Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Redeneren, code-uitvoering en webzoekopdrachten: geautomatiseerde workflows

Les 7 van 12 Bijgewerkt op 5 november 2026 Gemiddeld
Op deze pagina
  1. Wanneer redeneren tools ontmoet
  2. Drie complementaire rollen
  3. Hoe het model beslist een tool te gebruiken
  4. Wat de combinatie mogelijk maakt
  5. De tools inschakelen en beheersen
  6. Aan de slag
  7. Belangrijkste punten

Wanneer redeneren tools ontmoet

Het combineren van redeneren op hoog niveau met code-uitvoering en webzoekopdrachten transformeert een taalmodel tot een agent die kan rekenen, zoeken en resultaten kan samenvoegen tot één conclusie. Deze les laat u zien hoe u van die synergie gebruikmaakt. Eerst een opmerking over de terminologie: in ChatGPT heet code-uitvoering Data Analysis en zoeken heet Search; in de API zijn dit de tools Code Interpreter en Web Search. Vorige generaties reserveerden deze rol voor toegewijde redeneermodellen zoals o3; tegenwoordig is het een instelling die voor elk model beschikbaar is.

Drie complementaire rollen

De eerste pijler is het model zelf. Op een hoog redeneerniveau fungeert het als het brein: het redeneert, plant, beslist welke acties het moet ondernemen en orchestreert het hele proces.

Code-uitvoering dient als de handen. Het draait Python in een geïsoleerde omgeving, waardoor het uw Excel-, CSV- of JSON-bestanden kan manipuleren, complexe berekeningen kan uitvoeren, grafieken en visualisaties kan maken, en gegevens kan opschonen of transformeren voordat ze worden geanalyseerd. Webzoekopdrachten fungeren als de ogen: ze bieden toegang tot realtime informatie, of u nu actuele gegevens nodig heeft, feitencontrole wilt uitvoeren, informatie uit meerdere bronnen wilt verzamelen, of toegang nodig heeft tot openbare websites en databases.

Hoe het model beslist een tool te gebruiken

U hoeft de tool doorgaans niet bij naam te noemen: het model detecteert wanneer een berekening of recente informatie nodig is en roept de tool op het juiste moment aan. Als u de voorkeur geeft aan een specifieke tool, zeg het dan: “voer de berekening uit in Python”, “zoek op het web”. Aan de API-kant gaat de Responses API verder met Programmatic Tool Calling: het model schrijft een JavaScript-programma, uitgevoerd in een geïsoleerde omgeving, dat de tools aanroept—potentieel parallel—en tussenresultaten filtert, in plaats van ze één voor één aan te roepen.

Een verzoek om een uitgebreide financiële analyse illustreert deze volgorde goed.

“Hier zijn mijn verkoopgegevens van de afgelopen 12 maanden (Excel). Analyseer de trends, bereken het gemiddelde maandelijkse groeipercentage, voorspel de verkoop voor de komende 3 maanden en zoek op het web naar branchevoorspellingen om deze te vergelijken. Produces een rapport met grafieken.”

Het model kan vervolgens een dergelijke reeks uitvoeren zonder dat u deze hoeft op te splitsen; de exacte volgorde verschilt per verzoek.

Redeneren tussen tools Vier stappen in een lus: redeneer om te begrijpen en te plannen; bereken in Python op uw bestanden; zoek op het web naar recente gegevens; concludeer door te vergelijken en te schrijven. Redeneren keert terug tussen elke tool-aanroep om de volgende stap te bepalen. CODE EN WEBZOEKOPDRACHTEN Redeneren tussen tools 1 Redeneer Begrijp en plan 2 Bereken Python op uw bestanden 3 Zoek Recente gegevens van het web 4 Concludeer Vergelijk, schrijf Redeneren keert terug tussen elke tool-aanroep om de volgende stap te bepalen De Python-omgeving heeft geen toegang tot het web: externe gegevens komen via zoeken binnen.
Gebaseerd op artikelen uit het OpenAI Help Center over Data Analysis en Web Search (november 2026).
  1. Redeneer: Begrijp de structuur van het probleem
  2. Voer code uit: Laad het Excel-bestand, bereken trends, maak projecties
  3. Zoek op het web: Vind branchevoorspellingen
  4. Redeneer: Vergelijk resultaten en trek conclusies
  5. Voer code uit: Genereer grafieken
  6. Redeneer: Schrijf het eindrapport

Merk de afwisseling op: redeneren gebeurt niet alleen aan het begin; het keert terug tussen elke tool-aanroep om de volgende stap te bepalen. Dit ritme onderscheidt een agent van een simpele uitvoerder.

Wat de combinatie mogelijk maakt

Geautomatiseerde benchmarking is de meest directe use case, aangezien dit vereist dat u uw cijfers vergelijkt met externe gegevens.

“Hier zijn de financiële prestatie-indicatoren van mijn bedrijf (Excel-bestand). Zoek op het web naar gemiddelde financiële ratio’s in onze sector (B2B SaaS in Europa) en vergelijk deze met die van ons. Produceer een benchmarking-tabel met kleurencodering: groen als we boven het gemiddelde zitten, rood als we eronder zitten.”

Concurrentie-inlichtingen krijgen een nieuwe dimensie wanneer ze worden ondersteund door uw eigen gegevens: in plaats van alleen aankondigingen te verzamelen, meet u hun impact.

“Zoek naar de laatste aankondigingen van onze 3 concurrenten (Concurrent A, Concurrent B, Concurrent C) van de afgelopen 30 dagen. Kruis dit met onze webverkeersgegevens (bijgevoegd CSV-bestand) om te identificeren of hun aankondigingen onze traffic hebben beïnvloed.”

De derde typische use case is een datagedreven rapport met visualisaties, waarbij code-uitvoering het zware werk voor uw interne gegevens verricht.

“Hier zijn onze HR-gegevens (Excel-bestand). Bereken het verlooppercentage per afdeling, de gemiddelde kosten van vervanging (aanname: 6 maanden salaris) en projecteer de budgetimpact. Genereer een grafiek per afdeling en een overzichtstabel.”

De tools inschakelen en beheersen

In ChatGPT wordt Data Analysis geactiveerd wanneer een bestand of berekening daarom vraagt; controleer in een enterprise-werkomgeving of een beheerder dit niet heeft uitgeschakeld. Webzoeken wordt geactiveerd wanneer het model behoefte detecteert aan recente informatie, en u kunt dit forceren met de +-knop, gevolgd door Search. Aan de API-kant worden beide tools in het verzoek gedeclareerd. Voor het redeneerniveau categoriseert OpenAI toolgebruik en zoeken als low wanneer snelheid voorop staat, en beveelt medium aan wanneer planning en oordeelsvorming belangrijk zijn—wat het geval is bij workflows met meerdere tools.

Deze tools hebben duidelijke grenzen die u moet kennen. De Python-omgeving voor Data Analysis heeft geen toegang tot internet: deze werkt alleen met de bestanden die u verstrekt, en externe gegevens moeten via zoeken of uw eigen imports binnenkomen. De responstijden nemen aanzienlijk toe wanneer alle drie worden gecombineerd, en quota’s worden sneller verbruikt, vooral op hogere redeneerniveaus.

Aan de slag

Alle drie de bouwstenen samen. Test de volledige combinatie op een casus waarbij redeneren, code en zoeken allemaal essentieel zijn.

“Hier is een CSV-bestand met mijn maandelijkse uitgaven over 12 maanden. (1) Analyseer trends in Python en genereer een grafiek. (2) Zoek op het web naar het inflatiepercentage in Frankrijk voor elke bijbehorende maand. (3) Bereken mijn op inflatie gecorrigeerde uitgaven. (4) Produceer een rapport dat nominale en reële uitgaven vergelijkt.”

Als u geen CSV-bestand bij de hand heeft, vraag het model dan eerst om een realistisch bestand te genereren. Houd tijdens de oefening drie reflexen in gedachten. Verifieer berekeningen: een verkeerde formule die netjes wordt uitgevoerd, blijft een verkeerde formule. Controleer zoekbronnen kruislings, aangezien resultaten verouderd of onnauwkeurig kunnen zijn. En haal gegenereerde bestanden—grafieken, tabellen—op voordat u het gesprek afsluit. Eén laatste advies geldt voor alles: zelfs wanneer het model zijn eigen tools beheert, leveren complexe workflows betere resultaten op wanneer ze in stappen worden opgedeeld in plaats van in één gigantische prompt te worden geperst.

Officiële bronnen: Data analysis with ChatGPT (OpenAI Help Center: geïsoleerde Python, geen webtoegang) · Searching the web with ChatGPT · Code Interpreter en Web search (API-tools) · Programmatic Tool Calling · Reasoning models (inspanningsniveaus en tools)

Belangrijkste punten

  • Een hoog redeneerniveau combineert denken, code-uitvoering en webzoekopdrachten autonoom
  • Het model beslist automatisch wanneer het elke tool gebruikt; aan de API-kant laat Programmatic Tool Calling het tools via code orchestren
  • Code-uitvoering (Data Analysis, Code Interpreter) manipuleert bestanden en maakt grafieken zonder webtoegang; zoeken brengt recente informatie binnen
  • Begin voor workflows met meerdere tools met medium, het niveau dat OpenAI aanbeveelt wanneer planning belangrijk is
  • Verifieer altijd resultaten—tools versterken zowel de kracht als het risico op fouten