AI-agenten werken steeds vaker met 'skills': modulaire pakketten met instructies, code en resources die een agent helpt een taak uit te voeren. Die skills worden doorgaans gebouwd en getest op de krachtigste AI-modellen — de zogenaamde frontier models — en daarna gedeeld als open standaard.
Maar er is een groot probleem: dezelfde skill presteert enorm verschillend per model. Bij sterke modellen leveren ze grote winst op. Zwakkere modellen profiteren nauwelijks — en in sommige gevallen werkt een zwakke agent zelfs slechter mét de skill dan zonder. Dat is een reëel probleem, want in de praktijk dwingen kosten en beperkte resources bedrijven vaak om juist die lichtere agenten in te zetten.
Dat blijkt uit een wetenschappelijk artikel dat op 17 september 2026 is ingediend bij arxiv.org.
🧠 Even simpel uitgelegd
Stel dat je een kookrecept deelt met een ervaren chef en met een beginnende kok. Het recept zegt: 'maak de saus'. De chef weet uit ervaring dat dat betekent: eerst uitjes fruit, dan ontgassen met wijn, dan laten indikken. De beginner slaat die stappen over — en het gerecht mislukt. AI-skills werken hetzelfde: ze bevatten 'stille' tussenstappen die sterke modellen zelf invullen, maar zwakke modellen niet. Skill Transfer schrijft die stappen expliciet in de skill, zodat ook de zwakkere agent het recept kan volgen.
De oorzaak: stille tussenstappen
De onderzoekers — onder wie Yifan Lan, Hanyu Wang, Lu Lin en Jinghui Chen — wijzen op de kern van het probleem. Sterke modellen vullen impliciete procedurele stappen vanzelf in. Zwakkere modellen missen dat vermogen, slaan cruciale tussenstappen over en falen daardoor.
De oplossing: de skill aanpassen aan de specifieke zwakke agent, zonder de parameters van het model te wijzigen en zonder het maximale potentieel van de skill te verlagen.
Zo werkt de 'Diagnoser-Patcher' loop
De methode zet de uitvoeringstrajecten van zowel sterke als zwakke modellen om in gestructureerde uitvoeringstypen. Vervolgens lokaliseert een 'graph edit distance' (GED) precies waar de twee trajecten structureel uiteenlopen.
Daarna volgt een iteratieve cyclus van diagnose en reparatie: de 'diagnoser-patcher loop'. De resultaten zijn overtuigend. Uit tests op drie benchmarks en twee modelfamilies blijkt dat de aanpak de slaagpercentages van zwakke agenten aanzienlijk verhoogt — zowel vergeleken met ongewijzigde skills als met bestaande methoden voor vaardigheidsevolutie.
Verrassend detail: de aangepaste skills helpen niet alleen zwakke agenten. Ook de oorspronkelijke sterke agenten presteren er beter door. En de methode werkt zelfs bij het overdragen van vaardigheden naar onbekende taken die structureel verwant zijn aan de originele taak.
Waarom dit nu telt: de skill-economie groeit explosief
De noodzaak wordt duidelijk als je kijkt naar de groei van openbare skill-registers. Op platformen zoals skillmd.com is een ecosysteem ontstaan met meer dan 1,1 miljoen beschikbare vaardigheden — van coding- en dev-ops-tools tot toepassingen in AI en productiviteit.
Binnen dat ecosysteem worden skills vaak gebundeld in plugins voor complete workflows. Honderdduizenden gespecialiseerde skills zorgen voor standaardisatie in hoe AI-agenten taken uitvoeren. Maar zolang de kloof tussen frontier-modellen en lichtere modellen bestaat, bepaalt de effectiviteit van technieken zoals Skill Transfer wie toegang heeft tot die geavanceerde tools.