In de verdere ontwikkeling van kunstmatige intelligentie vormt de fase na de initiële training een cruciaal middel om de prestaties bij specifieke taken te verhogen. Dit proces brengt echter vaak een risico met zich mee: het model kan bestaande kennis of vaardigheden in andere domeinen verliezen. Dit fenomeen, bekend als 'catastrofaal vergeten', vormt een aanzienlijke hindernis bij langdurige processen waarbij een AI-agent verschillende competenties moet combineren om een oplossing te vinden.
Om deze beperking te overwinnen, is een nieuwe benadering ontwikkeld genaamd Switching LoRA Adapters as a Tool (SLAaaT). In plaats van te werken met een statische configuratie of één enkel model, krijgt de agent een specifiek instrument waarmee hij tijdens de uitvoering van een taak kan schakelen tussen diverse gespecialiseerde LoRA-adapters (Low-Rank Adaptation). Volgens een wetenschappelijke publicatie op arxiv.org stelt dit de agent in staat om voor elk specifiek onderdeel van een complexe opdracht de meest geschikte 'specialist' te activeren. Hierdoor kunnen diverse capaciteiten worden gecombineerd zonder dat de algemene prestaties in andere domeinen eronder lijden.
De effectiviteit van de SLAaaT-methode is getest aan de hand van twee synthetische programmeertaken. Hoewel deze taken logisch gezien eenvoudig zijn, vereisen ze een hoge graad van specialisatie. De resultaten tonen aan dat de methode significante verbeteringen oplevert op het gebied van probleemoplossend vermogen en autonomie. De agent kon zelfstandig bepalen wanneer een wisseling van adapter noodzakelijk was en ontwikkelde in één van de gevallen zelfs een strategie die superieur was aan de door mensen ontworpen heuristische basislijn.
Op het vlak van efficiëntie rapporteert catalyzex.com een reductie van maximaal 18x in de zogenaamde 'capability tax', wat het verlies aan algemene vaardigheden beschrijft, in vergelijking met agenten die slechts één gespecialiseerde adapter inzetten. Daarnaast presteert de SLAaaT-benadering aanzienlijk beter dan systemen die gebruikmaken van 'subagents'. Zo meldt acadeus dat de SLAaaT-methode vier van de meest uitdagende taken succesvol voltooide, terwijl de subagent-methode geen enkele taak wist op te lossen. Ook de computationele kosten waren lager; in bepaalde scenario's was het verbruik van tokens maar liefst 46,1x lager.
De impact van dit onderzoek, dat door Kenneth Ge is uitgevoerd en in augustus 2026 is gepubliceerd, reikt verder dan synthetische programmeertaken. Volgens een analyse van learnijoy.com kan deze doorbraak leiden tot veelzijdiger AI-systemen in diverse sectoren, waaronder de maakindustrie, robotica, softwareontwikkeling, gaming en klantenservice.
De trend om adapters te behandelen als modulaire vaardigheden of geheugeneenheden wordt breder onderzocht in de sector. De mogelijkheid om dynamisch en autonoom te schakelen tussen expertisegebieden markeert hiermee een belangrijke stap richting complexere en meer mensachtige probleemoplossing door kunstmatige intelligentie.