, dan zijn wij de verkeerde regel op uw lijst en dat kunt u beter nu weten.
SCORM, xAPI en LTI zijn in ontwikkeling. Gemodelleerd in het product, de runtime wordt nog gebouwd. Materiaal dat opgesloten zit in SCORM-pakketten is vandaag geen bron waarin we een agent kunnen verankeren.
Agents kunnen volledig uit, per organisatie. Al het andere blijft werken — ze komen erbij, ze dragen niets.

Is dit hetzelfde als human-in-the-loop AI?

Bijna, al doet de term het tekort. Human-in-the-loop beschrijft meestal een controlestap boven op een systeem dat ook alleen zou kunnen draaien: de autonomie bestaat en er wordt een checkpoint voor gezet. Hier ís de goedkeuring de architectuur: niets wat een agent maakt bereikt een cursist, een cijfer of een rapport zonder dat iemand het accepteert, dus er ligt eronder geen autonome route om te controleren. Het praktische verschil komt boven zodra de controlestap onder druk staat. Een checkpoint kun je overslaan. Een route die er niet is niet.

Haalt een goedkeuringsstap niet het nut uit agentische AI?

Alleen als het nut was om mensen weg te halen. Het dure deel van het werk is niet de klik die een concept accepteert — het is het concept maken, nakijken volgens het model, het rapport samenstellen. Een agent die dat doet en stopt heeft de uren genomen en het oordeel gelaten. Voor de meeste instellingen is dat de ruil die ze wilden, en verschillende mogen alleen die maken.

Bent u agentische platforms aan het beoordelen, leg de eerste vraag dan aan allemaal voor en vergelijk de schriftelijke antwoorden. De onze geven we u vóór het gesprek in plaats van tijdens, en sluit die ons uit, dan is dat een goed bespaard uur. Vraag een demo aan, of lees wat elk van onze agents alleen mag op de AI-pagina.