AnswersPublished19 sources
InAgent claimt 90,2% op OSWorld: waarom de agent-harnaslaag nu cruciaal is
Intelligence Indeed meldt dat zijn InAgent/Z Agent 90,2% behaalde op de 361 takenconfiguratie van OSWorld: de eerste gerapporteerde score boven 90%. OSWorld toetst agents in echte desktopomgevingen en beoordeelt de uiteindelijke systeemtoestand, niet alleen het tekstuele antwoord van een model.
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed meldt dat zijn InAgent/Z Agent 90,2% behaalde op de 361 takenconfiguratie van OSWorld: de eerste gerapporteerde score boven 90%.
- OSWorld toetst agents in echte desktopomgevingen en beoordeelt de uiteindelijke systeemtoestand, niet alleen het tekstuele antwoord van een model.
- Een score van 90,2% laat nog altijd 9,8% mislukte taken over. Voor risicovolle processen blijven controlepunten, rechtenbeheer, uitzonderingsafhandeling en menselijke goedkeuring nodig.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Chinese company Intelligence Indeed’s InAgent become the first computer-use agent to exceed 90% on the OSWorld benchmark—achieving 9. Article summary: The reported result is best understood as a system-level achievement, not evidence that InAgent has a uniquely superior foundation model. InAgent reportedly combined model reasoning with an execution “harness” that plans. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Intelligence Indeed meldde in augustus 2026 dat zijn computeragent, in de eigen aankondiging Z-Agent genoemd en elders aangeduid als InAgent, een succespercentage van 90,2% behaalde op OSWorld. Volgens het bedrijf was dit de eerste gerapporteerde score boven de 90% en stond het systeem ook bovenaan een subranglijst voor agentframeworks. 18
22
Dat is een opvallende benchmarkclaim, maar niet omdat daarmee één AI-model desktopwerk volledig zou hebben opgelost. De belangrijkere les is dat de prestaties van een agent steeds meer afhangen van het harnas eromheen: de software die een modelplan omzet in beheerste acties, resultaten controleert en fouten opvangt.
Wat InAgent volgens de berichtgeving behaalde
De gerapporteerde uitsplitsing voor InAgent op OSWorld luidt:
- 90,2% totale taaksucces;
- 84,7% bij taken die meerdere applicaties combineren;
- 92,3% bij GIMP-taken;
- 100% bij taken op systeemniveau.
22
Dit zijn gerapporteerde resultaten, geen onafhankelijk gecontroleerde bevindingen. In de beschikbare berichtgeving staat geen openbaar technisch rapport dat precies afzondert welke basismodellen, prompts, hulpmiddelen, evaluatie-instellingen en onderdelen van het harnas verantwoordelijk waren voor de score. Dat onderscheid is wezenlijk: een benchmarkscore meet een combinatie van model en systeem, niet louter de intelligentie van een model.
Ook een ranglijstpositie is een momentopname. Een externe leaderboard-snapshot van september 2026 zet bijvoorbeeld Qwen3.8 Max op 86,1% voor OSWorld-Verified. Dat laat zien dat ranglijsten en evaluatieconfiguraties in de tijd kunnen veranderen. 3
Waarom OSWorld een relevante proef is
OSWorld is ontworpen om agents te testen in echte computeromgevingen, niet uitsluitend op basis van schermafbeeldingen of gesimuleerde websites. De oorspronkelijke benchmark omvat 369 praktijktaken in onder meer Chromium, LibreOffice, GIMP, Thunderbird, VLC en Visual Studio Code, plus taken op besturingssysteemniveau en workflows over meerdere applicaties heen. De uitkomst wordt gecontroleerd aan de hand van de ingestelde eindtoestand van de omgeving. 2
14
De vaak gebruikte configuratie met 361 taken sluit acht Google Drive-taken uit die handmatige voorbereiding kunnen vereisen. 14
Een agent moet dus niet alleen op de juiste knop klikken. Hij moet een interface doorlopen, de voortgang over meerdere stappen vasthouden, bestanden en applicatiestatus aanpassen en de computer in de vereiste eindtoestand achterlaten.
Dat maakt de claim van 90,2% historisch gezien opmerkelijk. In de oorspronkelijke OSWorld-publicatie voerden mensen meer dan 72,36% van de taken succesvol uit, terwijl het best presterende model op 12,24% uitkwam. 14 Die vergelijking is echter geen algemene maatstaf voor beroepsmatig computerwerk: de score wordt mede bepaald door de taakselectie, de inrichting van de omgeving, actielimieten, beschikbare tools en het agentharnas.
Van prompts naar harness engineering
Een prompt vertelt een model wat het moet doen. Context engineering bepaalt welke informatie het model krijgt. Harness engineering — in het Nederlands ook te omschrijven als het ontwerpen van de uitvoeringslaag rond de agent — richt zich op het runtimesysteem: hoe de agent observeert, handelt, status bewaart, afronding verifieert en van fouten herstelt.
Een overzichtsstudie over agentsystemen beschrijft dit uitvoeringsharnas als infrastructuur die bepaalt wat een agent waarneemt, welke acties hij kan uitvoeren en of fouten worden ontdekt en hersteld. Daaronder vallen onder andere observatieontwerp, actieruimtes, sandboxing, contextbeheer en verificatielussen. 28
Voor een agent die met een computer werkt, moet zo'n harnas doorgaans zes dingen goed regelen:
- Een workflow opdelen in controleerbare subdoelen. In plaats van alleen „werk de bestelling bij” krijgt de agent bijvoorbeeld afzonderlijke stappen: dossier vinden, velden valideren, wijziging doorvoeren, bewijs toevoegen en controleren of de wijziging is opgeslagen.
- De juiste uitvoeringsroute kiezen. Een API, opdrachtregelcommando of andere gestructureerde tool kan betrouwbaarder zijn dan een muisklik, mits beschikbaar en toegestaan. GUI-besturing vult de gaten op waar geen machineleesbare interface is.
- Duurzame status bijhouden. De agent moet weten wat al klaar is, welke applicatie- en selectiestatus actief is, welke bestanden betrokken zijn en of een actie veilig opnieuw kan worden geprobeerd.
- Het resultaat controleren in de bronregistratie. Dat een model zegt dat iets gelukt is, is geen bewijs. Het harnas kan een API-reactie, databasewaarde, opgeslagen bestand of applicatiestatus verifiëren.
- Veilig herstellen van fouten. Denk aan verouderde pagina's, gemiste klikken, pop-ups, time-outs, gedeeltelijke inzendingen en onderbroken authenticatie.
- Rechten en inzichtelijkheid afdwingen. Logboeken, actietraces, goedkeuringspoorten en beperkt toegekende inlogrechten maken gevolgenrijke handelingen beter controleerbaar.
Er zijn aanwijzingen dat deze laag de prestaties flink kan beïnvloeden. Een studie meldde dat tien iteraties van agentic harness engineering de pass@1-score op Terminal-Bench 2 verhoogden van 69,7% naar 77,0%, boven de aangehaalde basislijn van 71,9% voor een door mensen ontworpen harnas. Het gaat om een andere benchmark en dit bevestigt InAgents OSWorld-score dus niet. Wel ondersteunt het de bredere conclusie dat runtimeontwerp grote winst kan opleveren zonder simpelweg een ander model te kiezen. 29
Waarom de combinatie van API en GUI commercieel interessant is
De gerapporteerde aantrekkingskracht van InAgent zit in een hybride werkwijze: betrouwbare programmeerinterfaces gebruiken waar die bestaan, maar ook mensachtige GUI-besturing behouden voor applicaties zonder bruikbare API. 22
Dat speelt in op een praktisch bedrijfsprobleem. Veel processen lopen dwars door moderne diensten met goede API's en oudere desktopsoftware, leveranciersportalen of interne systemen waar medewerkers in feite alleen via het scherm kunnen werken.
In theorie kan een agent per stap de meest betrouwbare route kiezen:
- een API of command gebruiken voor gestructureerd ophalen en bijwerken;
- de GUI bedienen voor een gesloten of verouderde interface;
- de uitkomst waar mogelijk toetsen aan een deterministische bronregistratie.
Onderzoek met OSWorld-MCP komt tot een vergelijkbare observatie: toolgebruik kan het succes van computeragents in sommige situaties vergroten. In de gemelde proeven steeg OpenAI o3 met MCP-tools van 8,3% naar 17,6% bij 15 stappen; Claude 4 Sonnet ging van 38,9% naar 45,0% bij 50 stappen. 24
Daar staat tegenover dat GUI-automatisering gevoelig blijft voor gewijzigde interfaces, vertraging, pop-ups, dubbelzinnige aanklikbare elementen, toegangsrechten, multifactorauthenticatie en onomkeerbare handelingen. Een hybride aanpak kan die risico's verkleinen, maar niet wegnemen.
Wat betekent 90,2% voor inzet in de praktijk?
Een voltooiingspercentage van 90,2% betekent ook dat 9,8% van de benchmarktaken niet succesvol werd afgerond. Bij hypothetisch 10.000 vergelijkbare taken zijn dat circa 980 uitzonderingen — nog voordat rekening is gehouden met fouten die ogenschijnlijk succesvol lijken, maar tot een verkeerde bedrijfsuitkomst leiden.
Dat maakt de score niet onbelangrijk. Hij suggereert dat computeragents bruikbaar kunnen worden voor afgebakende, herhaalbare processen met stevige controles. Maar hij is geen vrijbrief voor volledig onbewaakte automatisering van betalingen, juridische indieningen, veiligheidskritische handelingen of wijzigingen die klanten raken.
Teams zouden bij een productie-uitrol daarom meer moeten meten dan alleen een headline-score:
- voltooiing én inhoudelijke juistheid op de eigen processen;
- foutmodi en de mogelijkheid om veilig te herstellen;
- kosten, vertraging en aantal acties;
- toegangsgrenzen en momenten voor goedkeuring;
- bewijs dat een afgeronde actie werkelijk de bedoelde systeemstatus heeft gewijzigd;
- de omvang van de uitzonderingswachtrij en het proces om die af te handelen.
De nieuwere en moeilijkere benchmark OSWorld 2.0 onderstreept die voorzichtigheid. Die omvat 108 langlopende workflows; de hoogste gemelde score voor volledige voltooiing was 20,6% onder de primaire metriek met maximaal 500 stappen. Dat wijst erop dat agents nog ver verwijderd zijn van breed inzetbaar computergebruik op professioneel niveau zodra processen langer en realistischer worden. 17
De echte mijlpaal is uitvoeringsengineering
De gemelde 90,2% van InAgent is het best te lezen als een mijlpaal voor agent-systeemengineering. Betere prompts en rijkere context blijven belangrijk, maar betrouwbare automatisering komt in toenemende mate voort uit alles rond het model: taakontleding, toolkeuze, blijvende status, verifieerbare afronding, beperkte bevoegdheden en herstelpaden.
Voor organisaties is de nuttigste vraag dus niet alleen welk model bovenaan een benchmark staat. De vraag is of een agent een specifiek proces aantoonbaar correct kan uitvoeren, met beheerste neveneffecten en een veilige overdracht aan een medewerker zodra hij niet verder kan. Een hoge OSWorld-score kan daarbij richting geven, maar bewijst dat op zichzelf niet.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "InAgent claimt 90,2% op OSWorld: waarom de agent-harnaslaag nu cruciaal is"?
Intelligence Indeed meldt dat zijn InAgent/Z Agent 90,2% behaalde op de 361 takenconfiguratie van OSWorld: de eerste gerapporteerde score boven 90%.
What are the key points to validate first?
Intelligence Indeed meldt dat zijn InAgent/Z Agent 90,2% behaalde op de 361 takenconfiguratie van OSWorld: de eerste gerapporteerde score boven 90%. OSWorld toetst agents in echte desktopomgevingen en beoordeelt de uiteindelijke systeemtoestand, niet alleen het tekstuele antwoord van een model.
What should I do next in practice?
Een score van 90,2% laat nog altijd 9,8% mislukte taken over. Voor risicovolle processen blijven controlepunten, rechtenbeheer, uitzonderingsafhandeling en menselijke goedkeuring nodig.
Sources
globenewswire.comIntelligence Indeed's Z-Agent Becomes OSWorld's First 90%+
benchlm.aiOSWorld-Verified Leaderboard & Scores — August 2026
arxiv.orgOSWorld-Human: Benchmarking the Efficiency of Computer-Use ...
osworld-v1.xlang.aiOSWorld: Benchmarking Multimodal Agents for Open-Ended ...