Een AI-agent runt nu een echte winkel in San Francisco, huurt personeel in en beheert de dagelijkse operaties met een budget van $100.000. Dit experiment van Andon Labs, genaamd ‘Luna’, toont niet de perfecte toekomst, maar de huidige, rommelige realiteit van autonoom AI-management: briljant in conceptvorming, maar nog steeds kwetsbaar voor praktische fouten.

Wat er aan de hand is

Andon Labs, bekend van een eerdere AI-automaat bij Anthropic, heeft een AI-agent genaamd ‘Luna’ volledige autonomie gegeven over een fysieke winkel in San Francisco. Volgens het persbericht van het bedrijf heeft de agent een driejarig huurcontract getekend, een budget van $100.000 gekregen en de opdracht gekregen winst te maken. Luna bedacht het winkelconcept, plaatste vacatures en voerde sollicitatiegesprekken via Zoom (met camera uit). De agent gebruikt Claude Sonnet 4.6 voor redeneren en Gemini 3.1 Flash-Lite Preview voor spraak, en observeert de winkel via screenshots van beveiligingscamera’s. Het experiment liep echter niet vlekkeloos: bij het inhuren van een schilder selecteerde Luna per ongeluk Afghanistan in een dropdown-menu van TaskRabbit en maakte het de roosters voor de openingsweekend verkeerd.

Wat dit betekent

Dit betekent dat AI-agents nu de drempel overgaan van digitale sandboxen naar de fysieke, onvoorspelbare wereld van het MKB. Voor ondernemers toont dit de directe mogelijkheid én de huidige beperkingen. De agent was capabel genoeg om een winkelconcept te bedenken en het eerste personeel aan te nemen – taken die voor een ondernemer veel tijd kosten. De gemaakte fouten (verkeerd land, fout rooster) zijn echter klassieke voorbeelden van hoe AI moeite heeft met context en de nuance van de echte wereld. Het experiment suggereert dat AI niet eerst de medewerker, maar mogelijk eerst de manager of franchisehouder vervangt, door operationele beslissingen over te nemen terwijl menselijk personeel de uitvoering doet. Elke upgrade van de onderliggende modellen brengt een versie die deze fouten niet meer maakt dichterbij.

Hoe je dit kunt toepassen

De praktische toepassing hangt af van jouw situatie. Het Luna-experiment is een blauwdruk voor gefaseerde implementatie, niet voor directe vervanging.

Als je een retailwinkel of horecazaak runt… kun je AI niet je volledige operatie laten runnen, maar wel specifieke, repetitieve managementtaken overlaten. Een mogelijkheid is om een AI-agent te trainen op basis van je historische verkoopdata en weersvoorspellingen om voorraadbestellingen te suggereren. Je behoudt de eindcontrole, maar de agent doet het voorwerk. Een andere optie is om AI te gebruiken om standaardantwoorden te genereren voor veelgestelde vragen van sollicitanten, zodat je alleen de laatste gespreksronde hoeft te voeren.

Als je een team aanstuurt in dienstverlening of projectwerk… laat dit zien waar de kracht en zwakte van AI-agenten liggen. Je zou kunnen experimenteren met een AI die helpt bij het plannen van projecttimelines en resource-allocatie op basis van beschikbaarheid en deadlines. De agent kan een eerste concept-rooster maken, maar een mens moet de laatste check doen op praktische bezwaren of persoonlijke omstandigheden die de AI niet kent. Het is een krachtige assistent voor logistiek, geen vervanger voor menselijk inzicht.

Als je processen wilt automatiseren maar menselijk toezicht wilt behouden… biedt dit experiment een model: geef de AI een duidelijke, kwantificeerbare doelstelling (zoals ‘optimaliseer voorraadkosten’) en een budget, maar stel duidelijke guardrails in. Laat de AI bijvoorbeeld voorstellen doen voor inkoop bij leveranciers, maar vereis menselijke goedkeuring voor elke bestelling boven een bepaald bedrag. Op deze manier gebruik je de rekenkracht van de AI voor optimalisatie, terwijl je het risico op dure, praktische fouten beperkt.

Bron: Therundown