Stel je voor: je geeft een AI-agent één enkele vaardigheid. Als hij een markt op Polymarket tegenkomt die hij niet begrijpt, schrijft hij zichzelf een compleet nieuwe module. Een maand later ontdek je 11 modules die je zelf nooit had gemaakt. Resultaat? $2300 winst met een maandelijkse kost van slechts $190.
Dit is geen sciencefiction, maar de realiteit van een zelflerend Claude Code Agent. In deze blogpost duiken we in deze fascinerende case study en ontdekken we wat we kunnen leren van een AI die zelfstandig nieuwe niches verkent.
De kracht van zelf-spawning AI-architecturen
Het verhaal begint met een simpele opdracht aan een Claude Code Agent: analyseer markten op Polymarket en voorspel uitkomsten. Maar in plaats van alleen te werken met bestaande kennis, kreeg de agent één meta-vaardigheid: hij mocht zelf nieuwe modules schrijven wanneer hij een onbekende marktcategorie tegenkwam.
Dit wordt mogelijk gemaakt door een self-spawning architecture. De agent gebruikt een meta-skill generator die op basis van een tekstuele taakomschrijving volledig nieuwe vaardigheden kan creëren.
Hoe het proces precies werkt
Wanneer de agent een onbekende markt tegenkomt, doorloopt hij een gestructureerd proces van vijf stappen:
- Classification layer: De agent identificeert de categorie van de markt en constateert dat hij geen geschikt analyse-module heeft.
- Data source discovery: Hij zoekt naar relevante API's, open databronnen, RSS-feeds en nieuwsaggregators.
- Skill generation: De AI schrijft zelf een parser en een analytische module die specifiek is toegesneden op dit type markt.
- Backtesting: Het nieuwe module wordt getest tegen historische opgeloste markten in dezelfde categorie, waarbij de verwachte waarde (EV) en winrate worden berekend.
- Auto-deployment: Voldoet het module aan de gestelde drempelwaarden, dan koppelt het zichzelf automatisch aan de hoofd-pipeline.
Het hele proces duurt tussen de 15 en 40 minuten en verloopt volledig autonoom.
Verrassende niches die winstgevend bleken
Het meest interessante aan dit experiment is niet dat de technologie werkt, maar welke niches de AI interessant vond.
Weermarkten: van 'junk' naar $480 winst
De maker van het systeem zag weermarkten altijd als onvoorspelbaar en niet de moeite waard. De AI dacht daar duidelijk anders over. Het module trok NOAA-data (National Oceanic and Atmospheric Administration) binnen, bouwde een correlatiemodel en wist in één maand maar liefst $480 te verdienen uit deze categorie.
Dit laat zien hoe menselijke bias ons kan beperken. Wat wij als te riskant of te complex beschouwen, kan voor een AI met toegang tot de juiste databronnen juist een kansrijk terrein zijn.
Filmprijzen en award-markten
Een andere onverwachte niche waren markten rond filmawards. De meeste traders zouden deze waarschijnlijk links laten liggen. Het AI-module echter parseert critic-aggregators, Metacritic-scores, bookmakers-odds en vergelijkt deze met de impliciete waarschijnlijkheden op Polymarket.
Door discrepanties te vinden tussen verschillende informatiebronnen, wist het module waarde te ontdekken waar mensen die niet zagen.
Naast deze twee voorbeelden ontstonden er nog 9 andere modules, waaronder een die gespecialiseerd is in het analyseren van FDA-beslissingen (goedkeuringen van medicijnen door de Amerikaanse voedsel- en warenautoriteit).
De financiële kant: $190 kosten vs $2300 opbrengst
Een van de meest indrukwekkende aspecten van dit verhaal is de efficiëntie. Het volledige systeem, inclusief alle agents en infrastructuur, kost slechts $190 per maand. In één maand leverden de 11 zelfgeschreven modules $2300 op.
Dat is een ROI (return on investment) die veel professionele traders jaloers zou maken. En het mooiste is: de maker hoeft zelf nauwelijks meer in te grijpen. Hij weet inmiddels niet eens meer precies hoeveel agents hij eigenlijk heeft draaien.
Dit toont aan dat de toekomst van trading mogelijk niet ligt in het zelf vinden van de beste markten, maar in het bouwen van systemen die zelfstandig nieuwe kansen kunnen ontdekken en benutten.
Van handmatig kopiëren naar volledige autonomie
Interessant is hoe het experiment begon. De maker zocht eerst naar een bestaande wallet die succesvol handelde over meerdere niches tegelijkertijd, om te begrijpen hoe een multi-categorie aanpak eruitziet.
Hij vond een succesvolle trader en kopieerde via een bot diens trades om de strategie te testen op zijn eigen account. Dit was een tussenstap voordat zijn eigen AI-systeem de vaardigheid ontwikkelde om zelfstandig modules te creëren.
Dit laat zien dat zelfs bij geavanceerde AI-toepassingen een leertraject nodig is. Van imitatie naar innovatie – een patroon dat we in veel AI-ontwikkelingen terugzien.
Wat betekent dit voor de toekomst van AI in trading?
Deze case study laat zien hoe snel AI-systemen evolueren van simpele uitvoerders naar autonome creators. Een agent die niet alleen markten analyseert, maar ook zijn eigen toolkit uitbreidt, opent compleet nieuwe mogelijkheden.
We staan nog maar aan het begin van deze ontwikkeling. Stel je voor wat er gebeurt als deze systemen nog geavanceerder worden en met elkaar kunnen samenwerken, elkaars modules kunnen verbeteren of zelfs nieuwe businessmodellen kunnen ontwikkelen.
De belangrijkste les uit dit verhaal is misschien wel: de meest winstgevende beslissing is soms niet om zelf de beste markten te vinden, maar om een AI de vrijheid te geven om te bepalen welke markten het waard zijn om te onderzoeken.
Conclusie: Geef je AI de ruimte om te innoveren
Deze zelf-spawning AI laat zien dat we de manier waarop we tegen automatisering aankijken volledig moeten herzien. In plaats van AI alleen te gebruiken als een slimme tool, kunnen we systemen bouwen die zichzelf verbeteren en aanpassen aan nieuwe omstandigheden.
Wil jij ook experimenteren met autonome AI-systemen? Begin klein. Kies één taak waarvoor je een agent kunt inzetten en geef hem de meta-vaardigheid om zichzelf te verbeteren wanneer hij vastloopt. Je weet nooit welke onverwachte modules hij voor je gaat schrijven.
Heb jij al ervaring met autonome AI-agents? Deel je ervaringen in de comments hieronder. Welke taak zou jij als eerste aan een zelflerende AI toevertrouwen?
Dit artikel is geïnspireerd op een waargebeurd experiment met Claude Code Agent en Polymarket. Resultaten uit het verleden bieden geen garantie voor de toekomst.