Databricks brengt Omnigent uit, een open-source laag die coding-agenten als Claude Code en Codex onder één dak aanstuurt. Met budgetlimieten en goedkeuringsregels ingebouwd, en zonder vendor lock-in.
Wie serieus met AI werkt, jongleert al snel met meerdere tools tegelijk: de ene agent voor code, de andere voor research, een derde voor een specifieke taak. In de praktijk betekent dat veel kopiëren en plakken tussen losse vensters, geen overzicht, en geen grip op kosten of risico's. Databricks bracht op 13 juni Omnigent uit, een open-source 'meta-harness' die precies dat probleem aanpakt: één laag boven al je AI-agenten, zodat je ze samen aanstuurt in plaats van apart.
Wat Omnigent precies doet
Omnigent is geen nieuwe AI-agent, maar een orkestratielaag eronder. De software draait bestaande coding-agenten zoals Claude Code, Codex en Pi, plus agenten die je zelf schrijft, en coördineert ze als onderling uitwisselbare 'werkers' onder één regisseur. Je kunt met één regel wisselen van model of harness, meerdere agenten in dezelfde sessie laten samenwerken, en een sessie die je in de terminal start gewoon voortzetten in de browser of op je telefoon.
De software is uitgebracht onder de Apache 2.0-licentie, de meest vrije open-source-licentie die er is. Databricks bouwde het naar eigen zeggen eerst voor intern gebruik en heeft het daarna opengezet. De auteurs zijn Matei Zaharia, CTO en medeoprichter van Databricks en de bedenker van Apache Spark, en collega Kasey Uhlenhuth. Ook CEO Ali Ghodsi prees het project publiekelijk aan.
De governance zit ingebouwd
Het interessantste voor bedrijven zit niet in de orkestratie zelf, maar in de controlelaag eromheen. Omnigent laat je beleidsregels instellen: pauzeer voor goedkeuring vóór een riskante actie, leg een uitgavenplafond op, of beperk welke tools een agent mag aanraken. Agenten draaien daarbij in afgeschermde cloud-sandboxes (via Modal of Daytona) met sandboxing op besturingssysteemniveau en onderschepping van netwerkverkeer.
Dat klinkt technisch, maar het raakt een heel praktisch punt. Een AI-agent die zelfstandig code schrijft, bestanden aanraakt of API's aanroept, kan ook fouten maken of onverwacht veel kosten. Een harde rem (eerst goedkeuren, maximaal zoveel uitgeven) is precies wat veel organisaties missen wanneer ze met autonome agenten experimenteren. Autonome agenten die in een demo alles regelen, laten in de praktijk handmatig werk in de mailbox liggen — en precies dat is waarom een harde rem op acties en uitgaven zoveel verschil maakt.
Waarom dit voor jouw bedrijf telt
De kern van Omnigent is dat je niet vastzit aan één leverancier. Je kunt agenten van verschillende makers door elkaar gebruiken en wisselen zonder code te herschrijven. Voor een Nederlands bedrijf dat AI inzet, of dat nu een MKB-onderneming is of een afdeling binnen een groter concern, is dat een serieus argument. De kosten van AI-abonnementen lopen op en veel organisaties wijken daarom uit naar open-weight en goedkopere modellen. Een open laag die merken door elkaar laat lopen, past in diezelfde beweging weg van vendor lock-in.
Een kanttekening: Omnigent is nog alpha, en het opzetten vraagt technische kennis. Je hebt Python 3.12 of nieuwer nodig, Node.js en wat command-line-werk; installeren kan via uv, pip of Homebrew. Dit is geen kant-en-klare knop voor de niet-technische gebruiker, maar een fundament voor wie zelf bouwt of laat bouwen. Dat het open source en zelf te draaien is, betekent wel dat je het volledig in eigen hand houdt: geen maandelijkse rekening aan een externe partij, en de code blijft van jou.
Mijn nuchtere advies: ga hier niet meteen je hele werkwijze op bouwen, maar houd het in de gaten. Dat een zwaargewicht als Databricks deze laag openlegt onder Apache 2.0, zegt iets over de richting. Orkestratie en governance over meerdere AI-tools heen wordt het echte werk zodra je voorbij losse experimenten bent.
