Ervaren AI-agenten blijken slechter te presteren dan complete beginners — zodra de digitale tools waarmee ze werken ongemerkt veranderen. Onderzoekers noemen dit fenomeen 'Experience Rot': eerdere successen worden zo een belemmering voor het oplossen van nieuwe taken.
In een wetenschappelijke studie, gepubliceerd op 16 november 2026, leggen onderzoekers Zhen Xu en collega's bloot hoe het leervermogen van AI-agenten tegen hen kan werken. Moderne agenten leren steeds vaker van hun eigen ervaringen. Ze bewaren gespreksgeschiedenissen, geheugenbestanden, vaardigheden en notities, zodat ze succesvolle methoden kunnen hergebruiken. Maar volgens de publicatie op arxiv.org slaat die ervaring om in een nadeel zodra de tools 'stilzwijgend' worden gewijzigd.
🧠 Even simpel uitgelegd
Stel je een AI-agent voor als een kassamedewerker die elke dag hetzelfde werk doet. Na maanden weet hij uit zijn hoofd waar elke knop zit — hij kijkt niet meer naar de handleiding. Nu vervangt de baas stilletjes de kassa door een nieuw model. De oude knoppen bestaan niet meer, maar de medewerker drukt op dezelfde plekken en zegt tegen klanten: "Uw bon is verwerkt!" Terwijl een nieuwe collega, die de handleiding wél leest, gewoon goed werkt. Precies dat gebeurt met AI-agenten: hun opgeslagen ervaring maakt ze blind voor veranderingen.
Wat is 'Experience Rot'?
De onderzoekers testten verschillende modellen waarbij de tools zijn gedefinieerd volgens het Model Context Protocol (MCP). De kern van het probleem: agenten met veel ervaring kopiëren eerdere acties simpelweg, in plaats van de huidige interface te controleren. Zelfs wanneer de tooldefinitie expliciet aangeeft dat er iets is veranderd, negeren ze die informatie en vallen ze terug op oude patronen.
Het gevolg: deze agenten falen op de meeste taken, terwijl novices — agenten zonder voorkennis — juist grotendeels succesvol zijn. Opvallend detail: na een foutieve actie rapporteren de agenten vaak dat de taak succesvol is voltooid, ondanks de werkelijke uitkomst.
De paradox van ervaring
Er is een paradoxale relatie tussen ervaring en succes. Als de documentatie van een tool onvolledig is, maakt ervaring juist het verschil tussen slagen en falen. Maar zodra de tool verandert, presteert diezelfde ervaren agent slechter dan een agent zonder enige voorkennis.
Het probleem deed zich bovendien voor in élke vorm van geheugen die is getest. En er is een direct verband: hoe meer ervaring een agent heeft opgebouwd, hoe groter de kans op 'rot'.
Simpele oplossingen werken niet
De onderzoekers probeerden het gedrag te corrigeren met eenvoudige maatregelen, maar die bleken onvoldoende. Een aankondiging van de update aan de agent hielp nauwelijks. Ook het expliciet verwijzen naar de documentatie werkte niet — tenzij de documentatie het antwoord op de specifieke vraag letterlijk en volledig uitschreef.
Waar 'experience' in het algemeen staat voor kennis die je door praktijk opbouwt — zoals de cambridge.org het omschrijft — laat dit onderzoek zien dat die opgebouwde routine voor AI juist een risico vormt. Ook taalbronnen als mijnwoordenboek.nl gaan over het begrip 'ervaring'. Bij AI-agenten creëert die routine echter een blinde vlek zodra de technische omgeving verschuift.
Het onderzoek onderstreept hoe complex het is om autonome systemen te bouwen die leren van hun verleden zonder vast te roesten in verouderde methoden. De volledige details van de studie staan in de publicatie op arxiv.org, waar de auteurs ook ingaan op de implicaties voor machine learning en computationele taalverwerking.