Een chatbot is nog geen Digitale Medewerker
Een medisch antwoord geven is één ding.
Een zorgproces afmaken is iets totaal anders.
Die kloof lijkt klein op papier, maar in de praktijk is ze enorm. Een nieuwe benchmark laat zien dat zelfs sterke AI-agenten nog vaak vastlopen zodra ze een hele klinische workflow moeten uitvoeren.
De best scorende agent, Codex GPT-5.5, rondt slechts ongeveer 42 procent van de taken succesvol af.
Waarom deze test strenger is
HealthAgentBench verscheen op 30 juni 2026 op arXiv. De studie komt van onderzoekers van onder meer Microsoft Research en internationale onderzoeksinstellingen.
De opzet wijkt af van klassieke medische tests. Die draaien vaak om losse vragen of statische kennis.
Deze benchmark kijkt verder.
Kan een AI-agent een realistische zorgtaak end-to-end afronden, met meerdere stappen, echte data en een klinische context? Als één schakel faalt, mislukt de hele opdracht.
De benchmark bevat 54 realistische zorgtaken, verdeeld over zeven categorieën.
Volgens de auteurs is dat nodig. Veel bestaande benchmarks raken verzadigd. Modellen scoren daar steeds hoger, zonder dat dat iets zegt over echte bruikbaarheid.
De uitkomst is helder
De headline laat weinig ruimte voor twijfel.
Codex GPT-5.5 scoort het best, maar haalt toch maar ongeveer 42 procent van de volledige taken. Andere frontier-modellen zitten daar nog onder.
Dat is belangrijk.
In de zorg telt niet “meestal goed”. Daar telt of een systeem een keten van afhankelijke stappen foutloos genoeg uitvoert.
Mist een model één cruciale stap? Dan is de taak mislukt.
Waar het nog misgaat
De benchmark laat ook zien waar AI-agenten wel en niet sterk in zijn.
Ze doen het relatief goed bij onderzoekspijplijnen met data uit elektronische patiëntendossiers. Daar helpen patroonherkenning, informatie verzamelen en een afgebakende workflow.
Maar zodra meerdere vaardigheden tegelijk nodig zijn, daalt de prestatie snel.
Medische beeldvorming blijft lastig. Daar moet een systeem beelden interpreteren, informatie combineren, vervolgstappen plannen en beslissingen nemen in een complexe klinische context.
Ook taken met grote zoekruimtes of meerdere redeneerstappen blijven moeilijk.
Het probleem zit dus niet alleen in meer kennis. Het zit in het betrouwbaar combineren van waarnemen, redeneren, plannen en uitvoeren.
Wat dit betekent voor de zorg
De stap van slimme assistent naar betrouwbare Digitale Medewerker is groter dan veel AI-verhalen doen vermoeden.
In de zorg is dat extra relevant. Fouten zijn niet alleen inefficiënt. Ze kunnen ook klinische gevolgen hebben.
HealthAgentBench maakt dat scherp zichtbaar. Huidige frontier-modellen zijn nog geen brede vervanging voor werk dat hele zorgketens omvat.
Voor zorginstellingen en beleidsmakers is dat een nuttige reality check.
De vraag is niet alleen of een model een medisch antwoord geeft. De vraag is of het onder echte omstandigheden een volledige taak veilig en consistent afmaakt.
De les is breder dan zorg
Deze les geldt ook buiten de zorg.
Elke organisatie die AI-agenten wil inzetten voor complete processen, krijgt met hetzelfde risico te maken: hoe langer de keten, hoe groter de kans dat iets misgaat.
Taken met veel stappen, veel informatie en hoge impact blijken precies het soort werk waarop huidige agenten nog niet betrouwbaar genoeg zijn.
Dat maakt dit ook een signaal voor organisaties die denken dat agentic AI al klaar is voor serieuze productie.
Slimmer testen, slimmer inzetten
De praktische conclusie is simpel: test AI niet op wat het kan uitleggen, maar op wat het echt afmaakt.
Wie AI in kritieke workflows wil inzetten, begint beter klein. Kies smalle, goed afgebakende taken. Meet succes op volledige uitvoering. Houd autonomie strak begrensd.
HealthAgentBench laat zien waarom.
De huidige generatie agenten is veelbelovend, maar nog verre van volwassen.
Wie hier verstandig mee omgaat, bouwt stap voor stap verder. En precies daar helpt een duidelijke toolset en een sterke Digitale Medewerker het meest.
