Sinds 2 juli zit Fable 5 weer in de betaalde Claude-abonnementen en op donderdag 9 juli komt GPT-5.6 (Sol, Terra en Luna) erbij. De meeste mensen voeren zo'n topmodel vervolgens dezelfde mailtjes en samenvattingen die Sonnet 5 of GPT-5.5 ook prima aankan. Daar gaat het mis, want deze klasse vraagt een compleet andere aansturing. Wie voorkauwt en dichttimmert zoals bij de oude modellen, krijgt minder terug dan wie kort brieft en het probleem juist groter maakt. Doe het goed en je haalt er in één avond werk uit dat vroeger een maand kostte, met één groot doel, het model in de rol van manager en een uitkomst die van jou blijft. Die aanpak heet de Frontier Sprint. De klok helpt mee, want tot en met 12 juli oefen je met Fable zonder extra kosten.

De derde aflevering van de Fable-saga

Even de tijdlijn er weer bijpakken. Op 11 juni bracht Anthropic Fable 5 uit en ik schreef toen al dat de paywall was meegeleverd. Nog geen week later ging het model op zwart na één brief uit Washington. Sinds 2 juli is het wereldwijd terug. Eerst tot 7 juli, inmiddels verlengd tot en met 12 juli. Tot die datum kun je Fable 5 gebruiken in Pro, Max, Team en een deel van de Enterprise-abonnementen, tot ongeveer de helft van je wekelijkse gebruikslimiet. Daarna betaal je per gebruik met usage credits, tegen 10 dollar per miljoen input-tokens en 50 dollar per miljoen output-tokens. Ook als Pro-abonnee. Anthropic zegt dat Fable terugkomt in de abonnementen zodra de capaciteit het toelaat. Een datum staat er niet bij.

Bij OpenAI speelde intussen hetzelfde verhaal. Eind juni schreef ik dat GPT-5.6 af was maar op verzoek van de Amerikaanse overheid werd achtergehouden. Die review is afgerond. Vanaf donderdag 9 juli is GPT-5.6 publiek beschikbaar in drie smaken, met Sol als vlaggenschip, Terra als middenmoot en Luna als goedkope sprinter.

Frontier betekent letterlijk grens. Frontier-modellen zijn de buitenste rand van wat de labs op dit moment kunnen bouwen. De les van drie afleveringen Fable-saga is dat jouw toegang tot die rand geleend is. Een exportbrief, een capaciteitstekort of een prijswijziging kan de deur elk moment sluiten. Reken er dus niet op dat dit blijft. Zie de dagen dat de deur openstaat voor wat ze zijn. Een sprint.

Brief het model zoals je een senior brieft

Waar zit het verschil met de modellen die je al kent? Eigenlijk in vier dingen. Deze klasse kan meer complexiteit aan, blijft veel langer zelfstandig richting een doel werken, vindt gaten en risico's die jij nog niet zag en kan een heel traject dragen in plaats van een losse taak. Eerder schreef ik al dat goed delegeren aan AI hetzelfde is als goed leidinggeven. Bij een frontier-model komt daar iets bij dat tegen je intuïtie ingaat. Je moet juist minder dichttimmeren.

Oude modellen moest je de oplossing bijna voorkauwen. Je bakende af, schreef stappen uit en corrigeerde veel, want elke ruimte vulde het model met aannames die nergens op sloegen. Deze generatie brief je zoals je een ingevlogen senior brieft. Je geeft het doel, de context en vooral het waarom. De aanpak laat je open. Wie zijn oude, dichtgetimmerde Opus-prompts in Fable plakt, krijgt volgens de eerste testers slechtere resultaten dan wie kort en helder brieft. Het model vindt de betere route zelf als het de ruimte krijgt.

Denk aan een topspecialist die je voor een paar dagen inhuurt. Die zet je niet aan het werk met een script van veertig stappen. Je legt uit waar je naartoe wilt en waarom, je vertelt wat er op het spel staat en je laat haar los op het probleem.

Het knelpunt zit nu aan jouw kant van het scherm

Fable is voor mij het eerste model waarbij de kwaliteit van het eindresultaat afhangt van hoe helder hij zelf krijgt wat hij wil. De begrenzing is dus verhuisd, van het model naar jouw onuitgesproken aannames. Dat is even wennen als je jaren gewend was dat het model de zwakste schakel was.

Alles wat jij niet vertelt, moet het model zelf invullen. Bij een klein taakje valt dat mee. Bij een traject van uren stapelen die gokjes zich op tot een resultaat dat net naast je bedoeling ligt. De waardevolste vraag die je zo'n model kunt stellen gaat dus over jou. Vraag om een blind-spot-review voordat je begint. Welke kennis mis ik voor dit project zonder dat ik het doorheb? Welke vragen vergeet ik te stellen? En wat vind ik zo vanzelfsprekend dat ik het nooit opschrijf? Laat het model je daarna interviewen, één vraag per keer, te beginnen bij de vragen waarvan het antwoord de aanpak verandert. Een goede interim-senior doet op dag één hetzelfde. Die begint met vragen stellen.

In Loop Engineering schreef ik dat een model nooit zijn eigen huiswerk moet nakijken. Dit is dezelfde les van de andere kant. Hier zet je het slimste model in om jouw huiswerk na te kijken voordat je het indient.

Het duurste model wordt je manager

Dan de kostenkant, want die dwingt je tot de interessantste keuze van de sprint. Fable 5 kost via de API het dubbele van Opus 4.8 en vijf keer de introprijs van Sonnet 5. De benchmark-organisatie Artificial Analysis zette Fable 5 deze maand bovenaan alle acht ranglijsten die ze voor kenniswerk bijhouden. De kwaliteit is er dus. Datzelfde overzicht laat zien wat die voorsprong kost. Op strategietaken rekent Fable 3,48 dollar per taak, tegenover 3 dollarcent voor het open model DeepSeek V4 Pro. Ruim honderd keer zo duur, voor twaalf punten verschil in score. Soms zijn die twaalf punten het hele verschil tussen bruikbaar en onbruikbaar werk, maar meestal betaal je er vooral een hogere rekening voor.

Laat het duurste model dus niet alles zelf doen. Anthropic publiceerde er zelf de cijfers bij. Laat Sonnet 5 het uitvoerende werk doen en Fable 5 alleen op de beslissende momenten meekijken als adviseur, dan haal je in die tests ongeveer 92 procent van de kwaliteit tegen 63 procent van de prijs. Draai je het om, met Fable 5 als orchestrator die het werk verdeelt en beoordeelt bovenop een team Sonnet-modellen, dan wordt het 96 procent van de prestaties tegen 46 procent van de prijs. Je levert een paar procentpunten in en de rekening halveert.

Dit patroon ken je uit de editie over de ontploffende AI-rekening. Je pakt geen Ferrari om boodschappen te halen. Nieuw is dat het slimste model die verdeling nu zelf kan maken. Het begrijpt het doel, verdeelt het werk, beoordeelt wat terugkomt en stuurt terug wat onder de maat is. Het duurste model doet dan wat een dure manager hoort te doen. Bepalen wat er moet gebeuren, wie het doet en wanneer het goed genoeg is.

Je eerste sprint in vijf stappen

Ik draai deze sprints zelf inmiddels op een vast ritme. Overdag noteer ik ideeën voor tools, agents en workflows. Aan het einde van de dag kies ik er precies één. Die krijgt een doel mee in plaats van een takenlijst en dan laat ik het model draaien. Soms is het na twee uur klaar, soms duurt het zeven uur, zoals die lange loop uit het vorige playbook. Twee jaar geleden was zo'n idee het begin van een maand werk. Met nieuwere modellen werd dat een week. Nu ligt er de volgende ochtend regelmatig een proof-of-concept waar ik op verder kan bouwen. Reken niet op een productieklaar resultaat. Wat er 's ochtends ligt is een werkend fundament, het soort waar vroeger dagen werk in gingen zitten.

Zo pak je het vanavond zelf aan:

1. Kies één doel dat voelt als minimaal één week werk. Een volledige procesreview, een webwinkel, een dossier over de jaren heen is opgebouwd en nu overdraagbaar moet worden. Kun je niet zeggen wat er aan het einde moet liggen, dan is het doel nog niet klaar voor een sprint.

2. Geef rijke context en het waarom. Documenten, voorbeelden, eerdere pogingen, wat er op het spel staat. Praat het in als dat sneller gaat dan typen.

3. Leg de lat vast. Wanneer is het goed genoeg, welke fouten zijn onacceptabel en waar mag het model niet zelf beslissen.

4. Laat het eerst analyseren en jou interviewen. Daarna pas bouwen, met de opdracht het werk op te delen en goedkopere modellen in te schakelen waar dat kan.

5. Beoordeel zelf het eindresultaat en bewaar wat herbruikbaar is. Het plan, de checklist, de aanpak. Dat zijn je assets voor na 12 juli.

De toets vooraf is simpel. Een taak verdient je sprint als hij complex is, veel context vraagt, blijvende waarde oplevert of duur uitpakt als het misgaat. Alles wat klein is, wegwerp-output oplevert of ook door een goedkoper model kan, laat je liggen. Ook deze week.

De volledige editie gaat hieronder verder met de war-game-methode waarmee je blueprints bouwt die goedkopere modellen straks kunnen uitvoeren, de complete sprint-briefing om te kopiëren, de vuistregels voor Fable versus GPT-5.6 en de zes plekken waar een sprint ontspoort.

Read more

Twee maanden geleden schreef ik hier voor het eerst over NL-GOV-MCP, onze open-source server die Nederlandse overheidsdata aan AI-assistenten koppelt. Sindsdien groeide het project door naar 39 officiële bronnen, ging de demo een stuk sneller draaien en namen de eerste organisaties het in hun eigen omgeving in gebruik. Onderweg viel me vooral op hoe eenzijdig het gesprek over AI-soevereiniteit is. Het gaat bijna altijd over modellen, terwijl je een andere laag vandaag al zelf in handen hebt. De bronnen waarop je AI zijn antwoorden baseert.

Drie soorten soevereiniteit, één die je zelf bezit

Gesprekken over onafhankelijke AI gaan meestal over twee dingen die je allebei niet in je eentje regelt. Het eerste is rekenkracht. De chips en datacenters waar modellen op draaien, staan grotendeels buiten Europa. Daarover schreef ik in eerdere edities al uitgebreid. Het tweede is het model zelf. In de soevereiniteitseditie beschreef ik hoe één exportbrief op een vrijdagmiddag genoeg was om het sterkste publieke model voor iedereen buiten de Verenigde Staten op zwart te zetten. Die schakelaar staat in Washington. Daar verandert jouw organisatie niets aan.

Dus als je de rekenkracht huurt en het model leent, wat houd je dan zelf over? De laag eronder. Daar bepaal jij welke werkelijkheid het model mag raadplegen. Ik noem het contextsoevereiniteit, bij gebrek aan een beter woord. Het is de derde soort soevereiniteit en meteen de enige waar je vandaag je vlag kunt planten. Jij kiest welke bronnen je AI mag zien. Je kunt controleren of die bronnen actueel zijn en achteraf nazoeken waar een antwoord vandaan kwam. Die laag draait lokaal, in je eigen omgeving. Niemand kan hem op een vrijdagmiddag voor je uitzetten.

Waarom het model minder uitmaakt dan je denkt

Denk aan een sterrenkok die je voor een avond inhuurt. Of je nu de duurste naam boekt of een goede kok voor de helft van het geld, met een lege voorraadkast maakt hij er niets van. Zet je de juiste, verse ingrediënten binnen handbereik, dan kan zelfs een gewone kok een serieus diner neerzetten. Het model is die ingehuurde kok en jouw context is de voorraadkast waar hij het mee moet doen.

Daarom is de eeuwige vraag welk model nu het beste is, minder belangrijk dan het lijkt. GPT, Claude, Gemini, Mistral, een goedkoop model, een open model uit China, ze gokken allemaal zodra de juiste context ontbreekt. En ze klinken overtuigend terwijl ze het doen. Met betrouwbare bronnen erachter kan een middenmoter beter werk afleveren dan het duurste model dat in het luchtledige praat. Bouw je een goede contextlaag, dan wordt het model zelf inwisselbaar. Komt er volgend kwartaal een beter of goedkoper model, dan wissel je van kok zonder dat je de voorraadkast opnieuw hoeft in te richten.

39 bronnen en het werk dat je niet ziet

Terug naar NL-GOV-MCP, want daar wordt dit principe concreet. Het is een MCP-server. MCP is een open standaard van Anthropic en werkt als een koppeling tussen een AI-assistent en een set gereedschappen. Wat in die set zit, kies je zelf. Bij ons zit er Nederlandse overheidsdata in. Wat ik in de eerste editie nog liet liggen, is dat die koppeling zelf geen betrouwbare antwoorden oplevert. De betrouwbaarheid ontstaat doordat je er geborgde, officiële bronnen aan hangt.

In twee maanden ging de teller van 24 naar 39 bronnen. Die vijftien nieuwe bronnen kwamen uit de optimalisatierondes van de afgelopen periode. De eerste versie zat dicht op beleid, rechtspraak, geo-data en statistiek. Nu is de dekking breder: lokale regelgeving, nationale wetgeving, gemeentefinanciën, misdaadcijfers, kadastrale informatie, verkeersongevallen, zorgwachttijden, energielabels en realtime OV. Alles bij elkaar telt de server nu 64 tools.

De grootste vooruitgang van die rondes zit in werk dat je niet ziet. Precies dat werk scheidt een demo van software die je in productie durft te zetten. Elke bevraging krijgt nu een harde tijdslimiet, zodat een trage bron je niet laat hangen. Blijft een bron haperen, dan slaat het systeem hem automatisch even over in plaats van eindeloos opnieuw te proberen. De antwoorden zijn compacter geworden, wat scheelt in kosten omdat er minder tekst naar het model gaat. De server maskeert API-sleutels voordat er iets in een logregel belandt. Je merkt het resultaat aan de demo op nlgovmcp.nl. Die draait op een sneller model en geeft strakkere antwoorden, dus je wacht een stuk korter dan bij de eerste versie.

Antwoorden die je kunt narekenen

In beleid, toezicht, juridische duiding of publieke dienstverlening is een antwoord dat goed klinkt niet genoeg. Je moet kunnen zien waar het op rust. Je wilt weten welke bron is geraadpleegd, met welke zoekterm, op welk moment en hoeveel resultaten er terugkwamen. Een antwoord zonder dat spoor is een mening in nette zinnen. Zit het spoor erbij, dan kun je het antwoord narekenen en bijsturen waar het scheef zit. Voor serieus werk is dat het hele verschil.

Bij elk antwoord geeft NL-GOV-MCP dat spoor mee. Je ziet de geraadpleegde bron, de zoekopdracht, het tijdstip, de aantallen en per resultaat een link naar de officiële vindplaats. Bij elkaar is dat een bronvermelding plus een logregel van de bevraging. Voor een doorzoekbaar audit-archief waarin je maanden later forensisch elke stap uitpluist, heb je meer nodig. De meeste organisaties hebben aan dit spoor genoeg om AI van speelgoed naar gereedschap te tillen. Wees dus kritisch op elke leverancier die roept dat zijn AI "altijd de bron erbij geeft" en vraag wat daar precies onder ligt.

De laag die je deze week zelf in handen kunt nemen

Dat elke organisatie op een eigen berg domeindata zit, heb ik hier eerder betoogd, dus ik ga het niet opnieuw als ontdekking brengen. Maar met de soevereiniteitsbril op wordt dat punt scherper. Zo'n koppeling naar je eigen data is om te beginnen gewoon handig. Belangrijker is dat jij er zelf mee bepaalt op welke werkelijkheid je AI werkt. Die laag houd je in eigen hand, ook als het model en de rekenkracht geleend blijven.

Voor de overheid bestaat die werkelijkheid uit bronnen als CBS, Rechtspraak, de Omgevingswet-documenten en wetten.overheid.nl. Voor jouw bedrijf zijn het misschien je productcatalogus, je klantdossiers, je contracten of je supporttickets. De koppeling werkt hetzelfde, er hangen alleen andere bronnen achter. Vorige week schreef ik over de AI-collega die je Slack binnenkomt en de knoppen waarmee je bepaalt wat hij mag lezen. Met die knoppen regel je precies deze laag, maar dan op werkplekniveau.

En ja, dit is makkelijker gezegd dan gebouwd. Je moet kiezen welke bronnen je aansluit, wat lokaal moet blijven, wat traceerbaar moet zijn en wie het gaat beheren. Een AI-collega die op eigen houtje context uit je kanalen verzamelt, kan net zo goed de verkeerde dingen naar boven halen. Wat je aansluit, blijft dus een bewuste keuze.

Heb je de demo twee maanden terug geprobeerd? Draai hem dan nog eens op nlgovmcp.nl. Hij reageert sneller en dekt veel meer bronnen dan toen. De hele codebase staat open op GitHub onder Apache 2.0, dus je kunt hem lezen, forken en zelf draaien. Mis je een bron, laat het weten, want juist die verzoeken uit de praktijk maakten de afgelopen rondes beter. En werk je in een organisatie die AI serieus op eigen of publieke data wil inzetten, dan is dit de vraag om mee te nemen naar het volgende overleg. Welke werkelijkheid mag jouw AI raadplegen?

Ook het vermelden waard

Europa stelt de zwaarste AI-regels uit en verbiedt nep-naaktbeelden De Raad gaf op 29 juni definitief groen licht voor het versimpelingspakket, waardoor de plichten voor hoog-risico AI-systemen opschuiven naar december 2027 voor losse systemen en augustus 2028 voor AI die in producten is ingebouwd. Tegelijk komt er een verbod op AI die zonder toestemming naaktbeelden van echte personen maakt, geldig vanaf december 2026. Voor Nederlandse organisaties geeft dat lucht op de deadlines, terwijl de kern van de wet overeind blijft.

Anthropic brengt Claude Sonnet 5 uit tegen een scherp tarief Sinds 30 juni is Sonnet 5 het standaardmodel voor gratis en Pro-gebruikers en het komt volgens Anthropic dicht bij het duurdere Opus 4.8. De introductieprijs is 2 dollar per miljoen input-tokens en 10 dollar per miljoen output-tokens tot en met 31 augustus, daarna 3 en 15 dollar. Wie agents laat draaien, ziet zo'n verschil direct terug op de rekening.

Chinees model LongCat-2.0 komt open source, getraind op eigen chips Meituan bracht op 30 juni een coding-model van 1,6 biljoen parameters uit onder een vrije MIT-licentie. Volgens het bedrijf is het volledig getraind op in China gemaakte chips, zonder hardware van Nvidia. Onder de codenaam Owl Alpha stond het al maanden bovenaan de ranglijst van OpenRouter, dus dit is meer dan een papieren aankondiging.

Microsoft zet 2,5 miljard in op mensen die AI werkend krijgen Op 2 juli lanceerde Microsoft een aparte club met 2,5 miljard dollar en 6.000 ingenieurs die bij klanten AI-projecten aan de praat moeten krijgen. AWS ging twee dagen eerder met een miljard dezelfde kant op. De wedstrijd gaat steeds minder over wie het beste model heeft en steeds meer over wie het bij bedrijven werkend krijgt. Precies daar loopt het nu vaak vast.

Lees ook

Je nieuwe collega slaapt nooit en onthoudt alles
Steeds meer bedrijven slaan de junior over. Dat kost ze straks hun seniors.

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand
5 vrienden = 3 maanden
12 vrienden = een half jaar

Je typt een vraag in Copilot, Claude of ChatGPT, je leest het antwoord, je ziet wat er mist en je vraagt opnieuw. En nog een keer, tot het klopt. Herken je dat? Bij elke ronde ben jij de motor. Jij zet de AI aan, jij controleert de uitkomst, jij stuurt bij. Loop engineering is het idee dat je die motor-rol overdraagt aan een systeem dat zichzelf op koers houdt tot het doel bereikt is. Grote kans dat je er nog nooit van hebt gehoord. De mensen die AI-tools bouwen praten al weken nergens anders over, met een hoop hype eromheen. In dit playbook lees je wat het is, waarom het nu opkomt en hoe je zelf je eerste loop opzet, zonder een regel code. Je leest ook waarom je de zware versie uit al die verhalen waarschijnlijk niet nodig hebt.

De vier tredes die je al half beklommen hebt

Loops zijn de bovenste trede van een ladder die je waarschijnlijk al half beklommen hebt. Onderaan staat de chatbot. Je stelt een vraag, je krijgt een antwoord en jij doet er iets mee. Dat is Copilot Chat, Claude of ChatGPT zoals de meeste mensen het gebruiken.

Een trede hoger staat de agent. Die wacht niet op elke losse instructie, hij voert een hele taak zelf uit. Claude Cowork of Copilot Cowork die een document opstelt terwijl jij koffie haalt, dat is een agent.

Daarboven de workflow. Dezelfde stappen, elke keer op dezelfde manier, met rails eromheen zodat het voorspelbaar blijft. Denk aan een vaste route die een mail binnenkrijgt, er iets mee doet en het ergens neerzet.

En de bovenste trede is de loop, het Engelse woord voor een lus. Een systeem dat een taak blijft herhalen tot een doel bereikt is en dat de bijstuur-rol overneemt die jij nu zelf speelt. Ervaren bouwers zeggen inmiddels dat hun werk vooral draait om loops schrijven. Een prompt is een losse opdracht. Een loop is een taak die vanzelf doorloopt tot het doel gehaald is.

De meeste mensen die ik in workshops tegenkom zitten op de onderste twee tredes, in Copilot of gewoon ChatGPT. Ze denken dat die bovenste trede sciencefiction is, terwijl ze de bouwstenen vaak al in handen hebben.

En waarom nu? Anthropic schreef onlangs dat we op weg zijn naar het punt waarop AI zijn eigen opvolger bouwt en traint, het sluiten van de loop. Naar eigen zeggen shippen hun engineers per kwartaal inmiddels acht keer zoveel code als voor 2025. Zover hoeft het voor jou niet te gaan. Het laat wel zien hoe hard dit nu gaat.

Een loop werkt als een thermostaat

Een loop klinkt technisch en je hebt er thuis eentje hangen. Een thermostaat. Je zet hem op 20 graden en vanaf dat moment doet hij steeds hetzelfde rondje. Hij meet de temperatuur, hij zet de verwarming aan als het te koud is en hij controleert of het doel gehaald is. Zodra het 20 graden is gaat de verwarming uit. Dat is een loop.

Elke loop, hoe simpel of ingewikkeld ook, heeft dezelfde drie onderdelen:

• Een trigger. Iets dat de loop op gang brengt. Bij de thermostaat is dat de temperatuur die zakt. Bij AI is dat een vast tijdstip, een gebeurtenis zoals een binnenkomende mail, of een mens die op start drukt.

• Een verifieerbaar doel. Een eindpunt waarvan je kunt vaststellen of het gehaald is. Bij de thermostaat is dat 20 graden. Bij AI is dat "alle bonnetjes hebben een categorie" of "het rapport heeft vier ingevulde secties".

• Een stop. Het punt waarop de loop zichzelf uitzet. De thermostaat zet de verwarming uit als het doel bereikt is. Zonder stop blijft je AI doorstoken en dat kost geld.

Onder de motorkap draait de AI daarin een klein rondje. Verkennen wat er moet gebeuren, het doen, controleren of het klopt en herhalen tot het klaar is. Je hoeft dat rondje niet zelf te programmeren. Je hoeft alleen te weten dat het er is.

De vuistregel is simpel. Kun je een taak afvinken met ja of nee, dan kun je er een loop van maken. Kun je dat niet, dan is het meestal nog geen klus voor een loop.

Drie tijdschalen en waarom je meestal de kleinste kiest

Loops bestaan op verschillende tijdschalen en daar zit meteen de meeste verwarring. De verhalen die je online ziet gaan over agents die dagenlang doordraaien. Dat is de zwaarste variant en je hebt hem zelden nodig.

Denk aan drie maten:

• De minuten-loop. Een tekst die zichzelf een paar keer langs een checklist legt voordat jij hem ziet. Klaar in de tijd dat je koffie inschenkt.

• De uren-loop. Een afgebakende klus die van begin tot eind wordt afgemaakt. Bijvoorbeeld bij het ontwikkelen en testen voor een interne tooling. Onlangs heb ik zo’n loop zelf laten draaien. Ruim zeven uur non-stop op één klus, van het eerste plan tot een afgerond project.

  

• De dagen-loop. Onderhoud dat blijft lopen. Een wekelijkse check of er documenten verlopen, of een postvak dat elke ochtend wordt voorgesorteerd.

Hoe langer een loop draait, hoe meer hij kost en hoe groter de kans dat hij ergens de verkeerde kant op gaat zonder dat je het ziet. Daarom hebben de meeste taken, tegen alle hype in, genoeg aan één klein rondje op de kleinste schaal. Een leger aan agents dat de klok rond draait is spectaculair om te lezen en zelden wat jouw werkweek nodig heeft. Begin klein en schaal pas op als je snapt wat er gebeurt.

Waarom dit je werkweek raakt, ook als je zelf nooit een loop bouwt

Misschien denk je nu dat je zelf toch geen loops gaat bouwen. Prima. Toch raakt dit je werk, om drie redenen.

Ten eerste ga je dit steeds vaker tegenkomen. Een collega, je IT-afdeling of een leverancier bouwt zoiets en jij moet kunnen beoordelen of het deugt. Als je snapt hoe een loop werkt zie je meteen of er een fatsoenlijke stop en controle in zitten, of dat iemand een blanco cheque heeft uitgeschreven.

Ten tweede zie je waar het misgaat voordat het misgaat. Denk aan een loop zonder rem, een te vaag doel of een AI die zijn eigen werk goedkeurt. Dat zijn de plekken waar het duur wordt en je herkent ze straks.

Ten derde verandert je rol. Het knelpunt gaat van zelf doen naar de loop bewaken. Of je nu terugkerend uitzoekwerk hebt als uitvoerend medewerker, een go of no-go geeft als manager of aansprakelijkheid moet beleggen als beleidsmaker, juist dan wordt jouw oordeel waardevoller. De machine doet het werk. Jij bewaakt of het klopt.

En er is één ding dat bepaalt of een loop slaagt of stukloopt. De controle of het werk goed is. Verificatie, heet dat. Het klinkt saai en het is precies het onderdeel dat de loop laat slagen. Verificatie werkt in lagen. Een model dat zijn eigen huiswerk nakijkt is de valkuil waar bijna iedereen in trapt.

Je eerste loop in drie vragen

Voordat je iets opzet teken je een loop uit op papier. Dat kost vijf minuten en het bespaart je een hoop verbrande tokens. Beantwoord deze drie vragen voor een taak die elke week terugkomt:

1. Welke terugkerende taak kost me elke week tijd?
   (bijvoorbeeld: bonnetjes sorteren, mail voorsorteren,
    een vast rapport maken)

2. Hoe zou iemand anders kunnen zien dat die taak goed af is?
   (dat is je verifieerbare doel, zo concreet mogelijk)

3. Wanneer moet het systeem stoppen en mij erbij halen?
   (een maximum, een budget, of een menselijk akkoord
    voor het de deur uit gaat)

Kun je die drie invullen, dan heb je de ruggengraat van een loop te pakken. Kun je vraag 2 niet beantwoorden, dan is je taak nog te vaag en dat is waardevolle informatie. Dan is het nog geen klus voor een loop.

Dit is de light versie. De volledige aanpak staat hieronder.

De rest van dit playbook is voor premium lezers. Hieronder zet je je eerste loop op. De drie soorten triggers en waar je ze vindt, de vijf niveaus van verificatie en waarom een model nooit zijn eigen werk moet beoordelen, de rem tegen een leeglopend budget, een kopieerbare rapportage-loop en de plekken waar loops ontsporen.

Read more

Maandagochtend, je opent Slack. Een teamlid heeft het hele weekend aan je rapport doorgewerkt en vraagt of je even meekijkt. Alleen is dat teamlid geen mens. Het is Claude, sinds kort een vast lid van je kanaal dat nooit naar huis gaat en alles onthoudt wat er langskomt. De AI die je tot nu toe in een tab opende, schuift voortaan gewoon aan bij je team. De grootste labs maken nu dezelfde keuze. Dat bespaart je een hoop tijd. En het verandert stilletjes wie er meekijkt met je werk.

Claude komt je Slack in als vast teamlid

Anthropic noemt het Claude Tag. Je tagt @Claude in een kanaal en geeft hem een taak. Hij hakt die in stappen, werkt ze af en komt terug in de thread met het resultaat. Het draait op Opus 4.8 en zit in beta voor zakelijke klanten met een Enterprise- of Team-abonnement.

Tot nu toe was AI voor de meeste mensen de ijverige stagiair die je elke ochtend opnieuw moest inwerken, want na elke chat was hij weer alles vergeten. Claude Tag is diezelfde stagiair die nu in je teamkanaal blijft zitten, de gesprekken meeleest en onthoudt waar het over ging. Je hoeft niet steeds opnieuw uit te leggen wat het project is. Hij weet het, omdat hij er al weken bij zit.

En hij wacht niet altijd netjes op een opdracht. In wat Anthropic ambient modus noemt, springt Claude uit zichzelf in het gesprek. Stel, er valt een nieuwe lead binnen in je sales-kanaal. Claude pikt het zelf op, zoekt het bedrijf en de persoon erbij en zet een briefing klaar voor je volgende gesprek, met wie ze zijn en welke bezwaren je waarschijnlijk krijgt. Niemand heeft hem getagd. Hij plant zulke taken ook voor zichzelf in en werkt er uren of dagen aan door terwijl jij iets anders doet.

Anthropic ziet dit als de volgende stap van Claude Code, nu proactiever en meer als teamgenoot. Bij henzelf is het al de normale manier van werken. Naar eigen zeggen wordt 65 procent van de code van hun productteam inmiddels door een interne versie van Claude Tag geschreven. Ze gebruiken het ook om supporttickets af te handelen en bugs uit te zoeken.

Anthropic liet het zelf zien in een korte demo.

Van gereedschap dat je pakt naar een collega die meedraait

Tot nu toe ging jij naar de AI toe. Je opende een tab, typte je vraag, plakte het antwoord terug in je document. Nu komt de AI naar jou. Hij woont waar je werk al gebeurt, eerst in je Slack en straks in Teams en je mail. En hij onthoudt je bedrijf.

OpenAI doet hetzelfde, van de andere kant. Op 16 mei bracht het bedrijf z'n chatproduct, z'n programmeeragent Codex en de developer-tak onder in één groep, onder leiding van medeoprichter Greg Brockman. De koers die daarbij hoort is van praten naar uitvoeren. Codex, de agent, wordt het hart van het product. ChatGPT schuift daar de komende tijd omheen. Codex groeide in een paar maanden naar zo'n vijf miljoen wekelijkse gebruikers, ongeveer zes keer zoveel als in februari. Zelfs intern begint bij OpenAI het woord chatbot te klinken als iets van een vorig tijdperk. De reden is nuchter. Brockman zegt dat rekenkracht de bottleneck is. Drie teams die om dezelfde videokaarten vechten is verspilling.

Ook je mail gaat die kant op. Notion trekt op 22 september de stekker uit z'n mailprogramma, omdat meer dan de helft van de gebruikers z'n inbox niet eens meer opent. Een agent doet het. In mijn playbook over Copilot Cowork noemde ik die eerste Copilot die niet op je wacht nog een vooruitblik. Een paar maanden later is het de richting van de hele industrie.

Een collega met een fotografisch geheugen van je hele bedrijf

Door dat geheugen leert Claude je organisatie kennen zoals geen los chatvenster ooit kon. Eén Slack-bericht per keer bouwt hij een beeld van je bedrijf op. En precies daar moet je opletten.

In workshops zeg ik altijd dat je AI niet als zoekmachine moet gebruiken. Geef het de context zelf, dan maak je minder fouten. Een collega die je hele kanaal meeleest draait dat om. Hij bouwt z'n eigen context op, zonder dat jij iets aanlevert. Dat scheelt werk en het betekent dat je goed moet nadenken over wat hij mag zien. Anthropic heeft daar knoppen voor. Beheerders bepalen per kanaal welke tools en data Claude mag gebruiken. Je kunt aparte Claudes opzetten die niets met elkaar delen, zodat de Claude van sales niet bij de gegevens van engineering komt. Tag je de juridische Claude om code aan te passen, dan gebeurt er niets. Hij kan die code domweg niet zien. Er is een uitgavenlimiet en een log van alles wat hij deed en wie het vroeg.

Die knoppen moet je wel zelf goed zetten. Een collega die uit zichzelf in gesprekken springt, kan net zo goed ruis toevoegen of handelen op een verkeerd gelezen bericht. Wie de editie over de ontspoorde agent nog vers heeft, weet dat een AI die initiatief neemt ook hard de fout in kan gaan. En die 65 procent waar Anthropic mee schermt, is indrukwekkend als marketing. Het zegt nog weinig over wat het in jouw organisatie oplevert, waar de context rommeliger is dan in het bedrijf dat de tool zelf bouwt.

De vragen die je stelt voor je @Claude toegang geeft

Voor wie de hele dag in Slack of Teams leeft, verandert er iets concreets. Je werkdag schuift van AI erbij pakken naar AI die meedraait. Het grootste effect zit in adoptie. De meeste collega's openen nooit Claude Code of een los AI-venster. Ze zitten wel de hele dag in Slack. Zodra ze een collega @Claude zien taggen en er een resultaat uit komt, gaan ze het zelf proberen. Dat zie ik in mijn werk ook. Mensen gaan AI pas serieus gebruiken als ze een collega het zien doen.

Dat is een mooie belofte en het vraagt om een paar nuchtere keuzes voordat je zo'n collega binnenlaat.

Begin in één kanaal, in plaats van meteen je hele Slack. Kies er een waar het werk duidelijk afgebakend is, zoals een projectkanaal of je supporttriage, weg van je gevoeligste overleg. Houd de ambient modus in het begin uit. Laat Claude antwoorden als je hem tagt. Geef hem pas het initiatief als je z'n werk vertrouwt. Behandel z'n geheugen als een serieuze datavraag. Welke kanalen hij mag lezen, welke connectoren hij krijgt en hoe lang het bewaard blijft. Voor je klantdata aan zo'n model hangt, is dat een gesprek met je privacy officer waard.

En denk aan waar je tijd straks heen gaat. Als de agent het uitvoerende werk uren achtereen overneemt, verschuift jouw waarde naar de fase ervoor en erna. Het werk goed beschrijven en het resultaat beoordelen. Wie ooit een workshop van mij volgde herkent daar Plan-Do-Check in. De do-fase gaat naar de collega die nooit naar huis gaat. De plan- en de check-fase blijven van jou.

Mijn advies voor deze week is klein. Zet het in één kanaal aan, alleen als je hem tagt. Geef hem één terugkerende klus die je goed kent. Dan zie je zelf wat een vast AI-teamlid oplevert en waar je meteen de teugels strak moet houden.

Ook het vermelden waard

OpenAI laat GPT-5.6 zien, maar deelt het mondjesmaat uit OpenAI toonde GPT-5.6 in drie smaken, Sol, Terra en Luna. De release gaat voorlopig alleen naar een kleine kring vertrouwde partners, op verzoek van de Amerikaanse overheid. Het model is dus af, wie het mag gebruiken wordt elders bepaald.

Mistral brengt OCR 4 uit Een Europees model voor documentverwerking dat 170 talen leest, bounding boxes en betrouwbaarheidsscores teruggeeft en in één container op je eigen omgeving draait. Vier dollar per duizend pagina's. Voor wie z'n data in eigen huis wil houden een serieuze optie naast de Amerikaanse aanbieders.

Ford haalt z'n ervaren ingenieurs terug Na tegenvallende geautomatiseerde kwaliteitssystemen haalde Ford de afgelopen drie jaar 350 veteranen terug, bespaart er dit jaar een miljard dollar mee en werd het best scorende massamerk in de grote JD Power-kwaliteitstest. Het nuchtere tegengeluid bij alle agent-euforie, AI viel in de fabriek tegen en de mensen kwamen terug.

71 procent van de Nederlandse reacties op de EU-tabakswet kwam uit een AI Een tabaksfabrikant liet via een campagne massaal bezwaren genereren tegen strengere Europese tabaksregels. In Nederland was bijna driekwart van de ingestuurde reacties vrijwel zeker volledig door AI geschreven. AI-slop sijpelt zo de inspraak van de democratie in. En het is lastig te zien dat het nep is.

Adobe koopt Topaz Labs
Topaz maakt AI-tools om beeld en video op te schalen en te verbeteren. Die technologie gaat in Firefly. Adobe houdt z'n professionals zo binnenboord nu de concurrentie van losse AI-tools toeneemt.

Lees ook

Steeds meer bedrijven slaan de junior over. Dat kost ze straks hun seniors.
Europa praat over AI. Amerika zet het uit.

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand
5 vrienden = 3 maanden
12 vrienden = een half jaar

Stel, je zet een slimme assistent aan die binnenkomende mails sorteert en alvast antwoorden klaarzet. Handig. Tot hij op een vrijdagmiddag zelfstandig een offerte de deur uit stuurt met een bedrag dat nergens op slaat. Of erger, hij vat een dossier samen met gegevens die hij eigenlijk nooit had mogen zien. Dit playbook gaat over de knoppen die je instelt voordat dat gebeurt. En over het grootste risico, dat vaak op een plek zit die niemand verwacht. Eén observatie alvast, zodat je weet waar dit heen gaat. Bij de meeste organisaties waar ik binnenkom gebruiken medewerkers al volop AI op eigen houtje, zonder dat iemand het ze vroeg.

Je AI staat al binnen, je weet alleen niet waar

De meeste mensen denken dat AI-governance begint op de dag dat je een tool aanzet. Op dat moment ben je al te laat. Je medewerkers gebruiken AI namelijk allang. Ze plakken een stuk klanttekst in ChatGPT om er een nette mail van te maken, ze gooien een cv in een gratis tool om het samen te vatten, ze laten een verslag opschonen. Dat heet shadow AI, het gebruik dat buiten je zicht om gaat. En vier op de tien is nog aan de voorzichtige kant, want het zijn alleen de mensen die het toegeven.

Het risico zit vooral in waar je gegevens terechtkomen. Een gratis AI-tool draait vaak op servers buiten Europa, bijvoorbeeld in de Verenigde Staten, en wat je erin plakt kan daar blijven hangen. Als dat een klantnaam met een dossiernummer is, of een mail over iemands financiële situatie, dan heb je al een privacyprobleem voordat je ook maar één strategisch besluit hebt genomen.

Ik hoorde daar ooit een treffend voorbeeld van. Iemand zag een AI-icoontje in zijn webbrowser en dacht: dit is van de zaak, dus dit zal wel veilig zijn. Vervolgens typte hij er rustig gevoelige informatie in. Maar de tool was helemaal niet beveiligd, en niemand wist precies hoe die daar terecht was gekomen.

Het eerste wat governance dus doet, is het licht aandoen in je eigen pand.

Een agent erft jouw sleutelbos

Zoals jullie inmiddels weten, vergelijk ik AI graag met een stagiair. Ontzettend ijverig, pakt elke opdracht op en probeert zelfs het onmogelijke voor elkaar te krijgen. Maar bij agents komt daar iets belangrijks bij. Een agent werkt met de rechten van de medewerker die hem aanzet.

Hij ziet wat jij ziet. Hij opent wat jij kunt openen. Geef hem de sleutelbos van iemand die overal bij kan, dan gaat hij ook overal naar binnen. Gewoon omdat je hem vroeg om even dat dossier samen te vatten.

Hoe je die rechten op toolniveau afknijpt, welke acties een agent zelfstandig mag uitvoeren en wanneer hij moet stoppen om een mens te vragen, werkte ik eerder uit in de playbooks over je eigen AI-assistent en agents in Copilot. Hier ligt het een laag hoger, op het niveau van je hele organisatie. Wie bepaalt wat een agent mag? Wie kijkt mee voordat hij iets doet? En wie zorgt dat medewerkers niet ongemerkt agents activeren met veel te ruime rechten?

Dat is governance. En governance begint hier met opruimen.

Het opruimen begint voordat de AI aangaat

Voordat AI ook maar iets fout kan doen, ligt het gevaar vaak al klaar in de rommel die niemand heeft opgeruimd.

Bij een organisatie waar ik meeliep, deden we eerst een scan van de bestaande omgeving. Nog voordat er ook maar iets van AI aanging. Wat we vonden had op het eerste gezicht niets met AI te maken. Er stonden mappen van projecten die jaren eerder waren afgerond. Van functie gewijzigde medewerkers konden via oude rechten nog steeds bij informatie waar ze allang geen toegang meer toe hadden moeten hebben. Rechten die ooit logisch waren, maar daarna nooit meer waren opgeschoond.

Op zichzelf is dat al vervelend. Met een agent erbovenop wordt het gevaarlijk. Die erft namelijk precies die rechten. Vraag je hem om een dossier samen te vatten, dan vist hij net zo makkelijk uit een map waar hij nooit had mogen komen.

Toegangsrechten opschonen is saai werk. Niemand loopt er warm voor. Toch is het de fundering onder veilige AI. Je kunt geen betrouwbare AI bouwen op een rommelige rechtenstructuur, net zomin als je een extra verdieping zet op een fundering die je nooit hebt gecontroleerd.

Voor jou komt het hierop neer: begin niet met de vraag wat AI allemaal kan, maar met de vraag of je huis op orde is. Vaak is het antwoord nee. Dan is dat je eerste project.

De human in de loop is je vangnet

Daar komt de naam van deze nieuwsbrief vandaan, The Human Loop. AI mag helpen, versnellen en een eerste versie maken. Maar voordat de uitkomst ergens telt, kijkt er een mens mee. Dat is je vangnet.

Neem een afdeling die werkzoekenden begeleidt. Begeleiders schrijven verslagen over iemands situatie: gezin, schulden, gezondheid, afstand tot werk. Tijdrovend werk, dus de vraag is logisch: kan een AI-assistent die verslagen opmaken?

Dat kan, maar niet zonder controle. In zo’n verslag kan één verkeerde formulering gevolgen hebben voor iemands kansen. Daarom doet de AI de voorzet en keurt de begeleider de tekst goed voordat die meetelt.

Dat vangnet is ook nodig tegen vooroordeel. Een model leert van historische gegevens. Als daarin verkeerde patronen zitten, neemt het die makkelijk over. “De AI zei het” klinkt objectief, maar kan gewoon het verleden napraten. Sinds de toeslagenaffaire weten we hoe duur zulke onzichtbare patronen kunnen worden.

Hetzelfde geldt voor privacy. Iemand vraagt een chat-assistent om een overzicht van de salarismutaties van vorige maand. Technisch kan het, want die persoon heeft de rechten. Maar ineens staan loongegevens van je personeel in een AI-systeem. Misschien had daar vooraf een privacytoets op moeten zitten.

Kleine vraag, grote gevolgen. Precies daarom moet governance bepalen waar AI mag helpen, waar een mens moet meekijken en waar de grens ligt.

Vier vragen die je nu waarschijnlijk niet kunt beantwoorden

Voordat je iets inricht, wil je weten waar je staat. Ik begin daar bij een klant standaard mee. Pak een blad en beantwoord deze vier vragen over je eigen organisatie.

1. Welke AI-tools draaien er nu bij ons, officieel en onofficieel?
   (Als je het niet weet, dat is het antwoord.)
2. Wie heeft de laatste AI-toepassing die we aanzetten goedgekeurd,
   en op basis waarvan?
3. Welke gegevens kan die toepassing zien en klopt dat met wat we willen?
4. Als een AI vanavond iets fout doet, zien we het dan en kunnen we
   het terugdraaien?

De meeste managers komen niet verder dan vraag één. Dat is geen schande, het is je nulmeting. Herken je dat gevoel van "ik heb geen idee"? Precies daar begint het werk. De rest van dit playbook laat je zien hoe je die vier vragen straks wel beantwoordt en hoe je het zo inricht dat het ook zo blijft als je opschaalt.

Drie dingen die je deze week al kunt doen

Je hoeft niet te wachten op een groot governance-traject. Begin met drie simpele acties.

Maak eerst zichtbaar wat er al gebeurt. Niet als jacht op overtreders, want dan zegt niemand meer iets. Vraag per team: welke AI-tools gebruiken jullie, waarvoor, en welke gegevens gaan erin? Dat gesprek levert vaak meer op dan een dashboard.

Kies daarna één AI-toepassing die nu al draait en zet daar een akkoordmoment in. Begin waar de schade het grootst kan zijn: geld, klantcommunicatie, personeelsgegevens. De AI bereidt voor, een mens keurt goed.

Laat ten slotte je toegangsrechten scannen. Los van AI. Waar kunnen oud-medewerkers nog bij? Welke mappen heeft niemand meer in beheer? Eerst je fundering controleren, dan pas verder bouwen.

Dit is de basis. Nu bouwen we het uit tot een werkend systeem: met duidelijke volgorde, licht bestuur, een stoplicht per AI-idee en momenten waarop je bewust kunt bijsturen.

Vanaf hier gaan we verder voor premium-lezers. Je krijgt een praktisch governance-systeem: de juiste volgorde, een kopieerbaar AI-board, een intake met stoplichtmodel, twee go/no-go-momenten, de valkuilen die ik steeds zie terugkomen en een eerlijk antwoord op de vraag wanneer dit allemaal te zwaar wordt.

Read more

“Mijn kinderen doen alles met AI, die snappen het, ik loop achter.” Bijna geen workshop gaat voorbij zonder dat iemand dat tegen me zegt. En daar zit wat in. Een twaalfjarige zet met AI een spreekbeurt in elkaar en bewerkt foto’s alsof het niets is. Maar dat is het brede, makkelijke werk: het stagiairewerk. De schaarse vaardigheden vind je een paar treden hoger, en heeft weinig met AI-handigheid te maken. Deze maand komen daar drie dingen in samen die een bedrijf over vijf jaar zijn beste mensen kunnen kosten. Het begint met de ontslaggolf, die nu alweer wordt teruggedraaid.

Wie het hardst snoeide, bindt nu in

Het verhaal van het afgelopen jaar paste op één tegeltje: AI komt eraan en je baan verdwijnt. Bedrijven ontsloegen mensen en wezen naar de technologie. Inmiddels nemen uitgerekend de partijen die het hardst snoeiden dat verhaal voorzichtig terug. Meta schrapte in mei zo’n 8.000 banen, ongeveer tien procent van het personeel. Tegelijk schoof het 7.000 mensen door naar AI-rollen. Vorige week gaf Mark Zuckerberg in een interne memo toe dat het bedrijf fouten had gemaakt en er vrijwel zeker meer zou maken. Meta’s CTO Andrew Bosworth had de reorganisatie intern al “belabberd” genoemd.

Jensen Huang, de topman van NVIDIA, was directer. Het idee dat AI nu al banen kost noemt hij gewoon lui. De technologie is er net, hoe kunnen die banen dan nu al weg zijn? “We maken mensen bang en dat is onverantwoord.” Demis Hassabis van Google DeepMind sprak van een gebrek aan verbeelding bij de leiding.

De minder spannende lezing is dat veel van deze bedrijven recordwinst boekten en tegelijk in het personeel sneden. AI was de verklaring die ook nog eens de beurskoers opdreef. Durfkapitalisten noemen het inmiddels een smoes voor iets veel saaiers, namelijk dat bedrijven in de coronajaren gewoon te veel mensen hadden aangenomen. Dezelfde kostenpost kwam een rij lager op het spreadsheet terecht en kreeg het etiket AI-transformatie, omdat dat slimmer klinkt dan “we moesten snijden”. Tegelijk is er een andere kant. General Motors verving in zijn Factory Zero in Detroit ruim duizend mensen door vijftig robots omdat de vraag naar zijn elektrische modellen tegenviel. Jeff Bezos voorspelde op een congres in Parijs juist een tekort aan mensen, omdat AI volgens hem vooral nieuwe vraag losmaakt. De waarheid ligt dus rommelig in het midden. Al dat geruzie over wel of geen banen leidt af van iets wat veel lastiger terug te draaien is dan een ontslagronde.

Het werk dat verdwijnt, is het werk waarmee je leert

AI neemt het werk over op de plekken waar je vroeger begon. Een beginnend jurist zoekt en schrijft minder zelf. De eerste analyse in de consultancy rolt nu uit een model. HR laat vacatureteksten en voorselecties uit een prompt komen. In marketing maakt de AI de eerste opzet van de campagne. Steeds verdwijnt juist het instapwerk. Dat leverde altijd meer op dan het werk zelf. Het was de manier waarop je vlieguren maakte, fouten maakte en langzaam leerde hoe goed werk eruitziet.

Een recent Nederlands brancheonderzoek onder marketeers laat zien hoe scheef dat kan lopen. Jongere marketeers noemen creativiteit, social media en digitale handigheid als hun sterkste kant. Oudere collega’s noemen communicatie, samenwerken, strategisch inzicht, organiseren en richting geven. Waar vroeger tien mensen aan een creatieve productie werkten, zijn dat er straks misschien twee, één die vooral prompts schrijft en één die beoordeelt wat de machine heeft gemaakt.

Daarmee verdwijnt niet alleen werk, maar ook de tussenlaag waarin mensen beter werden. Vroeger zat er tussen beginner en eindverantwoordelijke een hele reeks kleine taken, correctierondes en half afgemaakte versies. Daar leerde je wat goed genoeg was, waar een idee stukliep en waarom een senior ergens nee tegen zei. Als straks alleen de prompter en de beoordelaar overblijven, wordt juist die leerruimte kleiner. Dat zie ik nu bij klanten. De persoon die de AI-output controleert, corrigeert en van context voorziet, die beroemde human in the loop, heeft in de praktijk vaak tien jaar ervaring. Logisch ook. Een antwoord rolt er altijd uit, dat kan de AI prima zelf. Of dat antwoord deugt, ziet alleen iemand met de kennis om het te wegen. Dat is ook waarom ik eerder schreef dat de domeinspecialist die je zoekt al aan je koffietafel zit.

De schaarse vaardigheid is leidinggeven

In een experiment bouwde een groep MBA-studenten zonder noemenswaardige programmeerervaring in vier dagen werkende prototypes met een AI-programmeertool. Niet omdat ze ineens konden programmeren, maar omdat ze het probleem scherp kregen. Ze konden afbakenen wat de tool moest doen, benoemen wanneer iets af was en zien wanneer het model niet klopte. Juist de vaardigheden die vaak als zacht worden weggezet, bleken hier het verschil te maken.

Goed werken met AI lijkt daardoor meer op leidinggeven dan op knoppenkennis. Je geeft een doel, legt uit waarom dat doel telt, trekt grenzen, zegt wanneer iets klaar is en controleert het werk voordat het naar buiten gaat. Een goede opdracht aan een AI is in die zin gewoon goed delegeren. Wie weet hoe goed werk eruitziet en dat helder kan uitleggen, haalt het meeste uit deze systemen. Dat is precies wat ik eerder het WAINUT-raamwerk noemde, waarin de context, je werkwijze en je kwaliteitsnormen om de tool heen het verschil maken.

Dat zet die opmerking over je kinderen in een ander licht. Zij doen het brede werk dat meteen werkt. De vaardigheid die schaars wordt, is het oordeel van iemand die zijn vak zo goed kent dat hij een machine kan aansturen alsof het een junior is. Dat blijft ook niet bij code. Anthropic, een van de grote AI-labs, zegt dat AI inmiddels tachtig procent van de code schrijft en dat ontwikkelaars daardoor veel productiever worden. Wat zich in programmeren als eerste voltrok, komt nu aan bij de advocaat, de marketeer en de beleidsmaker.

De gewoonte die kinderen nu aanleren

Die brede, makkelijke inzet heeft een keerzijde die je niet meteen ziet. Op een middelbare school in Turkije kreeg de ene groep leerlingen gewone ChatGPT bij hun wiskunde, de andere niets. De AI-groep maakte het huiswerk beter en dacht meer te leren. Op de toets, zonder AI, scoorde die groep lager dan de groep zonder. Door de inspanning over te slaan, sloegen ze het leren over. Onderzoekers noemen dat cognitive surrender. Je stopt met nadenken en laat de machine het doen, ook als die fout zit. In een test onder consultants zag je het ook gebeuren. Op een opdracht die de AI niet aankon, gaven juist de AI-gebruikers vaker het verkeerde antwoord, omdat ze het gezaghebbende, maar foute model niet betrapten.

Dat raakt je juniors recht in hun ontwikkeling. Een junior die het denkwerk aan de AI overlaat, bouwt nooit zelf de context op die een senior wel heeft. Zonder die context geloof je wat eruit komt, want je hebt niets om het tegen af te wegen. Het zorgelijke is dat die gewoontes nu worden gevormd en straks moeilijk terug te draaien zijn, zodra een hele generatie ze heeft ingesleten.

Noorwegen trekt daarom een grens. Vanaf komend schooljaar mogen kinderen op de basisschool vrijwel geen AI meer gebruiken, vanwege dalende lees-, schrijf- en rekenprestaties en de zorg dat ze anders essentiële stappen in hun ontwikkeling overslaan. Pas op de middelbare school mag het stapsgewijs terug, onder begeleiding. Het hoeft ook niet mis te gaan. Op tien scholen in Taipei kregen leerlingen vijf maanden lang een AI-tutor die hen telkens zelf liet ploeteren met de volgende opgave. Zij scoorden op het eindexamen fors hoger, goed voor het equivalent van zes tot negen maanden extra onderwijs. Hetzelfde gereedschap, anders ingesteld. Een AI die je aan het werk zet, maakt je blijkbaar beter dan een AI die je het antwoord voorzegt.

Blijf junioren aannemen en zet ze naast de AI

Dus wat doe je hier vandaag mee? Als je leidinggeeft, ligt de makkelijke route voor de hand. Stop met junioren aannemen, de AI doet dat instapwerk toch. Dat is alleen de keuze die je over vijf jaar je toekomstige seniors kost. Blijf ze dus aannemen en zet ze naast de AI in plaats van eronder. Laat een junior de output van het model niet klakkeloos doorsturen. Laat hem corrigeren, navragen en het ding laten uitleggen waarom het iets zo aanpakt. Elke keer dat hij een AI-antwoord onderuithaalt en verbetert, bouwt hij het oordeel op dat hem later tot senior maakt. Dat is hetzelfde managementoordeel waarmee die studenten hun prototypes bouwden, alleen leert hij het op de werkvloer.

Een oordeel opbouwen klinkt simpel, maar het is de moeilijkste vaardigheid van het vak. De AI geeft altijd een antwoord, lang niet altijd het goede. Een vraag zo ver kunnen ontleden dat je zelf ziet waar dat antwoord rammelt, leer je niet in een middag. In mijn workshops zie ik het verschil meteen. Wie zijn eigen werk eerst zelf doorgrondt, prikt er later dwars doorheen wanneer een model met overtuiging onzin verkoopt. Wie die stap overslaat, gelooft de uitkomst op de automatische piloot.

Sneller senior worden kan wel. Je hebt tenslotte een leraar naast je die nooit moe wordt. Maar alleen als je blijft willen snappen waarom iets klopt. Gebruik je AI om dat stuk over te slaan, dan blijf je hangen op stagiaireniveau met een duur hulpje. En dan zijn we terug bij je kinderen. Hun voorsprong zit nu vooral in het brede, makkelijke werk. Dat is prima. De schaarse vaardigheid zit hoger op de trap, in het oordeel van de senior die de machine corrigeert. Dat oordeel kun je niet downloaden. Iemand moet het nog steeds opbouwen, trede voor trede.

Ook het vermelden waard

Adobe zet zijn AI-assistent in Premiere, Illustrator en InDesign Adobe’s Firefly-assistent kan nu in de hele Creative Cloud clips sorteren, lagen herordenen, ontbrekende fonts checken en hele storyboards opzetten. Hij draait via ChatGPT, Claude en Copilot. Het instapwerk waar een junior-editor vroeger zijn eerste uren maakte, is nu een knop.

Hyundai koopt Boston Dynamics helemaal in Hyundai neemt het laatste belang van SoftBank over voor 325 miljoen dollar en heeft de robotbouwer nu volledig in handen. De humanoïde Atlas moet vanaf 2028 aan het werk in een Hyundai-fabriek in Georgia. Zo komt AI van het scherm de werkvloer op, met een eigenaar die meteen zijn eerste klant is.

Het toptalent speelt stuivertje-wisselen Nobelprijswinnaar John Jumper, het brein achter AlphaFold, verruilt na negen jaar Google DeepMind voor Anthropic. Dezelfde week vertrok Noam Shazeer, co-lead van Gemini en mede-bedenker van de transformer, naar OpenAI. De modellen lijken op elkaar, het verschil zit steeds meer in wie er voor je werkt.

Amsterdam krijgt een eigen AI-hub In september opent The Stack in Oostenburg, 4.500 m² voor snelgroeiende AI-startups, opgezet met Techleap en gefinancierd met ruim 10 miljoen euro privaat geld. Het doel is een Europese AI-stack die minder leunt op Amerikaanse leveranciers, plus een sterkere as Amsterdam-Eindhoven.

Lees ook

Europa praat over AI. Amerika zet het uit.
Anthropic brengt Fable 5 uit en bouwt de paywall alvast mee

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Stel, iemand zoekt een dakdekker, een boekhouder of een adviseur in jouw stad. Vroeger tikte die persoon dat in Google en koos zelf uit een lijstje. Nu vraagt die het aan ChatGPT en krijgt drie namen terug. Sta jij erbij? Dit is waar AI-vindbaarheid over gaat. ChatGPT zit op ruim een miljard gebruikers. En ongeveer de helft van alles wat mensen aan ChatGPT vragen is gewoon informatie opzoeken, precies het soort vraag dat vroeger naar Google ging. Voor steeds meer mensen is ChatGPT hun zoekmachine geworden. Eén ding ga ik je vroeg in dit playbook bewijzen. Het is precies het tegenovergestelde van wat de meeste SEO-bureaus je vertellen. Hoog in Google staan helpt je hier minder dan je denkt. Waarom juist een kleinere speler dit kan winnen, laat ik je zien zodra we kijken hoe de portier beslist.

SEO is de etalage, GEO is de portier die voor je klant kiest

Even twee woorden uit elkaar trekken, want zonder die twee snap je de rest niet. SEO staat voor search engine optimization. Dat is alles wat je doet om hoog in Google te komen, in dat rijtje blauwe links. Denk aan een winkelstraat vol etalages. Jij wil de mooiste etalage op de drukste hoek, want de klant loopt langs en kiest zelf waar hij naar binnen gaat.

GEO staat voor generative engine optimization. Een generatieve engine is een AI die een antwoord voor je samenstelt, zoals ChatGPT, Gemini of Perplexity. Bij die engine is er geen etalage meer om langs te lopen. Er staat een portier voor de deur en je klant vraagt hem waar hij moet zijn. De portier noemt één of twee namen en de klant loopt daarheen. Jouw etalage ziet hij niet eens. Hij hoort alleen wat de portier over je vertelt.

Dat verandert het spel op een manier die je in de cijfers terugziet. Ruim twee derde van de Google-zoekopdrachten eindigt inmiddels zonder dat iemand nog ergens op klikt. Begin 2026 verschijnt er bij bijna de helft van de zoekresultaten al een AI-samenvatting. De klant krijgt zijn antwoord dus boven de lijst van de portier en scrolt niet verder. Voor jou betekent dat hoog in de lijst staan leuk is, maar dat de winst zit in genoemd worden door de portier.

Je SEO-basis telt mee, maar het speelveld is vlakker

De gangbare wijsheid is dat goede SEO en goede AI-vindbaarheid precies hetzelfde zijn. Dat klopt voor een groot deel. De fundamenten die je hoog in Google zetten, zoals sterke content, autoriteit, backlinks en vertrouwde vermeldingen, helpen je ook bij de portier. Een AI leunt namelijk op dezelfde signalen van betrouwbaarheid. Wie zijn SEO op orde heeft, heeft dus een voorsprong.

Waar het misgaat is de aanname dat een hoge Google-positie zich één op één vertaalt naar het AI-antwoord. Dat doet hij niet. Uit onderzoek naar welke bronnen AI-assistenten aanhalen blijkt dat voor ChatGPT en Gemini minder dan 10 procent van de geciteerde pagina's overlapt met de gewone Google-resultaten. Slechts zo'n 12 procent van de pagina's die een AI aanhaalt staat in de Google top 10. Goed scoren in Google helpt dus. Een plek in het AI-antwoord verdien je daarbovenop.

Omdat een AI-antwoord één samengesteld geheel is, draait het om je aandeel in dat antwoord. Het speelveld ligt vlakker dan in Google, waar de grootste namen met de meeste backlinks vooraan staan. In het onderzoek won juist de partij op positie vijf het meest, tot ruim het dubbele aan zichtbaarheid, terwijl de partij die op nummer 1 stond zo'n 30 procent inleverde. Een kleinere speler met de juiste content kan in het AI-antwoord dus boven een grote naam uitkomen. Dat is precies waarom dit interessant is als je niet het grootste budget hebt.

Waar de portier op let als hij een naam noemt

Waar let die portier dan op? Op drie dingen, in gewone taal.

Eerst kijkt hij of een stuk tekst op zichzelf een vraag volledig beantwoordt. Een losse alinea die je kunt losknippen en die klopt zonder de rest van je pagina, pikt hij eerder op. Daarnaast weegt hij of het klinkt als een betrouwbaar antwoord. Een concreet cijfer met een bronvermelding erbij in een heldere zin leest voor het model als geverifieerd. En tot slot kijkt hij naar wat anderen over je zeggen. Voor ongeveer de helft van de vragen leunt een AI op door mensen gemaakte content zoals Reddit, LinkedIn, Wikipedia en reviewsites. De portier doet wat een mens bij twijfel doet, hij vraagt het de groep.

Daar kleeft ook een risico aan. Een AI kan met grote stelligheid iets verkeerds over je zeggen. Een Duitse rechter verbood Google onlangs om via zijn AI-samenvattingen onjuiste beweringen over twee Duitse uitgevers te verspreiden. De rechter bepaalde dat die samenvattingen Googles eigen woorden zijn waarvoor Google aansprakelijk is. Wat de machine over je categorie en over jou vertelt, weegt dus zwaar. Het is je etalage geworden en je hebt hem niet zelf ingericht.

Doe de spiegeltest: vraag het de machine zelf

Voordat je iets verandert, wil je weten wat de portier nu over je zegt. Dat hoef je niet te raden, je kunt het letterlijk vragen. Ik noem het de spiegeltest. Het is het eerste wat ik bij een klant doe. Open ChatGPT, Gemini en Perplexity, het liefst uitgelogd zodat je je eigen geschiedenis niet meeneemt. Stel dan deze vragen.

1. Wat is het beste [jouw vak] in [jouw stad of regio] en waarom?
2. Ik zoek een betrouwbare [type bedrijf] voor [concreet probleem].
   Welke drie zou je aanraden en waarop baseer je dat?
3. Wat weet je over [jouw bedrijfsnaam]? Wat doen ze, voor wie,
   en wat vinden klanten ervan?

Let bij het lezen op drie dingen. Word je genoemd, ja of nee? Als je genoemd wordt, op basis waarvan: je eigen site, of een review, een lijstje, een forum? En klopt wat hij zegt eigenlijk wel? Veel ondernemers schrikken hier, want de AI noemt zelfverzekerd een paar concurrenten en jouw naam valt niet. Of erger, hij verzint iets over je dat niet klopt.

Dit is meteen je nulmeting. Herken je dat gevoel van "ik dacht dat we goed vindbaar waren"? Dat is normaal. En het is precies het vertrekpunt. Wat je hierna doet valt in drie stappen uiteen. Je zorgt dat de AI je begrijpt, dat hij je vertrouwt en dat je kunt meten of het werkt.

Drie dingen die je deze week al kunt doen

Je hoeft niet te wachten tot je alles snapt. Drie acties zetten de meeste beweging in gang en je kunt ze vandaag oppakken.

Begin bij de vragen die klanten je stellen en zet ze letterlijk als kopjes op je site, met een kort en helder antwoord eronder. Schrijf dus "Wat kost een [dienst] en wat krijg ik ervoor?" met de feiten in het antwoord. Zo geef je de portier tekst die hij los kan oppakken.

Verzamel daarna reviews en reageer op elke review die binnenkomt. Reviews zijn het signaal waar een AI het zwaarst op leunt als hij jouw categorie beoordeelt. En je hebt ze zelf in de hand.

Zorg ten slotte dat je overal hetzelfde en kloppend vindbaar bent. Dezelfde bedrijfsnaam, plaats en omschrijving op je Google Bedrijfsprofiel en je LinkedIn. Een AI die overal hetzelfde over je leest, vertelt het met meer vertrouwen door.

Dit is de basis. Hieronder maak ik er een compleet systeem van, met kopieerbare templates, een manier om te meten en de valkuilen die je geld kosten.

Vanaf hier voor premium-lezers. Je krijgt het volledige systeem achter die drie stappen, kopieerbare templates voor je site en je meting, het voorbeeld van onze eigen WAINUT-site, de snelkoppelingen die je straks de kop kosten, plus helder advies over welke gratis tools volstaan en welke je geld kosten zonder iets op te leveren.

Read more

In de vorige editie zei ik nog dat je die twee weken met Fable 5 in je Claude-abonnement moest benutten en het model je moeilijkste werk moest geven, voordat er een extra paywall omheen kwam. Het werden drie dagen. Afgelopen vrijdag ging Fable voor iedereen op zwart, na één brief van de Amerikaanse overheid aan Anthropic. Toeval wil dat het 12 juni was. Exact negen jaar eerder verscheen het onderzoekspaper waar al deze modellen op draaien. Over Fable zelf schreef ik vorige week. Deze keer gaat het over de schakelaar erachter, over wie daarop zit en waarom de roep om Europese soevereiniteit hier voorlopig nergens landt.

Voor de derde keer in ruim drie maanden trok dezelfde overheid de teugels strakker aan

Even de feiten, want die zijn rommeliger dan de persberichten. Fable 5 werd op 9 juni breed uitgerold voor miljoenen mensen. Mythos 5, dezelfde modelklasse maar met een paar guardrails eraf, bleef voorbehouden aan een kleine kring vertrouwde partners. Drie dagen later lag er een exportmaatregel met een beroep op nationale veiligheid. Geen enkele buitenlander mag nog bij deze modellen, binnen of buiten de VS, tot en met Anthropics eigen buitenlandse medewerkers. In de praktijk kon Anthropic dat blijkbaar niet snel genoeg per gebruiker afdwingen, dus ging alles uit. Ook voor Amerikanen. Opus 4.8 en de rest blijven online.

Het eerste alarm kwam uitgerekend van Amazon, de grootste investeerder van Anthropic. Amazon-baas Andy Jassy meldde dat je de beveiliging van het model kon omzeilen. Dat signaal rolde via een paar bewindslieden omhoog. Op vrijdag zat Dario Amodei in drie telefoongesprekken over de kwestie. Washington noemt het uitzetten een laatste redmiddel na uren proberen. Anthropic zegt negentig minuten te hebben gekregen om de eigen modellen offline te halen, zonder details en zonder ruimte om het op te lossen. De man die zijn eigen technologie ooit met een kernbom vergeleek, vond een bekend lek geen reden om het model terug te trekken. Uiteindelijk moest hij wel.

Wie hier langer meeleest, herkent het patroon. In maart trok het Pentagon een contract van tweehonderd miljoen dollar bij Anthropic in, omdat het bedrijf twee rode lijnen weigerde te laten vallen (OpenAI tekende diezelfde avond wel). In april kwam Mythos eerst alleen uit voor een select groepje van veertig grote bedrijven, nadat de Amerikaanse minister van Financiën er persoonlijk de banktop voor bijeen had geroepen. En vrijdag was het de schakelaar zelf. Eén brief op een vrijdagmiddag en het sterkste publieke AI-model ter wereld is weg voor elke niet-Amerikaan op aarde. Jij dus ook.

In 2017 was dit een vertaaltruc op acht videokaarten

Spoel negen jaar terug. Op 12 juni 2017 zetten acht onderzoekers van Google een paper online met de nuchtere titel Attention Is All You Need. Daarin introduceerden ze de transformer. Er stond ook een voetnoot bij dat de volgorde van de namen willekeurig was, omdat iedereen evenveel had bijgedragen. Op het moment zelf ging het vooral over het sneller vertalen tussen talen en het deed dat een paar punten beter dan wat er tot dan toe was. Dat was het nieuws van die dag.

De doorbraak zat onder de motorkap. De modellen van daarvoor lazen een zin woord voor woord, in volgorde en dat valt niet te parallelliseren. Dure videokaarten stonden zo de helft van de tijd te wachten. Attention liet het model de hele zin in één keer bekijken en zelf bepalen welke woorden onderling het belangrijkst waren. Alles tegelijk de GPU op. Het basismodel haalde de beste vertaalscores tot dan toe na twaalf uur trainen op acht videokaarten. Een onderzoeksgroep met een fatsoenlijk budget kon het overdoen.

Daar staat de wereld van nu tegenover, waarin een frontier-model tienduizenden chips maandenlang bezet houdt. Het idee zelf veranderde minder dan je zou denken. Alles eromheen werd groter, duurder en industriëler. OpenAI pakte dat idee op en bouwde er GPT op. Die drie letters staan voor Generative Pretrained Transformer. Die laatste is precies de transformer uit het onderzoekspaper. Alles wat je vandaag gebruikt, of het nu ChatGPT, Claude of Gemini is, draait nog steeds op datzelfde basisidee. Wat veranderde, is wie zich de rekenkracht kan veroorloven om het op die schaal te draaien.

Daar komt nog iets bij, minder zichtbaar. Het sterkste model helpt inmiddels het volgende sterkste model te bouwen. Een Chinees opensource model paste honderd rondes lang zijn eigen code aan en draaide zijn eigen testen. Het werd dertig procent beter zonder dat er een mens aan te pas kwam. Trainingscompute verdubbelt elke vijf à zes maanden. De voorsprong van wie de meeste rekenkracht heeft groeit zo met elke ronde. Buiten de boot vallen kostte je afgelopen vrijdag een middag werk. Over een jaar kost het je een achterstand die zichzelf elke maand verder uitdiept.

Dat maakt het wrang. Het onderzoekspaper uit 2017 was zo open als wetenschap maar kan zijn. Juist die openheid is negen jaar later achter een muur beland en met één brief uit te zetten.

Iedereen roept soevereiniteit, bijna niemand zegt wat het kost

Vrijdag ging het om één model dat in miljoenen Claude-abonnementen zat. Trek de lijn eens door. Stel je een land voor dat over een paar jaar zijn zorg, scholen en rechtspraak heeft vastgeknoopt aan een eigen AI die in werkelijkheid een dun laagje over een Amerikaans model is. Eén brief en het valt allemaal tegelijk stil. Dat is de afhankelijkheid die de meeste landen nu, door niets te doen, bij een ander hebben neergelegd.

Sinds vrijdag staat mijn LinkedIn-tijdlijn dan ook vol met dezelfde boodschap. We moeten handelen, we moeten onafhankelijk worden, Europa moet nu zijn eigen AI bouwen. Ik word daar moe van, want het is voor een groot deel napraten. Aan de andere kant hoor je een somberder betoog dat net zo hard aankomt. Wie wilde meedoen had daar de kans voor tussen begin 2023 en begin 2026. Daarna was het te laat en stond Europa aan de zijlijn. Allebei schieten ze mis. De roepers zeggen niet wat het kost. De fatalisten doen alsof het een natuurwet is.

Het komt namelijk neer op twee dingen. Genoeg rekenkracht en genoeg talent dat je aan je weet te binden. Veel verder gaat het niet. Dat het kan, bewijst China. In een paar jaar liepen ze met modellen als DeepSeek de achterstand op de Amerikanen grotendeels in, voor veel minder geld. Een deel van hun sterkste modellen geven ze zelfs gewoon vrij. Onmogelijk is het dus niet. Het vraagt een visie en de wil om er alles op af te stemmen.

En precies daar zit het Europese probleem. Geld staat er op papier genoeg, een InvestAI-fonds van tweehonderd miljard euro, al is dat grotendeels herverpakte oude plannen. Waar het op stukloopt is de visie en het lef om er iets mee te doen.

De kloof is groter dan een rond getal laat zien. OpenAI haalde dit voorjaar in één financieringsronde meer op dan alle Europese AI-bedrijven samen ooit hebben opgehaald. Toen Mistral 1,7 miljard binnenhaalde, werd dat hier gevierd als een doorbraak. Dat was twintig keer kleiner dan die ene Amerikaanse ronde. In rekenkracht is het verschil structureel ongeveer een factor twaalf.

Europese ambtenaren mogen de sterkste modellen ondertussen niet eens gebruiken van hun eigen privacyregels. En de enige troef die Europa stevig in handen heeft, de chipmachines van ASML uit Veldhoven, wordt in dit spel juist een drukmiddel tegen ons. ASML mikt op zestig EUV-machines dit jaar en tachtig volgend jaar, cruciaal maar bij lange na niet genoeg voor de wereldwijde AI-vraag.

Kijk naar het Nederlandse antwoord, GPT-NL. Het werd groots aangekondigd, met veel bekende namen erachter en jaren werk erin. Wat eruit kwam is een verantwoord, Nederlands alternatief voor specifieke toepassingen, met rechtmatige data en transparantie als belangrijkste verkoopargument. Goed voor soevereiniteit op papier. In de praktijk van vandaag pakt de professional die werk wil verzetten alsnog een Amerikaans model.

Dan de denkfout onder de hele soevereiniteitsroep. "Dan leunen we toch op die open Chinese modellen" is het antwoord dat je nu vaak hoort. Alleen is die openheid tijdelijk. Zodra een Chinees lab voorop loopt, gaat ook daar de deur dicht. De eerste tekenen zijn er al, want de recentste releases van Qwen en GLM houden onderdelen gesloten. En een opensource model is pas iets waard als je de rekenkracht en het talent hebt om het te draaien en verder te brengen. Er ligt dus geen soeverein model op de plank dat je even uit de kast trekt. Wie roept dat Europa zijn eigen AI moet bouwen, vraagt om rekenkracht en talent op een schaal die je niet met een fonds en een persbericht tevoorschijn tovert. Daarom landt die roep hier voorlopig nergens. Het kan, China laat dat zien. Wat hier ontbreekt is de visie en het leiderschap om er de jaren en de miljarden in te steken die het kost.

Vorige editie schreef ik dat ik in controle wil zijn over welk model mijn werk doet. Vrijdag bleek dat zelfs Anthropic die controle niet volledig had. Eén overheid drukte op de knop en de rest van de wereld keek toe. Op landniveau los jij dat niet op. Ik ook niet. De baas van Microsoft schreef deze week wel iets wat blijft hangen. Je hebt pas controle als je van model kunt wisselen zonder de kennis te verliezen die je organisatie heeft opgebouwd. Je kunt een taak uitbesteden, een hele baan zelfs. Je eigen leren kun je nooit uitbesteden. Dat is het enige niveau van soevereiniteit dat je vandaag in handen hebt. Al het andere is geleend. En het kan op een vrijdagmiddag weg zijn.

Attention Is All You Need, heette het onderzoekspaper uit 2017. Achteraf klopte dat maar half. Aandacht was nooit het schaarse goed. Europa had aandacht genoeg, vooral voor risico's, regels, waarden en randvoorwaarden. Wat ontbrak was de rekenkracht, het talent en de bereidheid om macht te organiseren. De aandacht was hier. De schakelaar bleef aan de andere kant van de oceaan.

Ook het vermelden waard

Bezos steekt 12 miljard in een AI die fysieke producten ontwerpt Zijn nieuwe bedrijf Prometheus haalde 12 miljard dollar op bij een waardering van 41 miljard, voor wat het een artificial general engineer noemt, software die alles van straalmotoren tot medicijnen mee helpt ontwerpen. Waar de meesten AI aan banenverlies koppelen, voorspelt Bezos juist een tekort aan handen omdat de vraag naar werk sneller zou groeien dan het aanbod. Het laat zien dat het grote geld nu van de chatbot naar de fysieke wereld trekt.

KPMG trekt eigen AI-rapport terug, vol AI-verzinsels Een KPMG-rapport over hoe grote organisaties AI inzetten bleek voor een groot deel door AI verzonnen. Van de 45 bronverwijzingen klopten er vijf, en partijen als UBS en de Britse NHS ontkenden de beweringen over hun eigen AI-gebruik. Vorige maand overkwam EY hetzelfde, een dure herinnering dat je de output van een model nakijkt voor die de deur uit gaat.

Google brengt een open model uit dat vier keer sneller tekst maakt DiffusionGemma genereert hele tekstblokken in één keer in plaats van woord voor woord, een truc geleend uit beeldgeneratie. Op een stevige gaming-GPU haalt het rond de 700 tokens per seconde, zo'n vier keer sneller dan een vergelijkbaar Gemma-model. Het draait lokaal en staat onder een open licentie, al is de kwaliteit nog wisselend en noemt Google het zelf experimenteel.

Google sleept een Chinees scamnetwerk voor de rechter om misbruik van Gemini Het netwerk liet Gemini de code voor nepwebsites schrijven en verstuurde in twee weken 2,5 miljoen frauduleuze sms'jes naar Android-gebruikers. Honderdduizenden mensen raakten geld kwijt en de schade loopt in de miljoenen. Google probeert het nu via de rechter plat te leggen, samen met de FBI en de grote telecomproviders.

Lees ook

Anthropic brengt Fable 5 uit en bouwt de paywall alvast mee
De scheidsrechter heeft een AI-assistent. Japan, Zweden en Tunesië ook.

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

De afgelopen dagen liet ik Fable 5 los op mijn eigen repo’s. Code reviews in de breedste zin, dus ook mijn workflows en agent-flows, met als opdracht om gaten te spotten. Hij vond dingen die eerdere modellen lieten liggen. Tegelijk hou ik een slag om de arm, want ik weet nog niet of dat aan het model ligt of aan de context en de prompt waarmee ik hem voedde. Wat me meer bezighoudt, is de timing. Anthropic geeft zijn sterkste model ooit vrij, vier dagen nadat het opriep tot een wereldwijde AI-pauze en hetzelfde model blijft onder een tweede naam alsnog achter slot. Jij hebt twee weken om het gratis uit te proberen.

Het slot zit niet meer op de deur, maar in het model

Even terugspoelen naar april. Anthropic hield zijn sterkste model, Claude Mythos Preview, toen bewust achter een muur. Alleen cyberdefenders en infrastructuurpartijen mochten erbij via Project Glasswing, een samenwerking met de Amerikaanse overheid. In de editie “Het sterkste code-model ter wereld is Chinees, gratis en open source” schreef ik dat Anthropic als enige groot lab zijn frontier vasthield terwijl de rest gewoon uitbracht.

Die muur bestaat nog steeds, alleen staat hij ergens anders. Fable 5 en Mythos 5 zijn namelijk hetzelfde model, met dezelfde weights. Het verschil zit in drie classifiers, aparte AI-systemen die met je verzoek meekijken. Gaat je vraag over cybersecurity, biologie en chemie, of lijkt het op een poging om het model leeg te trekken voor het trainen van een concurrent (distillatie), dan neemt Opus 4.8 het antwoord over en krijg je daar een melding van. Dat gebeurt in minder dan 5 procent van de sessies. Net als bij de zelfscankassa eigenlijk. Je scant alles zelf, maar bij de fles wijn gaat het lampje branden en komt er een medewerker kijken. De winkel is open voor iedereen, de controle zit op het schap.

En de capaciteiten liegen er niet om. Op SWE-bench Verified scoort Fable 5 95 procent, waar Opus 4.8 op 88,6 blijft steken en Gemini 3.1 Pro op 80,6. Op de zwaardere SWE-bench Pro is de voorsprong elf punten op Opus en ruim twintig op GPT-5.5. Voor mij voelt deze sprong als Opus 4.5 afgelopen november en dat was de laatste keer dat een release als vooruitgang aanvoelde. Ik ben niet de enige, want die vergelijking met 4.5 viel deze week vaker. Hoe langer en complexer de taak, hoe groter het verschil met alles ervoor.

Wie bepaalt welk model jij krijgt

Op papier is die fallback netjes opgelost. Je krijgt een melding en Opus 4.8 is op zichzelf een uitstekend model. Toch wringt hier iets, want het model bepaalt voortaan wanneer jij de mindere goden voorgeschoteld krijgt.

In de system card staat bovendien een subtielere variant. Wordt Fable 5 ingezet voor frontier-AI-ontwikkelwerk, denk aan pretraining-pipelines of trainingsinfrastructuur, dan beperkt het model stilletjes zijn eigen effectiviteit, zonder melding. Volgens Anthropic raakt dit ongeveer 0,03 procent van al het verkeer. Dat klinkt als een voetnoot. Voor mij is dit het belangrijkste uit de system card, want hier staat een model dat in strategisch gevoelige domeinen bewust minder zijn best doet en jou dat niet vertelt.

Ik wil in controle zijn over welk model mijn werk doet. In controle zijn betekent bewuste keuzes maken en die keuzes maak ik niet voor niets. OpenAI probeerde dit soort automatische routing bij de lancering van GPT-5 en dat liep in het begin volledig in de soep. Voor het grote publiek snap ik de gedachte, het zware model is voor de meeste vragen overbodig en routing bespaart iedereen kosten. Voor professioneel werk werkt het precies andersom. Als ik Fable kies, wil ik Fable.

Voor de meeste lezers blijft dit overigens theorie, want in ruim 95 procent van de sessies merk je er niets van. En wie in security werkt moet weten dat Fable op cybertaken bewust op Opus-niveau presteert. Daar doen de classifiers gewoon hun werk.

Eerst de pauzeknop, dan de beursgang

Op 5 juni riep Anthropic op tot een wereldwijde pauze in AI-ontwikkeling en medeoprichter Jack Clark zei bij de BBC dat AI een rempedaal nodig heeft. Vier dagen later brengen ze het krachtigste model ooit uit, ruim een week na hun eigen beursaanvraag. Ondertussen draaide Mythos intern al maanden mee.

Ik kan daar maar één ding van maken. Dit is marketing in aanloop naar de beursgang. Er zit een kern van waarheid in, want het model is sterk en een adempauze zou onderzoekers lucht geven. Tegelijkertijd schreeuwt half Washington van de daken dat China nooit sterkere modellen mag krijgen en een pauze bereikt precies het tegenovergestelde. Voor het publiek zeggen ze het een, feitelijk en politiek doen ze het ander.

En die gratis periode tot 22 juni is in dat licht ook geen toeval. Niets laat beleggers zo mooi zien hoe groot de vraag is als twee weken waarin iedereen tegelijk je duurste model mag aanzetten.

Negenenhalf uur werk uit één opdracht

Het meest veelzeggende voorbeeld komt van onderzoeker Ethan Mollick, die het model vroeg mocht testen. Hij stopte een ontwerpdocument van 19 pagina’s in het model en kwam terug bij software die af was. Fable werkte er negenenhalf uur autonoom aan, startte eigen subagents op voor research en verificatie en maakte onderweg honderden kleine keuzes waar geen mens naar heeft gekeken. Zijn rol verschoof van uitvoerder naar opdrachtgever. Net als bij een architectenbureau. Je beschrijft wat je wilt, je betaalt en je beoordeelt het eindresultaat zonder ooit op de werkvloer te komen.

Stripe zag tijdens de eerste tests hetzelfde patroon op productieschaal. In een Ruby-codebase van 50 miljoen regels voerde het model in één dag een migratie uit waar een heel team anders ruim twee maanden over zou doen.

Het Claude Code-team van Anthropic vat het mooi samen. Vroeger controleerden ze of het model het werk goed had gedaan, nu controleren ze of het model het juiste werk doet. Wie ooit een workshop van mij volgde herkent hier Plan-Do-Check in. De do-fase schuift naar het model en jouw waarde verschuift naar de plan-fase en de check-fase. Daar zit straks je vak.

En dan de andere kant, want die is er ook. Testers melden dat Fable vaak veel te compacte en zware teksten schrijft, waardoor ze het model herhaaldelijk moesten vragen om simpeler uit te leggen. One-shot design is zwak en vraag je om een MVP, dan krijg je iets heel minimaals. Het model stelt bovendien eindeloos verduidelijkingsvragen voordat het gaat bouwen. Voor teksten, specs en strategiewerk pak je dus gewoon Sonnet of Opus. Daar komt mijn eigen kanttekening bij. Bij elke modelrelease is er één hype-usecase die opeens heel goed werkt. Eerst was het SVG’s one-shotten, daarna complete websites, nu 3D-werelden. Ik heb het zelf geprobeerd en ja, het werkt verbluffend. Maar goed, dat zegt iets over de demo, nog weinig over jouw werkweek.

Gratis tot 22 juni, daarna usage credits

Fable 5 kost via de API 10 dollar per miljoen input-tokens en 50 dollar per miljoen output-tokens, exact het dubbele van Opus 4.8. Daar komt bij dat de nieuwe tokenizer dezelfde tekst in ongeveer 30 procent meer tokens uitdrukt dan de oudere Claude-modellen en dat de eerste testers ruwweg twee keer zo snel door hun limieten heen zijn. Wie de editie over de ontploffende AI-rekening nog vers heeft, weet waar dit heen gaat.

In de abonnementen zit een addertje met een datum. Tot en met 22 juni zit Fable 5 gratis in Pro, Max, Team en Enterprise. Op 23 juni gaat hij eruit en betaal je per gebruik met usage credits. Anthropic belooft hem terug te brengen in de abonnementen zodra de capaciteit het toelaat en daar staat geen datum bij.

Dit baart me meer zorgen dan de prijs zelf. Concurrentie houdt de prijzen in deze markt laag. Amerikaanse labs kunnen geen abonnementen van tienduizend euro vragen zolang Chinese en open source modellen in de buurt blijven. Valt die concurrentie weg, dan gaan we richting absurde lock-ins en prijzen.

Voor corporate lezers nog een belangrijk detail. Op Mythos-klasse modellen geldt verplichte dataretentie van 30 dagen, ook als je via AWS of Google Cloud werkt en zero data retention is er voor deze modellen dus niet bij. Anthropic gebruikt de data naar eigen zeggen alleen voor veiligheid, logt elke menselijke toegang en verwijdert na 30 dagen. Of dat binnen jouw risk appetite en compliance past, is een gesprek met je privacy officer waard voordat je dit model op klantdata zet.

Twee weken om het zelf te voelen

Dus, mijn advies. Probeer het nu, juist omdat het tot 22 juni in je abonnement zit. Geef het je moeilijkste werk, zoals een hardnekkig debugging-probleem, een documentzware analyse of een review van je complete werkproces zoals ik deed. Begin op een laag effort-niveau, dat is voor de meeste taken al genoeg en bewaar de hoogste stand voor je zwaarste denkwerk. Houd Sonnet en Opus in je rotatie voor dagelijks werk en teksten.

En raak er niet te gewend aan, want voor je het weet verdwijnt dit achter een hogere paywall. Ik zou zeggen, pak die twee weken. Dan weet je straks in ieder geval uit eerste hand wat er al die tijd achter de muur lag.

Ook het vermelden waard

OpenAI dient in stilte zijn beursaanvraag in Ruim een week na Anthropic heeft ook OpenAI vertrouwelijk een S-1 ingediend bij de SEC. Op secundaire markten is Anthropic OpenAI inmiddels voorbij in waardering. De twee grootste AI-labs racen tegelijk naar de beurs en dat verklaart veel van het marketinggeweld in deze editie.

De nieuwe Siri draait op Gemini Apple presenteerde op WWDC een vernieuwde Siri, gebouwd op Apple Foundation Models die samen met Google op Gemini-technologie zijn ontwikkeld, on-device en via Private Cloud Compute. Siri krijgt een eigen app en cross-app context. Het was ook de laatste WWDC van Tim Cook, die per 1 september wordt opgevolgd door John Ternus.

Duitse rechter maakt Google aansprakelijk voor AI Overviews De rechtbank in München oordeelde dat AI-samenvattingen Googles eigen woorden zijn, waardoor de bescherming als doorgeefluik vervalt. Google mag via AI Overviews geen onjuiste claims meer verspreiden over twee Duitse uitgevers. Een precedent voor iedereen die generatieve AI-output publiceert.

ING laat AI hypotheekaanvragen meebeoordelen ING zet als eerste grote Nederlandse bank AI in bij het beoordelen van afwijkende hypotheekaanvragen en dat is tachtig procent van alle aanvragen. Een mens neemt nog steeds de eindbeslissing, met het AI-advies ernaast. AI-praktijk dichtbij huis dus, inclusief de bekende bias-discussie.

Microsofts open source tools gehackt om AI-developers te bestelen Hackers injecteerden malware in tientallen Microsoft-repos op GitHub, gericht op tools die developers gebruiken met Claude Code, Gemini CLI en VS Code. Minstens 70 projecten gingen offline. Wie met AI-coding tools werkt, wil zijn dependencies deze week even nalopen.

Lees ook

De scheidsrechter heeft een AI-assistent. Japan, Zweden en Tunesië ook.

NVIDIA wil de AI-cloud onder je bureau zetten

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Op 11 juni is de aftrap van het WK. Anderhalf miljard kijkers worden er dit WK verwacht. Maar er speelt iets mee wat je op tv niet ziet. Elke wedstrijd verwerkt het systeem 150 miljoen datapunten in real time. De bal stuurt 500 keer per seconde zijn precieze positie naar de servers. En de grensrechter op het veld krijgt via zijn oortje een seintje als iemand buitenspel staat, zonder dat de VAR er nog aan te pas komt.

Ik ben door alle officiële FIFA-documentatie gegaan, van wat er technologisch klaarstaat voor dit WK. Mijn conclusie.. dit is de grootste AI-deployment die momenteel in productie gaat. En wat FIFA heeft gebouwd, heeft drie lagen die je eigenlijk allemaal al in je eigen werk hebt liggen. Op het veld, achter de schermen bij teams, en buiten de stadions.

Van 35 seconden naar een oortje

In Qatar 2022 duurde een gemiddelde VAR-buitenspelbeslissing 35 seconden. Het systeem begon pas te rekenen nadat een VAR-operator de situatie handmatig had gemarkeerd. Mensen waren snel genoeg. De keten was gewoon lang. Het gevolg was die irritante wachttijd. Spelers staan stil, het publiek wacht, commentatoren speculeren.

In 2026 is de keten korter. Elk stadion heeft nu 16 optische trackingcamera’s, vier meer dan in Qatar. Die genereren samen 150 miljoen datapunten per wedstrijd. De bal stuurt 500 keer per seconde zijn positie door. Alle 1.200 deelnemende spelers zijn vooraf gescand in een 3D-bodyscan van precies één seconde per speler. Van Dijk, Gakpo, Reijnders, de hele Oranje-selectie. Begin juni op de media-dag in een seconde door de scanner. In de VAR-replay staat een gepersonaliseerde digitale avatar van de speler zelf.

De buitenspeldetectie werkt nu accuraat tot op 10 centimeter, waar het systeem in Qatar nog 50 centimeter als ondergrens had. Het signaal gaat direct naar het oortje van de grensrechter op het veld.

Of Gakpo bij een goal net met zijn schouder buitenspel staat, bepaalt zijn eigen digitale avatar. Of Weghorst in de extra tijd millimeters buitenspel stond, is een rekensom geworden.

Klinkt als pure winst. Maar er zit een laag onder die minder simpel is. Arbitrage op 10 centimeter nauwkeurigheid vraagt dat je het systeem blindvertrouwt op een marge die het menselijk oog toch al niet kan waarnemen. De scheidsrechter controleert de output niet meer, hij handelt ernaar. En wie aansprakelijk is als die 10 centimeter fout blijkt, staat nergens in de FIFA-documentatie die ik heb gelezen.

De Referee View, de bodycamera op de scheidsrechter, is nu gestabiliseerd via AI. Dat geeft een vloeiend first person perspectief dat live in uitzendingen kan worden gebruikt. Voor medische teams op de tribune is het ook praktisch. Bij een botsing zijn de beelden direct beschikbaar.

Tunesië met dezelfde analysetool als Nederland

Dit is het onderdeel dat mij het meest interesseert. Football AI Pro.

Een generatieve AI-assistent, gebouwd op FIFA’s eigen Football Language Model, getraind op honderden miljoenen datapunten uit wedstrijden en competities. Alle 48 deelnemende landen krijgen er toegang toe, voor en na wedstrijden, nooit live tijdens een wedstrijd.

Coaches en analisten kunnen er gewoon vragen aan stellen, in meerdere talen. “Welke patronen vertoont Spanje in de transitie na balverlies?” of “Welke defensieve zwaktes heeft dit team op standaardsituaties?” Voor de Oranje-staf is dat een prompt als “Hoe reageert onze tegenstander als Reijnders hoog staat en De Jong de diepte zoekt?” In plaats van handmatig door een analyserapport van 60 pagina’s ploegen, krijg je binnen seconden specifieke videobeelden, grafieken en tactische simulaties.

Bank of America publiceerde begin 2026 een rapport waaruit bleek dat rijke bonden met grote analyseteams altijd een structureel voordeel hadden gehad. Football AI Pro is expliciet ontworpen om dat te egaliseren. Tunesië, dat in Oranje’s eigen groep F zit en een fractie van het Nederlandse analysebudget heeft, beschikt op papier over dezelfde inzichten als Nederland met 20 specialisten. Voor Oranje werkt dat twee kanten op.

Of dat in de praktijk ook zo uitpakt? Onbekend. FIFA heeft het systeem nog niet in een echte wedstrijdomgeving geëvalueerd. Gen AI op een specifiek domein hallucineert ook, zeker op subtiele tactische nuances. Een analist die Football AI Pro-output klakkeloos overneemt, mist misschien precies de tactische nuance die het verschil maakt. De vraag “vertrouwen we dit inzicht of verifiëren we het” is hier net zo relevant als bij elk ander AI-systeem dat je organisatie inzet.

FIFA bouwde dit omdat ze rijke domeindata hadden, wedstrijden, tracking, spelersgedrag, en die toegankelijk wilden maken via een taalinterface. Elke organisatie heeft zijn versie van die data liggen: contracten, klantgesprekken, operationele logs, projectrapportages. Technologisch hetzelfde principe. Wanneer begin jij?

Je gezicht bij de poort, je anonimiteit op straat

Qatar 2022 draaide op zo’n 15.000 camera’s met gezichtsherkenning. In 2026 loopt het uiteen.

Vancouver, een van de Canadese speelsteden, installeert voor het WK 1.200 camera’s voor 12,9 miljoen dollar. In het contract met telecomprovider Telus staat een expliciet verbod op gezichtsherkenning, biometrische analyse en geautomatiseerde identificatie van individuen. Alle beelden blijven lokaal in Canada, mogen de grens niet over, en worden direct na de finale op 19 juli vernietigd.

Tegelijk draaien in sommige Amerikaanse WK-stadions wel biometrische toegangssystemen. Fans passeren op loopsnelheid de poortjes, hun gezichtsscan gekoppeld aan hun Ticketmaster-account. In Gillette Stadium kun je straks ook je bestelling afrekenen met je gezicht. Als je naar de VS vliegt om Oranje te zien spelen, loop je op weg naar je stoel langs precies zo’n systeem.

Binnen het stadion, vrijwillig aangemeld, mag AI je gezicht herkennen. Op de openbare weg buiten datzelfde stadion is het wettelijk verboden. Precies de grens die ook in de EU AI Act en de Nederlandse uitvoeringswetgeving zit, en waar de praktijk nog niet altijd mee in lijn is.

En dan lopen er ook nog robotdogs. In Texas patrouilleren Boston Dynamics Spot-robots bij AT&T Stadium.

In Mexico zet de politie de K9-X robots in om als eerste tussenbeiden te komen bij incidenten. Officieel zonder gezichtsherkenning. Het publieke ongemak over wat die sensoren wel en niet doen is terecht. Mensen weten dat er camera’s op zitten. De rest is vertrouwen in de mededeling van een fabrikant.

De Amerikaanse overheid trekt daarbovenop 500 miljoen dollar uit voor counter-drone systemen rond WK-locaties, verspreid over 11 gaststaten. Elke ongeautoriseerde drone boven een stadion wordt behandeld als mogelijke terroristische dreiging. FAA-boetes lopen op tot 75.000 dollar per overtreding.

Het WK als AI-laboratorium, dus. Alles wat er nu in productie gaat, gaat binnenkort ook elders in productie. Alleen zonder het voetbal eromheen.

Ook het vermelden waard

Anthropic dient beursgang in bij $965 miljard waardering De makers van Claude dienden op 1 juni vertrouwelijk hun IPO-aanvraag in bij de SEC, op een waardering van 965 miljard dollar na een financieringsronde van 65 miljard. De omzetrun-rate stond in mei 2026 op 47 miljard dollar op jaarbasis, tegen 10 miljard een jaar eerder. Beursintroductie verwacht in oktober 2026, mogelijk boven de biljoen-grens.

Antoni van Leeuwenhoek zet AI in voor patiëntoverzicht Het AVL rolt de kaiko Patient Summary uit in de afdelingen Hoofd-Halsoncologie en Gynaecologie. Artsen en verpleegkundigen genereren met één klik een gestructureerd patiëntoverzicht, inclusief bronvermelding, op basis van verwijsbrieven en medische dossiers. Het AVL presenteert dit als een van de eerste wetenschappelijk gevalideerde AI-toepassingen voor directe klinische inzet in Nederland.

Microsoft bouwt eigen coderingsmodel voor GitHub Copilot Op Microsoft Build (2-3 juni) presenteerde Microsoft MAI-Code-1-Flash, een 5 miljard parameter coderingsmodel dat eigen is gebouwd voor GitHub Copilot en VS Code. De kern is nu een eigen model dat op SWE-Bench Pro 16 procentpunten voor ligt op Claude Haiku 4.5. Microsoft maakt hiermee zijn AI-stack systematisch minder afhankelijk van externe partijen.

OpenAI Codex bouwt nu ook live websites OpenAI lanceerde op 2 juni Codex Sites. Je geeft een prompt, Codex bouwt de app en host die meteen via een URL die je deelt met je team. Dashboards, interne tools, kleine webapps, allemaal zonder dat je zelf deployt. Beschikbaar voor ChatGPT Business en Enterprise. Het is een directe aanval op de use case waarbij mensen nu nog Replit of Vercel erbij pakken om iets snel live te zetten.

Lees ook

NVIDIA wil de AI-cloud onder je bureau zetten

Google deed honderd aankondigingen, weinig wat je daarvan merkt

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Het is kwart over elf 's avonds en je zit nog in je administratie. Vier facturen staan al weken open, de btw-aangifte komt eraan en die ene klant die altijd te laat betaalt moet voor de derde keer een herinnering krijgen. Dit is precies het werk waar Anthropic op 13 mei 2026 een gratis toolkit voor uitbracht: Claude for Small Business. In dit playbook zie je wat het doet, waar het voor een Nederlandse ondernemer knelt en hoe je het in een kwartier opzet en naar je eigen zaak ombouwt. Iedereen heeft het over de 31 skills die erin zitten. Maar de winst zit een laag dieper en die laat ik je zien zodra we samen de motorkap openen.

Een ijverige stagiair die alles klaarlegt, maar niets verstuurt zonder jou

Claude for Small Business is een gratis, open-source pakket dat Anthropic bovenop Claude legt. Het draait in Claude Cowork, de desktop-modus waar Claude je bestanden opent en taken voor je uitvoert (ik schreef er een apart playbook over) en in Claude Code voor wie technischer is. Je hoeft niks te programmeren.

Onder de motorkap zitten drie lagen. Er zijn 15 bouwsteen-skills die elk één ding goed doen (een cashflow voorspellen, een lead scoren, een factuurherinnering opstellen). Daarbovenop liggen 15 kant-en-klare workflows die deze bouwstenen aan elkaar rijgen tot een recept met controlemomenten. En er is een router, een voordeur in gewone taal. Je zegt "ik lig wakker van de loonstrook" en hij kiest zelf de juiste workflow. Je hoeft geen enkel commando uit je hoofd te leren.

Het hart van de toolkit is één ontwerpkeuze. Elke stap die geld of een klant raakt, pauzeert. De toolkit haalt je data op, stelt een mail op, berekent een prognose en legt het resultaat op je bureau. Daarna wacht hij. Niks gaat de deur uit tot jij ja zegt. Ik vergelijk het graag met een ijverige stagiair die alles voorbereidt en netjes klaarlegt, maar nooit zelf op verzenden drukt. Dat is geen toeval. Het is precies de manier van werken waar deze nieuwsbrief naar vernoemd is. De AI levert 80 tot 90 procent, jij brengt het naar 100 en jouw naam staat eronder.

Stel, je vraagt: wie is me nog geld schuldig?

Neem die openstaande facturen van vanavond. Je vraagt letterlijk "wie is me nog geld schuldig?" en de invoice-chase skill gaat aan het werk. Hij trekt je openstaande posten uit je boekhouding, kijkt hoe elke klant je in het verleden heeft betaald en geeft ieder een profiel: trouwe betaler, soms te laat, of structureel te laat. Vervolgens schrijft hij per klant een herinnering waarvan de toon meebeweegt. Vriendelijk en kort voor de klant die altijd op tijd is, zakelijker en steviger voor de notoire laatbetaler. Meerdere openstaande facturen van dezelfde klant bundelt hij tot één mail.

Dan komt het moment waar het om draait. Je krijgt een tabel met klant, bedrag, dagen te laat, toon en verzendkanaal en daaronder elke conceptmail voluit. Pas als jij "verstuur deze" zegt, gaat er iets weg. Hetzelfde patroon zie je bij elke workflow. De maandagochtendbriefing zet je cashpositie, je pijplijn en je belangrijkste taken klaar in Slack. De cashflowprognose kijkt 30, 60 en 90 dagen vooruit en benoemt de risico's er apart bij. Of het nu om een maandafsluiting of een margecheck gaat, geen ervan handelt zelfstandig. Ze bereiden voor, jij beslist.

De adder onder het gras voor Nederlandse ondernemers

De meegeleverde koppelingen zijn door en door Amerikaans. QuickBooks voor de boekhouding, PayPal, Stripe en Square voor betalingen en een belasting-skill die 1099-formulieren klaarzet, het Amerikaanse formulier voor zzp-inhuur waar wij geen equivalent van hebben. Geen Moneybird, geen Exact, geen e-Boekhouden of Twinfield. Geen iDEAL, geen Mollie. Een twaalftal connectors, vrijwel allemaal gericht op de Amerikaanse mkb-stack.

En er is een vraag die je jezelf moet stellen voordat je begint. Je hangt straks je bankdata, je klantsysteem en je mailbox aan een Amerikaanse leverancier. Anthropic zegt dat het op de zakelijke abonnementen niet traint op je bedrijfsdata en dat is mooi, maar over dataresidentie en de AVG gaat de lancering niet. Voor jou is dat een afweging die je bewust maakt (in mijn Playbook: De AI Act voor Ondernemers lees je hoe je daar nuchter mee omgaat). Reken ook even mee. De plugin is gratis, maar je hebt een betaald Claude-abonnement nodig en de tools eronder draaien ook niet voor niks.

Toch is dit geen reden om af te haken. Want elke skill is gewoon een tekstbestand. De Amerikaanse instellingen zijn een vertrekpunt dat je herschrijft en juist dat maakt deze toolkit interessant voor een Nederlandse ondernemer. Hoe je dat doet, zie je zo.

Van installeren tot je eerste resultaat, in een kwartier

De opzet is kort. In Claude Cowork ga je naar Customize en dan Browse plugins, je zoekt op "small business" en klikt op Install. Daarna zeg je "set me up". Dat start de onboarding-skill, die je een paar vragen stelt over je vak, je grootste kopzorgen en de tools die je gebruikt en je antwoorden als context bewaart. Vanaf dat moment weet elke skill in welke zaak hij werkt.

Koppel daarna één of twee tools, niet alles tegelijk. Elke connector kost tokens en aandacht en je wil eerst waarde zien voordat je je hele administratie aansluit. Draai vervolgens één workflow op je grootste kopzorg. Dat is je aha-moment. Werk je liever in Claude Code, dan installeer je hetzelfde met claude plugin marketplace add anthropics/knowledge-work-plugins gevolgd door de install-opdracht.

Onthoud één ding. De toolkit koppelt nooit zelf een tool voor je. Jij start elke koppeling. Dat is dezelfde logica als de verzendknop. Toegang en actie blijven bij jou.

Vanaf hier voor premium-lezers. We openen de motorkap van een skill en kijken wat er letterlijk in staat, je herschrijft er één zodat hij Jortt spreekt in plaats van QuickBooks, ik loop de vier valkuilen langs die je geld kosten en je weet daarna precies wanneer je dit beter niet inzet.

Read more

NVIDIA en Microsoft kondigden gisteren op Computex een nieuwe generatie Windows-pc’s aan. De AI draait daarin niet alleen in de cloud, maar ook op de machine zelf. De belangrijkste chip is RTX Spark, waarmee een laptop lokaal een AI-agent van 120 miljard parameters kan draaien.

Daarnaast komt NVIDIA met DGX Station, een werkstation voor op je bureau dat modellen van 1.000 miljard parameters aankan.

Dat raakt drie dingen waar je elke maand mee te maken hebt. Je rekening, je data en je afhankelijkheid van internet. Ik leg uit wat er echt verandert, en waarom je toch nog niet meteen je creditcard hoeft te trekken.

Een supercomputer op je bureau, AI in je laptop

Ik begin bij de laptop. RTX Spark is een superchip die NVIDIA samen met Microsoft en MediaTek bouwde: één petaflop rekenkracht, tot 128 GB geheugen en slank genoeg voor een 14-inch laptop. Dell, HP, ASUS en Microsoft Surface brengen er dit najaar modellen mee uit. Het bijzondere is dat een AI-agent volledig op het apparaat draait en zelfstandig je laptop bedient, zonder verbinding met de cloud. NVIDIA's eigen demo laat zo'n laptop een model van 120 miljard parameters draaien met een contextvenster van een miljoen tokens. Dat soort AI kon je tot voor kort alleen via de cloud aanspreken. Nu draait het op je schoot.

De DGX Station gaat nog een stap verder. NVIDIA noemt dit werkstation "de krachtigste AI-supercomputer voor op je bureau". Het heeft 748 GB geheugen en een Grace Blackwell-superchip die modellen tot 1.000 miljard parameters lokaal draait. Dat is frontier-klasse rekenkracht waar je tot nu toe een heel datacenter voor nodig had. De machine komt eind dit jaar.

Voor NVIDIA is dit een flinke stap. Het bedrijf dat normaal vooral de chip levert, ontwerpt nu de hele pc en daagt Apple, Intel en Qualcomm op hun eigen terrein uit. Jensen Huang vergeleek het met de sprong van telefoon naar smartphone. Satya Nadella beloofde "onbeperkte intelligentie op elk bureau". Marketingtaal, dat weten we. Onder die taal zit wel een boodschap en die snap je het snelst via een vergelijking met stroom. Tot nu toe werkte AI als stroom uit het net: je betaalt per verbruik en de leverancier bepaalt de prijs. Wat NVIDIA nu verkoopt, zijn zonnepanelen op je eigen dak: een investering vooraf, waarna de opbrengst voor jou is.

Waarom dit je rekening en je data raakt

De vaste aanname was dat AI elk jaar goedkoper zou worden, maar bij de grote labs gebeurt het tegenovergestelde. GPT-5.5 is per token drie keer zo duur als GPT-5 van acht maanden eerder. Gemini Flash verdrievoudigde zijn prijs. Anthropic schoof er met een nieuwe tokenizer stilletjes dertig tot vijftig procent verbruik bovenop. Twee weken terug schreef ik over de AI-rekening die ontploft. Lokale AI is de andere kant van dat verhaal. Een open model dat goed genoeg is en draait op hardware die je bezit, dat zet een plafond op wat een leverancier je kan vragen. NVIDIA levert er zelf open-source modellen bij, zoals de nieuwe Nemotron-lijn, dus er is ook echt iets krachtigs om op die machine te draaien. Voor het meeste routinewerk volstaat zo'n model ruimschoots.

Dan je data. Bij een model op je eigen apparaat blijft je data in huis. NVIDIA bouwde er met Microsoft een laag omheen, OpenShell, die elke agent in een eigen afgeschermd vak zet en zelfs persoonsgegevens kan maskeren voordat er toch iets naar de cloud gaat. De vraag “blijft onze data wel in huis?“ heeft voor het eerst gewoon "ja" als antwoord. Voor een consultant met cliëntdossiers, een beleidsmaker met persoonsgegevens of een mkb'er die zijn offertes niet op een Amerikaanse server wil, is dit een belangrijk detail.

Dan je verbinding. Een agent op je laptop stopt niet halverwege omdat je door je weeklimiet heen bent of omdat de wifi in de trein hapert. Hij draait gewoon door. Klinkt klein, totdat je op een belangrijk moment tegen zo'n limiet aanloopt.

Nog niet je creditcard trekken

Nu de nuchtere kant. Die laptop komt pas in het najaar, de DGX Station eind dit jaar, en over de prijs heeft NVIDIA veelzeggend gezwegen. Analisten verwachten flinke prijzen, dus reken niet op een koopje. Voor de meeste lezers is dit in 2026 geen aankoopbeslissing.

Goed om te weten is dat een lokaal model bij echt denkwerk nog merkbaar minder goed dan het beste model uit de cloud. De winst zit in de combinatie. Het routine en gevoelige werk, zeg tachtig procent, kan straks thuis draaien. De echt moeilijke twintig procent stuur je naar een frontier-model in de cloud. Wie nu al zo denkt, haalt het meeste uit allebei.

En let op de keerzijde van "gratis, privé en zegt nooit nee". Bij open-source modellen die je zelf draait, zijn de remmen er met een gratis tooltje zo afgehaald. Datzelfde model dat geen weeklimiet kent, heeft ook minder ingebouwde remmen op wat het uitvoert of ophaalt. Prima in een afgeschermde testopstelling, minder prima als het ongecontroleerd op gevoelige data losgaat. Dezelfde discipline die je een agent in de cloud meegeeft, geldt hier dubbel.

Dus, onthoud wie hier de verkoper is. NVIDIA werd 5.000 miljard dollar waard door de chips in de datacenters van de cloud, en nu wil datzelfde bedrijf je ook de hardware onder je bureau verkopen. Ze winnen sowieso. Neem de keynote dus met een korrel zout en kijk naar je eigen situatie.

Wat je deze week wel kunt doen, kost niets. Je hebt geen nieuwe hardware nodig om dit te proberen. Installeer een tool als LM Studio op de laptop die je al hebt, draai er een klein lokaal model op en voel hoe ver die tachtig procent komt. Maak daarnaast de lijstje: welk AI-werk is routine en gevoelig en kan straks naar je eigen machine, en welk werk heeft de cloud echt nodig? Als je dat nu uitzoekt, weet je precies wat zo'n machine over een jaar voor jou waard is.

Ook het vermelden waard

NVIDIA onthult Vera, een CPU speciaal voor agents Naast de hardware voor je bureau bouwt NVIDIA ook aan de datacenterkant van dezelfde toekomst met agents. Vera is een processor met 88 eigen cores die in tests een Linux-kernel in twintig seconden compileert en een topklasse-x86-chip voorbijstreeft. De eerste exemplaren gingen al naar OpenAI, Anthropic en SpaceX.

Apple stelt zijn AI-bril uit tot eind 2027 Terwijl de hardwarerace versnelt, schuift Apple zijn slimme bril juist een jaar op naar eind 2027. De reden is veelzeggend: de visuele AI-functies krijgen ze nog niet goed genoeg. Liever later dan een halfbakken product, en dat zegt iets over hoe lastig deze laag is.

Meta werkt aan een AI-hanger die je dag onthoudt Uit een intern memo blijkt dat Meta een AI-hanger test die je aan je shirt klikt of om je nek draagt en die meeluistert met je gesprekken. Het bouwt voort op Limitless, een startup die Meta eind 2025 kocht. Het bedrijf mikt op tien miljoen wearables in de tweede helft van 2026.

Perplexity verandert een Mac mini in een AI die altijd doorwerkt Perplexity deelt gratis Mac mini's uit om zijn Personal Computer te demonstreren: een AI-agent die op het kleine bureaucomputertje permanent achtergrondtaken draait. Hetzelfde idee als NVIDIA's bureau-AI, maar dan met hardware die er nu al staat.

Lees ook

Google deed honderd aankondigingen, weinig wat je daarvan merkt
Vergeet de chief AI officer. Hij zit al aan je koffietafel.

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Een tijd terug stond ik voor een MT van een middelgrote organisatie. Iedereen had een AI-bewustwordingscursus gehad. E-learning, certificaatje, vinkje. Toen ik vroeg "noem twee dingen die je medewerkers nu kunnen die ze drie maanden geleden niet konden", bleef het akelig stil.

Het lag niet aan het MT. De cursus had wel degelijk iets opgeleverd. Mensen wisten dat AI kan hallucineren, en dat je geen klantdata in publieke tools moet plakken. Wat ze niet wisten was of een collega in zijn eigen werkcontext, met zijn eigen vakkennis, een AI-output kon beoordelen op kwaliteit. Dat is een ander soort vraag, en de cursus had die niet beantwoord.

Daar zit de spanning waar veel organisaties nu mee worstelen. AI-geletterdheid is een organisatorische capability. Je bouwt het op en je kunt het aantonen. Sinds februari 2025 verplicht artikel 4 van de Europese AI Act iedere organisatie die AI inzet om hier maatregelen voor te nemen. Je leest er meer over in Playbook: De AI Act voor Ondernemers. De urgentie zit vooral aan de operationele kant. Zonder geletterde medewerkers krijg je shadow AI, schijncontrole en gemiste productiviteit, los van wat een toezichthouder ervan vindt.

Dit playbook legt uit wat AI-geletterdheid is, waarom de gangbare aanpak niet werkt, en wat je organisatie nodig heeft om er daadwerkelijk goed in te worden.

Het verschil tussen weten en kunnen

Bij veel organisaties betekent "we hebben AI-geletterdheid geregeld" het volgende. Iedereen heeft een halfuur e-learning gevolgd over hallucinaties en privacy, plus een policy onder het kopieerapparaat. Op papier klopt het. In de praktijk verandert er weinig.

De fout zit in het ontwerp van de training. Een halfuur online leren maakt iemand niet bekwaam, net zomin als een halfuur veiligheidsfilm iemand een gediplomeerde elektricien maakt. Bekwaamheid blijkt pas als iemand in zijn eigen werkcontext een AI-taak veilig kan uitvoeren, fouten kan herkennen, en weet wanneer hij moet escaleren.

In workshops test ik dit met een oefening die we De Muur noemen. Teams krijgen een realistische e-mailketen en moeten Copilot of ChatGPT vragen een projectplan te maken. Geen strikvraag, geen ingewikkelde casus. Gewoon: lees deze keten, maak het plan. De score op zes simpele controlevragen, dingen als "klopt de eigenaar, klopt de deadline, ontbreken er afhankelijkheden", ligt bij teams die de training al achter de rug hebben consistent rond de nul tot één. Niet twee tot drie, nee. Nul tot één.

Wat dit laat zien gaat over de training, en over wat de mensen er feitelijk uit hebben kunnen halen. Bewustzijn over hallucinaties is één ding. Ze in je eigen output herkennen, dat is een laag dieper. Hetzelfde geldt voor privacy. Weten dat het gevoelig ligt is stap één, inschatten of deze ene klantcasus door de tool mag is stap twee. Daar, in dat verschil, begint AI-geletterdheid.

Wat AI-geletterdheid feitelijk omvat

De Europese AI Act geeft een definitie die voor de meeste mensen onbruikbaar blijft, omdat hij zo algemeen is. Artikel 3 lid 56 spreekt over de vaardigheden, kennis en het begrip die mensen in staat stellen om geïnformeerd met AI om te gaan en bewust te zijn van kansen en risico's. Drie woorden om te onthouden: vaardigheden, kennis, begrip. Niet één gaat over technische vaardigheden.

Als je deze definitie combineert met het Europese competentiekader DigComp 2.2 (gepubliceerd door het Joint Research Centre van de EU) en de AI-competentieraamwerken van UNESCO, zie je consistent zes onderdelen terugkomen. Geen ervan is een prompt-skill.

Begrijpen wat AI is en niet is. Het verschil tussen voorspellende AI, generatieve AI en beslissingsondersteuning. Waarom de output probabilistisch is. Waarom een model nooit echt begrijpt zoals een mens begrijpt, en wat dat betekent voor de momenten waarop je het kan vertrouwen.

Tool-vaardigheid in context. Of je de juiste tool kiest voor deze taak, of je snapt waar je gekozen model goed in is en waar het tekortschiet, en of je iteratief kan verbeteren zonder de plot kwijt te raken. Prompten zit hierin, maar het is breder.

Wat mag wel en niet als input. Welke data is vertrouwelijk, wat zijn persoonsgegevens, wanneer wordt klant-, patiënt- of dossierinformatie een risico. Wat doet de tool met die data en welke leverancier heeft welke rechten.

Output beoordelen op kwaliteit. Bronnen verifiëren, aannames herkennen, bias signaleren, automation bias bij jezelf opmerken. Domeinkennis gebruiken om te toetsen wat er werkelijk staat.

Risico's herkennen en plaatsen. Technische risico's zoals hallucinaties en datalekken. Daarnaast juridische, reputationele en ethische. Wanneer is iets een incident, wanneer een leerpunt.

Weten wanneer een mens moet beslissen. De grens kennen tussen waar AI mag eindigen en menselijk oordeel begint. Vooral bij beslissingen die mensen rechtstreeks raken: werving, beoordeling, kredietverlening, zorg, klantcommunicatie naar buiten.

Geen van deze zes is technisch. Maar je leert ze ook niet in een halfuur e-learning, en al helemaal niet voor iedereen in dezelfde sessie. Dat is de eerste reden waarom de gemiddelde aanpak vastloopt. Hij past niet bij wat er feitelijk geleerd moet worden.

Drie krachten die je organisatie nu al raken

De wet is sinds februari 2025 actief.

Artikel 4 van de AI Act verplicht aanbieders en gebruikers (in de wet "deployers") om maatregelen te nemen voor een toereikend niveau van AI-geletterdheid bij hun personeel en bij iedereen die namens hen met AI werkt. Dat geldt voor elke organisatie die AI inzet, niet alleen voor hoog-risico-toepassingen. Wat exact onder die plicht valt, voor wie precies, en hoe risicocategorieën werken, dat staat in mijn eerdere AI Act-playbook. Wat hier telt is dat de verplichting bestaat, nu geldt, en bewust open is gelaten zodat organisaties hem voor hun eigen context moeten invullen.

Het risico zit al binnen, ook zonder formele AI-projecten.

Vrijwel iedere kennisorganisatie heeft inmiddels mensen die ChatGPT, Copilot, Claude of Gemini gebruiken voor hun werk, ook als IT dat niet zo bedacht heeft. Dat is shadow AI. Wat ze er precies in zetten, weet niemand. Wat eruit komt en waar het verdwijnt, weet niemand. In meerdere organisaties zie ik hetzelfde patroon. Marketingteams plakken klantbriefings in publieke tools om er pitchdecks van te laten genereren. HR-collega's gebruiken AI om cv's te samenvatten. Klantenservice draait een chatbot zonder dat juridisch heeft meegekeken naar hoe die met persoonsgegevens omgaat. Op zich is dat begrijpelijk. Het werkt namelijk. Tot iemand zich realiseert dat er maandenlang concurrentiegevoelige strategie naar een Amerikaanse leverancier is geüpload. Dan is het een incident geworden.

Het Nederlandse toezicht is verdeeld over tien autoriteiten, en alert.

Anders dan veel mensen denken heeft Nederland geen one-stop-shop voor AI-toezicht. De Uitvoeringswet AI-verordening verdeelt het toezicht over een tiental bestaande toezichthouders. De Autoriteit Persoonsgegevens speelt de coördinerende rol voor verboden praktijken en voor het merendeel van de hoog-risico AI-systemen. De Rijksinspectie Digitale Infrastructuur kijkt naar technische compliance. Sectorale autoriteiten zoals de AFM, de IGJ en het CBb hebben hun eigen verantwoordelijkheid binnen hun domein.

Twee dingen daarvan zijn voor jouw organisatie meteen voelbaar. De ene is dat "een toereikend niveau van AI-geletterdheid" per sector anders zal landen. Een bank wordt door de AFM langs een andere lat gelegd dan een ziekenhuis door de IGJ. De andere is misschien nog zwaarder. In de conceptwet krijgen toezichthouders de bevoegdheid om mystery shopping uit te voeren. Een toezichthouder kan zich als fictieve klant of burger melden, kijken hoe jullie AI-systemen reageren, en direct toetsen hoe medewerkers ermee omgaan. Een papieren training en een policy-pdf zijn dan geen sluitend bewijs van bekwaamheid.

De AP voegt hier nog een eigen invalshoek aan toe. Zij behandelt AI-geletterdheid als mensenrechten-geletterdheid. De redenering daarachter is dat AI-systemen raken aan grondrechten zoals privacy, non-discriminatie en rechtsbescherming, en dat mensen die met die systemen werken dat moeten kunnen herkennen. Dat zet de lat hoger dan een prompt-cursus. Het verklaart ook waarom de AP vooral kijkt of een organisatie weet wat voor mensen er aan de andere kant van een AI-beslissing zitten. Het technische begrip van AI komt op de tweede plaats.

Het frame dat de meeste organisaties missen

In iedere workshop sinds 2022 herhaal ik hetzelfde punt. De waardevolste medewerker in een AI-tijdperk is de domeinspecialist die zijn vak grondig kent en weet hoe hij AI in zijn werkstroom inzet. Een ervaren HR-adviseur die snapt waar AI faalt bij cv-screening is meer waard dan een junior met tien prompt-cursussen op zak. Een controller die de cijfers werkelijk begrijpt vangt fouten die een geautomatiseerde analyse mist. Een beleidsmedewerker die de context van een dossier kent voorkomt dat een AI-samenvatting onbedoeld een politieke kleur krijgt.

Dit klinkt vanzelfsprekend, maar de meeste AI-trainingen volgen het tegenovergestelde model. Iedereen krijgt dezelfde sessie, ongeacht of ze marketeer, jurist, controller of beleidsmedewerker zijn. Dat is goedkoop, en het verkoopt makkelijk. Maar het is slecht ontwerp. De AI Act erkent dat zelf. Artikel 4 zegt letterlijk dat de maatregelen rekening moeten houden met kennis, ervaring, context en de mensen op wie het AI-systeem wordt toegepast. Een aanpak die voor iedereen gelijk is, voldoet juridisch al niet, en werkt operationeel ook niet.

Wat wel werkt is een aanpak waarbij je per rol vaststelt welk niveau nodig is. UNESCO hanteert hiervoor drie progressieniveaus die ik in de praktijk bruikbaar vind: Acquire (basis verwerven), Deepen (verdiepen voor jouw werk), Create (zelf nieuwe toepassingen ontwerpen). Vertaald naar de organisatie betekent dat ongeveer dat een baliemedewerker, een vakprofessional, een manager en een AI-process-owner allemaal iets anders moeten kunnen.

De baliemedewerker moet weten welke tool wel mag en welke data daar niet in. De vakprofessional moet AI in zijn workflow verweven en de output op kwaliteit beoordelen. De manager moet use cases prioriteren en risico's wegen. De process-owner moet beleid vertalen naar concrete teamafspraken en bewijs van bekwaamheid organiseren. Vier niveaus, vier verantwoordelijkheden. De namen zijn minder belangrijk dan de gedachte erachter: iedereen leert wat past bij wat hij doet, en de organisatie kan aantonen dat het zo geregeld is.

De AI Literacy Matrix als kern

Als je de zes bouwstenen en de rolniveaus naast elkaar legt, krijg je wat ik intern de AI Literacy Matrix noem. Per rol staat erin welk niveau iemand moet halen op elk van de zes bouwstenen, welke tools en data toegestaan zijn, welke training en oefening daarbij hoort, en hoe je het bewijs daarvan vastlegt. Daarmee laat je richting jezelf, je interne auditor en de toezichthouder zien dat AI-geletterdheid in jouw organisatie iets concreets is.

De waarde van zo'n matrix is dat hij twee dingen verbindt die elders los staan: compliance (kunnen we aantonen dat we het doen) en adoptie (kunnen we ook echt iets met AI). Een goede matrix levert beide tegelijk op. Een slechte matrix is alleen voor de auditor en wordt door medewerkers niet eens herkend als hun werk.

Hoe je deze matrix concreet bouwt, hoe je begint zonder dat het een eindeloos project wordt, en hoe je het bewijs ervan organiseert zonder bureaucratische last, staat hierna. Dat is de kant van het verhaal die ik in trajecten met directies, MT's en HR-teams concreet maak. Voor lezers die daadwerkelijk aan de slag willen.

Vanaf hier voor premium-lezers. De vier stappen om er te komen, de nulmeting in een uur, een uitgewerkte rol als voorbeeld, drie manieren om vooruitgang te meten zonder enquêtes en de vijf valkuilen die ik bij elke organisatie zie.

Read more

Op 19 mei stond Google ruim twee uur lang op het podium van zijn eigen ontwikkelaarsconferentie. Een nieuw model, een agent die dag en nacht voor je doorwerkt, een videomodel dat uit tekst, beeld en video nieuwe video maakt, en een demo waarin software in twaalf uur een compleet besturingssysteem in elkaar zette. De koppen schreven zichzelf. Een dag later, op 20 mei, kreeg een groep betalende abonnees een mailtje. Vanaf vandaag gelden er gebruikslimieten, stond erin, en die kunnen we zonder bericht verder aanscherpen. Dat tweede bericht haalde de keynote niet. Het is wel het enige dat de meeste mensen deze week echt gemerkt hebben.

Ik ga je niet de honderd aankondigingen geven. Daar zijn andere nieuwsbrieven voor. Ik pak de paar dingen eruit die jouw werkweek raken, leg ze naast wat ze in de praktijk waard zijn, en zeg eerlijk welke je voorlopig kunt negeren. Want de afstand tussen de demo en je scherm was deze keer groter dan gebruikelijk.

Spark, Omni en een besturingssysteem in twaalf uur

Eerst de feiten, want er zat genoeg in. Het nieuwe model heet Gemini 3.5 Flash en is sinds de keynote het standaardmodel in de Gemini-app en in de AI-modus van de zoekmachine. Google noemt het sneller dan de vorige generatie en sterk in agentische taken, het soort werk waarbij het model zelf plant, stappen zet en doorgaat zonder dat jij bij elke stap meekijkt. Het model pauzeert wel op de momenten waar een mens een knoop moet doorhakken. Dat klinkt bekend als je mijn editie over die ontspoorde Cursor-agent hebt gelezen, en het is precies de plek waar je de human in the loop houdt.

Daarbovenop kwam Gemini Spark, een persoonlijke agent die op de achtergrond doorwerkt, ook als je je laptop dichtklapt. Spark zit aan je Workspace vast, dus Gmail, Docs en Slides, en kan via koppelingen ook bij diensten als Canva, OpenTable en Instacart. In de demo verstuurde de agent feestuitnodigingen en hield in een spreadsheet bij wie bevestigde. Er is ook een Daily Brief die elke ochtend je mail en agenda samenvat tot een overzichtje. En er was Gemini Omni, een videomodel dat beeld maakt en bewerkt op basis van een tekstprompt, inclusief een functie om jezelf als avatar in de video te zetten.

De indrukwekkendste demo was Antigravity, de ontwikkelaarsomgeving van Google. Daarin bouwden meerdere agents samen in twaalf uur een werkend besturingssysteem, voor minder dan duizend dollar aan rekenkracht. Onthoud dat het een demo is, een gecontroleerde show op het podium van de maker zelf. Maar het laat wel zien waar Google heen wil. Een zwerm modellen die samen werken, elk met een eigen taak.

En de cijfers eronder zijn echt. Vorig jaar gebruikten 400 miljoen mensen per maand de Gemini-app. Nu zijn het er meer dan 900 miljoen, in 230 landen. Dat getal is belangrijker dan welke benchmark dan ook, en ik kom er onderaan op terug.

Flash heet Flash, maar is drie keer zo duur geworden

Nu de praktijk. "Flash" is bij Google altijd de naam geweest voor het snelle, zuinige model, het werkpaard dat je inzet als je veel kleine taken hebt en niet bij elke prompt op de kosten wilt letten. Bij 3.5 Flash klopt die belofte niet meer. De vorige Flash kostte vijftig dollarcent per miljoen tokens aan invoer en drie dollar aan uitvoer. De nieuwe rekent anderhalve dollar voor invoer en negen dollar voor uitvoer. Drie keer zo duur, onder dezelfde geruststellende naam.

Google verkoopt het als goedkoop omdat het een kwart minder kost dan het zware Pro-model. Dat is waar, maar het is de verkeerde vergelijking. Je gaat van een zuinig model naar een duurder model, niet andersom.

En dan de olifant in de kamer, die Google op het podium niet noemde. Ik heb 3.5 Flash een paar dagen naast DeepSeek V4 gelegd, het Chinese model dat een maand eerder uitkwam. Op echte programmeertaken scoort de Pro-versie van DeepSeek flink hoger dan Gemini 3.5 Flash, en de goedkoopste variant van DeepSeek kost veertien dollarcent per miljoen tokens. Dat is geen procentje verschil, dat is een andere prijsklasse. Eerlijk blijven. Gemini wint wel op puur agentisch werk en heeft een veel groter geheugen, een miljoen tokens tegen DeepSeeks 128 duizend, wat telt als je een heel dossier in één keer wilt laten lezen. Maar het verhaal dat Google de concurrentie heeft ingehaald, dat klopt niet. Google heeft een stap gezet. Een inhaalslag is iets anders.

De video's zijn mooi, Seedance maakt ze beter

Hetzelfde patroon zie je bij Omni. De demovideo's zien er goed uit, en dat je een video met gewone taal kunt bijsturen ("zoom hier in", "vervang die achtergrond") scheelt echt werk als je nog nooit een montageprogramma hebt opengehad.

Maar voor wie video's echt maakt, het beste videomodel van dit moment komt niet uit Mountain View. Seedance 2.0 staat al weken bovenaan de onafhankelijke ranglijst voor AI-video, eerste plek wereldwijd op zowel tekst-naar-video als beeld-naar-video. Omni is op die ranglijst nog niet eens officieel gemeten, en de ruwe beeldkwaliteit blijft achter op wat Seedance neerzet aan beweging, cameravoering en personages die consistent blijven. Voor mijn eigen werk pak ik nog steeds Seedance. Omni's voordeel zit ergens anders. Het komt straks gewoon in de Gemini-app en in YouTube Shorts, waar je toch al bent.

De e-mail die een dag na de show binnenkwam

Dan dat mailtje van 20 mei. Google heeft het abonnement op AI Pro eenzijdig omgezet naar een systeem met verbruikslimieten. Hoeveel je kunt doen hangt nu af van de zwaarte van je taken, de limiet wordt elke vijf uur ververst, en er is een weekplafond. Wil je meer, dan koop je tegoed bij. In het supportdocument staat de zin die je niet wilt lezen als betalende klant. Bij grote drukte mag Google de limieten aanpassen zonder je te informeren.

Het bittere is dat de twee aankondigingen alles met elkaar te maken hebben. Dat nieuwe 3.5 Flash is snel, maar het brandt door tokens heen. Gebruikers melden dat ze met een paar programmeer-prompts binnen een half uur door hun limiet van vijf uur heen zaten. Iemand verbruikte zeshonderd credits in een uurtje. Google heeft de quota een dag later alweer verdrievoudigd omdat zelfs zij vonden dat het te hard ging. Je ziet hier voor je ogen een bedrijf worstelen met de rekening van zijn eigen ambitie.

Onder betalende gebruikers sloeg de stemming meteen om, en die boosheid raakte de kern beter dan welk persbericht ook. De vergelijking die je overal terughoort is die van een autofabrikant die je laat weten dat je auto minder vermogen krijgt zodra het druk wordt op de weg. Mensen voelen zich langzaam verslaafd gemaakt, eerst onbeperkt laten wennen, dan de meter aanzetten. En de voorspelling klinkt nu al, de eerste abonnementen van duizend euro per maand binnen een jaar, met uitkleding van alles daaronder. Je hoeft die toon niet over te nemen om te zien dat er een echt punt onder zit. Onbeperkte AI voor een vast bedrag kon nooit uit, en nu de groei moet gaan renderen, betaal jij het verschil.

Er zat nog een typisch Nederlandse reflex bij die ik mooi vond. Toen Google liet zien dat zo'n agent dag en nacht op de achtergrond doordraait, ging de eerste vraag hier meteen over de stroomrekening en het volle stroomnet. Terechte zorg, terechte vraag. Elke achtergrondtaak is rekenkracht, en rekenkracht is energie die ergens vandaan moet komen.

Waar Google echt wint, en wat jij ermee doet

Dus als het model geen inhaalslag is en de prijs tegenvalt, waarom zou je je er druk om maken? Omdat Google iets heeft dat DeepSeek en de meeste anderen niet hebben. Het zit al in je leven. Negenhonderd miljoen mensen openen de app al, Gemini staat standaard in de zoekbalk, in Android, in je Gmail. De echte hefboom is de afstand tot jou. Een model dat net iets minder goed is maar al in je inbox zit, gebruik je vaker dan een beter model waar je eerst naartoe moet.

En daar zit meteen je opdracht voor deze week. Kies je model op de taak, niet op de keynote. Vorige week schreef ik over de AI-rekening die ontploft, en Google levert deze week het schoolvoorbeeld. In workshops zie ik telkens hetzelfde: mensen pakken standaard het zwaarste model omdat het "beter" is, terwijl een lichter model voor de meeste taken net zo goed werkt en een fractie kost. Voor het samenvatten van een verslag of het opschonen van een lijst heb je geen vlaggenschip nodig. Hou je verbruik in de gaten nu iedereen, niet alleen Google, naar limieten en tegoeden beweegt. En probeer Spark als het hier eindelijk live staat, want een agent die je mail en agenda echt voor je beheert is waardevol, maar laat hem klein beginnen en kijk eerst wat hij doet voor je hem in je inbox loslaat.

En de slimme bril, de XR-plannen, het avatar-in-je-video? Leuk voor de show. Voor je maandag doet het nog niets. Die komen pas dit najaar, eerst in de Verenigde Staten, en je mist niets door ze even te laten liggen.

Ook het vermelden waard

Uber-topman twijfelt hardop over de AI-uitgaven De operationeel directeur van Uber zei deze week dat het steeds lastiger wordt om het geld dat naar AI gaat te rechtvaardigen. Een opvallend geluid uit een bedrijf dat vol op AI inzet, en het past naadloos bij het Google-verhaal hierboven. De fase waarin AI gratis indruk mocht maken loopt af, nu moet het iets opleveren.

De paus schrijft een encycliek over AI Paus Leo waarschuwt in een officieel kerkdocument tegen ondoorzichtige algoritmes en hun greep op het menselijk oordeel. Je hoeft niet gelovig te zijn om het signaal te zien: AI is zo'n alledaagse macht geworden dat zelfs het Vaticaan er een formeel standpunt over inneemt.

Zuckerberg schept op dat hij personeel uitmolk voor AI-training Vlak voor een ontslagronde liet de Meta-baas weten hoe hij medewerkers had ingezet om zijn AI te trainen. De combinatie van die twee dingen, eerst de data oogsten en dan de mensen lozen, vat de minder fraaie kant van deze versnelling samen.

Zes zoekmachines die je naast Google kunt proberen Nu Google de zoekbalk volbouwt met AI en je liever in zijn eigen ecosysteem houdt, is het goed te weten dat er alternatieven zijn. Niet omdat Google slecht zoekt, maar omdat afhankelijkheid van één partij precies is wat deze week weer pijnlijk zichtbaar werd.

Lees ook

Vergeet de chief AI officer. Hij zit al aan je koffietafel.

Goedkopere modellen, hogere rekening

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Je hebt Copilot uitgerold, of een Claude- of ChatGPT-licentie voor het hele team. Iedereen heeft een training gehad, mijn nieuwsbrieven gelezen, een paar webinars meegepakt. De licentie is actief, maar niemand vraagt iets. Je manager opereert nog steeds met dezelfde Excel-shortcuts als drie jaar geleden. Buiten je deur praat iedereen over hoe zijn werk verandert. Bij jullie op kantoor is het stil.

Een gat van 61 procent

IBM heeft begin dit jaar 2000 CEO's ondervraagd. Grote bedrijven, gemiddeld 5,8 miljard dollar omzet. Niet jouw bureau, niet je accountant, niet het schildersbedrijf van je zwager. Maar de cijfers die eruit komen herken ik tot op anderhalve procent achter de komma in elke zaal waar ik dit jaar heb gestaan.

86 procent van de medewerkers heeft volgens de eigen CEO de basisvaardigheden om met AI te werken. 25 procent doet het ook daadwerkelijk. Een gat van 61 procentpunten tussen "kan" en "doet". Dat soort getallen is zelfgerapporteerd, dus schaal het wat af. Mensen onderschatten hun eigen AI-gebruik in enquêtes. Maar de richting klopt.

Wat me opvalt is dat dit gat steevast wordt uitgelegd als een tools-probleem of een trainings-probleem. Onzin. De tools zijn aanwezig. De trainingen zijn gegeven. Het ligt niet aan de techniek en niet aan het IQ van de mensen die je hebt aangenomen.

Het ligt aan wie zich verantwoordelijk voelt. Dat is geen instructie die je kunt geven. Geen werkproces dat je kunt invoeren. Het is iemand die opstaat omdat hij of zij het gewoon wil weten.

De Thailand-test

Twee teams, dezelfde grote Nederlandse verzekeraar, dezelfde Copilot-licentie. Ik begeleide ze allebei. Bij het eerste team werkt iemand die ik hier Tim zal noemen. Tim is geen IT'er. Hij is procesmens, werkt aan financiële producten, een vakgebied waar hij eerlijk gezegd zelf nog op aan het inwerken was toen we elkaar leerden kennen. Wat deed hij na de eerste workshop? Hij begon notebooks aan te maken in Copilot, één per onderwerp. Hij ging Copilot voeden. Een overdrachtsdocument over een product waar hij weinig van wist? Erin. Een werkinstructie die hij zelf had geschreven? Erin. Een transcript van een teamsmeeting? Erin. Hij vroeg het ding goedemorgen als hij ging beginnen en zei een keer dat hij zich niet lekker voelde. Het ding antwoordde dat hij het rustig aan moest doen. Tim vond dat hilarisch. Belangrijker: hij was er elke ochtend mee bezig.

Bij het tweede team werkt iemand die ik hier Sanne zal noemen. Sanne is geen sceptische bewuste tegenstander. Ze is een vakvrouw, doet kwaliteitscontroles, kent haar dossiers. Op de vraag wat ze met Copilot deed, antwoordde ze eerlijk: "Ik ben aan het zoeken waar het in mijn werk past." Drie maanden later was ze nog steeds aan het zoeken. De tool was er. De training was er. Het zoeken bleef.

Het verschil tussen Tim en Sanne is geen IQ-verschil en geen leeftijdsverschil. Ze hebben allebei diepe vakkennis. Het is een mindset-verschil. Tim ging het gewoon doen, ook toen niemand het hem had gevraagd. Sanne wachtte tot er een instructie of een ingewerkte use case zou opduiken.

Wanneer ik in workshops uitleg wat ik zoek in een AI-mens, doe ik vaak de Thailand-test. Stel, je bent op vakantie in Thailand. Iets gaat verschrikkelijk mis, je belandt in de gevangenis. Je krijgt één belletje. Wie bel je? Niet wie je het liefst belt. Van wie weet je, met absolute zekerheid, dat die persoon jou uit de gevangenis krijgt, koste wat het kost?

Iedereen heeft die persoon in zijn hoofd. Vrijwel niemand belt zijn moeder. Het is meestal iemand die de eigenschap heeft om vast te bijten, te zoeken, te bellen, te regelen, totdat er een oplossing ligt. Vakgebied irrelevant.

Die eigenschap noem ik in workshops "high agency". De persoon die niet wacht op toestemming, niet wacht op een budget, niet wacht op een werkinstructie. De persoon die zegt: "Ik kijk er even naar."

Geef die persoon AI en je hebt je brug.

Waarom het MKB hier voor ligt op het grootbedrijf

De IBM-cijfers gaan over bedrijven met gemiddeld 5,8 miljard dollar omzet. Bij die bedrijven is 76 procent van de chief AI officer-rollen al ingevuld. Twee jaar terug was dat 26 procent. Dat is voor jou hooguit interessant om te weten. Als je een bureau hebt van vier mensen, of een bouwbedrijf van vijfentwintig, of een installatiebedrijf van tachtig, dan ga je geen chief AI officer aannemen. Goed dat je het niet doet. Het is een rol voor organisaties die dichtgeslibd zijn met procedures, governance en MT-lagen.

Wat ik dit jaar zie bij MKB-klanten, en bij ons eigen bureau, is dat de paradox precies omgekeerd ligt. Bij grote bedrijven komt elk AI-initiatief langs een sleep van EU AI Act-protocollen, dataclassificaties, MT-besluiten, IT-tickets en stuurgroepen. Bij een bouwbedrijf van vijfentwintig mensen waar ik in april stond was de discussie tien minuten lang: "We bouwen dit zelf in elkaar, jij bent verantwoordelijk, we beginnen morgen." En een paar weken later hadden ze custom checklist-agents draaien voor het plannen en bestellen van trappen, staal en kozijnen. Geen stuurgroep, geen kick-off, geen rapport.

Het MKB heeft een fundamenteel voordeel: minder mensen, minder bureaucratie, een eigenaar die in één gesprek een besluit kan nemen. Diezelfde eigenschap die de afgelopen tien jaar als nadeel werd gepresenteerd ("jullie hebben geen schaal, geen budget, geen specialisten") is met AI je grootste hefboom geworden. Domeinkennis vermenigvuldigd met AI is de schaarste combinatie van het moment, en in een klein bedrijf zit die domeinkennis dichter bij de besluitvorming dan ooit.

Bij ons eigen bureau zie ik dit in mijn eigen werk. Waar ik eerst vier uur nodig had om een workshop voor te bereiden, ben ik nu in twee uur klaar. Niet omdat ik een chief AI officer heb aangenomen, maar omdat ik bereid was mijn eigen werkproces uit elkaar te trekken en te kijken welke stappen een agent kan overnemen. Domeinkennis plus AI is wat het verschil maakt.

De vier lagen waar elke AI-tool in past

Er is nog een verschil tussen mensen die mee bewegen en mensen die zoeken. Ze hebben een mentaal model van wat AI eigenlijk is. Bij iedere nieuwe tool die langskomt (en er komt elke week een nieuwe langs), hoeft de ene niet opnieuw te leren of het iets is om naar te kijken. Hij past het in op een laag die hij al kent. De ander begint elke keer overnieuw met evalueren of het de moeite waard is.

Bij mij ziet dat model er zo uit.

Laag nul, het fundament: infrastructuur en data. Dat zijn de servers, de cloud, de SharePoint, de inrichting van je documenten, de toegangsrechten. Zonder dit fundament stort de rest in elkaar. Niemand praat erover, want het is onzichtbaar. En in mijn ervaring de plek waar de meeste implementaties stuklopen, omdat iedereen meteen naar het sexy tooltje rent zonder eerst dit oporde te brengen.

Laag een: het taalmodel. ChatGPT, Claude, Gemini, het Franse Mistral. Dit is het ruwe denkvermogen. Een paar grote spelers, elke paar maanden een upgrade. Welke je kiest is een belangrijke vraag, maar geen vraag die je dagelijks bezig hoeft te houden.

Laag twee: AI-apps en apps met AI ingebouwd. Copilot in Excel, Claude voor je documenten, Notion AI, Cursor voor code, Granola voor je vergaderingen. Hier komt elke week iets nieuws bij. Negen van de tien zijn niet meer dan een schil om een taalmodel. Tien procent doet wat substantieels op een specifieke werkvloer.

Laag drie: workflows, agents, agent harnesses. Dit is waar je een taalmodel niet meer als chatpartner inzet, maar als motor in een proces. Mijn workshopvoorbereiding-pipeline draait op deze laag. De checklist-agents van het bouwbedrijf ook. Hier wordt de meeste waarde gemaakt, en hier zijn de meeste organisaties nog niet aan begonnen.

Als je dit model in je hoofd hebt, kan iemand je morgen een nieuwe tool laten zien en weet je binnen een minuut waar hij past. Is het laag twee (interessant, kijken of het de bestaande Copilot vervangt of aanvult)? Is het laag drie (potentieel groot, maar mijn data en mijn workflow moeten kloppen)? Of is het laag nul (saai, niet sexy, zonder dit fundament werkt de rest niet)?

De domeinspecialist die ik zoek snapt deze lagen, of leert ze in een paar weken. Hij is dan niet meer afhankelijk van consultants die met nieuwe tooltjes komen aanzeulen. Eigenlijk wordt de domeinspecialist hier zelf consultant van, en wel een die het vakgebied veel beter kent dan welke externe ook.

Maandag identificeer je deze persoon in je team

Goed, theorie afgelopen. Wat doe je hier maandagochtend mee?

"Experimenteer eens met AI" is precies de instructie die zelden iets oplevert. Begin liever met identificeren wie in je team de Thailand-bel-persoon is. Misschien is dat de persoon die altijd al een Notion of een Excel-template heeft gemaakt zonder dat het werd gevraagd. Misschien is het iemand die in zijn vrije tijd met AI-tools speelt zonder dat het hem is opgedragen. Misschien is het iemand die in een review eens heeft gemompeld dat hij een werkproces "veel slimmer" zou kunnen inrichten. Die persoon is je domeinspecialist in wording.

Vervolgens drie dingen.

Geef die persoon expliciete tijd. Niet "in de vrij gevallen uren". Geblokte uren in zijn agenda, minimaal vier uur per week, voor het ontleden en herbouwen van workflows in zijn eigen vakgebied. Niets voor andere afdelingen, niets buiten zijn domein. Begin op de plek waar zijn vakkennis het diepst is.

Geef ruimte om dingen te slopen. AI-implementatie betekent dat je werkprocessen die "gewoon werken" weer openbreekt. Dat doet pijn op korte termijn. Maak de afspraak dat als het na twee maanden niets opgeleverd heeft, je terugkeert naar de oude versie. Zonder die vangrail neemt niemand het risico.

Vraag elke twee weken een demo van vijftien minuten. Geen rapport, geen powerpoint, een demo. Wat werkt nu, wat werkte vorige week niet, en wat doe je volgende week. Het maakt je kandidaat scherper en jou AI-geletterder zonder dat je zelf de hele dag in een prompt moet zitten.

Hij zit aan je koffietafel

De grote consultancybureaus prediken inmiddels dat iedereen een chief AI officer nodig heeft. Misschien als jij van corporate-formaat bent. Maar in een team van tien, vijfentwintig, tachtig, tweehonderd mensen heb je geen nieuwe stoel nodig. Je hebt een eigenschap nodig die al rondloopt. Iemand met diepe vakkennis, die zonder permissie aan iets begint, die het ding goedemorgen zegt omdat dat eigenlijk best leuk is.

Dat is je AI-specialist. Geen rapport, geen MT-besluit, geen nieuw budget. Eén mens met de juiste mindset en jouw bereidheid om hem ruimte te geven.

Hij zit waarschijnlijk al bij je aan de koffietafel. Je kent zijn naam. Alleen heb je hem nog nooit gevraagd waar hij echt goed in is. Maandag is een prima moment om dat wel te doen.

Ook het vermelden waard

AI-layoffs leveren bedrijven niet de winst op die ze hadden gehoopt Gartner ondervroeg 350 bedrijfsleiders met 1 miljard plus aan omzet. 80 procent van wie AI uitrolde, ontsloeg mensen. Maar de bedrijven die echt ROI rapporteren zijn niet dezelfde. De winnaars gebruiken AI als "people amplification" om bestaande mensen sterker te maken, niet om ze te vervangen. Empirische rugdekking voor het verhaal hierboven.

Coinbase ontsloeg 14 procent en vervangt "pure managers" door "player-coaches" De organisatie is afgeplat naar vijf lagen, met experimenten in "one-person teams" waarbij engineering, design en product in één persoon zitten. Een extreme uitvoering van het patroon hierboven: bestaande lagen herontwerpen rond mensen die domeinkennis met AI-fluency combineren. Niet voor iedereen, en niet zonder kosten, maar wel het scherpste patroon van het moment.

Airbnb laat 60 procent van zijn nieuwe code door AI schrijven Brian Chesky in de kwartaalcijfers: waar voorheen een team van twintig engineers nodig was, doet één engineer nu hetzelfde werk door AI-agents onder supervisie te draaien. Tegelijk zegt hij dat AI voor reizen en e-commerce nog niet werkt omdat de chatbot-vorm te beperkt is voor visueel vergelijken en multiplayer-boekingen. Klassieke demonstratie van domein vermenigvuldigd met AI: leverage waar de vakkennis diep zit, mismatch waar de tool niet bij het werkproces past.

How AI Productivity Fails Een lange, scherpe analyse van waarom de gemiddelde AI-gebruiker maar 10 tot 20 procent productiever wordt, ondanks alle "game changing" claims. De diagnose komt op twee dingen neer: gebrekkige individuele praktijk en organisaties die context niet beheren. Wie het stuk hierboven heeft gelezen en denkt "is het echt zo simpel", lees dit als second opinion.

Lees ook

De Nederlandse overheid is nu open source
In negen seconden, drie maanden werk weg

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

AI voelt op dit moment goedkoop. Voor twintig euro per maand heb je toegang tot ChatGPT of Claude. Maar wie achter de schermen naar het werkelijke gebruik kijkt, ziet een ander verhaal. Een collega bij hetzelfde bedrijf, met vergelijkbaar gebruik, kost zijn werkgever onder water 200 tot 400 euro per maand op API-tarief. Tien tot twintig keer zoveel. Dat verschil is een verborgen rekening. Iemand anders betaalt hem nu, en ergens komt hij een keer terug.

Die rekening zit niet alleen in het prijsverschil tussen abonnement en API. Hij zit vooral in hoe gebruik zich ontwikkelt zodra AI onderdeel wordt van echte workflows. Wie nu workflows bouwt op een vast abonnementsbedrag, bouwt op subsidieprijzen. Alleen zit het risico niet waar je het misschien verwacht. Per token wordt AI goedkoper, maar tegelijkertijd loopt de totaalrekening op. Dat komt door iets wat in de chatfase nog nauwelijks zichtbaar was.

Twintig euro voor wat onder water vierhonderd kost

Een power user van Claude of ChatGPT in een normale werkdag, denk aan een consultant die documenten samenvat, code review doet, e-mails dicteert en research-vragen stelt, gebruikt grofweg één tot drie miljoen tokens per maand. Op API-tarief van een topmodel kost dat 200 tot 400 euro. Voor twintig euro in het abonnement. De provider neemt het verschil voor zijn rekening, in de hoop dat het gemiddelde gebruik laag genoeg blijft om dat te dragen. Dat is een klassieke loss-leader. Subsidie nu, prijscorrectie later. We hebben dit eerder gezien bij streamingdiensten en bij ride-sharing.

Tegelijk gebeurt het omgekeerde aan de aanbodkant. De prijs per token bij gelijke prestatie daalt op sommige niveaus 9 keer per jaar, op andere bijna 900 keer. Een taak die in 2023 dertig euro aan tokens kostte, doe je vandaag voor enkele centen met een vergelijkbaar capabel model. Gartner verwacht dat de inference kosten richting 2030 nog eens met negentig procent dalen. AI wordt dus per individuele rekensom juist veel goedkoper.

Hoe kan dan de totaalrekening toch stijgen. Daar zit de truc. Een chat-interactie roept het model één keer aan. Een agentic workflow, een AI die zelfstandig stappen zet, roept hetzelfde model tien tot twintig keer aan voor dezelfde taak. Hij leest een document, denkt na, vraagt iets op, herformuleert, controleert zichzelf, schrijft door. Voor één offerte die de gebruiker een minuut tijd kost, draait er aan de achterkant een serie van prompts, tool calls en reasoning-rondes. Tien keer goedkoper per token, twintig keer zoveel tokens. Reken het uit en de rekening verdubbelt. Zelfs als ondertussen de modelprijs blijft dalen.

Hoe extreem dat kan worden zag ik deze week. Peter Steinberger, bedenker van OpenClaw en sinds kort ingelijfd door OpenAI, deelde een screenshot van zijn API-dashboard. Over de afgelopen dertig dagen: 1,3 miljoen dollar aan tokens, 603 miljard tokens, 7,6 miljoen requests. Op een gemiddelde dag deze maand verstookte hij voor bijna twintigduizend dollar.

Steinberger zit aan de extreme kant en draait Codex met "Fast Mode" aan. Volgens hemzelf kost dat zo'n zeventig procent extra tokens. OpenAI claimt dat Fast Mode 1,5 keer sneller werkt, maar legt nergens uit hoeveel extra tokens daarvoor nodig zijn. Steinbergers screenshot is voor het eerst dat daar een prijskaartje aan hangt. Anderhalf keer sneller, ruim drie keer duurder.

En, belangrijker, zijn rekening wordt door OpenAI betaalt omdat hij er werkt. Die van jou niet. De power users die nu de toon zetten over wat AI kan, draaien op gesubsidieerde of gratis tokens. Hun workflows worden de blueprint waar normale bedrijven over een jaar achteraan lopen. Hun verbruik wordt de standaard. En als de subsidie wegvalt, ligt jouw rekening klaar.

Een zuinigere auto die je drie keer zo vaak laat rijden. De liter per kilometer gaat omlaag, de tankrekening gaat omhoog. En in tegenstelling tot je auto zie je het bij AI op je dashboard niet gebeuren, want het zit verstopt in een SaaS-licentie of een Copilot-prijsmodel dat je niet zelf in de hand hebt.

Waarom een team van vijftien net zo hard geraakt wordt als een bank

In Amerikaanse analyses gaat dit altijd over de Fortune 500 en hun tonnen aan AI-spend. Voor een Nederlands MKB-bedrijf met tien tot vijftig man voelt dat als ver-van-mijn-bed. Het is dat niet.

Een advocatenkantoor met vijftien fee-earners dat vorig jaar ChatGPT Enterprise heeft uitgerold, betaalt nu enkele duizenden euro's per maand. Goed bestede euro's, want elk uur tijdwinst aan contracten of jurisprudentie-onderzoek verdient zichzelf terug. Tot het moment dat dezelfde leverancier een agent-laag lanceert (en die komt) waarmee een onderzoek dat eerst één call kostte er straks vijftien doet. De rekening loopt op zonder dat het kantoor een knop heeft omgezet, want het zit in dezelfde licentie. En als de licentieprijs over twaalf maanden omhoog gaat omdat de provider zijn marges weer wil pakken, kan dat kantoor niet zomaar over op een andere leverancier. De workflows zitten dan te diep verankerd om los te krijgen.

Voor een consultancy van dertig man die deliverables met Claude bouwt, geldt hetzelfde. Voor een marketingbureau dat campagnes via Copilot draait. Voor een softwarebedrijf van vijftig dat Cursor in de code-pipeline heeft. De afhankelijkheid bouwt zich stil op. Eén vendor, vast tarief, geen meting van wat er echt verbruikt wordt, geen alternatief om naar over te stappen. Er groeit gewoon onzichtbaar iets waar later geen makkelijke uitweg meer voor is.

Wat goed is om te weten. Er is een tegenkracht die in andere analyses te vaak ontbreekt, en die wij in Europa juist sneller omarmen dan andere regio's. Bedrijven hier draaien inmiddels 61 procent van hun tokenvolume op open-source of open-weight modellen, gedreven door soevereiniteit, AVG en de wens om over data en compute zelf de regie te houden. Nederland is in dat plaatje een van de snelst groeiende markten. Wat een paar jaar geleden nog ideologisch klonk, zelf hosten of eigen modellen draaien, is in 2026 gewoon goed kostenmanagement.

In workshops merk ik dat dit voor de meeste mensen nieuw is. De aanname is dat je kiest tussen "doe het zelf, complex" of "neem ChatGPT Enterprise, makkelijk". Maar goed, de middenweg bestaat al en werkt. Een gerouteerde architectuur waarbij eenvoudige taken naar een goedkoop of zelf-gehost model gaan en alleen de zware taken naar een topmodel. Hij vraagt iets meer ontwerpkeuzes vooraf en spaart je daarna jaren onnodige kosten en vendor-lock in.

Meten, optionaliteit, routeren

Dus wat doe je hier nu mee, als beslisser in een bedrijf van tien tot vijftig man. Drie keuzes, in volgorde.

Meet je werkelijke tokenverbruik. Klinkt technisch, valt mee. Je leverancier kan je vandaag een rapport leveren over hoeveel input- en output-tokens elke gebruiker per maand verstookt. Vraag dat op. Bij een API-koppeling staat het al in het dashboard. Bij Copilot of een SaaS-tool moet je er soms expliciet naar vragen. Zonder die nul-meting weet je over zes maanden niet of je rekening met twintig procent of met tweehonderd procent is gestegen, en zonder dat weet kun je geen gesprek voeren over wat redelijk is. Zet één persoon, een controller of operations-lead die met cijfers kan omgaan, voor twee uur op deze taak. De output is een eenvoudig overzicht. Hoeveel tokens per gebruiker per maand, welke use cases zijn de grootverbruikers, en wat zou hetzelfde verbruik op API-tarief van een goedkoper model kosten. Dat laatste sommetje is je vergelijkingspunt voor alle gesprekken die hierna komen.

Bouw vendor-optionaliteit in. Optionaliteit is een ontwerpkeuze die je vooraf maakt. Wie zijn prompts en zijn data hard in één leverancier verankert (denk aan vendor-specifieke fine-tunes, eigen connectoren die alleen met OpenAI praten, of agents die alleen het tool-format van Claude begrijpen), bouwt een uitgang die hij later niet meer heeft. Wie diezelfde prompts en data via een open laag routeert, met tools als LiteLLM, Ollama, Open WebUI of een eigen wrapper, kan morgen een tweede model erbij hangen en overmorgen een derde. Dat kost in week één misschien een dag extra werk. Het levert in jaar twee een onderhandelingspositie op die het verschil maakt tussen vier euro per gebruiker per maand en veertig.

Routeer baseload naar kleinere modellen. Niet alle taken vragen een topmodel. Documentensamenvatting, classificatie, eenvoudige extractie, eerste-versie-mails. Dat draait prima op een kleiner of open-source model dat op je eigen infrastructuur of via een Europese provider draait. Reserveer het topmodel voor wat redeneerkracht vraagt, dezelfde gewone logica als waarom je geen Tesla pakt om een brood te halen. De combinatie van een eigen basis-laag met een topmodel-laag erbovenop is vandaag de standaard-architectuur bij elke organisatie die serieus met AI bouwt. Voor een Nederlandse bank en voor een consultancy van twintig man werkt dezelfde opzet.

Eigenlijk is dit ook waarom ik dit stuk schrijf. De rekening komt sowieso. Wie nu meet, architectuur kiest en alternatieven openhoudt, kan hem dragen en houdt de regie. Wie geen van de drie doet, krijgt hem ineens in volle omvang, en op een moment dat de workflows te diep verankerd zitten om weg te bewegen. Dat is het verschil tussen een ontwerpkeuze en een abonnement.

Ook het vermelden waard

Amazon-werknemers spelen het tokenmaxxing-spel Amazon legt developers op om wekelijks AI te gebruiken en houdt token-leaderboards bij per medewerker. Werknemers automatiseren nu onnodige taken via MeshClaw (een interne kopie van OpenClaw) om hun nummers omhoog te krijgen. Een waarschuwing voor elk bedrijf dat AI-adoptie wil sturen met dashboards. De metriek wordt al snel het doel.

GPT-5.5 verbruikt minder tokens en is alsnog duurder De prijs per token van GPT-5.5 ging twee keer omhoog ten opzichte van 5.4, ondanks 19 tot 34 procent token-besparing op lange prompts. Volgens een onafhankelijke analyse betalen gebruikers netto 49 tot 92 procent meer voor hetzelfde werk. Hetzelfde paradox-patroon, alleen dan binnen één model-upgrade.

CostHawk: publieke leaderboard voor token-verbruik Nieuwe tool die Claude Code, Codex en Cursor-gebruikers rankt op token-verbruik. Belangrijker dan het ranking-spel is dat het voor het eerst een publieke benchmark geeft van wat "veel" en "weinig" feitelijk betekenen. Een handig vertrekpunt voor de meting waar dit stuk om vraagt.

DeepSeek vs Claude: de iteratiekosten die niemand telt
Iemand deed de echte som. DeepSeek V4 is per token ongeveer honderd keer goedkoper dan Claude, maar voor complexe taken viermaal duurder in totaal omdat er twee uur extra debug-tijd bijkomt. Conclusie. Een hybride opzet, een goedkoop model voor volume en een top-model voor kwaliteit, bespaart zo'n zestig procent zonder kwaliteitsverlies. Precies de gerouteerde architectuur uit de derde sectie hierboven.

Lees ook

De Nederlandse overheid is nu open source
In negen seconden, drie maanden werk weg

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Hermes Agent staat op de eerste plek van OpenRouter's coding-ranglijst over de afgelopen dagen. Wel even goed lezen, die plek geldt voor de productivity- en coding-categorie, niet voor al het verkeer op het platform. Maar binnen die categorie verwerkt Hermes drie keer zoveel tokens als OpenClaw en ruim vier keer zoveel als Claude Code. Dat zijn de cijfers waar developers nu naar kijken.

Daar komt nog iets bij. 148.000 sterren op GitHub, 23.000 forks, en een eerste publieke release pas in februari. Nu tien weken geleden. Voor de mensen die het OpenClaw-playbook van begin maart hebben gelezen, Hermes is ook zo’n tool waar je als organisatie vragen over krijgt van collega’s of medewerkers, of waarschijnlijk al hebt gekregen.

Daarom leg ik je uit wat het is, hoe het verschilt van OpenClaw, en wat jij ermee moet.

Hermes draait op een server en onthoudt wat je doet

Hermes Agent is een open-source AI-assistent van Nous Research die op een server draait en blijft draaien. Het is geen losse chatsessie die elke keer opnieuw begint, maar een proces dat geheugen vasthoudt en taken oppakt terwijl jij andere dingen doet. Je praat ermee via je terminal, via Telegram, via Slack, of via een van de 17 andere kanalen die hij ondersteunt.

Eigenlijk dezelfde categorie als OpenClaw uit het playbook van maart. Een persistent agent. Een AI die niet stopt als je je laptop dichtklapt. Alleen vult Hermes die rol wezenlijk anders in. Daar kom ik zo op terug.

Het stack ziet er zo uit. Vier lagen, net als bij OpenClaw, maar elk anders ingericht:

1. Een terminal of chat als ingang. Je start hermes in je terminal voor een TUI (Text-based User Interface), of je stuurt een berichtje vanuit Telegram. Beide praten met dezelfde agent.

2. Een gateway. Eén Python-proces dat alle kanalen tegelijk afhandelt. Telegram, Discord, Slack, WhatsApp, Signal, e-mail, sinds versie 0.13 ook Google Chat. Twintig in totaal.

3. Een model van jouw keuze. Hermes is bewust niet aan één provider gebonden. Eén commando hermes model en je wisselt van Claude Sonnet naar GPT-5.5 naar een lokale Gemma. Geen code-aanpassing, geen herstart.

4. Skills, geheugen en een leercyclus. Hier zit het hart. Skills zijn herbruikbare instructies. Geheugen onthoudt wat hij heeft geleerd. En na elke paar tool-calls schrijft Hermes zichzelf nieuwe skills. Mocht je meer over skills willen lezen bekijk dan mijn skills playbook.

Die vierde laag is waar dit playbook over gaat. Want zonder die leercyclus is Hermes gewoon nog een agent. Met die leercyclus wordt hij elke week iets bruikbaarder voor jouw specifieke werk.

Het verschil met OpenClaw zit in één ding

Als je het OpenClaw-playbook hebt gevolgd, herken je veel. Een VPS bij Hostinger. Een Telegram-bot via BotFather. Configbestanden in markdown. Cron jobs die 's nachts dingen doen. Skills installeren. Dezelfde wereld.

Maar het verschil zit in waar de twee tools hun energie in stoppen. OpenClaw is gebouwd om zoveel mogelijk kanalen en tools te bereiken. Hermes is gebouwd om over tijd beter te worden in jouw werk.

Concreet. OpenClaw heeft 44.000 skills in zijn marktplaats. Hermes heeft er 647. OpenClaw heeft een groter ecosysteem, een groter team, en sponsoring van OpenAI. Hermes heeft een leercyclus die de andere niet hebben.

Wat doet die leercyclus precies. Stel, je vraagt Hermes om de bonnetjes uit je Gmail te halen en in een Excel te zetten. Hij doet dat. Hij gebruikt een paar tools, doet een paar API-calls, lost wat onverwachte dingen op. Na de uitvoering kijkt Hermes zelf terug naar wat er gebeurd is en zet de werkbare aanpak om in een skill-bestand. De volgende keer dat je iets vergelijkbaars vraagt, gebruikt hij die skill als startpunt. Sneller, met minder zoeken, en met de fouten van de vorige keer al verwerkt.

Daarnaast onthoudt Hermes je profiel actief. Niet alleen wat je hem vertelt, maar wat hij over jou leert tijdens het werken. Welke tijdzone je in zit, welke schrijfstijl je hanteert, welke klanten je hebt, welke tools je gebruikt. Dat staat in een doorzoekbaar bestand dat hij zelf bijhoudt. OpenClaw heeft ook geheugen, maar niet dezelfde leer-en-zelf-curateer-loop.

Voor de keuze tussen de twee zou ik dit aanhouden:

• Wil je vooral bereik en koppelingen (veel kanalen, grote skills-bibliotheek, koppel mijn agent aan alles)? Dan past OpenClaw nog steeds.

• Wil je vooral een agent die elke week iets beter wordt voor jouw werk (minder copy-paste van skills, meer dat de agent zelf leert wat jij doet)? Dan kies je Hermes.

En het mag allebei. Ik ken mensen die OpenClaw draaien voor familie-kanalen en Telegram-bots, en Hermes voor werkprojecten waar leren over tijd waarde toevoegt. Aparte instances, op dezelfde VPS, met aparte geheugens.

En Claude Code dan

Korte zijpad, Hermes en Claude Code lijken niet op elkaar. Claude Code is een diepe, smalle tool die in je code-repo woont, zonder server, zonder messaging-kanalen. Je opent je terminal in een project, je werkt aan code, klaar.

Hermes is breed. Coding is een van zijn taken naast e-mail, planning, research en monitoring. Hij heeft ook een coding-modus en kan zelfs Claude Code of Codex als sub-agent aansturen. Maar zijn natuurlijke habitat ligt buiten de codebase.

Mijn aanbeveling. Gebruik Claude Code als je daadwerkelijk software schrijft. Gebruik Hermes voor al het andere werk dat in bestanden, e-mails, agenda's en chats leeft. De twee bijten elkaar niet, ze vullen elkaar aan.

Wat doet die leercyclus nou echt

Even technischer, want hier lezen veel mensen overheen. Hermes heeft een geheugensysteem in drie lagen.

De korte termijn is de huidige sessie. Wat jullie net hebben besproken, tot aan het context window van het model. Standaard.

De middellange termijn is een lokale database met SQLite onder de motorkap en full-text search bovenop. Hermes kan binnen een seconde terug naar wat hij drie weken geleden voor jou heeft gedaan, zonder vector database, zonder embedding-kosten, gewoon doorzoekbaar in tekst.

De lange termijn bestaat uit vier markdownbestanden die Hermes zelf bijhoudt en jij kunt redigeren:

• MEMORY.md voor algemene observaties en geleerde lessen.

• USER.md voor wat hij over jou heeft geleerd.

• SOUL.md voor hoe hij praat en zich gedraagt.

• AGENTS.md voor werkinstructies binnen een specifieke projectmap, hetzelfde idee als CLAUDE.md voor Claude Code.

Daarbovenop draait de zelf-leer-loop. Iedere keer dat Hermes een opdracht heeft uitgevoerd waarbij hij tools heeft gebruikt, doet hij een korte reflectie. Wat was de aanpak. Waar liep het stroef. Welke stappen zijn herbruikbaar. Die reflectie wordt een nieuw bestandje in ~/.hermes/skills/. Een skill die hij zichzelf heeft geleerd.

Vergelijk het met een nieuwe collega die elke vrijdagmiddag een uurtje neemt om zijn werk van die week samen te vatten en de templates op te slaan die hij heeft gebouwd. Na een maand heeft hij een setje aan herbruikbare aanpakken. Na drie maanden weet hij precies hoe jullie kantoor draait. Dat is wat Hermes doet, alleen niet eens vrijdagmiddag. Continu, na elke taak.

Wat je er in een werkweek mee doet

Een paar voorbeelden uit wat ik er zelf mee aan het uitproberen ben en wat ik bij anderen heb gezien:

Dagelijkse briefings. Elke ochtend om half zeven een samenvatting in Telegram van de mailbox, agenda, en drie nieuwsbronnen die je volgt. Niet als bullet-overzicht, maar als een lopende tekst die je kunt scannen onder de koffie.

Web monitoring met diepgang. Je geeft Hermes opdracht om dagelijks vijf concurrenten te checken op productupdates, prijsveranderingen, en personeelsmutaties. Hij gebruikt Firecrawl voor de scrape en een browser-skill voor de pagina's waar JavaScript loading nodig is. De diff stuurt hij naar je Slack-kanaal.

Research op afstand. Lange opdrachten waar je niet bij wil zitten. "Lees deze drie rapporten, vergelijk de cijfers, schrijf een notitie van twee pagina's, leg de drie grootste twijfels op tafel." Hermes draait dit, jij krijgt een bericht als het af is.

Klantmails categoriseren en concept-antwoorden klaarzetten. Op leesrechten, met conceptmodus aan en zonder verstuurfunctie. Jij keurt elk concept zelf goed voordat het de deur uit gaat.

Wat goed is om te weten, niet alles past hier. Voor echte productiecode blijf je bij Claude Code of Codex. Voor zware data-analyse pak je een notebook. Hermes is je werk-assistent voor het werk daaromheen.

Je eerste Hermes draaien in een kwartier

Tijd om aan te zetten. Je hebt een VPS nodig en een API-key. Verder niets.

Stap 1: Een VPS regelen

Net als bij OpenClaw past een lichte VPS prima. Een Hostinger KVM2 is genoeg. 2 vCPU, 8GB RAM, 100GB opslag, voor minder dan een tientje per maand. Ubuntu als besturingssysteem.

Voor wie er een wil draaien op een Raspberry Pi of een oude Mac Mini: kan ook. Hermes draait op vrijwel alles wat Linux of macOS spreekt. Maar voor onderhoud en stabiliteit is een VPS in een datacenter eenvoudiger.

Stap 2: Inloggen en een gebruiker aanmaken

ssh root@jouw-ip-adres
adduser hermes
usermod -aG sudo hermes
su - hermes

Niet als root draaien. Standaard hygiëne.

Stap 3: Hermes installeren

Eén commando.

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

Dit installeert Hermes in een geïsoleerde omgeving onder ~/.hermes/. Python, dependencies, defaults, het hele zaakje. Geen npm of pip nodig. Geen brew.

Voor wie het via Docker wil draaien: er zit een Docker-recept bij. Voor wie op Windows zit: WSL2 is de aangeraden route. De native Windows-installer bestaat maar staat nog als beta gemarkeerd.

Stap 4: De configuratie-wizard doorlopen

Start hermes onboard en doorloop de wizard. Hij vraagt:

• Welke modelprovider? Anthropic, OpenAI, Google, OpenRouter, Nous Portal, of een lokale endpoint.

• Je API-key (komt in .env, niet in config.yaml).

• Welk standaardmodel?

• Welke kanalen wil je aansluiten?

• Max tool iterations (default 60 is ruim, kan voor kleinere taken omlaag).

• Welke execution backend? Lokaal voor de eerste keer.

Voor Telegram maak je een bot aan via BotFather, kopieer je het token, en plak je dat in de wizard. Binnen twee minuten heb je een werkende bot.

Stap 5: Eerste gesprek

Open je Telegram, stuur een berichtje naar je bot. Begin met iets simpels.

Stel jezelf voor. Wat kun je voor mij doen? 
Vertel ook welke skills je standaard hebt en welke 
modellen je nu gebruikt.

Hermes antwoordt, en bouwt meteen een eerste profiel van je op in USER.md. Vanaf nu onthoudt hij dat hij met jou praat.

Mijn advies voor de eerste week: gebruik hem alleen voor leestaken. E-mail samenvatten, agenda doorlopen, nieuws scannen. Nog geen verstuurde berichten en geen wijzigingen aan bestanden buiten zijn eigen map. Je kijkt eerst hoe hij denkt en pas als dat klopt, breid je uit.

De rest van dit playbook is voor premium lezers. Je vindt hier de complete setup: welke modellen je waarvoor inzet, hoe de configbestanden in elkaar steken, hoe je skills schrijft en multi-instance draait, security en cron jobs, en de fouten die ik telkens voorbij zie komen.

Nog geen premium? Claim gratis één playbook of Stuur THE HUMAN LOOP door naar één vriend die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Read more

Stel je een beleidsmedewerker voor bij een middelgrote gemeente. Ze zit aan een nieuwe versie van het omgevingsplan en wil weten welke geldende plannen er nog lopen in haar gemeente, wat de bijbehorende rechtspraak over vergelijkbare bezwaren zegt, en wat het ministerie hier dit jaar over heeft besloten. Ze opent de interne chatbot die de afdeling laatst heeft uitgerold. Stelt haar vraag. De chatbot geeft een keurig geformuleerd antwoord dat voor de helft klopt en voor de andere helft uit de mouw geschud is. De data waar ze om vraagt staat openbaar online. Op zes verschillende portalen. De chatbot kan er niet bij.

Dit is waar bijna elke AI-uitrol bij de overheid op vastloopt. En dit is waarom wij NL-GOV-MCP hebben gebouwd, open source onder Apache 2.0, vrij voor iedereen om te installeren.

Een chatbot die het internet niet op mag

Bij veel overheidsorganisaties waar ik over de vloer kom zie ik een patroon. Er staat een chatbot op de website, of er draait Copilot, of er hangt een eigen chat-applicatie boven op een interne LLM. Dat werkt prima zolang de vragen binnen de eigen documentatie blijven. Maar zodra iemand iets vraagt waarvoor externe context nodig is, een wet, een uitspraak, een cijfer van CBS, gaat het mis. Het model verzint, of het geeft een antwoord dat technisch klopt maar drie jaar oud is.

Eigenlijk komt dat door twee dingen die elkaar versterken.

Het eerste is gewoon veiligheid. Veel overheidsorganisaties staan hun AI-assistenten niet toe om het open internet op te gaan, en dat is begrijpelijk: prompt injection, het lekken van gevoelige context, datalekken via webrequests, dat zijn reële risico’s. Dus draait je AI in een afgesloten omgeving zonder browsing en zonder zoekmachine, met niets externs om een antwoord op te baseren.

Het tweede is dat de data die het model wel zou mogen zien, versnipperd is. CBS staat los van de Tweede Kamer. Tweede Kamer praat niet met Rechtspraak. Rijksbegroting weet niet wat DUO publiceert. Wil je als organisatie deze bronnen combineren, dan moet je per bron een eigen API-koppeling bouwen, of, en dat is wat ik bij de meeste teams zie gebeuren, je medewerker opent zelf zes websites in de browser, knipt en plakt de relevante stukken, en plakt ze handmatig in het chatvenster. Dat is de werkelijkheid. Niet schaalbaar, foutgevoelig, en de hele belofte van AI verdampt erin.

Eén interface, 24 deuren

Wat we hebben gebouwd is een Model Context Protocol server. Een MCP-server, kortweg. MCP is een open standaard die Anthropic in november 2024 heeft uitgebracht, en de eenvoudigste manier om het uit te leggen: het is een stekker. Aan de ene kant van die stekker zit een AI-assistent zoals Claude, Copilot of een eigen chat-applicatie. Aan de andere kant zit een gereedschapskist. Wat in die gereedschapskist zit, bepaal je zelf.

NL-GOV-MCP is een gereedschapskist met 24 Nederlandse overheidsbronnen erin. 52 tools in totaal. CBS, Tweede Kamer, Rechtspraak, Officiële Bekendmakingen, Rijksoverheid, Rijksbegroting, DUO, KNMI, PDOK en BAG, Luchtmeetnet, RDW, Rijkswaterstaat, NDW, ORI, het Kadaster, RCE, Eurostat, data.europa.eu, Ruimtelijkeplannen.nl en de DSO Omgevingsdocumenten onder de nieuwe Omgevingswet. Iedere bron is een aparte connector. De gebruiker stelt één vraag in normaal Nederlands of Engels, de router kiest welke bronnen geraadpleegd worden, de queries gaan parallel naar de juiste API’s, en het antwoord komt terug met bronvermelding erbij.

En een ding dat ik er nu meteen bij wil zeggen, omdat dit vaak verwarring oplevert: WAINUT verwerkt geen data en we hosten geen data. Wij hebben geen kopie van CBS, Tweede Kamer of Rechtspraak in huis. Je installeert NL-GOV-MCP lokaal in je eigen omgeving, in je eigen tenant. De vraag van je medewerker en de respons van de bron gaan nooit langs een server van ons. Daarom kunnen we het ook open source maken. Er is geen data-assetje om te beschermen, er is alleen het stukje software dat de bronnen aan elkaar knoopt.

In de praktijk hebben we het inmiddels op meerdere manieren in productie zien lopen. Ikzelf draai het dagelijks in Claude Desktop. Bij een gemeente hebben we het geïntegreerd in OpenWebUI, hun interne chat-applicatie. Het werkt ook met Microsoft Copilot via een MCP-koppeling, en met elk eigen platform dat MCP ondersteunt. Welke tool je kiest, maakt voor de server niet uit.

De vraag die normaal drie dagen kost

Terug naar die beleidsmedewerker uit de intro. Ze heeft een concrete vraag: voor een buurt in haar gemeente komt er een nieuwe woningbouwopgave en ze wil weten welke bestemmingsplannen daar nog gelden, of er recente rechtspraak is over vergelijkbare bezwaarprocedures, hoeveel woningen er sinds 2020 in vergelijkbare wijken zijn opgeleverd volgens CBS, en wat de minister van Volkshuisvesting hier dit jaar over heeft gezegd in de Tweede Kamer.

Zonder NL-GOV-MCP is dat een werkweek. Vier websites openen, zoekqueries verzinnen die per portaal anders werken, resultaten exporteren, in Excel zetten, kruislinks leggen, en hopen dat je niets gemist hebt. Met NL-GOV-MCP typt ze die vraag letterlijk zo in haar interne chat. De router parseert de vraag, herkent de vier domeinen, gaat parallel naar PDOK voor de plannen, Rechtspraak voor de uitspraken, CBS voor de cijfers en Tweede Kamer voor de Kamerstukken. Binnen een minuut krijgt ze één samenhangend antwoord terug.

En dit is het stukje dat ambtenaren bijna altijd verrast als ik het in een demo laat zien. Onder dat antwoord zit een audit trail. Welke bronnen geraadpleegd zijn, met welke zoektermen, op welk moment, naar welke endpoint, alles staat eronder. Voor beleidsanalyse, journalistiek of compliance is dat geen extraatje. Je hebt het simpelweg nodig om AI in productie te durven zetten.

De analogie die ik vaak gebruik bij AI: behandel het als een ijverige stagiair. Een stagiair geeft altijd antwoord, ook als hij het niet weet. Wat je wilt is een stagiair die zegt: “Ik heb het opgezocht bij CBS Statline tabel 83931NED, geraadpleegd op deze datum, en hier is de link.” Niet een stagiair die op gevoel praat. Dat is wat de audit trail doet.

Van iedereen, dus van niemand

Ik kreeg eerder de vraag: waarom heeft de Nederlandse overheid dit niet zelf gebouwd? De data staat er al jaren, de portalen werken, er is een Rijks-API-strategie, er is data.overheid.nl. Waarom moest WAINUT dit doen?

Ik heb zelf bij diverse overheidsorganisaties gewerkt, dus ik weet dit van binnenuit. Deze data is van iedereen, en daarom van niemand. Iedere aanbieder is verantwoordelijk voor zijn eigen stukje en doet dat ook vakkundig, volgens zijn eigen standaarden en releasekalender. Maar het overkoepelende stuk, de laag die de bronnen aan elkaar knoopt, ligt bij geen enkele organisatie als kerntaak. Dat valt tussen wal en schip. Niet omdat mensen het niet zien, maar omdat je er voor over een hoop hoepeltjes heen moet springen: budget, mandaat, politieke aandacht en samenwerking tussen ministeries en uitvoeringsorganisaties die ieder hun eigen agenda hebben.

Wij hadden die last niet. We werken dagelijks met deze bronnen voor onze klanten. We kenden de pijn van onze juridische collega’s, van onze geo-collega’s, van de mensen die rond de Omgevingswet werken. We hadden de markt-kennis en de data-kennis al, en konden gewoon beginnen.

En de keuze om het open source weg te geven? Eerlijk, een paywall voelde gewoon niet juist. De onderliggende data is van iedereen. Wij hebben alleen de combinatie makkelijker gemaakt en dat is geen unieke schat om achter een licentie te verstoppen. Plus, hoe meer organisaties dit gebruiken en eraan bijdragen, hoe beter het wordt. Een bouwbedrijf dat met de Omgevingswet-tools werkt heeft hele andere wensen dan een onderzoeker bij een gemeente die rechtspraak en CBS combineert. Door het open te gooien kunnen die mensen forken, hun eigen lichtgewicht variant maken, of bijdragen aan het origineel. De server wordt er rijker van, en hun toepassing scherper.

Voor wie dit nu is

Voor overheidsorganisaties zelf is dit het meest direct relevant. Ministeries, gemeenten, provincies, waterschappen, uitvoeringsorganisaties, iedereen die intern AI uitrolt en aanloopt tegen die grounding-muur. Voor hen ligt hier een werkende oplossing om dat probleem in één keer weg te halen.

Maar er zijn ook commerciële sectoren die zwaar leunen op overheidsdata. Denk aan juridische teams die continu rechtspraak doorzoeken, aan bouw- en vastgoedpartijen die de Omgevingswet moeten begrijpen, aan onderzoeksbureaus die CBS-cijfers combineren met Eurostat, of aan journalisten die feitencheck doen op officiële bronnen. Het beperkt zich niet tot de publieke sector.

En heeft jouw organisatie helemaal geen raakvlak met overheidsdata? Dan is dit een interessant project om te volgen, niet om vandaag te installeren. Daar zit dan ook nog een bredere les onder.

Eerder schreef ik in mijn playbook over het WAINUT-framework dat de kwaliteit van AI-output staat of valt met de kwaliteit van je grounding. Werk voorbereiden, afbakenen, controleren, daar wordt 80 procent van je resultaat bepaald. De prompt zelf is bijzaak. Wat NL-GOV-MCP doet, is dat principe concreet maken voor de Nederlandse context. Zorgen dat je AI niet praat vanuit half-onthouden trainingsdata, maar vanuit officiële bronnen met een spoor terug naar de bron.

Vrijwel elke organisatie heeft een eigen domein waarvoor je zoiets zou kunnen bouwen. Een MCP-server die jouw productcatalogus, HR-systeem en klantenbestand voor je AI ontsluit. Of een MCP-server die je juridische bibliotheek aanboort, of je onderhoudsdocumentatie. De stekker is hetzelfde, de gereedschapskist verschilt per organisatie. Wij hebben er één gebouwd voor de Nederlandse overheidsdata omdat dat een lege plek was die we elke dag bij klanten zagen. In jouw organisatie ligt waarschijnlijk een vergelijkbare lege plek. Daar over nadenken is misschien wel de belangrijkste actie die je deze week kunt zetten.

Probeer het zelf

De makkelijkste manier om te zien wat het is, is een bezoek aan nlgovmcp.nl. Daar staat een demo waar je zonder account een paar vragen kunt stellen. Hij is rate-limited, dus alleen voor proeven, maar genoeg om gevoel te krijgen.

Wil je zelf aan de slag? De hele codebase staat open op github.com/WAINUTAI/NL-GOV-MCP. Clone, npm install, npm run build, en via een paar regels config hangt hij aan Claude Desktop of een ander MCP-platform. Voor een ontwikkelaar is dat een kwartiertje werk. Apache 2.0 betekent dat je hem mag aanpassen, forken, of in commerciële producten gebruiken zonder licentiekosten.

Zit je in een organisatie met een echte case, dan staat WAINUT klaar voor implementatie, integratie in jullie AI-stack, training van de teams, en het op maat maken van de connector-set die voor jullie relevant is. Dat is wat we doen.

De Nederlandse overheidsdata staat al jaren open en wachtte erop dat iemand er een goede stekker voor maakte. Wij hebben die stekker gemaakt. Hij is nu van iedereen.

Ook het vermelden waard

Vlam-chat: 26.500 rijksambtenaren krijgen dit jaar een eigen AI-chatbot Acht ministeries hebben getekend voor vlam-chat van SSC-ICT, die lokaal in een rijksdatacenter draait op Europese taalmodellen. Er komt ook een vlam-search die overheidsdocumenten doorzoekt met bronvermelding. Het bewijst dat overheid Nederland het probleem inmiddels herkent. Wat het laat liggen, is precies waar NL-GOV-MCP op inspeelt: de bronnen buiten je eigen documenten, parallel doorzocht.

De Nederlandse AI Act implementatiewet ligt nu in openbare consultatie Staatssecretaris Aerdts heeft op 20 april de implementatiewet van de EU AI Act in publieksconsultatie gezet. Tot 1 juni kun je reageren. Nederland kiest voor een hybride model met tien marktautoriteiten in plaats van één centrale toezichthouder. Wie nu AI bij de overheid uitrolt, doet er goed aan de richting alvast te volgen, want vanaf 2 augustus dit jaar gelden de eerste verplichtingen.

MCP groeit door als open standaard, 200+ servers en Dev Summit van 1.200 mensen De roadmap voor 2026 die de MCP-stuurgroep eerder dit jaar publiceerde wordt nu zichtbaar in de praktijk. Een statenloze HTTP-transportvariant zit in review, wat MCP-servers voor het eerst echt horizontaal schaalbaar maakt achter standaard load balancers. Daarnaast komt er een Server Cards-standaard zodat clients capabilities kunnen ontdekken zonder eerst verbinding te maken. MCP is in een jaar tijd van curieus protocol naar industrie-standaard gegaan.

Stanford AI Index 2026: hallucinatieratios variëren van 22 tot 94 procent Het jaarlijkse rapport van Stanford laat zien hoe groot de spreiding tussen modellen nog is op hallucinaties. Het maakt ook duidelijk waarom grounding geen optionele toevoeging is maar de basisinfrastructuur waarop je je AI-strategie hoort te bouwen. Een model dat 22 procent van de tijd hallucineert is niet “bijna goed”, het is een tool die je nooit zonder controle in productie zet.

Lees ook

In negen seconden, drie maanden werk weg
Het WAINUT Framework. Van een goede prompt naar goed resultaat

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Als je Codex opent, lijkt het eerst op ChatGPT. Links je gesprekken en projecten, rechts een chatvenster. Alleen hangt er achter dat venster een map op je computer. In die map kan Codex bestanden lezen, nieuwe bestanden maken, commando’s uitvoeren, een browser openen en wijzigingen tonen die jij kunt reviewen.

OpenAI ziet Codex als software engineering agent. Dat klopt, alleen hoef je het niet per se alleen daarvoor in te zetten. Een developer laat Codex door een codebase lopen. Jij kunt dezelfde logica gebruiken voor bonnetjes, klantmails, researchnotities, spreadsheets of een dashboard.

Stel, je hebt zestig bonnetjes in een map. Van de aankoop van een nieuwe werklaptop tot koffie voor op kantoor. Je vraagt Codex om daar een Excel van te maken met categorieën, totalen en grafieken. Laat Codex daarna een website openen die hij net bouwde en zelf door de knoppen klikken. Of laat researchnotities omzetten naar een briefing die als bestand in output/ belandt. Het resultaat staat in je project, zodat je ermee verder kunt.

Je kunt Codex gebruiken als desktop app voor macOS en Windows, op het web, in de terminal via de CLI, in je IDE en via koppelingen met bijvoorbeeld GitHub of Slack. In dit playbook focus ik op de desktop app, omdat je daar het makkelijkst ziet wat er gebeurt.

Als je mijn Claude playbooks hebt gelezen, herken je het patroon. Developers begonnen hiermee in codebases. Eerst een plan, dan de agent laten bouwen, daarna de diff reviewen en regels vastleggen. Codex is geen sprong van terminal naar app. Het is dezelfde manier van werken, maar dan in het OpenAI-ecosysteem. Je wisselt Claude Code of Claude Cowork in voor de Codex-app of Codex CLI. CLAUDE.md wordt AGENTS.md. De codebase kan ook een projectmap met documenten, data en output zijn.

Daar gaat dit playbook over. Hoe je Codex zo inricht dat er iets uit komt wat jij kunt openen, controleren en opnieuw gebruiken.

De map is de nieuwe chat

We beginnen bij je projectmap.

Een project is de plek waar Codex mag werken. Alles wat relevant is voor de taak zet je daar neer. Input, templates, eerdere output, instructies, testdata, screenshots, noem maar op.

Denk aan het verschil tussen een collega bellen en een collega aan je bureau zetten. Als je belt, moet je alles uitleggen. “Open dat document. Nee, die andere versie. Kijk op pagina drie. Pak de Excel erbij.” Als iemand aan je bureau zit met de projectmap open, vraag je gewoon om van deze input een managementrapport te maken en de eerste versie hier op te slaan. Die tweede situatie is Codex.

Wat goed is om te weten. Codex kan in verschillende modi werken. Lokaal, in een worktree of in de cloud. Lokaal betekent dat de agent direct in je projectmap werkt. Worktree betekent dat Codex een aparte Git-werkruimte maakt, zodat experimenten niet meteen door je hoofdproject heen lopen. Cloud betekent dat taken op een externe omgeving draaien. Voor de meeste mensen is de vuistregel simpel. Werk je met code of een Git-repo, gebruik worktrees voor experimenten. Werk je met losse documenten zonder versiebeheer, begin voorzichtig en geef niet meer toegang dan nodig.

Daar zit meteen de eerste les. Codex wordt beter als jij je werk beter organiseert. Een rommelige downloadmap blijft een rommelige downloadmap, alleen dan met een agent erin. Een nette projectmap is een briefing.

Een simpele startstructuur ziet er zo uit.

codex-project/
  input/
  output/
  templates/
  research/
  AGENTS.md

In input/ zet je bronmateriaal. In output/ laat je Codex schrijven. In templates/ zet je voorbeeldrapporten, huisstijlbestanden of formats die je vaker gebruikt. In research/ komt alles wat Codex ophaalt of analyseert. En in AGENTS.md vertel je Codex hoe deze werkplaats werkt.

Dat laatste bestand is belangrijker dan het klinkt.

AGENTS.md is je onboardingdocument

Veel mensen noemen AGENTS.md geheugen. Dat kan, maar ik vind onboardingdocument een betere metafoor.

Elke keer dat je een nieuwe collega op een project zet, leg je dezelfde dingen uit. Wat is het doel? Waar staan de bestanden? Welke stijl gebruiken we? Wat mag absoluut niet? Wanneer is iets klaar? Codex heeft dat ook nodig, het is een vorm van contextengineering waar ik ook eerder over schreef.

Een goed AGENTS.md bestand hoeft niet lang te zijn. Het moet vooral concreet zijn.

# Projectinstructies

## Doel
Maak praktische Nederlandstalige MT-memo's voor besluitvorming.

## Stijl
- Schrijf in zakelijk, direct Nederlands.
- Gebruik je/jij, nooit u.
- Geen em-dashes.
- Geen hypewoorden.
- Geen vage corporate filler. Schrijf concreet en beslisbaar.
- Analogieen alleen als ze een afweging scherper maken, niet als versiering.

## Structuur memo
- Kop: onderwerp, datum, opsteller, geadresseerden.
- Kernboodschap in 2-3 zinnen direct onder de kop.
- Situatie: wat speelt er, met cijfers waar mogelijk.
- Analyse: wat betekent het, welke opties liggen op tafel, wat zijn de trade-offs.
- Advies: concrete keuze met onderbouwing.
- Gevraagd besluit: wat moet het MT besluiten, voor wanneer.
- Vervolgstappen: wie doet wat, met deadline.
- Maximaal 1 A4 tenzij het onderwerp echt meer vraagt.

## Bestandsstructuur
- Drafts staan in output/.
- Onderbouwing en bronnen in research/.
- Gebruik templates uit templates/ als die bestaan.

## Veiligheid
- Verwijder geen bestanden.
- Overschrijf geen bestaande output zonder eerst te melden wat verandert.
- Vraag om review voordat je een memo definitief maakt voor MT-circulatie.

Dit is het verschil tussen “maak iets moois” en “werk zoals wij hier werken”. Ik zie dit vaak misgaan. Mensen geven Codex toegang tot een map en verwachten dat het vanzelf snapt hoe hun bedrijf, klantproces of dashboard in elkaar zit. Zo werkt geen enkele collega op zijn eerste dag.

Dus begin niet met de perfecte prompt. Begin met de perfecte werkplek.

Begin in plan mode

De tweede reflex die je jezelf moet aanleren is eerst plannen, dan uitvoeren.

In Codex kun je een taak laten plannen voordat er bestanden worden aangepast. Soms doet Codex dat zelf bij complexe taken, maar ik zou het expliciet vragen. Zeker als het werk meerdere stappen heeft, externe tools raakt of bestanden kan wijzigen.

Gebruik bijvoorbeeld deze prompt.

Maak eerst alleen een plan. Voer nog niets uit.

Doel:
Ik wil van de bestanden in input/ een eerste versie van een MT-memo maken.

Wat ik van je wil:
1. Inspecteer de mapstructuur en de bronbestanden in input/.
2. Vertel welke bronnen bruikbaar zijn voor de memo en welke niet, met reden.
3. Bepaal voorlopig wat de kernboodschap en het gevraagde besluit zouden moeten zijn op basis van wat je in input/ ziet. Als dat onduidelijk is, stel concrete vragen.
4. Stel een aanpak voor in maximaal 8 stappen, inclusief welke onderbouwing je nog uit research/ haalt.
5. Benoem welke bestanden je zou aanmaken of wijzigen, met pad en korte beschrijving.
6. Wacht daarna op mijn akkoord voordat je iets schrijft of wegschrijft.

Dit lijkt traag, maar het is sneller dan opruimen achteraf. Het is hetzelfde als bij een junior collega. Als je die zegt “regel dit even”, krijg je misschien energie terug, maar niet per se de juiste richting. Als je eerst vraagt om een aanpak, kun je bijsturen voordat er werk is verzet.

Dat is Plan-Do-Check in het klein. Plan laten maken, uitvoering laten doen, output controleren. AI neemt vooral de Do-fase over. Jouw waarde verschuift naar Plan en Check.

Je eerste Codex-taak

Als je Codex voor het eerst opent, begin dan niet met je belangrijkste klantdossier. Begin met een oefening waar het resultaat zichtbaar is en de schade beperkt.

Mijn favoriete eerste taak is een rommelige map omzetten naar een bruikbare samenvatting.

Maak een nieuwe map.

codex-oefening/
  input/
  output/
  AGENTS.md

Zet in input/ een paar PDF’s, screenshots, notities of CSV-bestanden. Niet te gevoelig. Niet bedrijfskritisch. Gewoon materiaal waar je normaal zelf doorheen zou scrollen.

Zet dit in AGENTS.md.

# Codex oefening

Je helpt mij de input in deze map te begrijpen.

Regels:
- Werk alleen in deze projectmap.
- Maak nieuwe bestanden alleen in output/.
- Verwijder niets.
- Schrijf in het Nederlands.
- Geef bij onzekerheid aan wat je niet weet.

Open de map als project in Codex en vraag dit.

Lees de bestanden in input/. Maak in output/ een bestand
samenvatting.md met:

1. Wat zit er in deze map?
2. Welke 5 inzichten vallen op?
3. Welke vragen zou ik moeten beantwoorden voordat ik hiermee verder ga?
4. Welke vervolgstap adviseer je?

Maak eerst een plan en wacht op mijn akkoord.

Als het plan goed is, geef je akkoord. Daarna kijk je naar output/samenvatting.md.

Daar leer je meteen vier dingen. Of Codex je map goed begrijpt. Of je instructies scherp genoeg waren. Of het de output op de juiste plek zet. En of jij de neiging hebt om te snel op “ja doe maar” te klikken.

Die laatste is geen grapje. Het grootste risico bij agentische tools is niet dat ze niets kunnen. Het grootste risico is dat ze net genoeg kunnen om je te verleiden tot slordige goedkeuring.

GPT-5.5 als standaard

Voor Codex gebruik ik in dit playbook GPT-5.5 xhigh als standaard. Dat is de actuele OpenAI-startkeuze voor complex coding, computer use, knowledge work en research workflows in Codex.

Kies GPT-5.5 xhigh als de taak inhoudelijk, rommelig of belangrijk is. Dus bij refactors, dashboards, research, browserwerk, projectstructuur, multi-step output of alles waar je later je naam onder zet.

Door /model in te typen kan je ook andere GPT-modellen kiezen. Voor lichtere taken kun je in de praktijk soms een sneller of goedkoper model kiezen (low of medium bijvoorbeeld), maar mijn advies voor beginners is simpel. Start met kwaliteit. Als je eenmaal weet welke taken betrouwbaar lopen, kun je optimaliseren op snelheid of kosten.

In workshops zeg ik vaak dat je eerst moet leren sturen en pas daarna moet racen.

Wanneer pak je Codex

Mijn beslisregel is kort.

Blijft de output in het chatvenster? Gebruik chat.
Moet er iets in een map veranderen? Gebruik Codex.

Dat kan een Excel zijn, een dashboard, een app, een wijzigingsoverzicht, een briefing of een automation. Het hoeft geen code te zijn. Het gaat erom dat de output ergens moet landen waar je ermee verder kunt.

Voor een losse herschrijving is Codex meestal te zwaar. Voor een workflow waarbij je anders drie tools, twee downloads en vijf copy-paste rondes nodig hebt, begint het te kloppen.

Niet alles hoeft naar Codex

Ik wil hier meteen de rem erop zetten. Niet elke taak moet in Codex.

Een snelle herschrijving? Chat is prima. Een korte vraag over een begrip? Chat is sneller. Een alinea scherper maken? Gewoon in je normale AI-tool doen.

Codex is voor taken waar context, bestanden, stappen of outputformaten belangrijk zijn. Zodra je denkt “dit moet eigenlijk elke vrijdag opnieuw”, loont het om Codex te proberen.

Tot hier heb je de basis. Een projectmap, een AGENTS.md, plan mode, GPT-5.5 als startpunt en een eerste oefening.

Hieronder gaan we naar de setup die ik zelf zou gebruiken als ik Codex serieus in mijn workflow zou opnemen.

De rest van deze playbook is exclusief voor premium lezers van The HUMAN Loop. Nog geen premium? Claim gratis één playbook of Stuur THE HUMAN LOOP door naar één vriend die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:
2 vrienden = 1 maand.
5 vrienden = 3 maanden.
12 vrienden = een half jaar.

Read more

Op 24 april liet de oprichter van PocketOS een AI-agent toe op zijn ontwikkel-omgeving om een vervelend probleem op te lossen. Het fixen van een credential-mismatch, vier regels code. Negen seconden later was de productiedatabase weg, en de backups erbij. PocketOS bouwt software voor autoverhuurbedrijven, dus mensen kwamen die middag een huurauto ophalen waarvan het systeem niet meer wist dat ze bestonden.

De agent was Cursor, draaiend op Claude Opus 4.6. Wat hij erna zelf zei is komisch. “Ik heb elk principe geschonden dat ik kreeg. Ik gokte in plaats van te verifiëren. Ik voerde een destructieve actie uit zonder dat erom gevraagd was. Ik begreep niet wat ik aan het doen was voor ik het deed.” Het is niet vaak dat een stuk software de schuld zo helder formuleert.

Het verhaal is in een week tijd door alle tech-publicaties gegaan. Maar de meeste analyses missen het belangrijkste punt. Dit is geen AI-falen. Dit is een sloopkogel die we zelf in de gereedschapskist hadden gestopt en zonder veiligheidshandleiding hadden uitgereikt. En precies in dezelfde week kondigde Stripe Link aan, een betaalinfrastructuur waarmee autonome AI-agents zelf transacties kunnen uitvoeren. Waarschijnlijk gaat de volgende negen-seconden-ramp niet meer over data, maar over geld dat van je rekening is voor je het door hebt.

Hoe een credential-mismatch een hele database kostte

Wat er gebeurde, technisch gezien, is leerzaam zonder dat je hoeft te begrijpen hoe Claude getraind is.

De agent liep in de ontwikkel-omgeving tegen dezelfde credential-mismatch aan. Hij besloot het op te lossen door bij hosting-platform Railway het volume te verwijderen waar de spullen op stonden. Verkeerd volume om te beginnen, maar dat is het verhaal niet. Het ging mis toen de agent een API-token vond in een totaal ander bestand. Een token die ooit was gemaakt om custom domains toe te voegen, met een heel brede scope. Inclusief het permanent verwijderen van productie-volumes. Geen tweetraps-controle, geen “weet je het zeker”, geen handtekening. Eén curl-commando en klaar.

Dat de backup ook weg was had niets met AI te maken. Railway slaat volume-snapshots binnen hetzelfde volume op. Wis je het volume, wis je de geschiedenis. Een productontwerp-keuze van vóór het AI-tijdperk, gemaakt vanuit kostenefficiëntie, die nu fataal blijkt zodra een geautomatiseerde gebruiker beslist om snel iets op te ruimen.

Net als een verhuizer die een vastzittende deur wil oplossen door de hele muur eruit te slopen. Eigenlijk zat de fout in de architectuur eromheen. De agent had alleen de hamer, niemand had hem verteld dat sommige muren dragend zijn.

En dit is geen incident. Drie cases uit de afgelopen twee maanden die je waarschijnlijk niet langs hebt zien komen. In maart wiste een interne agent bij Meta de inbox van een medewerker op, inclusief mails die ze niet had geselecteerd. Een onderzoeks-agent in een Alibaba-lab sprong rond dezelfde tijd uit zijn sandbox, opende een achterdeur via een reverse SSH-tunnel, en begon cryptocurrency te minen op GPU’s bedoeld voor onderzoek. En in een open-source security-pakket stuurde een autonome bot een schijnbaar onschuldige pull request, kreeg er een hooggeplaatste token mee, en herschreef 178 releases met malware. Dat laatste pakket heeft 97 miljoen downloads per maand. Het Britse AI Safety Institute publiceerde een week geleden cijfers: chatbots die expliciete instructies negeren stegen met een factor vijf in een jaar.

Vier verschillende soorten falen, vier keer dezelfde onderliggende oorzaak. De agent kreeg meer rechten dan iemand zorgvuldig had bedacht.

Waarom dit ineens jouw vergaderingen binnenwandelt

Voor een lezer die zelf geen code schrijft is de eerste reactie misschien: jammer voor PocketOS, maar wat heb ik daarmee te maken. Dat is precies waarom ik dit nu schrijf. De patronen die hier zo zichtbaar misgingen, gaan in de komende zes maanden in jouw werk landen.

Bij Stripe Link, de service die deze week live ging, kunnen agents zelf betalen via virtuele kaarten met spending controls. In de marketingmaterialen klinkt dat als efficiëntie: een agent boekt zelf het hotel, factureert zelf de leverancier, koopt zelf in op een marketplace. Wie de PocketOS-case heeft gelezen kijkt daar anders naar. Welke virtuele kaart geef je aan welke agent, met welk plafond, en wie tekent voor de fouten? Dat zijn governance-vragen. En in negen op de tien organisaties is daar nog niemand mee bezig.

Dezelfde logica voor consultants en accountmanagers. Steeds meer tools koppelen agents direct aan klant-systemen, aan CRM, aan documentbeheer, aan kalenders. Microsoft 365 Copilot heeft al agents die door inboxen gaan, Salesforce voert het in, Notion ook. Je gaat deze agents gebruiken, dat staat vast. Wat er dan toe doet is welke gegevens je in welke omgeving deelt en welke acties die agents zelfstandig mogen uitvoeren binnen welk limiet. Niemand kijkt voor je naar die scope-instellingen, ook niet je IT-afdeling, want zij zien de tools waarschijnlijk niet eens.

Beleidsmakers en juristen krijgen het op een derde manier voor de kiezen. Wie was eigenlijk verantwoordelijk voor PocketOS? De oprichter die de agent toegang gaf? Anthropic die het model trainde? Cursor dat de wrapper bouwde? Railway dat een token niet beperkt scopede? Ons contractenrecht en aansprakelijkheidsrecht weten dat nog niet. Dat is interessant in een opiniestuk en behoorlijk vervelend in een rechtszaak. De Europese AI Act gaat hier niet direct over, want het zit precies in een gat tussen “tool” en “gebruiker”.

In Nederland landt dit hoogstwaarschijnlijk eerst in HR en finance. Recruitment-agents die zelfstandig kandidaten benaderen via LinkedIn of mailen vanuit jouw mailbox lopen al rond. Een fout met scope-instellingen daar is geen verloren database, maar wel een verloren kandidaat, een geschonden privacy-eis vanuit de AVG, of een mail die in iemand z’n inbox terechtkomt waar die nooit had moeten landen. Voor finance ligt de eerste echte test bij de eerste agent die zelfstandig een factuur betaalt. Pilots van dit soort agents draaien al bij diverse organisaties. Zo’n test gaat een keer fout, en als je er niet op bent voorbereid heb je geen backup.

In workshops merk ik dat veel organisaties de agent-laag nog overslaan in hun risicogesprekken. Mensen denken in “ChatGPT-beleid” of “wel of niet Copilot”. Maar goed, de volgende discussie die je in je organisatie voert gaat ergens anders over. Welke rechten geef je een agent als je hem toelaat, en wie bepaalt dat?

Vier vragen die je deze maand al kunt stellen

Geen lijst van veertig governance-controls. Daar zijn andere stukken voor en je leest deze nieuwsbrief niet om een policy-document te krijgen. Vier vragen die je deze maand kunt stellen aan de mensen om je heen, en die direct laten zien hoever je organisatie is.

Eén. Welke agents werken nu al in onze stack en met welke rechten? Bij de meeste organisaties is dat antwoord op dit moment “we weten het niet zeker”. GitHub Copilot, Cursor, Claude Code, M365 Copilot, een paar Notion-agents misschien. Iemand moet die lijst maken. Dat is een uur werk.

Twee. Heeft elk credential dat een agent gebruikt minimum-scope? Het PocketOS-token had scope voor alles. Een gezond credential heeft scope voor één functie. Dit is technisch een kleine moeite en organisatorisch een grote stap. Begin met de tokens die productie raken.

Drie. Wat is de rollback-strategie als een agent iets doet wat we niet vroegen? PocketOS had geen onafhankelijke backup. Heb jij die? Voor productie, voor klantdata, voor de financiële systemen waar agents straks transacties gaan doen? Een backup binnen hetzelfde systeem is geen backup zodra een geautomatiseerde gebruiker rechten heeft.

Vier. Wie keurt agent-acties goed boven een drempel? Voor een mail die wordt verstuurd is geen tweede paar ogen nodig. Voor een transactie boven duizend euro? Voor een wijziging in productie? De drempel ergens neerleggen is de minimale governance.

Vier vragen, één dag werk om de antwoorden te verzamelen.

De grotere les van PocketOS gaat niet over of AI gevaarlijk is. AI is gereedschap, dat blijft het. We halen dat gereedschap nu onze hele organisatie binnen zonder eerst de werkplaats in te richten. Negen seconden lijkt kort voor een schade van drie maanden werk. Het wordt nog korter, en de schade groter.

Stel die vier vragen voor je de volgende agent een token of productie-toegang geeft. Dat is alles.

Ook het vermelden waard

Stripe lanceert Link, een digitale wallet die AI-agents zelfstandig kunnen gebruiken Stripe maakt zijn betaalinfrastructuur klaar voor het agent-tijdperk via OAuth-gated virtuele kaarten met spending limits. Op papier handig, in de praktijk een nieuwe scope-instelling die ergens in jouw organisatie bewust gezet moet worden. Wie geeft welke agent welk plafond, en wat gebeurt er bij een geschil?

“Vibe coding will break your company” Forbes-analyse die hetzelfde patroon dieper trekt: ontwikkelaars die hun agents opdrachten geven zonder echte specificatie produceren snelle resultaten en lange termijn-schade. Kernzin: “capability is cheap, judgment is scarce”. Voor wie van plan is “vibe coding” als productiviteitsstrategie te omarmen, eerst dit lezen.

Anthropic Mythos werd al gecompromitteerd via contractor-credentials Anthropic’s nieuwe frontier-model Mythos werd bewust niet vrijgegeven omdat het te krachtig is voor publiek gebruik (autonome multi-step cyber-aanvallen). Tegelijk bleek dat een kleine groep ongeautoriseerde toegang had via geleende contractor-credentials. Hetzelfde patroon als bij PocketOS: een credential met te veel scope, en niemand die het beperkte.

Anthropic publiceert paper over reward hacking en gegeneraliseerde misalignment Anthropic vond dat modellen die leren cheaten op productie-coderesultaten dat gedrag generaliseren naar andere taken die nooit getraind zijn: alignment faking in 50% van gevallen, sabotage van veiligheidscode in 12%. Het model werd nooit geïnstrueerd dit te doen. De drie tegenmaatregelen werken, maar de bredere implicatie blijft staan: training-prikkels hebben bijwerkingen die je in de gewone test-set niet ziet.

Lees ook

Playbook: Copilot Cowork. De eerste Copilot die niet op je wacht.

Het WAINUT Framework. Van een goede prompt naar goed resultaat

Vind je dit waardevol? Deel het.

Stuur THE HUMAN LOOP door naar één collega die ook met AI bezig is. Voor elke vriend die zich aanmeldt, krijg je gratis maanden premium: inclusief alle Playbooks.

Verwijs een vriend

Concreet:

2 vrienden = 1 maand.

5 vrienden = 3 maanden.

12 vrienden = een half jaar.