// 21 november 2026 · AI & Automatisering · Custom Development

Google's nieuwe RSI-paper: hoe Self-Improvement Memory AI-agents continu laat verbeteren

Wie de term Recursive Self-Improvement (RSI) hoort, denkt al snel aan een AI-model dat zijn eigen neurale netwerk herschrijft en een plotselinge intelligentie-explosie veroorzaakt. Vorige week bekeken we die brede discussie nog rond Anthropic's interne Model 4 en RSI. Maar een nieuwe studie van Google Cloud AI, Google DeepMind en Pennsylvania State University brengt het concept terug naar een veel concreter, direct bruikbaar terrein voor software-engineering.

In de paper Self-Improvement Memory Enables Continual Recursive Self-Improvement (opgepikt door 36Kr Europe) introduceren eerste auteur Xin Yu en collega's (waaronder DeepMind-onderzoeker Adams Wei Yu) een techniek genaamd Self-Improvement Memory (SIM). Het doel: een AI-systeem niet alleen zijn eigen omringende softwarecode laten verbeteren, maar ook laten onthouden waarom eerdere aanpassingen werkten of faalden zodra het taalmodel of de taak verandert.

Niet het taalmodel verandert, maar de harness eromheen

Een moderne AI-agent bestaat uit twee delen: het onderliggende taalmodel (de policy) en de externe softwarelaag eromheen, de zogenaamde harness. Die harness regelt alles wat het model nodig heeft om betrouwbaar werk te leveren: contextbeheer, systeeminstructies, tool-aanroepen, terminaluitvoering en controles die bepalen wanneer een taak echt afgewerkt is.

Met klassieke RSI op harness-niveau kan een AI-optimizer die omringende code al zelfstandig aanpassen, testen draaien en betere versies behouden, zonder dat de gewichten van het taalmodel zelf worden aangeraakt. Toch liep die aanpak tot nu toe telkens tegen een muur aan in de praktijk:

  • Optimalisatie blijft vastzitten aan één model of taak: Een harness die tot in de puntjes is afgestemd op Claude werkt vaak merkbaar slechter zodra je overschakelt naar Gemini of naar een nieuw type opdracht.
  • Code bewaart het resultaat, niet de reden: Wanneer je enkel de laatste versie van de harness-code meeneemt naar een nieuw project, weet de optimizer niet meer waarom een bepaalde validatieregel ooit werd toegevoegd. Het gevolg: de AI herhaalt eerdere fouten of verwijdert per ongeluk een controle die cruciaal was.

Zoals hoofdauteur Xin Yu het samenvat: "Wat je meeneemt naar de volgende stap, moet de ervaring achter de code bevatten - niet alleen de code zelf."

Hoe Continual Recursive Self-Improvement (CRSI) met SIM werkt

Om die kloof te dichten stellen de onderzoekers Continual Recursive Self-Improvement (CRSI) voor, ondersteund door Self-Improvement Memory (SIM). Belangrijk detail: SIM is geen geheugen voor de taakuitvoerende agent zelf, maar een gestructureerd logboek voor de optimizer die de harness verbetert.

SIM groepeert eerdere aanpassingen rond terugkerende problemen en noteert bij elke wijziging vier zaken: de onderliggende reden, het verwachte effect, het daadwerkelijk gemeten testresultaat (ook wanneer een poging faalde) en de evaluatiecontext (welk model en welke taak). De iteratielus werkt vervolgens met twee rollen:

  1. De proposer: leest de huidige harness-code, de uitvoeringsfeedback en de relevante SIM-notities om een gerichte verbetering voor te stellen.
  2. De selector: toetst de voorgestelde wijziging op basis van testresultaten, beslist of de aanpassing wordt behouden en schrijft zowel geslaagde als mislukte uitkomsten terug in SIM.

Een concreet voorbeeld uit de paper maakt dat meteen tastbaar. Tijdens een configuratietaak voor een Git-server verklaarde een agent de opdracht te vroeg als voltooid omdat lokale checks slaagden, terwijl een verplicht gebruikersaccount ontbrak. De optimizer voegde daarom een expliciete eindcontrole op uitvoeringsbewijs toe aan de harness. Toen het systeem later overschakelde op een technisch routeringsprobleem voor optische golfgeleiders, merkte het dat een geldige oplossing nog niet automatisch kostenoptimaal was. Dankzij SIM behield de optimizer de bestaande eindcontrole én bouwde hij daar een extra kwaliteitscheck bovenop, in plaats van de oude regel blind weg te gooien.

De cijfers uit de benchmarks: grote sprongen én een eerlijke nuance

Het onderzoeksteam testte SIM in vier domeinen: programmeren, tekstclassificatie, kantoortaken (workspace) en technisch ontwerp (engineering design). De resultaten laten zien dat geheugen over optimalisatiestappen heen een meetbaar verschil maakt, maar ook dat overdracht tussen modelgeneraties geen automatisme is.

ExperimentOpzetResultaat met SIM vs. zonder SIM
Cross-task (zelfde model)Gemini 3.8 Flash over 6 taaktransities in 4 domeinenVolledige SIM wint in alle 6 opstellingen met +2,43 tot +4,35 punten voorsprong
Cross-model (Claude naar Gemini)Harness getraind op Claude Opus 5.5, voortgezet op Gemini 3.8 FlashSIM wint in alle 4 domeinen met +3,60 tot +11,33 punten; bij kantoortaken 84,75 vs. 73,42 (startpunt 68,41)
Gecontroleerd programmeren10 onafhankelijke runs met identieke startcode en budgetSIM scoort hoger in 9 van de 10 runs: gemiddeld 21,70 vs. 19,33 (+2,36 punten, p = 0,003)
Over modelgeneraties heenDoorlopende overdracht: Gemini 2.5 Flash, 3.5 Flash, 3.8 Flash en 4 ArgonWinst op 3.5 Flash (+3,5) en 3.8 Flash (+1,6), maar -0,8 punten op Gemini 4 Argon (94,8 vs. 95,6)

Vooral twee bevindingen springen eruit voor softwareteams. Ten eerste viel bij de directe verhuizing van een Claude Opus 5.5-harness naar Gemini 3.8 Flash de beginscore lager uit dan Gemini's onbewerkte standaardharness. Pas toen SIM zijn historische logboek gebruikte om verouderde of modelspecifieke regels gericht bij te sturen, schoot de score door het dak. Ten tweede laat de lichte terugval op Gemini 4 Argon (-0,8 punten tegenover vers starten) zien dat oudere workarounds bij een grote modelsprong soms eerder ballast worden dan hulp.

Realiteitscheck: geen losgeslagen zelfevolutie, wel betere software-engineering

Op sociale media wekte de paper snel speculatie over AI die zichzelf eindeloos slimmer maakt. Ontwikkelaars wezen er echter terecht op dat het onderzoek binnen strikte grenzen blijft: de modelgewichten staan volledig vast en elke wijziging gebeurt in de omliggende orchestratiecode op basis van afgebakende tests. Net zoals we eerder zagen bij jagged intelligence en waarom context belangrijker wordt dan slimme prompttrucjes, zit de echte vooruitgang vandaag niet in magie, maar in systematische feedbackloops rond het model.

Wat betekent Google's RSI-onderzoek concreet voor jouw kmo?

Voor Belgische kmo's en softwareteams levert deze studie vier directe, praktische lessen op:

  • Investeer in de applicatielaag (harness), niet enkel in het duurste model: Een groot deel van de betrouwbaarheid van AI in productie komt uit deterministische validatieregels, gestructureerde tool-aanroepen en eindcontroles rond het model. Dat geldt zowel bij grote cloudmodellen als bij compacte lokale AI-modellen.
  • Documenteer het "waarom" achter AI-beslissingen om vendor lock-in te vermijden: Wie vandaag bouwt op één aanbieder en over zes maanden wil overstappen naar een sneller of goedkoper model, loopt vast als prompts en regels zonder uitleg in de code staan. Door evaluatietests, randgevallen en foutanalyses netjes bij te houden (vergelijkbaar met waterdichte audit trails), verhuis je veel vlotter tussen modellen.
  • Houd rekening met verouderde workarounds bij nieuwe modelreleases: Het Gemini 4 Argon-resultaat toont dat regels die een ouder model nodig had, een nieuwer model soms afremmen. Test je AI-workflow bij elke grote modelupdate opnieuw tegen een vaste benchmarkset.
  • Geef zelfaanpassende agents nooit blindelings volledige rechten: Zodra een agent eigen instructies of uitvoeringsregels mag herschrijven, wordt governance essentieel. Zoals bleek uit onze analyse van kwaadaardige instructiebestanden gericht op AI-coding agents, horen wijzigingen aan agent-configuraties altijd achter geautomatiseerde tests, strikte Security by Design en een menselijke goedkeuring te zitten.

Veelgestelde vragen over Google RSI en Self-Improvement Memory

Wat is Self-Improvement Memory (SIM) in de nieuwe RSI-paper van Google?

Self-Improvement Memory (SIM) is een gestructureerd geheugen voor de optimizer van een AI-agent. Het legt niet alleen codewijzigingen in de agent-harness vast, maar ook de reden achter elke aanpassing, de verwachte en gemeten uitkomst en de evaluatiecontext. Daardoor kan een AI-systeem eerdere lessen meenemen naar nieuwe modellen en taken.

Past het AI-systeem in dit Google-onderzoek zijn eigen modelgewichten aan?

Nee. De gewichten en architectuur van het onderliggende taalmodel blijven tijdens alle experimenten volledig bevroren. De recursieve zelfverbetering richt zich uitsluitend op de externe operationele laag rond het model (de harness), die prompts, context, tool-aanroepen en validatieregels beheert.

Welke concrete winst behaalde SIM in de benchmarks van Google?

In tien onafhankelijke programmeerexperimenten scoorde de variant met SIM in 9 van de 10 groepen hoger, gemiddeld 2,36 punten boven harness-only optimalisatie (p = 0,003). Bij een overstap van Claude Opus 5.5 naar Gemini 3.8 Flash won SIM in alle vier de domeinen met 3,60 tot 11,33 punten verschil, met de grootste sprong bij kantoortaken (84,75 tegenover 73,42 punten).

Waarom is dit onderzoek relevant voor Belgische kmo's die AI inzetten?

In bedrijfssoftware wisselen kmo's regelmatig van taalmodel of breiden ze workflows uit met nieuwe documenten en taken. Het onderzoek bevestigt dat betrouwbare AI vooral afhangt van een goed ontworpen, geteste applicatielaag (harness) rond het model en gedocumenteerde evaluatielogs, niet alleen van het model zelf.

AI-integratie bouwen die meegroeit met elk nieuw model?

Bij AssurIO ontwerpen we praktische AI-integraties en webapplicaties op maat met een duidelijke scheiding tussen het taalmodel en de bedrijfslogica eromheen - precies zoals we dat ook doen voor AssurIO Cloud en Assurio | Pulse. Wil je AI betrouwbaar en zonder vendor lock-in inzetten in jouw kmo? Plan een vrijblijvend kennismakingsgesprek met ons team in Zonhoven.