GPT-5.6 programmatic tool calling: de complete gids voor EU-enterprises

Executive Summary / Direct Antwoord: GPT-5.6, beschikbaar sinds 9 juli 2026, introduceert een drie-tier modelfamilie (Sol, Terra, Luna) met twee krachtige nieuwe primitieven: Programmatic Tool Calling en native Multi-agent in de Responses API. Samen reduceren ze tokengebruik met 24% en versnellen ze complexe workflows met 28%, terwijl Zero Data Retention en EU-dataresidentie GDPR- en AI Act-compliance mogelijk maken.

Wat is GPT-5.6 en wat zijn Sol, Terra en Luna?

GPT-5.6 is geen enkel model, maar een complete modelfamilie met drie duurzame capability-tiers. Sol is het vlaggenschip voor complexe redenering, Terra is de gebalanceerde dagelijkse workhorse, en Luna is de snelste en goedkoopste optie voor hoge volumes. De generatie-aanduiding "5.6" staat voor OpenAI's progressie, terwijl de tiernamen onafhankelijk van elkaar kunnen worden bijgewerkt.

De reden voor deze driedeling is simpel: niet elke taak vereist de duurste intelligentie. Een securityanalyse over tientallen kwetsbaarheden vraagt om Sol. Code reviews en documentatiegeneratie draaien prima op Terra. Classificatie van supporttickets en log-analyse? Dat is werk voor Luna. Routing is dus geen bijzaak meer, maar een first-class engineering-beslissing.

Qua prijs per miljoen tokens: Sol kost $5 input en $30 output, Terra $2,50 input en $15 output, en Luna $1 input en $6 output. Terra levert prestaties die vergelijkbaar zijn met GPT-5.5, maar voor ruwweg de helft van de prijs. Dat maakt intelligente model-routing tot een van de krachtigste kostenoptimalisaties die je kunt doorvoeren, iets wat we eerder al behandelden in onze analyse van open-source versus proprietary LLM-keuzes.

"GPT-5.6 Sol is really, really good. It's the most tenacious problem-solver we've seen yet. Terra and Luna also punch well above their price. Many agents running GPT-5.5 perform just as well on Terra for half the cost and 16% fewer tokens." — Simon Last, Co-Founder at Notion

Hoe werkt Programmatic Tool Calling precies?

Programmatic Tool Calling is de meest significante technische verandering in GPT-5.6. In plaats van dat het model voor elke tool-aanroep een aparte model-invocatie nodig heeft, genereert het nu JavaScript-code die meerdere tools coördineert in een gehoste V8-runtime.

Concreet werkt het zo: je voegt de speciale hosted tool programmatic_tool_calling toe aan de tools-lijst in je Responses API-request. Vervolgens geef je elk tool-definitie een allowed_callers-veld dat bepaalt wie de tool mag aanroepen. Stel je dit in op ["programmatic"], dan kan alleen code in een program-item de tool aanroepen. Stel je het in op ["direct", "programmatic"], dan kan het model de tool zowel direct als via code aanroepen. Schrijf-operaties, verwijderingen en andere impactvolle acties beperk je tot ["direct"], zodat menselijke goedkeuring altijd verplicht is.

Wanneer het model besluit Programmatic Tool Calling te gebruiken, bevat de output-array drie speciale item-types. Eerst een program-item met de gegenereerde JavaScript-code, een call_id en een opaque fingerprint voor replay. Dan een of meerdere function_call-items die de tools aanroepen, elk met een caller-structuur die verwijst naar de call_id van het uitvoerende programma. Ten slotte een program_output-item met het eindresultaat en een status-veld van completed of incomplete.

Het grote voordeel: tussenresultaten blijven in de gehoste runtime zonder de context-window van het model te belasten. Tools kunnen parallel worden aangeroepen in plaats van sequentieel via aparte model-turns. OpenAI's interne tests laten zien dat dit de kwaliteit gelijk houdt terwijl het 24% minder output-tokens verbruikt en taken 28% sneller afrondt.

"With Programmatic Tool Calling, it matched quality while using 24% fewer output tokens and completing tasks 28% faster. That combination of accuracy, speed, and efficiency is exactly what we need to scale high-quality financial analysis." — Alex Wang, Applied AI at Rogo

Hoe configureer je de tool-calling loop in de praktijk?

De executie-lifecycle volgt een deterministisch patroon van zes stappen. Je stuurt een request met de hosted programmatic tool en de functies die programmatische aanroepen toestaan. Het model antwoordt met een program-item en mogelijk meerdere function_call-items. Jouw client voert elke geretourneerde client-owned function call uit. Je retourneert elk resultaat via function_call_output met de originele call_id en caller-structuur, zodat de gehoste runtime het correcte programma kan hervatten. Bevat de response geen openstaande function_call-items en geen finaal message-item, dan ga je verder. Je stopt zodra de response een finaal message-item bevat.

Hier is een minimale implementatie in Python die dit patroon laat zien:

import json
from openai import OpenAI

client = OpenAI()

tools = [
    {
        "type": "function",
        "name": "get_inventory",
        "description": "Return an object with sku (string) and available_units (number).",
        "parameters": {
            "type": "object",
            "properties": {"sku": {"type": "string"}},
            "required": ["sku"],
            "additionalProperties": False,
        },
        "output_schema": {
            "type": "object",
            "properties": {
                "sku": {"type": "string"},
                "available_units": {"type": "number"},
            },
            "required": ["sku", "available_units"],
            "additionalProperties": False,
        },
        "allowed_callers": ["programmatic"],
    },
    {"type": "programmatic_tool_calling"},
]

input_items = [{"role": "user", "content": "Check inventory for sku_123."}]

while True:
    response = client.responses.create(
        model="gpt-5.6-terra",
        store=False,  # Zero Data Retention voor EU-compliance
        input=input_items,
        tools=tools,
    )

    input_items.extend(
        item.model_dump(exclude_none=True) for item in response.output
    )

    calls = [item for item in response.output if item.type == "function_call"]
    if not calls:
        message = next((i for i in response.output if i.type == "message"), None)
        if message:
            print(response.output_text)
            break
        continue

    for call in calls:
        # Jouw tool-implementatie hier
        result = {"sku": "sku_123", "available_units": 42}
        input_items.append({
            "type": "function_call_output",
            "call_id": call.call_id,
            "output": json.dumps(result),
            "caller": call.caller.model_dump() if call.caller else None,
        })

De store=False instelling is cruciaal voor EU-omgevingen: dit activeert stateless continuation en is een vereiste bouwsteen voor Zero Data Retention-workflows. Combineer dit met projectniveau ZDR-instellingen in het OpenAI-platform voor volledige compliance.

Wanneer gebruik je directe tool calling versus programmatisch?

De keuze tussen de twee modi is geen voorkeur maar een architectuurbeslissing. OpenAI's eigen documentatie geeft hier een duidelijk kader voor.

Een veelgemaakte fout is het geven van vage instructies zoals "gebruik Programmatic Tool Calling efficiënt". OpenAI waarschuwt hier expliciet voor. Definieer in je system-prompt exact welke workflow-stappen programmatisch zijn, welke tools beschikbaar zijn, wat het vereiste resultaatformaat is en wat de failure-strategie is. Prompts zijn gestructureerde contracten, geen open suggesties.

Voor je LLM-observability en cost attribution betekent dit dat je per request moet loggen welke route werd gekozen, welke tools werden aangeroepen, hoeveel tokens elk item kostte en of de menselijke goedkeuringsstap werd geactiveerd.

Hoe werkt Multi-agent in de Responses API?

Multi-agent is beschikbaar als betafunctie voor alle GPT-5.6-modellen. Het stelt een root-agent in staat om subagenten te spawnen die parallel werken, met als resultaat dat één request de output van meerdere specialisten combineert in één samenhangend antwoord.

Activeren doe je met twee configuraties: zet multi_agent.enabled op true in je Responses API-request, en stuur bij raw HTTP-verbindingen de header OpenAI-Beta: responses_multi_agent=v1 mee. Wanneer Multi-agent is ingeschakeld, kan de root-agent een boom van subagenten aanmaken. Die subagenten delen het model, de tools en de context van het request, maar focussen elk op een deeltaak.

Een praktijkvoorbeeld: stel je wilt een beveiligingsaudit van een monoliet. De root-agent (Sol) spawnt vier subagenten tegelijk. Eén brengt de codebase in kaart, één zoekt bekende kwetsbaarheden, één documenteert de huidige architectuur, en één stelt migratiestappen voor. Zodra alle vier klaar zijn, synthetiseert de root-agent hun output tot een samenhangend rapport, in minder tijd dan een sequentiële aanpak zou kosten.

Vanuit de Agents SDK kun je subagenten ook als tools representeren via de as_tool-methode. Dit stelt de orchestrator in staat hen te beschrijven met een naam en doel, en hen aan te roepen zoals elke andere tool. De subagenten communiceren nooit direct met de eindgebruiker: ze retourneren gestructureerde resultaten aan de root-agent, die als enige de gebruikersinterface controleert.

Multi-agent interageert ook met Programmatic Tool Calling. Een subagent voor data-verwerking kan Programmatic Tool Calling gebruiken om loops over inventarisdata uit te voeren, terwijl de root-agent directe tool calling reserveert voor goedkeuringsplichtige beslissingen. Combineer de twee op de plekken waar de controleflow voorspelbaar is.

Wat is de ideale referentiearchitectuur: Sol, Terra en Luna als team?

De meest kosten-efficiënte productie-architectuur met GPT-5.6 behandelt Sol als strategisch coördinatielaag en Terra en Luna als gespecialiseerde uitvoerders.

In de praktijk: de root-agent draait op Sol en krijgt system-instructies die hem definiëren als orchestrator. Hij parseert de gebruikersintentie, bepaalt of deeltaken naar subagenten gaan, beoordeelt hun output en synthetiseert het eindresultaat. Subagenten kunnen zijn: een "coding agent" op Terra voor dagelijkse ontwikkelwerk, een "summarization agent" op Luna voor bulktekstverwerking, en een "search agent" die modelquery's combineert met externe vectorretrieval.

Programmatic Tool Calling past hier binnen specifieke stadia. De coding agent op Terra gebruikt het om meerdere repository-analysetools te coördineren, terwijl tussenresultaten buiten de context-window blijven. Een data-preparation agent leest meerdere CSV-bestanden, filtert en aggregeert ze, en retourneert een compacte samenvatting aan Sol. Sol interpreteert vervolgens de resultaten met zijn volledige redeneercapaciteit.

Vanuit enterprise-perspectief vereenvoudigt dit ook cost-management. Sol is de duurste tier en wordt alleen ingezet waar frontier-redenering echt nodig is. Security-teams kunnen hun review-inspanning concentreren op het gedrag van één root-agent, ook als subagenten gespecialiseerde taken uitvoeren. Alle logs vangen per request: het plan van de orchestrator, subagent-toewijzingen, tool-aanroepen met input en output, en de finale synthese.

Dit sluit goed aan op de architectuurprincipes die we uitwerken in onze gids over production-ready AI agents.

Hoe beveilig je GPT-5.6-workflows tegen prompt injection en n8n-kwetsbaarheden?

GPT-5.6 scoort indrukwekkend op offensieve security-benchmarks: 73,5% op ExploitBench versus 47,9% voor GPT-5.5. Maar productieworkflows moeten juist weerstand bieden aan dergelijke aanvallen. Twee recente incidenten illustreren de risico's.

In GitLost ontdekte Noma Labs dat GitHub's agentic workflows konden worden misleid via een indirect prompt injection-aanval. Een aanvaller postte een speciaal gecraftde GitHub Issue in een publieke repository. De agent haalde vervolgens README.md-bestanden op uit zowel publieke als private repositories van dezelfde organisatie en plaatste die als publiek commentaar. Geen credentials nodig. Alleen een issue openen in een publieke repository van een organisatie die agentic workflows gebruikt.

De kernles: behandel gebruikers-gecontroleerde content nooit als vertrouwde instructie-input voor een AI-agent. Orchestrator-prompts moeten een harde grens trekken tussen vertrouwde configuratie en onvertrouwde gebruikersinput. Tools die interageren met repositories of ticketing-systemen hebben strikte filters nodig op wat gelezen en geschreven mag worden.

Naast prompt injection zijn de omringende platforms zelf een risico. In maart 2026 werden meerdere kritieke kwetsbaarheden in n8n gepubliceerd. CVE-2026-27577 (CVSS 9.4) is een sandbox escape in de expression compiler waardoor elke geauthenticeerde gebruiker met workflow-rechten willekeurige code kan uitvoeren op de host. CVE-2026-27493 (CVSS 9.5) maakt unauthenticated expression injection mogelijk via publieke Form-nodes. Beide kwetsbaarheden treffen versies onder 1.123.22, versies 2.0.0 tot 2.9.3, en versies 2.10.0 tot 2.10.1. De fix is in versies 2.10.1, 2.9.3 en 1.123.22.

Voor GPT-5.6-agents geïntegreerd in n8n zijn er drie directe maatregelen. Upgrade naar een gefixt versienummer en schakel high-risk nodes zoals Form en Merge uit via NODES_EXCLUDE tenzij strikt noodzakelijk. Beperk workflow-aanmaak en -bewerking tot volledig vertrouwde gebruikers. Isoleer agentic workflows in geharde omgevingen met beperkte OS-rechten en netwerktoegang. Dit is een concrete uitwerking van de machine identity security-principes die voor productie-AI-systemen onmisbaar zijn.

Binnen GPT-5.6 zelf zijn er nog twee ontwerpregels. Secrets, raw credentials, onnodige persoonsgegevens en brede workspace-dumps mogen nooit als tool-argument worden meegegeven. Alleen de data die strikt noodzakelijk is voor de huidige stap. En menselijke review-momenten moeten vóór onomkeerbare acties zitten, niet erna.

Wat zijn de EU AI Act-verplichtingen voor multi-agent workflows?

De EU AI Act classificeert AI-systemen op risico: minimaal, beperkt, hoog of verboden. Agentic workflows op basis van GPT-5.6 kunnen in de hoogrisico-categorie vallen als ze taken uitvoeren zoals kredietbeoordeling, recruitment-screening, essentiële dienstverlening of biometrische identificatie, zeker wanneer de output direct wordt gebruikt voor beslissingen in plaats van als advies.

Voor hoogrisico-toepassingen gelden strikte eisen: datadocumentatie, validatieprocessen, prestatiemetingen, vastgelegde faalmodi en menselijke interventiepunten. Multi-agent en Programmatic Tool Calling moeten zo worden ontworpen dat ze al deze documentatieverplichtingen ondersteunen. Dat betekent: traceerbare conversatielogs, tool-aanroepen met alle argumenten en resultaten, en duidelijke tijdlijnen per agent.

Zero Data Retention (ZDR) en data-residency-controls in het OpenAI-platform zijn de technische bouwstenen voor compliance. Onder ZDR wordt response-data niet opgeslagen buiten wat nodig is voor directe verwerking. Projectniveau-instellingen laten je ZDR of Modified Abuse Monitoring per project kiezen. Gecombineerd met regio-selectie kun je GPT-5.6-projecten ontwerpen waarvan de data in EU-regio's blijft en minimaal wordt bewaard. Voor agentic workflows die persoonsgegevens verwerken, zijn deze configuraties aantoonbare mitigerende maatregelen in DPIA's en AI Act-compliancedocumentatie.

Een concreet architectuurpatroon voor de Benelux: het orchestrator-project draait in een EU-regio met ZDR ingeschakeld voor hoogrisico-beslissingen. Subagenten voor laagrisico-taken zoals samenvatting van publieke data mogen andere retentie-instellingen gebruiken, zolang er geen persoonsgegevens worden verwerkt. De mapping van use-case-risicoclassificatie naar agent-tiers en datacontroles is de kern van compliant AI-design.

Wat GDPR/AVG betreft: tools mogen alleen de data opvragen die noodzakelijk is voor een specifieke taak. Programmatic Tool Calling-programma's mogen geen brede workspace-dumps uitvoeren wanneer slechts een paar velden nodig zijn. Betrokkenen kunnen rechten uitoefenen op verklaringen of betwisting van beslissingen; Multi-agent-outputs moeten daarvoor intern worden gelogd, ook als ZDR is ingeschakeld voor het OpenAI-platform zelf.

Voor de bredere governance-aanpak, inclusief risicoclassificatie en het opzetten van een AI-bestuursstructuur, verwijzen we naar onze uitgebreide gids over AI governance voor agentic AI-projecten.

Wat levert GPT-5.6 op voor de ROI van EU-enterprises?

De kostenlogica van GPT-5.6 draait om drie hefbomen. Ten eerste performance per dollar: Sol scoort 92,2% op BrowseComp en 62,6% op OSWorld 2.0, terwijl het 85% minder output-tokens verbruikt dan GPT-5.5 op OSWorld. Op de Artificial Analysis Coding Agent Index scoort Sol 80, dat is 2,8 punten boven Anthropic's Fable 5, maar dan voor minder dan de helft van de output-tokens, minder dan de helft van de tijd, en ongeveer een derde van de kosten.

Ten tweede reduceert Programmatic Tool Calling operationele kosten in multi-tool-pipelines. Workflows die anders meerdere model-turns nodig hadden voor elk toolresultaat, consolideren nu in één programma-executie. Een financiële research-omgeving rapporteerde 24% minder output-tokens bij gelijkblijvende kwaliteit. Een game-ontwikkelingsplatform zag 63,5% minder totale tokens en 50,1% minder model-turns bij scèneopbouw via hun gestructureerde API.

Ten derde levert Multi-agent tijdswinst via parallelisering. Taken die een enkele agent sequentieel zou uitvoeren, worden verdeeld over concurrente subagenten. Een AI-SOC die Multi-agent gebruikt voor alert-triage, logcorrelatie en responsdrafts in parallel verlaagt Mean Time to Detect en Mean Time to Respond, wat direct incident-impactkosten verlaagt.

De reële ROI vloeit echter niet alleen uit model-keuze. Hij ontstaat uit de combinatie van intelligente tier-routing, programmatische orchestratie, veilige tooling, compliant datacontroles en zorgvuldig afgebakende use cases. Meer over de valkuilen bij het realiseren van AI-ROI lees je in onze analyse van waarom 89% van enterprise AI-projecten faalt.

Veelgestelde vragen (FAQ)

Wat is het verschil tussen Programmatic Tool Calling en klassieke function calling?

Bij klassieke function calling genereert het model een JSON-schema voor één tool-aanroep die de client uitvoert, waarna het model opnieuw wordt aangeroepen voor de volgende stap. Programmatic Tool Calling laat het model JavaScript schrijven dat meerdere tools coördineert in een gehoste V8-runtime, met loops, parallelle aanroepen en tussentijdse datastatus, zonder elke stap terug door het model te sturen.

Hoe activeer ik Multi-agent in de Responses API?

Stel multi_agent.enabled in op true in je Responses API-request. Voor raw HTTP- en WebSocket-verbindingen stuur je ook de header OpenAI-Beta: responses_multi_agent=v1 mee. Multi-agent is beschikbaar als betafunctie voor alle GPT-5.6-modellen, maar controleer de modelenpagina van OpenAI voor de actuele status.

Welke n8n-versies zijn kwetsbaar voor de RCE-exploits uit 2026?

CVE-2026-27577 en CVE-2026-27493 treffen n8n-versies onder 1.123.22, versies 2.0.0 tot en met 2.9.2, en versies 2.10.0. De fixes zijn uitgebracht in versies 2.10.1, 2.9.3 en 1.123.22. Upgrade direct en schakel Form- en Merge-nodes uit via NODES_EXCLUDE als je ze niet actief gebruikt.

Valt mijn GPT-5.6-agent automatisch onder de EU AI Act?

Niet automatisch. De EU AI Act hanteert een risicogebaseerde aanpak. Als jouw agent beslissingen ondersteunt in hoogrisico-domeinen zoals krediet, HR-selectie, essentiële dienstverlening of gezondheidszorg, dan gelden strenge eisen. Gebruik je de agent voor interne documentatiesamenvatting of contentgeneratie met menselijke review, dan val je waarschijnlijk in een lagere risicocategorie. Voer altijd een formele risicoclassificatie uit.

Wat is Zero Data Retention en wanneer heb ik het nodig?

Zero Data Retention (ZDR) zorgt ervoor dat response-data in de Responses API niet wordt opgeslagen buiten directe verwerking. Stel store: false in je request in en configureer ZDR op organisatie- of projectniveau in het OpenAI-platform. Dit is relevant voor workflows die persoonsgegevens verwerken en is een aantoonbare mitigerende maatregel in DPIA's en AI Act-compliance-documentatie.

Conclusie

GPT-5.6 verandert wat "agentic AI" betekent in productie. Niet langer losjes gekoppelde ReAct-ketens, maar gestructureerde, inspecteerbare en geörkestreerde workflows waarbij de intelligentie deels zit in gegenereerde code en deels in expliciete agentenstructuren. Programmatic Tool Calling maakt de tool-pipeline herhaalbaar en goedkoop. Multi-agent maakt parallelisatie native en traceerbaar.

Voor EU- en Benelux-organisaties is de kans helder: Sol als strategisch coördinator, Terra en Luna als kostenefficiënte specialisten, Zero Data Retention en EU-dataresidentie als compliance-fundament, en expliciete menselijke goedkeuringspunten voor iedere onomkeerbare actie. De belofte van GPT-5.6 wordt pas ingelost als de omringende tooling, de permission-architectuur en de governance-structuur even zorgvuldig zijn ontworpen als het model zelf.