OpenAI Agents SDK verbetert beheer met sandbox-uitvoering

Sophie Jansen · 2026-04-16

OpenAI introduceert sandbox-uitvoering waarmee governance-teams geautomatiseerde workflows met gecontroleerd risico kunnen inzetten. Dit is een grote stap voor bedrijven die AI veilig willen integreren zonder in te leveren op flexibiliteit. ### Waarom sandbox-uitvoering essentieel is Teams die systemen van prototype naar productie brengen, stonden voor lastige architectuurkeuzes. Model-agnostische frameworks boden initiële flexibiliteit, maar benutten de kracht van geavanceerde modellen niet volledig. SDK's van modelproviders bleven dichter bij het onderliggende model, maar misten vaak voldoende zicht op de besturingslaag. Managed agent API's maakten implementatie eenvoudiger, maar beperkten waar systemen konden draaien en hoe ze gevoelige bedrijfsgegevens benaderden. OpenAI lost dit op met nieuwe mogelijkheden in de Agents SDK. Deze biedt ontwikkelaars gestandaardiseerde infrastructuur met een model-native harness en native sandbox-uitvoering. De vernieuwde infrastructuur stemt uitvoering af op het natuurlijke werkpatroon van de onderliggende modellen, wat de betrouwbaarheid verbetert bij taken die coördinatie over diverse systemen vereisen.  ### Praktijkvoorbeeld: Oscar Health Oscar Health, een zorgverlener, testte de nieuwe infrastructuur om een klinisch documentatieproces te automatiseren dat oudere methodes niet betrouwbaar aankonden. Het engineeringteam moest het geautomatiseerde systeem de juiste metadata laten extraheren en tegelijkertijd de grenzen van patiëntbezoeken in complexe medische dossiers correct begrijpen. Door dit proces te automatiseren, kon de zorgverlener patiëntgeschiedenissen sneller verwerken, wat de zorgcoördinatie versnelde en de algehele ledenervaring verbeterde. Rachael Burns, Staff Engineer & AI Tech Lead bij Oscar Health, zegt: "De vernieuwde Agents SDK maakte het voor ons productie-geschikt om een kritisch klinisch documentatieproces te automatiseren dat eerdere benaderingen niet betrouwbaar genoeg aankonden. Het verschil was niet alleen het extraheren van de juiste metadata, maar het correct begrijpen van de grenzen van elk bezoek in lange, complexe dossiers. Hierdoor kunnen we sneller begrijpen wat er met elke patiënt gebeurt tijdens een bezoek, wat leden helpt met hun zorgbehoeften en hun ervaring met ons verbetert." ### Hoe de model-native harness optimaliseert Om deze systemen te implementeren, moeten engineers vector databases synchroniseren, hallucinatierisico's beheersen en dure rekencycli optimaliseren. Zonder standaardframeworks bouwen interne teams vaak fragiele, aangepaste connectoren. De nieuwe model-native harness verlicht deze wrijving door configureerbaar geheugen, sandbox-bewuste orchestratie en Codex-achtige bestandssysteemtools te introduceren. Ontwikkelaars kunnen gestandaardiseerde primitieven integreren zoals toolgebruik via MCP, aangepaste instructies via AGENTS.md en bestandbewerkingen met de apply patch tool. Progressieve onthulling via vaardigheden en code-uitvoering met de shell tool stelt het systeem in staat complexe taken sequentieel uit te voeren. Deze standaardisatie stelt engineeringteams in staat minder tijd te besteden aan het updaten van kerninfrastructuur en zich te richten op domeinspecifieke logica die direct waarde toevoegt. ### Integratie met bestaande systemen Het integreren van een autonoom programma in een legacy tech stack vereist nauwkeurige routering. Wanneer een autonoom proces ongestructureerde data benadert, vertrouwt het sterk op retrieveringssystemen om relevante context te halen. Om de integratie van diverse architecturen te beheren en de operationele reikwijdte te beperken, introduceert de SDK een Manifest abstractie. Deze abstractie standaardiseert hoe ontwikkelaars de werkruimte beschrijven, waardoor ze lokale bestanden kunnen koppelen en uitvoermappen kunnen definiëren. Teams kunnen deze omgevingen direct verbinden met grote enterprise opslagproviders, waaronder AWS S3, Azure Blob Storage, Google Cloud Storage en Cloudflare R2. Het creëren van een voorspelbare werkruimte geeft het model exacte parameters om inputs te lokaliseren, outputs te schrijven en organisatie te behouden tijdens langdurige operaties. Dit vermindert fouten en verhoogt de efficiëntie aanzienlijk.