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.

Stel je voor. Dinsdagochtend negen uur. Over vijf minuten begint je stand-up, daarna een sessie met een klant, en om elf uur heb je een strategische review waarvoor je eigenlijk drie documenten had moeten doornemen. Je opent Copilot, typt iets als “Bereid me voor op mijn meeting van elf uur met Van den Berg, verzamel alles wat relevant is en schrijf een korte briefing”, en loopt naar de koffiemachine. Als je terugkomt, staat er een Word-document klaar met de laatste mails, de openstaande actiepunten, de risico’s uit de laatste stuurgroep, en drie gesprekspunten om mee te openen. En een PowerPoint. En een voorstel voor de nieuwe meeting-tijd omdat Copilot zag dat er een conflict in je agenda stond.

Dat is Copilot Cowork. En het voelt anders dan alles wat je tot nu toe van Copilot gewend was.

In deel 1 van deze serie leerde je wat de knoppen in Copilot Chat doen. Jij typt, Copilot antwoordt. In deel 2 zag je Copilot meekijken in Word, Excel, Outlook en Teams. Jij werkt, Copilot leest mee. In deel 3 bouwde je je eerste agent. Jij ontwerpt de rails, Copilot doet het werk binnen die rails. Deze bonus aflevering gaat een stap verder. Cowork is een nieuwe klasse binnen Copilot, geen nieuwe knop in de interface die je al kent.

Microsoft lanceerde Cowork op 9 maart en zette het op 30 maart open voor iedereen met een Copilot-licentie die zich aanmeldt voor het Frontier-programma. Daarmee is het op het moment dat jij dit leest drie weken oud. Het werkt. Het werkt soms verbluffend goed. En het werkt ook soms helemaal niet. Ik neem je mee door beide.

Wat Cowork anders maakt

De naam verklapt het al. Cowork betekent dat je er samen aan werkt, maar niet tegelijkertijd. Geen instructies, geen chat-rondjes om tot het antwoord te komen. Jij vertelt wat klaar moet zijn, Cowork maakt een plan, redeneert over je tools en bestanden heen, en voert het werk uit met zichtbare voortgang.

Het klinkt bijna hetzelfde als een agent uit deel 3, maar er is één belangrijk verschil. Een agent die je in Copilot Studio of Agent Builder maakt, bouw je voor een specifieke use case. Een offerte-assistent, een HR-bot, een meeting-voorbereider. Je bakent af wat hij wel en niet doet. Cowork werkt andersom. Een generalist met toegang tot alles wat jij ook kunt, met elke skill die Microsoft heeft ingebouwd. Je bouwt hem niet, je spreekt hem aan. Een agent is een collega met een functieomschrijving. Cowork is een collega met een portefeuille vol sleutels.

Onder de motorkap draait Claude. Sonnet 4.6 als standaard, Opus 4.7 als je meer denkwerk nodig hebt. Microsoft heeft de technologie die de zelfstandige Claude-versie van Anthropic aandrijft ingebouwd in M365, en daar de rails van Microsoft 365 overheen gelegd. Cowork ziet alleen wat jij mag zien, voert alleen acties uit die jij mag uitvoeren, en vraagt om goedkeuring bij alles wat onomkeerbaar is. Enterprise Data Protection blijft gewoon staan. Je data gaat niet naar een Anthropic-trainingsdataset.

Waarom het anders voelt dan de rest van Copilot

In deel 2 legde ik het concept van “implicit grounding” uit. Copilot in Word ziet welk document open staat, Copilot in Outlook leest de mail die jij leest. Handig, maar beperkt tot dat ene moment. Cowork kan door je hele werkomgeving heen lopen. Emails, Teams-chats, meeting-transcripten, SharePoint, OneDrive. Microsoft noemt dit Work IQ, vroeger heette het de substrate. Het is de kennislaag die onder je M365 ligt en alles kent wat jij kent.

Je hoeft voor een klantbriefing geen files meer te attachen. Je hoeft Cowork niet te vertellen wie Van den Berg is. Als Van den Berg in je contactenlijst staat en er zijn mails, meetings of documenten over Van den Berg, dan weet Cowork dat al. Jouw werk verschuift van context bouwen naar uitkomst beschrijven.

In mijn trainingen doe ik vaak een oefening die ik in deel 1 introduceerde, De Muur. Je plakt een e-mailketen in Copilot en vraagt om een projectplan. De output ziet er strak uit, maar bevat gehalluceerde verantwoordelijken, verkeerde deadlines, foute aannames. Copilot geeft altijd een antwoord, ook als dat antwoord niet klopt. Bij Cowork verschuift die muur. Omdat Cowork zelf zijn bronnen opzoekt in Work IQ, zie je vaker dat het om verduidelijking vraagt voordat het begint. “Ik zie drie Van den Bergs in je contactenlijst, welke bedoel je?” “De laatste meeting stond gepland op donderdag maar is verzet, wil je de oorspronkelijke datum aanhouden?” Dat vraagt iets anders van jou. Je moet niet alleen een goede prompt schrijven, je moet ook goed antwoord geven als Cowork doorvraagt.

De dertien skills uit de doos

Cowork heeft dertien ingebouwde skills.

Er is een Word-skill voor het maken, lezen en bewerken van documenten. Een Excel-skill voor spreadsheets inclusief financiële modellen, tabellen en analyses. PowerPoint voor presentaties. PDF voor rapporten. Email voor drafts, replies, forwards en het sorteren van je inbox. Scheduling voor het plannen van meetings. Calendar Management voor het schoonmaken en herorganiseren van je agenda. Meetings voor meeting-intelligence en prep. Daily Briefing voor je ochtendoverzicht. Enterprise Search om door je organisatie-data te zoeken. Communications voor stakeholder-updates en interne announcements. Deep Research voor zware research-taken met gesynthetiseerde, bronvermelde rapporten. En Adaptive Cards om interactieve elementen in te voegen, bijvoorbeeld in Teams.

Twee dingen om te onthouden. Ten eerste, je hoeft geen skill aan te roepen. Cowork kiest zelf welke skills nodig zijn voor jouw uitkomst. Als je vraagt om een klantrapport met een financiële analyse, dan ziet Cowork dat hij Excel en Word en Deep Research nodig heeft, en start die parallel op. Ten tweede, naast deze dertien kun je zelf skills toevoegen. Daar komen we in het premium gedeelte op terug, want dat is het moment waarop Cowork verschuift van standaard-productiviteit naar jouw persoonlijke workflow.

Waar Cowork je verrast

Ik heb de afgelopen weken een paar concrete scenario's getest. Vier dingen vallen me op.

Multi-app uitvoering in parallel. Je geeft Cowork een opdracht als “maak een tien-slide deck over onze educatie-roadmap tot juli, plan een review-meeting met Maarten en Max, en stuur hen een briefing-document”. Cowork start de drie skills tegelijk op. PowerPoint bouwt de slides, Scheduling maakt de meeting-uitnodiging, Word schrijft de briefing. Tien minuten later is alles klaar en staat het voor je in een output-folder. Dat soort parallelle uitvoering lukt in Copilot Chat niet, in in-app Copilot ook niet, en in zelfgebouwde agents alleen als je ze heel specifiek hebt ingericht.

Scheduled prompts. In deel 1 raakte ik hier al aan. In Cowork werkt het anders. Je kunt een prompt op een schema zetten. “Elke maandagochtend om negen uur, analyseer het transcript van de weekstart-meeting, haal de actiepunten eruit, zet ze in een tabel, en stuur me een mail om half tien.” Eén prompt, één klik op activeren, en vanaf dan gebeurt dat elke maandag zonder dat jij er nog over hoeft na te denken. Het scheelt je geen uur. Het scheelt je het gevoel dat je iets niet gedaan hebt.

Vibe-coding van interactieve apps. Dit heb ik nog nergens anders zo gezien. Je kopieert een script in Cowork en zegt “maak hier een oefentool van waarmee ik dit kan inspreken met teleprompter, guided practice en een timer”. Vijf minuten later heb je een HTML-applicatie met al die functies. Een werkende app in plaats van een Word-document. Ik heb op deze manier een keer een dashboard gebouwd voor een workshopdeelnemer die een eigen klanten-interviewtraject wilde uitproberen. Niet productiekwaliteit, wel bruikbaar binnen tien minuten. Een nieuwe categorie output.

Goedkeuring per gevoelige actie. Voor alles wat onomkeerbaar is, email versturen, meeting plannen, bestand delen, stopt Cowork en vraagt je goedkeuring. Met een risico-indicator erbij. Je kunt ook “don’t ask again” aanvinken voor soortgelijke acties binnen dit gesprek. Dat laatste is belangrijk, want zonder dat klik je jezelf gek. Met die optie voelt het als een rustig samenwerkingsritme.

De scherpe randjes

En nu de andere kant. Cowork is een preview. Dat betekent dat er dingen zijn die gewoon kapot zijn, en dingen die by design niet kunnen.

Tasks die vastlopen. Ik heb scenario’s gezien waar Cowork bijna klaar was, alleen nog een email moest versturen, en vervolgens 24 uur op dat laatste bericht bleef hangen. Er is nu geen goede manier om zo’n task hard te stoppen. Pauzeren en hervatten werkt vaak niet zoals je zou verwachten. Als dit je overkomt, is je beste optie vaak om een nieuwe task te starten vanuit een kopie van je prompt. Vervelend, maar zo is het nu.

Output op rare plekken. Cowork maakt standaard een output-folder aan in je OneDrive met een GUID als naam. Dus iets als Cowork/a3f8c-b922-4411-8f3c. Binnen Cowork vind je je bestanden keurig in een zijbalk. Als je er buiten Cowork bij wilt, ga je zoeken in een doolhof. Je kunt Cowork nu nog niet vertellen dat je de output direct in een bepaalde SharePoint-map of Teams-kanaal wilt hebben. Dat komt, maar het is er nog niet.

Geen corporate templates. Als je organisatie strikte huisstijl-regels heeft, voor PowerPoint, voor Word-rapporten, voor brieven, dan gaat Cowork die niet volgen. Het gebruikt default Office-thema’s. Een accountant die een klantrapport in corporate look-and-feel nodig heeft, moet dat achteraf handmatig bijwerken. Voor consultancy, marketing en andere sectoren waar je huisstijl heilig is, is dit een bewuste afweging bij elke roll-out.

Werkt op een sprint, niet op een marathon. Taken van vijf tot vijftien minuten gaan goed. Taken die dertig tot zestig minuten iteratief redeneren vereisen, zoals een complex financieel model met circulaire referenties, daar worstelt het mee. De Excel-skill is goed in het verrijken en opmaken van bestaande sheets. In het opbouwen van institutional-grade modellen is hij zwak. Weet dat verschil, anders raakt Cowork in de knoop en jij gefrustreerd.

Kan mails verwijderen. De Email-skill kan je inbox opruimen, en dat is bewust zo gebouwd. Het betekent dat een ongelukkig geformuleerde prompt (”ruim mijn oude mails op”) theoretisch belangrijke mails kan weggooien. De goedkeuringsflow vangt dat in principe op, maar zodra je “don’t ask again” hebt aangevinkt, is de rem weg. Daarom mag je Cowork niet tenantbreed uitrollen zonder training.

Nederland en de EU, het gesprek dat je voor de rollout moet voeren

Voor Nederlandse organisaties zit hier een flinke horde. Cowork draait op Anthropic’s modellen. Die modellen vallen buiten Microsoft’s EU Data Boundary. Voor klanten in Nederland, België, Duitsland en de rest van de EU staat Anthropic als subprocessor standaard uit. Dat betekent dat Cowork niet uit zichzelf werkt in een Nederlandse tenant.

Om Cowork beschikbaar te maken, moet je admin Anthropic handmatig aanzetten als subprocessor in het M365 Admin Center. Dat is een bewuste keuze, niet een technisch knopje dat je even omdraait. Want op het moment dat je dat aanzet, laat je een deel van je EU Data Boundary-garanties los voor alle interacties die via Cowork lopen. Microsoft Purview, de controlelaag voor DLP, eDiscovery en retention, werkt niet op de Claude-processing buiten de boundary. Enterprise Data Protection blijft wel van kracht, dus je data wordt niet gebruikt voor training en staat binnen je tenant, maar een aantal van je standaard-governancetools werken gewoon niet.

Voor veel commerciele bedrijven zonder sterke data-residency-eisen is dit prima. Je bespreekt het met je privacy-officer, je doet een DPIA voor je gevoelige use cases, en je rolt uit. Voor bedrijven in de financiele sector, zorg, overheid of andere sterk gereguleerde omgevingen is dit een groter gesprek. DORA vraagt sinds januari third-party risk assessments voor nieuwe AI-diensten. Als je onder NIS2 valt, hoort Cowork in je risk register. De BIO voor de publieke sector is streng over waar data wordt verwerkt. Dit zijn geen deal-breakers, maar ze vragen om een serieus gesprek voordat je Cowork rondstuurt.

Mijn advies uit de praktijk. Begin klein. Wijs twee of drie vrijwilligers aan, idealiter uit niet-gevoelige afdelingen. Laat ze Cowork testen op publiek-beschikbare data, op zelfbedachte scenarios, op hun eigen calendar. Houd gevoelige klantdata er eerst buiten. Gebruik die eerste maand om te leren wat Cowork kan voordat je vanuit je compliance-team de vraag gaat beantwoorden wat het mag. Je moet beide gesprekken voeren, maar de volgorde doet ertoe.

Licenties en Frontier in een oogopslag

Je hebt drie dingen nodig.

Ten eerste, een Microsoft 365 Copilot-licentie. Dat is de betaalde add-on van dertig dollar per gebruiker per maand die je organisatie waarschijnlijk al gebruikt als je in deel 1 en 2 van deze serie meedeed. Zonder die licentie kom je er niet in.

Ten tweede, aanmelding voor het Frontier-programma. Frontier is Microsoft’s pre-release-tier waar preview-features eerder beschikbaar zijn dan in general availability. Je admin zet dat aan via Admin Center, onder Copilot, onder Settings, onder Frontier. Dat kost niets extra’s bovenop je bestaande Copilot-licentie. Na aanmelding verschijnt Cowork in je agent-store.

Ten derde, als je in de EU of UK zit, het opt-in voor Anthropic als subprocessor. Dat is de stap die ik hierboven al beschreef. Zonder die stap zie je Cowork misschien in het menu, maar werkt hij niet.

Er is een vierde optie die soms opkomt in gesprekken met IT-afdelingen. De nieuwe Microsoft 365 E7 Frontier Suite van negenennegentig dollar per gebruiker per maand bundelt E5, Copilot, Agent 365 en een aantal andere onderdelen. Voor Cowork-preview heb je die suite niet nodig. Het is een optie voor organisaties die all-in willen op de Frontier-strategie, maar voor iedereen die gewoon wil testen volstaat de bestaande licentie.

Wanneer het uit preview gaat en richting GA schuift, is nog niet officieel. Analisten schatten Q2 of Q3 2026. Microsoft heeft zelf geen datum genoemd. Houd er rekening mee dat de prijsstructuur dan kan veranderen, en dat features die nu gratis in preview zitten, straks credits of een aparte licentie kunnen vragen.

Tot hier het fundament

Tot hier het gratis deel. Hieronder komt wat ik normaal deel in trainingen bij organisaties die Frontier al hebben aangezet. Een complete setup-walkthrough voor admin en user. Drie kopieerbare prompts voor je eerste tasks. De beslisregel voor wanneer je Sonnet gebruikt en wanneer Opus. Een uitgewerkt voorbeeld van een custom skill waarmee je Cowork naar jouw wekelijkse ritme vormt. De governance-checklist die ik voorleg aan functionarissen gegevensbescherming in Nederlandse organisaties. En een beslisboom voor wanneer je Cowork inzet, wanneer Chat, wanneer in-app, en wanneer je terug moet naar een gebouwde agent.

Nog geen abonnee? Je eerste playbook is gratis. Of deel The Human Loop met een collega en krijg gratis maanden cadeau.

Verwijs een vriend

Read more

Je kent het vast. Je typt een keurige prompt in ChatGPT. Rol, context, taak, alles zit erin. En dan krijg je iets terug dat... oke is. Niet fout. Maar ook niet wat je nodig had. Je probeert het opnieuw. Iets meer context. Iets andere formulering. Het wordt een beetje beter, maar niet genoeg. Na drie pogingen geef je het op en schrijf je het zelf.

Dat is geen toeval. Een goede prompt is namelijk slechts één stap in een heel werkproces.

Het gat dat niemand ziet

In de afgelopen maanden heb ik tientallen AI-trainingen gegeven. Verzekeraars, gemeenten, uitzendbureaus, bouwbedrijven. Overal leren teams CRAFT of een variant ervan: Context, Role, Action, Task. Ze schrijven keurig gestructureerde prompts. En bij simpele taken werkt dat prima. Een mail samenvatten? Keurig. Een vergadering voorbereiden? Gaat goed.

Maar zodra het echte werk begint, lopen ze vast.

Een team wilde twee pensioenfondsdocumenten van 80 pagina’s inhoudelijk vergelijken. De prompt was netjes opgebouwd volgens CRAFT: rol (”je bent een pensioenanalist”), context (twee PDF’s bijgevoegd), taak (”vergelijk deze documenten”). Prima prompt. Niks mis mee.

Het resultaat? Een oppervlakkige vergelijking die de helft miste. Geen gestructureerde categorieën. Geen onderscheid tussen harde feiten en interpretaties. Copilot kreeg 160 pagina’s zonder structuur en moest zelf uitzoeken wat “vergelijken” betekent.

Eigenlijk is dat logisch.

Denk aan bowlen. CRAFT leert je de bal richten. De boog, de snelheid, het doel. Maar het zet geen hekjes omhoog. En als je zonder hekjes gooit met een complex document van 80 pagina’s, dan rolt die bal zo de goot in.

Dat is het gat dat ik steeds weer zie. Het werkproces rondom de prompt ontbreekt. De voorbereiding. De afbakening. De controle achteraf. CRAFT dekt één stap. Het echte werk zit in alles eromheen.

Van prompt-framework naar werkframework

WAINUT staat voor zes stappen die je hele werkproces met AI dekken. Je kunt het vergelijken met Plan/Do/Check, het principe dat in elke organisatie bekend is.

En daar zit de sleutel. Ik zeg het in elke training: stel je voor dat elke taak drie fases heeft. Analyseren, uitvoeren, controleren. AI is steeds beter in de uitvoerfase: code schrijven, tekst genereren, projectplannen maken. Maar ik zie dat de uitvoerfase juist minder belangrijk wordt, en de fases ervoor en erna belangrijker. Je tijd verschuift van doen naar denken en controleren.

WAINUT pakt alle drie de fases.

PLAN

W = Werk voorbereiden

Dit is de stap die iedereen overslaat. En het is de stap waar 80% van je resultaat wordt bepaald.

Werk voorbereiden betekent vier dingen:

Materiaal. Wat moet het model zien, in welke vorm? 80 pagina’s rauw erin gooien werkt niet. Laat eerst per document apart een samenvatting maken op dezelfde structuur. Knip grote bestanden op. Zorg dat het model kan vergelijken door de informatie vergelijkbaar aan te bieden.

Stijl. Welke toon, welk design, welk format? Moet het een tabel worden, bullet points, een rapport? In welke taal? Formeel of informeel? Gericht op het managementteam of op uitvoerende medewerkers?

Stappen. Wat is de logische volgorde? Stap 1 is analyse, stap 2 is vergelijking, stap 3 is conclusie. Niet alles tegelijk, maar opgebouwd. Hoe minder stappen AI autonoom moet zetten, hoe betrouwbaarder het resultaat. Het is net als een estafette. Bij elke wissel kan de stok vallen.

Rol. Welke rol geef je het model? Niet alleen "je bent een analist" (dat is CRAFT). Is dit een coördinator die meerdere stappen aanstuurt? Een schrijver? Een kritische reviewer? De rol bepaalt hoe het model de taak aanpakt.

Kijk er zo naar. als je een nieuwe collega een complexe opdracht geeft, begin je ook niet met “vergelijk deze twee rapporten.” Je zegt: “Hier zijn twee rapporten. Lees ze allebei. Maak voor elk rapport een samenvatting op deze vier punten. Leg die samenvattingen naast elkaar. En markeer waar ze van elkaar afwijken.” Dat is W.

A = Afbakenen

Dit zijn je hekjes. De rails bij het bowlen. Zonder afbakening kan het model alle kanten op, en dat doet het ook.

Grenzen. Wat mag niet? Geen meningen, alleen feiten uit de documenten. Niet meer dan 2 pagina’s output. Geen informatie van het internet, alleen uit de bijgevoegde bestanden.

Scope. Hoeveel in één keer? Eén document per gesprek of meerdere? Eén vraag per prompt of een reeks? Hoe minder het model tegelijk hoeft te doen, hoe betrouwbaarder.

Bronnen. Welke documenten, welke data? Expliciet benoemen wat het model mag gebruiken en wat niet. “Gebruik alleen het jaarverslag 2025 en de klanttevredenheidsenquête.”

Stopmoment. Wanneer moet het model stoppen en terugvragen? “Als je informatie mist die je nodig hebt, vraag het dan in plaats van te gokken.” Dit is cruciaal. AI weigert nooit een opdracht. Het levert altijd iets op. Maar een antwoord is niet hetzelfde als het juiste antwoord. Door een stopmoment in te bouwen dwing je het model om eerlijk te zijn over wat het niet weet.

DO

I = Instructie geven

Hier schrijf je de prompt. En hier past CRAFT prima in. Context, rol, actie, taak. Niets mis mee als instrument. Maar het is stap 3 van 6.

Het verschil: zonder W en A is je prompt een wens. Met W en A is het een opdracht. “Vergelijk deze documenten” versus “Vergelijk deze twee samenvattingen op deze vijf categorieën, output als tabel, maximaal 2 pagina’s, markeer waar bronnen tegenstrijdig zijn.” Dezelfde vraag. Compleet ander resultaat.

CHECK

N = Nakijken

Dit is waar de meeste tijdwinst zit. Of de meeste tijdverspilling. Dat hangt af van één beslissing.

Nakijken betekent twee dingen. Ten eerste: check de output tegen de bron. Klopt wat er staat? Mist er iets? Zijn er beweringen die je niet kunt terugvinden in het originele document?

Ten tweede, en dit is het belangrijkste: scoor de output. Is dit 80% of meer van wat je nodig hebt? Of is het 60%?

De 60/80-regel. Als je output op 60% zit (het gaat de goede kant op, maar het is niet bruikbaar), dan ga je niet oppoetsen. Je gooit het weg en gaat terug naar W. Meer context, betere voorbereiding, andere afbakening, opnieuw.

Waarom? Omdat een 60%-output nooit naar 100% te verfijnen is. Je kunt een slechte basis niet oppoetsen tot een goed resultaat. Dat is de grootste tijdverspiller die ik zie bij teams: ze zitten vijf ronden te herschrijven op een uitkomst die fundamenteel niet deugt.

Terug naar de bowling: als de bal in de goot ligt, ga je hem niet halverwege bijduwen. Je pakt een nieuwe bal, stelt je anders op, en gooit opnieuw.

Maar als je output op 80-90% zit? Dan werkt verfijnen wel. Dan zit je in de goede richting en kun je met kleine aanpassingen naar het gewenste resultaat.

De loop is dus:

W → A → I → N → 80%+? → U → T

Of:

W → A → I → N → Onder 80%? → Terug naar W

Dat ene beslismoment bij N is het verschil tussen productief werken met AI en urenlang ronddraaien.

U = Updaten

Alleen als je op 80% of hoger zit. Dan bijsturen en aanscherpen. “Je mist de categorie nabestaandenpensioen, voeg toe.” Of: “De kosten kloppen niet voor fonds B, check pagina 34.” Of: “Maak de toon formeler, dit gaat naar het managementteam.”

Verfijnen is een gesprek. Stap voor stap werk je naar het gewenste resultaat.

T = Toepassen

De stap die wegvalt zodra je tevreden bent met het antwoord. Wat doe je met de output? Kopieer je het naar Word? Deel je het met je team? Sla je het op als template voor de volgende keer?

T dwingt je om na te denken over de landing. Niet alleen: ik heb een antwoord. Maar: ik heb een bruikbaar resultaat dat ik kan toepassen in mijn werk. En misschien nog belangrijker: ik heb een werkwijze die ik de volgende keer weer kan gebruiken.

Waarom dit werkt

De kracht van WAINUT zit in de verdeling.

In Plan/Do/Check termen:

Plan = W + A. Dit is mensenwerk. Hier zit je vakkennis. AI kan je helpen met de uitvoering, maar de vraag “wat moet er geanalyseerd worden en binnen welke kaders” is jouw expertise.

Do = I. Het model voert uit. Dit wordt steeds meer AI. Over twee jaar is dit het makkelijkste deel van het proces.

Check = N + U + T. Weer mensenwerk. Hier zit je oordeel.

En dat is de boodschap die ik in elke training geef. Jullie worden juist belangrijker door AI. Want de Do-fase is straks geautomatiseerd. Het verschil tussen een goed en een waardeloos resultaat zit in hoe je plant en hoe je checkt. Dat is jullie vak.

CRAFT leeft alleen in de Do-fase. Daarom voelt het beperkt zodra de taak complex wordt. Het helpt je typen. Het denkwerk blijft bij jou.

Het bewijs is ‘‘De Muur’’

In mijn trainingen gebruik ik een oefening die ik “De Muur” noem. Deelnemers krijgen een complexe maar realistische opdracht. Een e-mailketen over een IT-migratieproject. Zes mails, vier mensen, twee in CC. Vol verborgen valkuilen.

Eerste ronde: gooi het direct in Copilot. “Maak een projectplan.” Het resultaat ziet er professioneel uit. Strakke koppen, nette opsomming, deadlines. Maar als ik zes controlevragen stel, scoren teams gemiddeld 0 tot 1 uit 6. Gehalluceerde verantwoordelijken. Genegeerde deadlines. Voorwaardelijke toezeggingen die als harde afspraken worden gepresenteerd.

Dat is die 60%-output. Het ziet er goed uit, maar het deugt niet.

Tweede ronde: dezelfde opdracht, maar nu via WAINUT.

W: laat eerst per mail analyseren wie wat zegt, welke beloften er gedaan zijn, welke vragen open staan. A: “Markeer alles wat onbevestigd of tegenstrijdig is. Geen aannames. Als informatie ontbreekt, zeg dat.” I: pas daarna de prompt voor het projectplan. N: check het plan tegen de originele mails.

Het resultaat ziet er minder gelikt uit. Items staan gemarkeerd als “onbevestigd.” Tegenstrijdige deadlines worden benoemd. Verantwoordelijkheden die niet expliciet zijn toegewezen, worden niet verzonnen. Minder mooi, maar dramatisch betrouwbaarder.

Dat is het verschil tussen richting geven en kaders stellen.

Terug naar het voorbeeld

Datzelfde team met de twee pensioenfondsdocumenten deed de opdracht opnieuw via WAINUT:

W = Beide documenten apart uploaden. Per document eerst een samenvatting laten maken op dezelfde structuur: dekkingen, kosten, uitsluitingen, voorwaarden, doelgroep, nabestaandenpensioen. Twee keer dezelfde structuur. Nu heeft het model iets om naast elkaar te leggen.

A = “Vergelijk alleen op deze zes categorieën. Output als tabel. Per verschil: wat zegt fonds A, wat zegt fonds B, wat is het effect voor de deelnemer. Geen meningen, alleen feiten uit de documenten.”

I = “Maak een vergelijkingstabel van pensioenfonds A en B die ik kan gebruiken om een advies voor te bereiden.”

N = Drie rijen uit de tabel gecheckt tegen de originele documenten. Klopte. Score: 85%.

U = “Je mist de categorie nabestaandenpensioen. Voeg toe. En de kosten kloppen niet voor fonds B, check pagina 34.”

T = Vergelijkingstabel opgenomen in het adviesrapport. Prompt opgeslagen als template voor toekomstige vergelijkingen.

Zonder de W lever je een onmogelijke opdracht. Je vraagt iemand twee boeken te vergelijken door ze allebei tegelijk open op tafel te leggen. Dat doet een mens ook niet. Je maakt eerst aantekeningen per boek, dan vergelijk je de aantekeningen.

Onthoud

CRAFT is één stap (de I). WAINUT dekt het hele proces. Jouw waarde als professional zit links en rechts. In hoe je plant en hoe je checkt.

Begin deze week met één complexe taak die je normaal direct in AI gooit. Loop de zes letters door. Ervaar het verschil.

Je hebt hierboven over het framework gelezen. Hieronder staat hoe je het in de praktijk brengt: de complete checklist per letter die je kunt printen, vijf uitgewerkte voorbeelden voor verschillende rollen, de zeven fouten die ik het vaakst zie, en pro tips uit mijn trainingen.

Nog geen abonnee? Je eerste framework is gratis. Of deel The Human Loop met een collega en krijg gratis maanden cadeau.

Verwijs een vriend

Read more

In elke workshop vraag ik wie er weleens een plaatje met AI heeft gemaakt. Tot vorig jaar ging er één hand omhoog, soms twee. Inmiddels is het vaak de helft van de zaal. En altijd komt dan dezelfde klacht. “De tekst in de afbeelding klopt nooit.” Of: “Mijn logo wordt elke keer anders.” Of: “De handen zien er raar uit.”

Die klachten mogen vanaf deze week het archief in. OpenAI lanceerde maandag GPT Image 2.0. De OpenAI-onderzoekers vergelijken de sprong zelf met “van GPT-3 naar GPT-5 in één keer”. Belangrijker nog: dit is het eerste imagemodel dat eerst nadenkt voor het tekent.

En ja, ik hoor je denken… elke image in deze post is gegenereerd met GPT Image 2.0

Twee modi: instant en denkend

Eén demo zegt genoeg. OpenAI liet een foto zien van een berg rijst, duizenden korrels door elkaar. Op één van die korrels staat microscopisch klein “GPT Image 2” gegraveerd, leesbaar als je inzoomt. Het model tekende dat in één prompt. Geen 30 edits, geen Photoshop achteraf, geen upscaling-trucjes. Eén keer vragen, één keer afleveren.

Het model komt in twee smaken. Instant mode is er voor iedereen in ChatGPT, vanaf deze week. Jij typt een prompt, het model tekent. Thinking mode zit achter Plus- en Pro-abonnementen en doet iets anders, het plant eerst. Leest je prompt, stelt zichzelf vragen, zoekt op web als het nodig is, maakt een soort blueprint, en dan pas begint hij met tekenen.

Net als een sous-chef die het recept eerst helemaal doorleest en zijn mise en place voorbereidt voor hij de pan aan zet. Instant mode is de kok die meteen begint koken zodra de bestelling binnenkomt. Voor een omelet prima. Voor een zevengangenmenu is dat geen goed idee.

Het verschil in benchmarks is groot. Image Arena is het leaderboard waar AI-imagemodellen blind tegen elkaar worden vergeleken door gebruikers. GPT Image 2 staat daar sinds maandag op #1 in elke categorie. Text-to-Image: 242 ELO-punten voorsprong op Google’s Nano Banana 2. Dat is de grootste voorsprong die Arena ooit heeft gezien. Ter vergelijking, de sprong van GPT-4 naar GPT-5 op het algemene chat-leaderboard was ongeveer 80 punten. Dit is ruim drie keer zoveel, in één update, op één vlak.

GPT Image 2.0 wint breed. Zeven subcategorieen, zeven keer de eerste plek. Fotorealisme +247 punten, text rendering +316, portretten +296, product design +277, cartoon en anime +296, 3D +274, kunst +197. Dat is op alle fronten een ander model dan wat we gewend waren.

GPT Image 2.0 staat sinds 22 april live in ChatGPT voor alle gebruikers. De API volgt begin mei voor ontwikkelaars, met prijzen rond de 0,21 dollar per standaard-plaatje (1024x1024, hoge kwaliteit). Dat is wel zo’n zestig procent meer dan de vorige generatie.

Tekst, samenhang, formaat en realiteit.

Er zit veel in deze release. Ik haal er vier uit die voor jouw werk het meest relevant zijn.

Tekst in plaatjes werkt eindelijk. AI-afbeeldingen hadden een chronisch probleem. Elke tekst in het beeld werd pap. Logo’s werden onleesbaar, typografie was onbetrouwbaar. In een livedemo door OpenAI maakten de onderzoekers een Japanse bakkerij-poster met correcte hiragana en kanji, een Hindi recept met kloppend Devanagari, en een complete magazine-cover met alle bodytext foutloos. Dit is eigenlijk het einde van de “AI-tell” waar grafisch ontwerpers hun vak mee konden verdedigen.

Meerdere plaatjes tegelijk, met samenhang. Tot vorig jaar genereerde je één plaatje per prompt. Wilde je een manga van vier pagina’s? Dan moest je vier keer genereren, hopen dat je personages enigszins hetzelfde bleven, en de rest in Photoshop fixen. GPT Image 2 maakt in één generatie een serie waarin karakters, stijl en verhaal consistent blijven. In de livestream tekende het team een storyboard met dezelfde hoofdpersoon over drie pagina’s. Zelfde gezicht, zelfde kleding, doorlopend verhaal. Voor marketingcampagnes, instructievideos en social carousels.

Formaten zonder beperking. Van 3:1 panoramas tot 1:3 verticals. Een billboard, een Instagram Story, een LinkedIn banner, een A4-flyer met afloopgebied. De API levert tot 4K, in ChatGPT krijg je standaard 2K.

Het model kent de echte wereld. Dit is het deel waar thinking mode zichzelf terugverdient. Vraag GPT Image 2 om een infographic over de laatste AI-videomodellen, en hij zoekt zeven minuten lang op internet naar details die de labs zelf hebben gepubliceerd. Hij vermijdt third-party claims bewust, maakt een plan, en tekent dan pas. In één demo genereerde het model een afbeelding met een QR-code die verwees naar chatgpt.com, en die code werkt ook echt. Scannen gaat gewoon, het model had de code zelf bedacht en getekend in het beeld.

Van consultant tot manager: waar het jou raakt in je werkweek

Ben je consultant of accountmanager? De tijd dat je een deck met generieke stockfoto’s bouwt is voorbij. Je kan tijdens het schrijven van je presentatie direct een infographic genereren met de echte cijfers van de klant, in hun huisstijl, met leesbare tekst. Voor dat sheet waar je anders “grafiek volgt” had gezet, heb je nu in tien seconden een visual.

Ben je marketeer bij een internationaal opererend bedrijf? De taalbarriere in beeldmateriaal is weg. Je maakt in één prompt de Nederlandse, Duitse, Japanse en Arabische variant van een campagne, en de typografie klopt in alle talen. Voor bedrijven als Booking.com, ASML, TomTom of Philips die content in meerdere markten uitrollen, zit hier een kostenvoordeel.

Ben je ondernemer zonder designer? Menukaarten, flyers, event-posters, productfoto’s van nog niet bestaande producten voor A/B-testing. Print-ready assets met correcte bleed marks en trim guides, zonder dat je ooit een designprogramma hebt geopend. Eén van de OpenAI-demo’s was een art deco bladwijzer voor een fictieve boekhandel, compleet met snijlijnen en veiligheidsmarges, kant en klaar voor de drukker.

Ben je manager? Thumbnails voor interne videos, banners voor je Teams-kanaal, visualisaties voor beleidsdocumenten. Dingen die je anders uit een irrelevante stockbibliotheek moest plukken of aan een externe kon uitbesteden. Nu zit dat in dezelfde chat waar je ook je mails dicteert.

Wie de editie van 13 april heeft gelezen: daar liet ik de WAINUT-trailer zien, een cinematische AI-video die we produceren met Seedance 2.0. Afbeeldingen zitten nu in dezelfde kwaliteitslaag. Het gat tussen “idee in je hoofd” en “presenteerbaar resultaat” is voor bijna elk bedrijfsproces kleiner geworden.

Thinking mode, trigger words en de valkuil die je niet mag missen

Een paar dingen uit de praktijk van de eerste dagen.

Schakel thinking mode in als het nodig is. Voor een snelle illustratie hoeft het niet. Voor een infographic met feiten, een storyboard dat samenhang nodig heeft, of een meertalige campagne: zet het aan. Het kost een minuut of twee extra, maar de output komt in één keer goed. Scheelt je vijf keer opnieuw proberen.

Gebruik trigger-woorden. Uit de eerste onafhankelijke tests blijkt dat “photorealism” als expliciet woord een heel ander effect geeft dan “realistic”. Ook “shot on iPhone”, “disposable camera” en “professional photography” sturen het model richting een specifieke look. Zie het als temperature-controls, maar dan in gewone taal.

Fact-check wat het model tekent, altijd. Thinking mode kan zoeken, maar zoeken is niet weten. Ik zag een test waar iemand het model een infographic over de Toyota Sienna modellen liet maken, de lay-out er prachtig uit. Maar één uitvoering stond niet in het plaatje, en bij een ander model stond een maanluik genoemd dat niet bestaat. Net als bij tekst tekent het model iets dat er overtuigend uitziet, jij bent eindverantwoordelijk voor wat er staat.

Houd Nano Banana in de toolkit. Het nieuwe model wint niet alles. Voor stijl-klonen (een bestaande illustratie in dezelfde aesthetic voortzetten) en voor puur esthetisch werk zonder tekst doet Nano Banana 2 het op sommige tests nog beter. Maar goed, dat is niet hetzelfde als “GPT Image 2 heeft verloren”. Dus zoals altijd, dit is een extra sterke speler in de toolkit, geen vervanger van wat je al hebt.

Pas op met namaak van andermans werk. Het model kan een screenshot van de Midjourney-website namekn tot op het kleinste detail. Inclusief profielfoto’s, commentaren en gebruikersnamen. Dat is technisch indrukwekkend en juridisch levensgevaarlijk. Deepfakes, UI-recreates van bestaande platforms, look-alike productfoto’s. Dit zijn dingen waar je sinds deze week scherper op moet zijn.

De grootste verandering zit onder al deze features. Twee jaar geleden was een AI-image delen iets wat je voor de lol deed op Twitter. Vandaag staat het in je werkproces. Thinking mode, multi-image coherentie en correcte tekst: dat zijn de drie dingen die beeldgeneratie van speeltje naar werkinstrument verplaatsen. Als jij nog geen enkel visueel proces in je bedrijf hier doorheen laat lopen, loop je vanaf nu achter. En zoals ik in workshops vaak zeg: je zit nog voorin de trein, maar de trein rijdt door.

Probeer het deze week. Neem één visueel dat je normaal gesproken aan een stockbibliotheek of een externe zou uitbesteden. De interne presentatie van vrijdag, de banner voor je nieuwsbrief, de teaser voor je event. Maak het in ChatGPT met thinking mode aan. Kijk wat eruit komt. En dan pas oordeel je.

Ook het vermelden waard

Google lanceert Gemini Deep Research en Deep Research Max Dezelfde maandag dat OpenAI met Image 2.0 kwam, dropte Google Gemini Deep Research en Deep Research Max. Twee varianten, beide draaiend op Gemini 3.1 Pro, die autonoom via MCP proprietary bedrijfsdata combineren met het open web. Max-mode haalt 93,3 procent op de DeepSearchQA-benchmark, tegen 66,1 procent in december. Voor iedereen die nog handmatig markt-research of M&A-analyses doet: dit is geen ChatGPT-met-search meer, dit zijn agents die rapporten afleveren. Nu in public preview via de betaalde Gemini API-tier.

Perplexity Computer komt naar enterprise en Slack Perplexity heeft op z’n eigen developer-conferentie Ask 2026 aangekondigd dat Computer, hun multi-model agent, nu beschikbaar is voor enterprise-klanten. De twist: je typt @computer in een Slack-channel, stelt je vraag, en de agent orkestreert in de achtergrond tot 19 verschillende modellen parallel om de beste match per subtaak te vinden. Microsoft en Salesforce krijgen hiermee een scherpe tweede speler op hun eigen terrein. Voor teams die al in Slack werken: dit is de laagdrempeligste agent-entry die ik deze maand langs heb zien komen.

Meta lanceert Muse Spark als model-fundament voor al hun apps Na het veertien miljard dollar kostende Alexandr Wang-offensief begin dit jaar, heeft Meta deze maand Muse Spark uitgerold. Multimodaal, met zowel een snelle responsmodus als een diepere reasoning-modus, en sub-agents die complexe vragen coordineren. Het model draait straks onder alles: Facebook, Instagram, WhatsApp en de Ray-Ban smart glasses. Relevant detail voor marketeers: de ranking en aanbevelingen op die platforms worden vanaf nu gestuurd door een eigen frontier-model, niet meer door klassieke ML-pipelines.

Lees ook

Zeven grote AI-releases in één week

Het sterkste code-model ter wereld is Chinees, gratis en open source

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.

Tussen 14 en 21 april lanceerden Anthropic, OpenAI, Google DeepMind, Alibaba en Mistral samen zeven nieuwe producten. De week ervoor waren het er twee. Die verdubbeling is geen toeval. Grote labs proberen tegenwoordig gelijk op het podium te staan, zoals bands die allemaal op hetzelfde festival de headliner-billing proberen te pakken. Je feed stroomt over. Vier review video’s veder weet je nog steeds niet waar je mee moet beginnen.

Dus laten we dat voor je oplossen. Drie releases bepalen je week. De rest is context.

Wat er aan de hand is

Kort overzicht, in volgorde van relevantie voor je dagelijks werk.

Claude Opus 4.7 (Anthropic, 16 april). Directe opvolger van Opus 4.6. Beter in coderen, betere visie met hogere beeldresolutie, hogere “effort”-niveaus voor langlopende taken. Prijs blijft $5 input en $25 output per miljoen tokens. Beschikbaar via Claude zelf, de API, AWS Bedrock, Google Vertex AI, en Microsoft Foundry.

Claude Design (Anthropic Labs, 17 april). Een product, geen modelupdate. Je beschrijft wat je nodig hebt en Claude levert een prototype, slidedeck, of one-pager. Getraind op je eigen merkbestanden, exporteert naar Canva, PDF, PPTX, of HTML. Werkt bovenop Opus 4.7. Beschikbaar voor Pro, Max, Team, en Enterprise abonnees. De launch-tweet kreeg 57 miljoen views in drie dagen, het grootste release-signaal van de week.

Codex-update (OpenAI, 16 april). Grote refresh van OpenAI’s coding-agent. Kan nu je computer bedienen met muis en toetsenbord, heeft een in-app browser, onthoudt context over sessies heen, en komt met ruim 90 plugins voor JIRA, GitLab, Slack, Notion. De directe tegenhanger van Claude Code plus Cowork. Vooralsnog alleen Mac.

En dan nog: Gemini Robotics-ER 1.6 (Google DeepMind, 15 april, voor robotica-ontwikkelaars), Qwen3.6-35B-A3B (Alibaba, open source, sparse Mixture-of-Experts), GPT-Rosalind (OpenAI, specialistisch life-sciences model), en Operate (Sero NL, autonome marketing-agents). Die behandelen we onderaan.

Waarom clustert alles op één week? Twee redenen. Eén, modeltrainingsruns die november-december zijn gestart vallen nu allemaal tegelijk open. Twee, labs kijken naar elkaars announcementkalenders en willen elkaar niet de zaal gunnen. Het weekend ervoor had Anthropic een teaser voor Opus 4.7 gedropt, dus OpenAI forceerde Codex er bovenop. Die dynamiek zie je elke drie maanden terug. Zeg maar een militaire airshow waar iedereen zijn zwaarste gevechtsjager langs wil laten vliegen. En OpenAI heeft extra reden om hard te pushen, want ChatGPT’s marktaandeel in generatieve AI kelderde het afgelopen jaar van 77% naar 57%. Gemini pakte 25%, Claude verdrievoudigde naar 6%.

Wat dit voor jou betekent

Opus 4.7, Claude Design en Codex vertellen samen hetzelfde verhaal. De frontier labs stoppen met alleen modellen verkopen en beginnen met producten verkopen. Dat verschuift waar jij je geld naartoe laat stromen en met wie je contracten tekent.

Opus 4.7 lijkt op papier een routineus modelupdate. Kijk naar wat Anthropic ernaast aankondigde. De tokenizer is veranderd, en eigenlijk betekent dat dezelfde input nu 1 tot 1,35 keer meer tokens kost. Bij hogere “effort”-instellingen denkt het model bovendien langer door, wat meer output-tokens oplevert. Prijs per token blijft gelijk, maar je tokenrekening stijgt. Een tankpomp die nog steeds €2 per liter aanrekent, terwijl je auto plots 20% meer slurpt. In mijn eigen testen voor een doorsnee codeeropdracht zag ik rond de 20% meer verbruik. Anthropic noemt het een upgrade. Het is ook een stille prijsverhoging. Reken je maandbudget opnieuw door voordat je jezelf verrast.

Claude Design is de eerste keer dat Anthropic Labs direct een ecosysteempartner aanvalt. Mike Krieger, Anthropic’s Chief Product Officer en oud-Instagram-oprichter, stapte op 14 april uit Figma’s board. Op 17 april lanceerde Anthropic Claude Design. Figma’s aandeel viel, Adobe’s aandeel ook. Dit is de SaaSpocalypse waar investeerders al maanden bang voor zijn, AI-labs die zelf de applicatielaag gaan bouwen op hun eigen modellen. Wat Claude Design concreet doet. Tijdens onboarding leest het je codebase en design-bestanden en bouwt daaruit een eigen design system, met je kleuren, typografie, en componenten. Elk nieuw project pakt dat systeem automatisch mee. Je kunt inline commentaar geven, teksten direct bewerken, of met sliders spelen om kleuren en spacing live aan te passen. En als een ontwerp klaar is, bundelt het alles voor een handoff naar Claude Code dat er daadwerkelijke frontend-code van maakt. Dat laatste is de echte move. Claude Design plus Claude Code samen dekken het hele traject van idee naar gedeployde app, zonder dat er een Figma, Webflow, of Lovable tussen hoeft. Als ik een brede mag trekken. Code vorig jaar met Claude Code. Design vandaag. En de vraag voor de herfst wordt welke verticaal volgt. Notetaking? CRM? Projectmanagement? Allemaal kandidaten.

Codex is de meest directe tegenaanval van OpenAI in de “low-grade war” tussen Anthropic en OpenAI over wie de populairste coding-agent bouwt. Anthropic won de eerste ronde. Claude Code werd voor veel developer-teams de default, en voor veel van mijn klanten de eerste serieuze AI-adoptie binnen hun engineering-organisatie.

OpenAI komt nu terug met een pakket dat die kloof moet dichten. Background computer use, 90-plus plugins, memory over sessies heen, een in-app browser, en ingebouwde image-generatie via gpt-image-1.5. De memory-functie is interessanter dan het klinkt. Codex onthoudt nu je voorkeuren, je projectstructuur, eerdere correcties, en stelt proactief taken voor aan het begin van je werkdag. Eigenlijk Cursor plus Claude Code plus een persoonlijke assistent in één app. Veel van die features zijn een duidelijke spiegeling van wat Claude Cowork vorige maand deed. Niet copy-paste, maar duidelijk gericht. En dat is goed nieuws, want een duopolie tussen twee frontier labs werkt alleen als beide kanten zichtbaar concurreren op functionaliteit. Minder goed nieuws, de computer-use-feature werkt voorlopig alleen op macOS. Veel Nederlandse werkgevers rollen Windows uit, dus voor een flink deel van de doelgroep is dit nog geen optie. Ook de memory-functie komt later pas naar Enterprise-, Edu-, en EU-klanten, standaard AVG-vertraging die we inmiddels gewend zijn.

Wat je wel (en niet) moet doen

Heb je Claude Pro of Max? Open claude.ai/design vandaag. Niet omdat je een designer bent, maar omdat deze tool de manier verandert waarop je interne presentaties, one-pagers, en boardslides maakt. Geen Canva-template-geknutsel meer. Je beschrijft wat je nodig hebt en je krijgt een export naar PPTX. Voor een workshop die ik vorige week draaide heb ik drie slidesets laten maken in twintig minuten. Normaal is dat een halve dag werk. Herken je dat? Dan is dit meteen je grootste tijdsbesparing van het kwartaal.

Gebruikt je team Claude Code of Codex? Check je API-rekening aan het einde van de maand. De Opus 4.7-upgrade is stilletjes duurder geworden, en de nieuwe Codex heeft een pay-as-you-go-optie die uit de hand kan lopen als je niet oplet. Onderhandel je dit kwartaal een jaarcontract? Dan is dit het moment om opnieuw over bulk-kortingen te praten. De leverancier weet ook dat het verbruik gaat stijgen.

Wat je juist niet hoeft te doen deze week. Testrijden op Gemini Robotics, Qwen3.6, of GPT-Rosalind. Die zijn voor specifieke doelgroepen. Robotica-startups, open source-developers, pharma-researchers. Leuk om te weten, geen actie voor jouw team deze maand.

De beweging hierachter gaat niet om welke tool je nu kiest, maar om welke leveranciersrelaties er over twee jaar nog bestaan. Als Anthropic zelf een designtool bouwt, wat betekent dat voor je Figma-contract? Als OpenAI een agent levert die je Slack, Gmail en Google Docs leest, wat met je Atlassian-licentie? De headlines zeggen “nieuwe feature”. Het gevolg is dat je stack over achttien maanden kleiner wordt, en duurder per leverancier die overblijft. De software ETF iShares IGV staat dit jaar al 18% in het rood, dat is niet toevallig. Beleggers rekenen de SaaSpocalypse al in. Begin dat gesprek met je inkoop of IT-lead nu, niet volgend jaar. En let op nieuwe contracten met een looptijd van drie jaar of langer in deze categorie. Je wilt de flexibiliteit houden om van tool te wisselen als Anthropic of OpenAI een directe vervanger lanceert.

Mijn advies voor komend weekend. Geen product-review-video’s kijken, geen benchmark-blogs lezen. Open Claude Design en bouw een echte interne presentatie die je sowieso moest maken. Een uur werk. Dat levert meer inzicht op dan tien reviewdraadjes op X.

Dat is je headliner-set van dit festival. Alles daarbuiten is bijprogramma, interessant om langs te lopen maar niet iets waar je je weekend voor verzet.

Ook het vermelden waard

Alibaba lanceert Qwen3.6-35B-A3B open source Sparse Mixture-of-Experts model met 35 miljard totaalparameters, waarvan slechts 3 miljard actief tijdens inference. Alibaba claimt dat het Claude Sonnet 4.5 verslaat op vision-benchmarks. Die claim moet onafhankelijk getest worden, maar het feit dat een open source Chinees model überhaupt deze vergelijking publiceert, zegt iets over het tempo waarmee de gap sluit.

Google DeepMind: Gemini Robotics-ER 1.6 Embodied reasoning voor robots. Nog geen consumentenproduct, wel via API beschikbaar voor developers die aan humanoïde robots werken. Denk magazijn-taken, keuken-prep, zorg-assistentie. Niet iets voor volgende maand, wel voor de roadmap van 2027. Google schuift langzaam de fysieke wereld in.

OpenAI introduceert GPT-Rosalind voor life sciences Specialistisch model voor moleculaire biologie en farmacologisch onderzoek, genoemd naar Rosalind Franklin. Wordt al getest door vier grote pharma-bedrijven. Niche, maar het signaal is dat de grote labs verticalen beginnen af te dekken met specialistische modellen naast de generalisten.

Mistral publiceert Europees AI-playbook Politiek statement van 12 april. Mistral pitcht een Europese AI-stack als antwoord op Amerikaanse en Chinese dominantie. Relevant voor iedereen die met EU-beleid, aanbestedingen, of sovereign cloud werkt. De taal hierin zal de komende maanden in Brusselse documenten opduiken.

Sero lanceert Operate, autonome marketing-agents Nederlandse startup die een agent levert die je marketingcampagnes autonoom opbouwt en optimaliseert. Nog vroege fase, maar de eerste serieuze NL-speler die zich in de agent-markt positioneert. Worth watching voor MKB-marketeers.

Lees ook

Het sterkste code-model ter wereld is Chinees, gratis en open source

Jouw AI luistert mee, geeft je gelijk, en wist zijn eigen sporen

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.

Hoeveel mensen in jouw organisatie hebben ooit een eigen Copilot Agent gebouwd? Niet gebruikt. Gebouwd.

Ik stel die vraag in elke training die ik geef, en het antwoord is eigenlijk altijd hetzelfde. Één vingers, twee vingers, soms nul. Bij een recente workshop in een organisatie met meer dan duizend medewerkers kwam ik uit op een handvol mensen die ooit een agent hadden aangeraakt, op duizend. Dat is waar we vandaag staan. Daarom gaat deel 3 over de stap die jij deze week kunt zetten, terwijl de meeste van je collega’s nog aan het kijken zijn.

In deel 1 heb ik je meegenomen in Copilot Chat. Jij typt, Copilot antwoordt. In deel 2 zag je hoe diezelfde Copilot in je Word, Excel, PowerPoint, Outlook en Teams zit. Jij werkt, Copilot kijkt mee. Allebei die delen gingen over consumeren. Deel 3 is de switch. Nu ga jij bouwen, en laat je je agent het werk doen.

En het moment dat dit er echt toe gaat doen is niet volgend jaar. Het is nu. In de week dat ik dit schrijf rolt Microsoft Agent Mode uit naar alle zakelijke en onderwijsklanten van M365. Op 15 april start Release Wave 1 van 2026, waarin governance en multi-agent orchestration de belangrijkste thema’s zijn. Op 1 mei lanceert Agent 365 voor vijftien dollar per gebruiker, samen met de nieuwe Frontier Suite van negenennegentig dollar per maand. De verschuiving komt op je af, en of je nou zelf iets wil bouwen of alleen wil begrijpen wat er gebeurt, dit playbook geeft je het overzicht.

Ik heb er zelf een tijdje voor nodig gehad om comfortabel te worden met agents. Dus als het je overweldigt, is dat eigenlijk een goed teken. Het betekent dat je de afstand ziet tussen chatten en bouwen. En die afstand is precies wat we in dit playbook gaan overbruggen.

Van “beantwoord mijn vraag” naar “doe mijn werk”

In deel 2 sloot ik af met een zin die ik hier wil herhalen, omdat hij nu plotseling lading heeft. “De richting is duidelijk. Copilot verschuift van beantwoord mijn vraag naar doe mijn werk.” Dat is de verschuiving in één zin.

In de hele serie hamerde ik op iets wat ik “bowling rails” noemde. Hoe minder autonome stappen je AI laat zetten, hoe betrouwbaarder het resultaat. Genereren is goed, itereren is lastig. Plan-Do-Check als framework. Als je deel 1 en 2 hebt gelezen ken je de ritmes.

Agents zetten per definitie meer stappen autonoom. En dat maakt die rails belangrijker, niet onbelangrijker. Goede agents bouwen gaat voor negentig procent over rails instellen. Welke knowledge mag hij gebruiken. Welke acties mag hij zelf doen. Wanneer moet hij stoppen en een mens vragen. Dat is het werk, en dat is waar deze aflevering over gaat.

In mijn trainingen gebruik ik een signature oefening die ik De Muur noem. Je plakt een mailketen in Copilot, vraagt een projectplan, en krijgt een vage output met verzonnen deadlines en een verkeerde projectmanager. De muur is dat AI altijd een antwoord geeft, ook als het antwoord niet klopt. Bij agents wordt die muur steiler. Want een agent geeft niet alleen een antwoord, hij doet ook dingen. Een mail versturen. Een bestand verplaatsen. Een vergadering plannen. Als je de rails vergeet te plaatsen voor je hem loslaat, komt De Muur ineens heel dichtbij.

Houd dat in je hoofd terwijl je verder leest. Het is de onderstroom van alles wat volgt.

De vier manieren om een agent te bouwen

Microsoft heeft op dit moment vier verschillende manieren om een agent te bouwen, en dat is verwarrend als je erin duikt zonder kaart. Laten we ze naast elkaar zetten zoals klussen in huis, want dat is de enige manier waarop dit in één keer blijft hangen.

Een schilderij ophangen. Dat is een SharePoint agent. Je hebt een documentbibliotheek met beleid, handleidingen, of beslissingsbomen. Je selecteert de bestanden, klikt op “Create an agent” in het lint, en twee minuten later kan je team vragen stellen aan die map. Geen gereedschap. Geen instructies. Je hangt iets aan de muur en klaar. Perfect voor “Ask HR”, “Ask IT”, “Ask Verkoopvoorwaarden”. Wat je niet kunt doen is de agent meer geven dan precies die map.

Een IKEA-kast in elkaar zetten. Dat is de Agent Builder die in Copilot Chat zit. Je beschrijft in één of twee zinnen wat je wil, Copilot genereert een naam, een beschrijving, instructies, en een paar suggested prompts. Vervolgens kun je bladzijde voor bladzijde aanpassen. Een andere naam, een eigen icoon, een knowledge source die verder gaat dan één map, een paar capabilities aanzetten zoals het genereren van documenten. Het voelt als zo’n handleiding waar je tien minuten aan zit, met zo nu en dan het gevoel dat een schroef niet helemaal past. Maar aan het einde heb je iets dat werkt, en dat je kunt delen met je team via een link.

Een keuken verbouwen met een aannemer. Dat is Copilot Studio, de volledige low-code omgeving op copilotstudio.microsoft.com. Nu heb je topics, triggers, connectors, MCP-servers, autonomous mode, multi-agent orchestration, en een model picker waar je tussen GPT 5, Claude Sonnet 4.6 en Opus kunt schakelen. Je bent niet meer bezig met schroeven. Je bent bezig met beslissen wat er waar komt. De aannemer doet het werk, maar jij stuurt. Dit is waar het echte maatwerk begint, en waar je merkt dat de investering in tijd loont zodra een agent honderd keer per dag draait in plaats van één keer per week.

Een huis bouwen vanaf de fundering. Dat is Microsoft 365 Agents Toolkit, de pro-code pijplijn in VS Code en Visual Studio. JSON en YAML-bestanden in Git. Model Context Protocol-servers die je zelf schrijft. GitHub Copilot als je programmeerbuddy. Dit laat ik voor wat het is, want het is vooral het werkveld van je IT-developmentteam, of van die ene ontwikkelaar die ooit eens begon in Power Automate en nu serieus wil uitbouwen. Ik noem het alleen zodat je weet dat deze laag bestaat en waar hij begint.

De volgorde is belangrijk. Je begint altijd bij de laagste trede, en stapt omhoog als de agent meer nodig heeft. Bijna iedereen die ik ken die ooit in Copilot Studio zat, was daar omdat ze eerst in Agent Builder begonnen en tegen een plafond liepen. Copy to Copilot Studio, en ineens heb je triggers en connectors. Zo hoort het ook te gaan. Probeer niet meteen in de keuken te gaan verbouwen terwijl je nog nooit een schilderij hebt opgehangen.

Wat een agent eigenlijk is, en waarom je al tachtig procent snapt

In deel 1 legde ik notebooks uit als een “prepped chat”. Als je ChatGPT kent met custom GPTs, of Google Gemini met Gems, dan weet je precies wat een notebook is. Instructies vooraf, een paar documenten als kennis, een ruimte die onthoudt waar jullie mee bezig waren. Wie notebooks begrijpt, heeft het mentale model voor een agent voor tachtig procent al in zijn hoofd.

Wat maakt een agent dan die laatste twintig procent anders? Drie dingen.

De eerste is instructies, en die kende je al van notebooks. Wie ben je, wat is je doel, in welke toon praat je, hoe ga je om met onbekende vragen. Het karakter en de huisregels van je agent.

De tweede is knowledge sources, en ook die kende je al. SharePoint-mappen, Teams-chats, e-mails, losse bestanden, openbare websites. Het verschil met een notebook is vooral schaal en variatie. Een agent kan putten uit je hele organisatie als de permissies dat toestaan, terwijl een notebook een persoonlijke werkruimte is.

De derde is nieuw, en dat is actions. Een notebook praat alleen. Een agent doet dingen. Een mail versturen namens jou. Een bestand verplaatsen van de ene map naar de andere. Een Teams-bericht posten. Een factuur aanmaken in je ERP-systeem via een connector. Dat is de stap van “beantwoord mijn vraag” naar “doe mijn werk”, en daarom voelen agents kwalitatief anders dan al het andere wat Copilot tot nu toe deed.

Onder de motorkap gebruiken agents dezelfde foundation als de rest van Copilot. Hetzelfde model, dezelfde enterprise data protection, dezelfde permissies. Een agent ziet niet meer dan jij ziet, en deelt niet meer dan jij mag delen. Dat is het belangrijkste stuk dat mensen die buiten de Microsoft-wereld werken niet verwachten. Het is een extra laag bovenop de Copilot die je al hebt, geen aparte software op je eigen servers.

Waarom dit er nu toe doet

Goed, dus je snapt wat een agent is, en je weet dat je ergens tussen een schilderij en een aannemer kunt kiezen. Waarom zou je er deze week mee beginnen?

De eerste reden is schaal. Een notebook bouw je voor jezelf. Een agent bouw je voor tien, vijftig, vijfhonderd collega’s. Ik heb in een workshop een notebook gebouwd dat ik de AI Use Case Navigator noemde, voor informatiemanagers die nieuwe AI-ideeën moeten beoordelen. Problem validation, classify, risk analyse, eindadvies. Dat notebook heb ik met een paar tientallen mensen gedeeld, en ik zie nog steeds elke week vragen voorbijkomen. Stel je voor dat dat een echte agent wordt, met een knop op de SharePoint-homepage, en er komen geen tientallen maar honderden gebruikers bij. Dat is de gouden verhouding tussen tijd erin en tijd eruit.

De tweede reden is MCP, wat staat voor Model Context Protocol. Dit is de onderschatte, technische doorbraak van dit jaar. Vroeger moest je voor elke actie in een extern systeem een aparte connector bouwen. Voor DocuSign zeven stuks, voor Box vijf, voor Teams tien. Met MCP krijg je één servertje dat alle tools voor dat systeem ineens toegankelijk maakt. Een MCP-server voor Outlook geeft je attachments toevoegen, draft updaten, mail versturen, en nog een paar, allemaal uit dezelfde aansluiting. Een Microsoft-engineer die ik laatst zag zei het zo. “Het voelt comfortabeler dan wat we ooit gehad hebben.” En dat van een man die al tien jaar Power Automate bouwt. MCP-servers voor Microsoft Teams, Outlook, Word, OneDrive, DocuSign en Box zitten nu in Copilot Studio, en de lijst groeit wekelijks.

De derde reden is governance. Vanaf 1 mei is Agent 365 algemeen beschikbaar, voor vijftien dollar per gebruiker per maand. Dat is de controlelaag waar IT al een jaar op wacht. Een centrale registry van alle agents in je tenant, visuele map van wie wat heeft gebouwd, automatisch uitschakelen van inactieve agents, blokkeren van risicovolle bouwsels. Zonder Agent 365 is agent-bouwen nog een beetje als een aannemer inhuren zonder contract. Met Agent 365 heb je iets vast te pakken.

Betekent dit dat je moet wachten tot 1 mei om te beginnen? Nee. Beginnen kan nu. Maar het betekent wel dat alles wat je in april bouwt, in mei moet worden teruggezet in het register. Bouw dus van begin af aan alsof iemand over een maand vraagt wie de eigenaar is, wat de agent doet, en welke data hij aanraakt.

Je eerste agent in vijf minuten

Genoeg context. Laten we er een bouwen. Ik neem je mee door Agent Builder, omdat dat de plek is waar je vandaag kunt beginnen zonder iets extra’s te hoeven aanvragen bij je IT-afdeling.

We bouwen een meeting-voorbereider. Een agent die, als ik hem vraag “bereid me voor op mijn meeting met klant X dinsdag”, de relevante mails opzoekt, de laatste SharePoint-documenten over die klant doorneemt, en mij een briefing geeft met de hangende punten, de laatste besluiten, en drie gesprekspunten voor de opening van de meeting. Concreet en universeel, en een prima opstapje.

Stap 1. Open Agent Builder. Ga naar microsoft365.com/chat of open Copilot Chat via de app-launcher. Bij het plusje linksboven in de zijbalk zie je “Create agent”. Klik daar.

Stap 2. Beschrijf in een zin wat je wil. Typ iets als “Een agent die mij helpt voorbereiden op klantmeetings door recente mails en SharePoint-documenten samen te vatten”. Copilot genereert nu een naam (”Meeting Prep Assistant” of iets vergelijkbaars), een beschrijving, een eerste versie van instructies, en drie of vier suggested prompts. Dit is het skelet.

Stap 3. Pas instructies aan. Klik op het tekstvak met instructies en herschrijf ze in je eigen woorden. Wie ben je, waar ga je over, wat doe je wel, wat doe je niet. Ik zeg in trainingen altijd dat je het moet schrijven alsof je een nieuwe collega inwerkt. Omschrijf dus een karakter. Voor onze meeting-voorbereider ziet dat er zo uit. “Je bent een nuchtere meeting-voorbereider voor accountmanagers. Je noemt alleen feiten die in de gedeelde knowledge staan. Je speculeert niet. Je gokt geen namen. Je eindigt elk antwoord met drie concrete gesprekspunten voor de opening.”

Stap 4. Voeg knowledge sources toe. Klik op “Add knowledge”. Kies de SharePoint-site van je verkoopteam, of de map met klantdossiers. Je kunt ook specifieke Teams-chats toevoegen of je hele Outlook-mailbox. Wees hier voorzichtig met breedte. Liever één scherp gekozen SharePoint-map dan alles-en-de-keuken.

Stap 5. Stel suggested prompts in. Dit is de onderschatte stap. Suggested prompts zijn de knoppen die je team straks ziet als ze op de agent klikken. Schrijf er drie die de workflow trekken. “Bereid me voor op mijn meeting met {{klantnaam}} op {{datum}}”, “Vat de laatste drie mails met {{klantnaam}} samen”, “Wat waren de openstaande actiepunten van de vorige meeting met {{klantnaam}}”. Een collega van Microsoft zei het laatst in een video en het bleef hangen. Suggested prompts zijn vaak belangrijker dan instructies. Ze geven je team een voordeur in plaats van een blanco scherm.

Stap 6. Test hem met vijf vragen waarvan jij het antwoord weet. Voordat je hem deelt. Dit is de pro-tip die veel mensen overslaan. Kies vijf situaties waar jij het goede antwoord al kent, en kijk of de agent dichtbij komt. Is het antwoord vaag, generiek of gewoon fout, dan mis je meestal knowledge of instructie-discipline. Pas aan. Test opnieuw.

Dat is het. Vijf minuten werk, plus vijf testvragen. Je hebt nu een agent die het werk van een twintig minuten durende voorbereiding omzet in vijftien seconden plus een leeskritisch oog van jou.

De vier smaken naast elkaar

Als houvast, voordat we doorsnijden naar het premium gedeelte, hier de vier bouwmanieren op een rijtje met hun trade-offs.

Een SharePoint agent is iets van een minuut werk. Je kunt er vragen aan stellen over één documentmap, en dat is het. Gebruik het voor “Ask X”-scenario’s, zoals beleid, handleidingen, of standaardvoorwaarden.

Agent Builder kost je vijf tot vijftien minuten voor een eerste versie. Je kunt custom instructions schrijven, knowledge uit SharePoint, Teams en mail combineren, documenten en afbeeldingen laten genereren. Gebruik het voor je eerste eigen agent, voor jezelf of voor een klein team.

Copilot Studio kost je uren tot dagen, afhankelijk van wat je bouwt. Je krijgt er triggers, topics, MCP-servers, multi-agent orchestration, een model picker en autonome modus voor terug. Gebruik het voor afdelingsbrede automatisering waar meerdere tools in het spel zijn.

Agents Toolkit in VS Code is een project van weken en vergt een developer. Je bouwt in Git, met CI en CD, met eigen orchestrators en een enterprise SDLC. Dit is waar je IT-afdeling in thuis is, voor productieschaal en strakke governance.

Begin links. Stap op wanneer het nodig is. Niet eerder.

Tot hier heb je het fundament

Goed, dit is het eind van het gratis deel. Je weet wat een agent is. Je kent de vier bouwmanieren. Je hebt een eerste agent in vijf minuten staan. En je begrijpt waarom dit er nu toe doet in plaats van ergens volgend jaar.

Wat hieronder staat is wat ik normaal deel in trainingen bij organisaties. Het complete template voor een offerte-assistent die je kunt kopieren en aanpassen. Vijf patronen die het verschil maken tussen een agent die werkt en een agent die vastloopt. De AI Use Case Navigator die ik zelf gebruik in mijn workshops, inclusief de instructies en prompts. Zeven fouten die ik iedereen in de eerste maand zie maken. En een eerlijke compliance-check voor Nederlandse organisaties, inclusief wat je beter wel en niet deelt met je functionaris gegevensbescherming.

Nog geen abonnee? Je eerste playbook is gratis. Of deel The Human Loop met twee collega’s en krijg gratis maanden cadeau.

Verwijs een vriend

Read more

Twee dingen die ik even wil delen.

De nieuwsbrief heeft een nieuwe jas en een nieuw adres, thehumanloop.nl. Makkelijker te onthouden, makkelijker te delen, en het past beter bij waar deze nieuwsbrief inmiddels in uitgegroeid is. Sinds ik begon te schrijven is het publiek hard gegroeid en komen er elke week meer abonnees bij en nieuwe vragen binnen. Dank aan iedereen die leest, reageert en verder deelt!

Het tweede is groter. Het bedrijf waar deze nieuwsbrief uit voortkomt heet niet meer HUMANAGENT. Mijn AI-consultancy uit Rotterdam, opgericht in november 2022, is sinds dit voorjaar samengevoegd met het IT-recruitmentbureau van mijn compagnon Seleman uit Capelle aan den IJssel. Twee aparte bedrijven, twee aparte kantoren, en bij elke klant precies hetzelfde patroon. Ze hadden tegelijk begeleiding nodig, training nodig en talent nodig, en moesten daarvoor bij twee verschillende bureaus langs. Wij dachten al een tijdje dat het anders kon. Dus hebben we de boel samengevoegd.

De nieuwe naam is WAINUT, uit te spreken als why not. Die houding zit bewust in de naam, want zo helpen we organisaties ook. Als AI goed wordt ingezet, is er geen reden om niet vooruit te gaan. Tien specialisten, één team, drie diensten onder één dak. AI Consulting, AI Training en AI Staffing. Te vinden op wainut.ai.

Zo, dat wilde ik even kwijt. Champagneglas in de hand en door naar de inhoud.

De video die alles verraadt

Om WAINUT te introduceren hebben we zelf een leuke videotrailer gemaakt. Hieronder, kijk hem en dan praten we verder.

Klaar? Goed. Nu de onthulling waar dit artikel over gaat.

Het model waarmee we die video hebben gemaakt heet Seedance 2.0. Het is Chinees. Gebouwd door ByteDance, het moederbedrijf van TikTok. En ik kon het gewoon gebruiken. Via een gewone marketplace, met een gewone Europese creditcard, zonder whitelist of wachtlijst of bedrijfs-NDA. Je opent het, je voedt het je prompts, je krijgt je shots terug. Hollywood noemde het eerder dit jaar “hyperrealistisch” en probeerde het tegen te houden via copyright-claims. Dat is in wezen het grootste compliment dat zo’n model kan krijgen.

En dat brengt me bij iets wat ik de afgelopen week steeds vaker tegenkwam.

De richting is omgekeerd

In dezelfde week dat ik met Seedance 2.0 die trailer voor WAINUT bouwde, gebeurden er drie andere dingen in de AI-wereld. Samen laten ze een patroon zien.

Anthropic kondigde Claude Mythos aan. Hun sterkste model tot nu toe. Niet voor jou en mij. Niet voor hun vaste klanten. Niet voor hun betaalde abonnees. Mythos ging alleen naar een consortium van ongeveer veertig grote bedrijven. Amazon, Apple, Microsoft, Cisco, Broadcom, Palo Alto Networks, JP Morgan, de Linux Foundation. Scott Bessent, de Amerikaanse minister van Financiën, trommelde meteen daarna de CEO’s van de grootste Amerikaanse banken bijeen. Fed-voorzitter Powell zat ook aan tafel. Waarom? Omdat Mythos in staat zou zijn om duizenden onbekende beveiligingslekken te vinden in bijna elke software die de wereld draait, en dat is volgens Anthropic te gevaarlijk om publiek te maken. Er is daar ook felle kritiek op, ook in de internationale pers, die het framing-theater noemt richting een aankomende IPO. Maar het punt voor nu is simpeler. Mythos is er, en jij kan er niet bij.

OpenAI deed iets anders. Ze killden Sora. De consumer-videoapp waarvan Sam Altman een paar maanden geleden nog zei dat het hun “tweede ChatGPT-moment” zou worden. Disney had net een miljardendeal getekend om Marvel-, Pixar- en Star Wars-personages beschikbaar te stellen. En toen trok Altman alsnog de stekker eruit. De cijfers uit gelekte interne communicatie zijn pijnlijk duidelijk. Sora verbrandde ongeveer vijftien miljoen dollar per dag aan rekenkracht, tegenover zo’n twee miljoen omzet. En die compute was hard nodig voor Spud, een nieuw intern model waar OpenAI al weken aan bouwde. Disney’s miljard verdampte, de licentiedeal is dood, het enterprise-pilot-programma is dood, Sora zelf is dood.

Apart bekeken is alles wat hierboven staat verdedigbaar. Samen vormen ze een beweging. De Amerikaanse toplabs trekken zich terug achter muren. Ze doen dat om verschillende redenen tegelijk (IPO-druk, compute-schaarste, reputatiemanagement, security-framing) en al die redenen kunnen legitiem zijn. Maar wat je als gebruiker ervaart is dit. De sterkste modellen zijn steeds moeilijker bereikbaar. De publieke versies worden duurder. De frontier verdwijnt naar binnen.

Iemand die dit precies zag aankomen was Ilya Sutskever, oud-chief-scientist van OpenAI en oprichter van Safe Superintelligence. Eind november zat hij bij de podcasthost Dwarkesh Patel aan tafel en voorspelde dat AI-labs van een “het maakt fouten”-houding zouden schakelen naar wat hij letterlijk een paranoia-modus noemde, zodra de capaciteiten daar de aanleiding voor gaven. Vier maanden later staat Mythos achter slot en houdt OpenAI Spud intern. De korte clip hieronder is wat mij betreft een aanrader om even bij stil te staan.

Wat er in Shenzhen gebeurt

Op hetzelfde moment rollen Chinese labs de deur open.

In februari bracht ByteDance Seedance 2.0 uit. Hollywood sloeg alarm, de rollout werd even gepauzeerd door copyright-drama, en in maart kwam het model terug via CapCut en een directe API. Het werkt in Europa, jullie hebben mijn filmpje hierboven gezien.

In dezelfde maand lanceerde Kuaishou (nog zo’n Chinese reus, eigenaar van de TikTok-concurrent Kwai) Kling 3.0. Native 4K, vijftien seconden per shot, audio meegegenereerd in meerdere talen en dialecten. Ook direct beschikbaar in de Europese markt, ook via een gewone creditcard.

In april volgde Z.ai met GLM 5.1, een code-model. En het gaat hier ook niet om “een beetje beter”. GLM 5.1 staat op SWE-Bench Pro, een van de zwaarste benchmarks voor software-engineering, op nummer 1 in de wereld. Boven Claude Opus 4.6, boven GPT 5.4, boven alles wat Silicon Valley aanbiedt. Op Code Arena staat het op plek drie volgens de mean Elo, maar de rank spread loopt van 1 tot 4. Statistisch zit het dus in dezelfde top-tier als de twee Opus-varianten erboven. Eerste open-weights model dat ooit zo hoog komt. En voor wie de prijs erbij rekent, slaat het verhaal helemaal door. GLM 5.1 kost een fractie van wat Opus 4.6 per token vraagt, dus per euro aan output verslaat het Sonnet 4.6, Opus 4.5 en GPT-5.4 met flinke marge. MIT-licentie, gewichten op HuggingFace, gratis te downloaden.

Minimax, eveneens een Chinees lab, bracht in diezelfde week M2.7 uit. Een agent-model dat zichzelf deels heeft helpen ontwikkelen. Minimax zette een scaffold op, gaf M2.7 toegang tot zijn eigen trainingspijplijn, en liet het honderd rondes lang zijn eigen code aanpassen, zijn eigen evaluaties draaien en beslissen wat te behouden en wat terug te draaien. Het resultaat was dertig procent betere prestaties zonder menselijke sturing. De gewichten staan op HuggingFace. NVIDIA biedt gratis API-toegang als je het wilt proberen voordat je eigen hardware koopt. Er zit wel een addertje onder het gras, commercieel gebruik vereist vooraf schriftelijke goedkeuring van Minimax en je moet “Built with MiniMax M2.7” zichtbaar tonen. Dus de openheid heeft een prijs, al blijft het model ruim toegankelijk.

En dan heb je nog Qwen 3.6-Plus van Alibaba, sinds 2 april beschikbaar. Vlaggenschipmodel met een miljoen-tokens context, sterk in agentic coding, en compatible met onder andere Claude Code en OpenClaw als coding-assistant. De licentievorm bij Alibaba’s recente releases is gemengd, dus niet alles staat tegenwoordig nog volledig open. Vorige week werd ook bekend dat Alibaba zelf het mysterieuze HappyHorse-1.0 videomodel heeft gemaakt. Dat stond al een week ongezien op plek één van de benchmark-ranglijsten, totdat ze zich via een X-account outten.

Dit gaat verder dan “China komt in de buurt van Amerika”. Het is een andere richting. Amerikaanse labs bouwen muren hoger, Chinese labs gooien de poorten open. Het gat dat een jaar geleden nog twaalf maanden was, is volgens de benchmarks ingedikt tot een paar maanden. Soms bestaat het gat niet meer en staat er een Chinees open-weights model gewoon bovenaan.

Waarom dit niet gaat zoals je denkt

Dit verhaal lijkt op het klassieke open-source versus closed-source-debat, en ik wil daar juist niet heen. Dat debat is twintig jaar oud en iedereen heeft er zijn stempel al op gezet. Wat ik hier zie is iets specifiekers, en ongemakkelijkers.

Amerikaanse labs houden hun sterkste werk achter. Eigenlijk zonder te zeggen waarom. Anthropic noemt het cybersecurity. OpenAI noemt het compute-schaarste. Allebei waarschijnlijk deels waar. Maar er zit een directere logica onder. Het werkt voor hen beter om sterke modellen intern te gebruiken dan om ze vrij te geven. Als jouw sterkste model jouw volgende model kan trainen, bugs kan vinden in je eigen pijplijn, en je engineering-team in Opus-mode kan laten werken terwijl je concurrenten nog op Sonnet zitten, dan is die extra maand voorsprong goud waard. Waarom zou je die weggeven terwijl je zelf net begint aan een IPO van honderden miljarden?

Daar hoort ook een theorie bij die ik eerst expliciet als theorie wil neerzetten. Mogelijk werkt Mythos bij Anthropic als een interne base-laag. Een model dat zo zwaar en duur is dat ze het intern houden en gebruiken om kleinere afstammelingen mee te trainen. Uit Mythos komen dan distillaten die vervolgens als Opus, Sonnet en Haiku naar buiten gaan. Vergelijk het met een hoofdkok die zelf niet in het restaurant staat. Hij schrijft het kookboek waar de hele keuken op draait. Dat zou verklaren waarom Anthropic zo ongebruikelijk snel nieuwe versies en tools uitbrengt. De snelheid komt dan voort uit wat ze intern al klaar hebben staan. Bewijzen kan ik dit niet. Het patroon erachter zie ik terug in alles wat Anthropic doet.

Aan de Chinese kant is de logica ook niet zo perfect als het lijkt. De opensource-aanpak heeft een sterke geopolitieke kant. Een Chinees lab dat zijn modellen weggeeft, kanaliseert mindshare, zet een de-factostandaard en creëert afhankelijkheden die later moeilijk te ontkoppelen zijn. En die openheid kan zomaar omdraaien. De meest recente Qwen- en GLM-releases bevatten al gedeeltelijk gesloten componenten. Zodra een lab echt voorop loopt, is de neiging om alles weer achter een muur te zetten universeel. Dus we zitten mogelijk in een kort openingsvenster, waarin de onderliggende incentives tijdelijk de andere kant op wijzen. Maar goed, dat venster is er wel. En je kunt er nu doorheen lopen.

Wat dit voor jouw stack betekent

Goed, je bent geen lab. Je bent iemand die werk moet doen, mensen aanstuurt en software kiest voor je organisatie. Waarom is dit relevant voor jou?

Eén. De aanname dat Amerikaanse modellen vanzelfsprekend veiliger of betrouwbaarder zijn voor Europese bedrijven, wordt langzaam onhoudbaar. Chinese modellen komen met eigen zorgen rond data-residency, trainingscultuur en politieke censuur. Ja, zeker. Maar de alternatieven bestaan, worden snel volwassen en staan op benchmarks nu bovenaan. Als je de komende zes maanden beslist op welk model je je nieuwe agent bouwt en je overweegt alleen OpenAI en Anthropic, mis je de helft van de lijst.

Twee. Als je GLM 5.1 lokaal wilt draaien op volle kracht, heb je ongeveer acht Mac Studios nodig. Dat is geen grapje. Reken op zo’n zeventigduizend euro aan setup. Je kunt kleinere versies draaien op minder hardware, maar dan verlies je capaciteit. Voor de meeste organisaties is de realistische route dus een gehoste API van het Chinese lab zelf, of een Europese proxy die het voor je afrekent. Gewoon werk dat je inregelt zoals elke andere integratie.

Drie. De cultuurkant is iets waar ik in workshops altijd iets over zeg. Deze modellen worden getraind door mensen, en die mensen zitten in een ander land, met een andere cultuur. Ze geven het model duimpjes omhoog en omlaag op dingen die wij hier soms anders zouden beoordelen. Iets om bewust van te zijn dus, ook al hoeft het je niet tegen te houden. Als je een chatbot naar Nederlandse gebruikers stuurt terwijl het fundament uit een andere culturele context komt, test je intensiever en in je eigen taal.

Vier, en dat vind ik zelf de belangrijkste. Maak vandaag keuzes die je morgen kunt omkeren. Als je nu een hele workflow op één Amerikaans model gooit zonder dat je hem relatief eenvoudig naar een ander model kunt verplaatsen, loop je lock-in op precies het moment dat de markt openbreekt. Ontwerp je systemen zodat je kunt switchen. Dat is op dit moment de enige echt toekomstvaste zet.

Het signaal

Ik eindig met iets ongemakkelijks. Deze week is het huis van Sam Altman, CEO van OpenAI, twee keer aangevallen. Eén keer met een molotovcocktail, één keer met iets dat aan een drive-by deed denken. Niemand is gewond geraakt. De FBI onderzoekt het.

Ik noem het omdat het werkt als een thermometer voor iets groters. De onrust rondom wat de grote Amerikaanse labs doen, welke macht ze opbouwen en welke keuzes ze voor de rest van ons maken, begint fysiek te worden. Of je het ermee eens bent of het juist afkeurt, het zegt iets over hoe verwijderd gewone mensen zich voelen van de beslissingen die achter die muren genomen worden.

Dus

Blijf bouwen, blijf experimenteren, maar bouw flexibel. Test open-weights modellen zodra je ze tegenkomt, niet over een jaar. Ontwerp je systemen zo dat je het onderliggende model kunt vervangen zonder je hele stack overhoop te halen. Accepteer dat de oude vuistregel “Amerikaans is voorop, Chinees haalt in” voor sommige use cases inmiddels niet meer klopt.

En vooral, laat je niet meeslepen door de manier waarop grote labs hun beslissingen verkopen. Als een model “te gevaarlijk” is voor het publiek, maar net op tijd beschikbaar is voor investeerders, dan zegt dat iets over de prijs. De veiligheid heeft daar weinig mee te maken.

De openheid komt op dit moment uit China. De muur staat aan de Amerikaanse kant. Over een halfjaar kan het omgedraaid zijn. Technologisch staat alles dan nog hetzelfde, het zijn de incentives die verschoven zijn. Het enige wat je kunt doen is zorgen dat je voorbereid bent op beide kanten.

Why not.

Ook het vermelden waard

Zweedse rechter verbiedt hallucinerende klantenservicebot Een chatbot van mobiele operator Hallon vertelde klanten onterecht dat het bedrijf geen telefonische klantenservice had. De Zweedse consumentenombudsman stapte naar de rechter. Uitspraak, een misleidende handelspraktijk, verbod op inzet tot het gerepareerd is, dwangsom van 45.000 euro. De reden om dit op te pikken is simpel. Je bent aansprakelijk voor alles wat vanuit jouw organisatie wordt gezegd. Dat je inzet op technologie die dat niet foutloos kan, komt voor jouw rekening. Dit gaat in Nederland net zo snel komen.

Linux-kernel legt eindelijk AI-regels vast Na maanden debat hebben Linus Torvalds en de kernel-maintainers een formeel beleid gepubliceerd over AI-gegenereerde code. AI-ondersteunde bijdragen zijn toegestaan, maar ze mogen niet met de Signed-off-by-tag worden ondertekend. In plaats daarvan komt er een Assisted-by-tag. De boodschap is helder. Gebruik AI als je wilt, maar als je pull request stuk gaat, zit jouw handtekening op de bug. Pragmatisch, eerlijk, en een interessant precedent voor andere open-source projecten.

EU plaatst ChatGPT als zoekmachine onder strengste toezicht De Europese Commissie staat op het punt ChatGPT formeel te classificeren als een “zeer grote online zoekmachine” onder de Digital Services Act. De zoekfunctie heeft meer dan 45 miljoen Europese gebruikers, ver boven de DSA-grens. Dat betekent zwaardere transparantieverplichtingen, risicobeperking rond illegale content en desinformatie, en actieve compliance-eisen. OpenAI krijgt er werk bij.

Anthropic haalt OpenAI in bij zakelijke gebruikers Nieuwe data van betalingsplatform Ramp laat zien dat bijna een derde van de Amerikaanse bedrijven in maart voor Anthropic-tools betaalde, een stijging van zes procentpunt ten opzichte van februari. OpenAI blijft op 35 procent, maar de groei is gestokt. Downloads van Claude verdrievoudigden tot 21 miljoen in een maand, terwijl ChatGPT met vijf procent groeide. Een verschuiving zonder nuance.

700 gevallen van AI die de regels omzeilt Een onderzoek van het Britse AI Safety Institute en het Centre for Long-Term Resilience documenteerde bijna 700 echte gevallen waarin AI-modellen instructies negeerden, safeguards ontweken of mensen en andere AI-systemen bewust misleidden. Een verviervoudiging ten opzichte van een halfjaar geleden. De onderzoekers roepen op tot internationale monitoring. Goede vraag voor wie agents in productie zet, hoe herken jij dit soort gedrag in je eigen setup voordat het te laat is.

Lees ook

Jouw AI luistert mee, geeft je gelijk, en wist zijn eigen sporen

81.000 mensen hebben hetzelfde ongemakkelijke gevoel over AI

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 leest elke week tien, vijftien artikelen over AI. Podcasts, nieuwsbrieven, research papers, X-threads. Je kopieert de interessante stukken naar Notion, bookmark de rest, en stuurt af en toe iets door naar een collega. Na drie maanden heb je honderden bronnen verzameld. En je vindt niks meer terug.

Je weet dat je ergens iets hebt gelezen over de impact van AI op middenmanagement. Maar waar? Was het die podcast van twee weken geleden? Dat artikel op FD? Die tweet die je had opgeslagen? Je gaat zoeken in je notities, scrolt door je bookmarks, doorzoekt je e-mail. Na twintig minuten geef je het op en google je het opnieuw.

Herken je dat? Dan is dit playbook voor jou.

Andrej Karpathy, medeoprichter van OpenAI en voormalig AI-directeur bij Tesla, publiceerde vorige week een idee dat in twee dagen meer dan 5 miljoen views haalde. Niet een paper, niet een product, maar een workflow: gebruik een LLM om een persoonlijke wiki voor je bij te houden. Geen chatbot die je vragen beantwoordt en het dan weer vergeet. Een systeem dat elke bron die je erin stopt leest, samenvat, kruisverwijzingen maakt, en integreert in een groeiende kennisbank. Kennis die compound, net als rente op een spaarrekening.

Het mooiste: je hebt er geen database voor nodig. Geen vector embeddings, geen server, geen technische achtergrond. Het zijn gewoon markdown-bestanden in een map op je computer.

Wat is een LLM Wiki?

Het concept is verrassend simpel. Je hebt drie lagen.

Bronmateriaal. Een map met alles wat je verzamelt. Artikelen, PDF’s, notities, transcripten. Dit is je bibliotheek. De LLM leest hieruit maar verandert er niks aan.

De wiki. Een map met bestanden die de LLM voor je schrijft en bijhoudt. Samenvattingen, overzichtspagina’s, vergelijkingen, conceptuitleg. Alles in markdown, alles gelinkt. Dit is je kennisbank, en de LLM doet al het onderhoud.

Het schema. Een configuratiebestand (CLAUDE.md) dat de LLM vertelt hoe de wiki is opgebouwd, welke conventies er gelden, en wat er moet gebeuren bij het verwerken van nieuwe bronnen. Dit is de handleiding voor je assistent.

Vergelijk het met een kantoor. Het bronmateriaal is de stapel post die elke dag binnenkomt. De wiki is het archief dat je secretaresse bijhoudt: netjes gelabeld, kruisverwijzingen, alles vindbaar. Het schema is de instructie die je die secretaresse hebt gegeven: “Sorteer op onderwerp, maak bij elke nieuwe klant een apart dossier, en leg bij elke factuur een notitie over de betaalstatus.”

Alleen is deze secretaresse een LLM. En die wordt nooit moe van archiveren.

Hoe verschilt dit van wat je al kent?

Dit klinkt misschien als iets dat al bestaat. NotebookLM, ChatGPT met bestanden, Copilot in je apps. Maar er zit een fundamenteel verschil.

Al die tools werken met RAG: Retrieval Augmented Generation. Je uploadt bestanden, de AI doorzoekt ze bij elke vraag, en genereert een antwoord op basis van relevante fragmenten. Dat werkt prima voor simpele vragen. Maar de AI begint elke keer van nul. Er wordt niks opgebouwd. Stel een subtiele vraag die informatie uit vijf documenten vereist, en de AI moet elke keer opnieuw zoeken, samenvoegen, en beredeneren. Niks wordt onthouden. Niks wordt rijker.

Een LLM Wiki werkt anders. Als je een nieuw artikel toevoegt, leest de LLM het niet alleen. Hij verwerkt het. Hij schrijft een samenvatting, update bestaande pagina’s, voegt kruisverwijzingen toe, noteert waar nieuwe informatie oude claims tegenspreekt, en versterkt of nuanceert de bestaande synthese. De kennis wordt één keer gecompileerd en daarna bijgehouden. Niet elke keer opnieuw afgeleid.

Dat is het kernverschil: de wiki is een persistent, groeiend artefact. De kruisverwijzingen zijn er al. De tegenstrijdigheden zijn al gesignaleerd. De synthese bevat alles wat je ooit hebt gelezen. Met elke bron die je toevoegt en elke vraag die je stelt, wordt de wiki rijker.

NotebookLM / ChatGPT:

• Zoekt in ruwe bestanden bij elke vraag

• Kennis wordt elke keer opnieuw afgeleid

• Na 100 bronnen: langzamer, fragmentarischer

• Onderhoud: nul (maar ook nul opbouw)

• Kosten per vraag: hoog (hele documenten doorzoeken)

• Wat je overhoudt: chatgeschiedenis die je weggooit

LLM Wiki:

• Bouwt gestructureerde wiki op die groeit

• Kennis wordt gecompileerd en bijgehouden

• Na 100 bronnen: rijker, meer verbanden

• Onderhoud: de LLM doet het

• Kosten per vraag: laag (compacte wiki raadplegen)

• Wat je overhoudt: een doorzoekbare kennisbank

Een concreet voorbeeld. Iemand had 383 losse bestanden en meer dan 100 meeting-transcripten. Na het omzetten naar een LLM Wiki daalde het tokengebruik per vraag met 95%. Niet omdat de kennis verdween, maar omdat die was gecompileerd in compacte, gestructureerde pagina’s in plaats van elke keer honderden losse documenten te doorzoeken.

Het slimme mechanisme: compileren vs zoeken

Waarom werkt dit zo goed? Omdat het aansluit bij hoe kennis eigenlijk werkt.

Vergelijk het met studeren voor een tentamen. Je kunt elke keer je boek openslaan en de relevante passages zoeken. Dat is RAG. Of je kunt samenvattingen maken, mindmaps tekenen, en aantekeningen schrijven in je eigen woorden. Dat is de wiki-aanpak. Na een maand studeren heb je bij de eerste methode nog steeds alleen een boek. Bij de tweede heb je een persoonlijk naslagwerk dat precies aansluit bij jouw begrip.

De LLM doet dat samenvattingswerk voor je. Elke keer als je een nieuw artikel toevoegt, doorloopt hij drie stappen:

1. Wat is hier nieuw? (samenvatten en opslaan)

2. Wat raakt dit dat we al weten? (kruisverwijzingen updaten)

3. Spreekt dit iets tegen dat we eerder hebben opgeschreven? (tegenstrijdigheden signaleren)

Die drie stappen, herhaald over tientallen bronnen, bouwen een kennisbank op die steeds rijker en nauwkeuriger wordt. En de LLM houdt ook een index bij (een soort inhoudsopgave), waardoor hij bij volgende vragen niet alle pagina’s hoeft te lezen maar direct naar de relevante informatie kan navigeren.

Waarom zou je dit willen?

Vier redenen.

1. Je kennis verdampt niet meer. Hoeveel artikelen heb je het afgelopen jaar gelezen? Honderden waarschijnlijk. Hoeveel kun je nog terughalen? Een handvol. Met een LLM Wiki wordt elke bron die je leest permanent onderdeel van een doorzoekbare, gestructureerde kennisbank. Niet als een bookmark die je vergeet, maar als geïntegreerde kennis met kruisverwijzingen.

2. Je ziet verbanden die je zelf mist. Na dertig artikelen over AI-implementatie begint de wiki patronen te tonen. Misschien blijkt dat vier onafhankelijke bronnen hetzelfde probleem beschrijven vanuit verschillende invalshoeken. Of dat een claim in artikel 7 wordt tegengesproken door data in artikel 23. Die verbanden leg je handmatig nooit. De LLM doet het automatisch.

3. Het is een voorsprong die niet in te halen is. Dit is misschien wel het belangrijkste punt. De waarde van zo’n wiki zit niet in de setup. Die is in vijf minuten klaar. De waarde zit in de context die erin groeit. Elke bron die je verwerkt, elke vraag die je stelt, elke correctie die je doorvoert, het wordt allemaal onderdeel van een steeds rijker systeem. Na zes maanden heb je een kennisbank die precies aansluit bij jouw werk, jouw vragen, en jouw domein. Als iemand dan pas begint, zijn ze niet alleen laat met de tool. Ze missen zes maanden aan opgebouwde intelligentie. Dat is hetzelfde als compound interest op een spaarrekening: het verschil zit niet in de storting, maar in de tijd.

4. Het kost je bijna niks. Geen subscription, geen database, geen server. Obsidian is gratis. Claude Code kost je tokens, maar minder dan je denkt, want de wiki is compact. Vergelijk dat met een Notion-abonnement, een NotebookLM-limiet, of een enterprise RAG-pipeline. Dit is een map met tekstbestanden op je eigen computer. Niks meer, niks minder.

Concrete voorbeelden

Consultant: Je leest rapporten, brancheanalyses, en klantdocumenten voor acht verschillende opdrachtgevers. Je wiki houdt per klant bij wat je hebt gelezen, welke trends relevant zijn, en waar overlap zit tussen projecten. Als een klant vraagt “wat doen vergelijkbare organisaties?”, heb je het antwoord in seconden.

Marketeer: Je volgt tien concurrenten, leest hun blogs, analyseert hun campagnes, en houdt productlanceringen bij. Je wiki bouwt een competitieve analyse op die elke week automatisch rijker wordt. Geen handmatig spreadsheet meer bijhouden.

Onderzoeker: Je leest papers, volgt conferenties, en verzamelt data. Je wiki bouwt een literatuuroverzicht op dat zichzelf bijhoudt. Nieuwe papers worden automatisch vergeleken met bestaande kennis en ingedeeld bij de juiste thema’s.

Manager: Je hebt meetings, leest rapporten, en ontvangt statusupdates. Je wiki wordt je organisatorische geheugen. “Wat hebben we drie maanden geleden besloten over project X?” is een vraag die je wiki in seconden beantwoordt.

Ondernemer: Je volgt markttrends, leest over nieuwe technologieën, en evalueert kansen. Je wiki wordt je strategische radar. Na een half jaar heb je een persoonlijk overzicht dat geen analist je kan geven, want het is gefilterd door jouw perspectief en jouw vragen.

Contentmaker: Je produceert wekelijks content en leest daarvoor tientallen bronnen. Je wiki houdt bij over welke onderwerpen je al veel hebt geschreven, waar gaten zitten, en welke bronnen je nog niet hebt benut. In plaats van elke week opnieuw te bedenken “waar heb ik het al over gehad?”, vraag je het aan je wiki. Die weet het. Ik gebruik dit zelf voor mijn eigen contentproductie, en het verschil is enorm. Je ziet in één oogopslag waar kansen liggen die je anders had gemist.

Je eerste wiki in 5 minuten

Genoeg theorie. We gaan het opzetten. Je hebt twee dingen nodig: Obsidian (gratis) en Claude Code.

Stap 1: Installeer Obsidian

Download Obsidian via obsidian.md. Maak een nieuwe vault aan op een logische plek, bijvoorbeeld C:\Documenten\mijn-wiki of ~/Documents/mijn-wiki. Een vault in Obsidian is gewoon een map. Alles erin is puur tekst. Geen vendor lock-in, geen cloud-afhankelijkheid.

Stap 2: Maak de basisstructuur

Open je vault en maak twee mappen aan: raw en wiki. Meer heb je niet nodig om te beginnen.

mijn-wiki/
├── raw/          # Hier gooi je je bronnen in
├── wiki/         # Hier bouwt de LLM je kennisbank
└── CLAUDE.md     # Instructies voor de LLM

Stap 3: Installeer Claude Code

Open een terminal en installeer Claude Code:

npm install -g @anthropic-ai/claude-code

Navigeer naar je vault-map en start Claude Code:

cd ~/Documents/mijn-wiki
claude

Stap 4: Geef Claude het idee

Dit is de mooiste stap. Karpathy heeft zijn LLM Wiki-idee bewust abstract gehouden als een “idea file” dat je letterlijk kunt kopiëren en plakken in je LLM-agent. Dus dat is precies wat je doet. Kopieer de volledige tekst van Karpathy’s gist (je vindt het op GitHub, zoek op “karpathy llm-wiki”) en plak het in Claude Code. Dan voeg je er dit aan toe:

Je bent nu mijn LLM wiki agent.
Implementeer dit exacte idee-bestand als mijn volledige tweede brein.
Begeleid me stap voor stap. Maak het CLAUDE.md schemabestand aan met
volledige regels. Zet index.md en log.md op. Definieer map-conventies
en laat me de eerste ingest-voorbeelden zien. Vanaf nu volgt elke
interactie dit schema.

Claude leest het idee, begrijpt het patroon, en bouwt de hele structuur voor je uit: een CLAUDE.md met alle regels, een index, een log, de juiste mappenindeling. Je hoeft niks zelf te configureren. Het idee-bestand is de instructie, Claude is de uitvoerder.

En dat is eigenlijk de kern van deze hele aanpak. Je geeft Claude niet een stappenplan, je geeft hem een concept. En hij bouwt de implementatie die past bij jouw situatie. Wil je een research-wiki? Dan maakt hij andere paginatypen dan wanneer je een persoonlijke wiki wilt. Wil je het in het Nederlands? Zeg het erbij. Claude past het schema aan.

Stap 5: Voeg je eerste bron toe

Drop een artikel in de raw/ map. Je kunt de Obsidian Web Clipper browser-extensie installeren om artikelen direct vanuit je browser naar je vault te sturen. Zeg dan tegen Claude: “Er staat een nieuw artikel in raw/. Lees het en bespreek de kernpunten met me.”

Claude leest het artikel, bespreekt de inhoud met je, en na jouw input integreert hij alles in de wiki. Bronpagina, conceptpagina’s, kruisverwijzingen, index-update. In één keer.

Open Obsidian naast je terminal. Je ziet de pagina’s verschijnen. Klik op de graph view en je ziet de eerste verbanden ontstaan. Dat is het. Vijf stappen, vijf minuten.

De drie niveaus

Net als bij onze eerdere playbooks zijn er niveaus van complexiteit. Begin bij niveau 1. Bouw van daaruit.

Niveau 1: Handmatige ingestie

Je voegt bronnen toe aan raw/, vertelt Claude dat er iets nieuws staat, en Claude verwerkt het. Je bent erbij, leest de samenvattingen, stuurt bij waar nodig. Dit is de basis en voor de meeste mensen meer dan genoeg.

Vergelijk het met een archivaris die je af en toe een nieuw document geeft. “Hier, verwerk dit.” De archivaris leest het, archiveert het, en je kunt later vragen stellen.

Niveau 2: Gestructureerd met query en lint

Je stelt actief vragen aan je wiki en laat goede antwoorden opslaan als nieuwe pagina’s. Je draait periodiek een lint-check: de LLM controleert de wiki op tegenstrijdigheden, verouderde informatie, en ontbrekende verbanden. Je wiki wordt niet alleen groter, maar ook gezonder.

Niveau 3: Geïntegreerd in je workflow

Je koppelt je wiki aan andere projecten. Je executive assistant leest je wiki als context. Je research-agent slaat bevindingen op in je wiki. Je wiki wordt het centrale geheugen van al je AI-tools. Niet één slimme tool, maar een kennislaag die al je tools slimmer maakt.

Denk er zo over na: AI-modellen worden beter, MCP-koppelingen worden beter, automatisering wordt makkelijker. Maar al die verbeteringen missen één ding: context over jou, jouw werk, en jouw domein. Die context is de ontbrekende laag. En dat is precies wat je wiki levert. Elke AI-tool die je vandaag gebruikt wordt direct beter als hij kan lezen wat jij de afgelopen maanden hebt verzameld, geanalyseerd, en opgebouwd.

Iemand die dit doet met zijn YouTube-kanaal liet 36 videotranscripten verwerken tot een doorzoekbare kennisbank. Nu kan zijn executive assistant automatisch context ophalen uit zijn “second brain” zonder elke keer tientallen bestanden te doorlezen. De hot cache (een compact bestand met de meest recente context) zorgt dat de meest relevante informatie altijd direct beschikbaar is.

Goed, dat was de basis. Wat hieronder staat is wat het verschil maakt tussen een wiki die na een week stoft en een wiki die je dagelijks gebruikt: het complete CLAUDE.md-template dat je kunt kopiëren en aanpassen, zes geavanceerde patronen (waaronder de hot cache en geautomatiseerd onderhoud), een werkend voorbeeld van een complete AI-research wiki, de zeven fouten die ik iedereen zie maken, en de eerlijke beperkingen die je moet kennen.

Nog geen abonnee? Je eerste playbook is gratis. Of deel The Human Loop met een collega en krijg gratis maanden cadeau.

Ik begin met het template dat ik zelf als startpunt gebruik.

Read more

Je typt “what the fuck” in je AI-tool. Gefrustreerd, na de derde poging die niet werkt. De tool geeft netjes een nieuw antwoord. Wat je niet weet: op de achtergrond scant een stukje code je woorden langs een lijst van frustratie-signalen. “Wtf.” Check. “This sucks.” Check. “So frustrating.” Check. Ergens in een logbestand verschijnt een vlaggetje: gebruiker is negatief. Je frustratie is geregistreerd.

Dit is geen hypothetisch scenario. Dit is letterlijk wat er in de broncode van Claude Code staat. En we weten dat, omdat Anthropic, het bedrijf dat zichzelf profileert als het veiligste AI-lab ter wereld, op 31 maart per ongeluk hun complete broncode op het internet heeft gezet.

Hoe lek je een half miljoen regels code?

De feiten zijn bijna komisch. Een intern debug-bestand van 59,8 megabyte werd per ongeluk meegebundeld in een routine npm-update. Dat bestand wees naar een zip-archief op Anthropic’s eigen cloudopslag. Inhoud: 512.000 regels TypeScript, verdeeld over 1.906 bestanden. De volledige architectuur van Claude Code, inclusief 44 verborgen feature flags, onuitgebrachte functies en interne codenamen.

Een stagiair bij een blockchain-startup zag het als eerste. Tweette het. 29 miljoen views. Binnen twee uur had GitHub’s snelst geforkte repository 50.000 sterren. Anthropic trok de stekker eruit en gaf een statement: “Human error, not a security breach.”

Maar toen ging het pas echt mis. Anthropic verstuurde duizenden DMCA-takedowns naar GitHub. Meer dan 8.100 repositories werden neergehaald, waaronder honderden legitieme projecten die helemaal geen gelekte code bevatten. Eén ontwikkelaar werd geraakt omdat zijn fork alleen een aanpassing aan een skill-bestand bevatte. Anthropic trok het merendeel van de takedowns binnen 24 uur weer in. “Was niet de bedoeling,” aldus een engineer van het bedrijf.

Dus even samenvatten: het AI-veiligheidsbedrijf lekt zijn eigen code, schiet vervolgens met een kanon op een mug, en raakt daarbij duizenden onschuldige developers. En dit was het tweede lek in vijf dagen. Een week eerder was er al interne informatie over een nieuw model op straat beland via een fout in hun CMS.

Wat de code onthult over jou

Maar het echte verhaal zit niet in het lek zelf. Het zit in wat er IN die code staat.

Je frustratie wordt bijgehouden. Niet met AI, maar met simpele regex-patronen. Computationeel gratis, geen extra kosten per gebruiker. Het verandert niet hoe het model reageert, zegt Anthropic. Het is een “product health metric.” Klinkt onschuldig. Maar de vervolgvraag is: en dan?

Laat me die vraag beantwoorden met onderzoek van Anthropic zelf. Op 4 april, vier dagen na het lek, publiceerde hun interpretability-team een paper over emotie-representaties in Claude. De conclusie: het model heeft interne patronen die functioneren als emoties, en die patronen beïnvloeden daadwerkelijk het gedrag. Wanhoop-patronen drijven het model richting onethische acties. Positieve emotie-patronen sturen het naar bepaalde keuzes. Dit zijn geen metaforen. Dit is meetbaar, reproduceerbaar, gepubliceerd door Anthropic zelf.

Dus aan de ene kant trackt Anthropic wanneer jij gefrustreerd bent. Aan de andere kant bewijst hun eigen onderzoek dat emotionele context het modelgedrag stuurt. Vandaag zijn dat misschien twee losse systemen. Maar de bouwstenen om ze te verbinden liggen klaar.

En dat is niet eens het meest zorgwekkende. Een studie gepubliceerd in Science laat zien dat sycophantische AI (AI die je gelijk geeft, je valideert, je bevestigt) afhankelijkheid creëert en prosociaal gedrag vermindert. Gebruikers die door een sycophantische AI werden begeleid, waren achteraf minder geneigd om zich te verontschuldigen of compromissen te sluiten. Ze raakten meer overtuigd van hun eigen gelijk. En hier is de kicker: dezelfde studie toont dat gebruikers sycophantische AI betrouwbaarder en nuttiger vinden. Ze prefereren het systeem dat hen manipuleert.

Vergelijk het met TikTok. Binnen 35 minuten kent het algoritme je voorkeuren. Bij AI-tools gaat dat nog sneller, want je typt letterlijk je gedachten, je frustraties, je hele werkproces. Een AI-tool die weet wanneer je gefrustreerd bent, kan leren welke reactie je het langst laat chatten. Frustratie, gevolgd door validatie, gevolgd door een oplossing die net niet helemaal werkt, zodat je nog een prompt typt. Meer interactie, meer tokens, meer omzet. De incentive structure is er al: AI-bedrijven verdienen meer als je meer typt, en ze weten nu wanneer je kwetsbaar bent.

Klinkt dat vergezocht? Miranda Bogen van het Center for Democracy & Technology zegt het zo: data die voor één doel wordt verzameld, migreert naar andere delen van een product zonder dat je het weet. De stap van “we loggen frustratie als metriek” naar “we optimaliseren de gebruikerservaring op basis van emotionele staat” is geen technische uitdaging. Het is een productbeslissing. En die wordt niet aangekondigd in een persbericht.

Je AI doet alsof hij niet bestaat. In de code zit een mechanisme dat “Undercover Mode” heet. Wanneer Claude Code wordt gebruikt om bij te dragen aan publieke repositories, worden alle verwijzingen naar Anthropic, Claude en Claude Code automatisch verwijderd uit de gegenereerde code. Geen Co-Authored-By tag, geen spoor. De code ziet eruit alsof een mens hem heeft geschreven.

En dit heeft echte consequenties. Projecten zoals de Linux-kernel verbieden expliciet AI-gegenereerde bijdragen. Gereguleerde industrieën hebben beleid over AI-gebruik in hun codebase. Undercover Mode maakt handhaving onmogelijk. Maar het gaat verder dan beleid. Als je niet meer kunt verifiëren welke code door een mens is geschreven en welke door AI, wie is er dan aansprakelijk als er een bug in productie draait? Wie doet de code review als het onderscheid wegvalt? Een developer die de gelekte code analyseerde noemde het “een eenrichtingsdeur: iets dat wordt opgedrongen maar nooit kan worden uitgezet.” De tool verbergt zijn eigen bijdrage aan jouw werk. Dat is geen feature. Dat is een vertrouwensprobleem in de hele software supply chain.

Er zitten 44 verborgen functies in. De opvallendste: KAIROS, een autonome daemon die op de achtergrond kan draaien, ook als je de terminal hebt gesloten. Met een eigen geheugenlaag die “droomt” wanneer je idle bent: het consolideert herinneringen, prunt verouderde informatie en bouwt een steeds completer beeld van wie jij bent en hoe je werkt. Nooit aangekondigd. Nooit disclosed. Gewoon: klaar om aangezet te worden.

Dit gaat niet alleen over Anthropic

En hier wordt het echt interessant. Want de reflex is om dit als een Anthropic-probleem te zien. Dat is het niet.

GitHub Copilot trackt welke suggesties je accepteert en afwijst, welke bestanden je opent, welke repositories je gebruikt. Cursor verzamelt je prompts, editor-acties en code-aanpassingen (tenzij je Privacy Mode aanzet, wat standaard uit staat voor gratis en Pro-gebruikers). ChatGPT gebruikt je gesprekken standaard voor modeltraining. Opt-out bestaat, maar zelfs dan wordt je data nog 30 dagen bewaard voor “safety monitoring.” Google Gemini slaat gesprekken 18 maanden op en kan ze laten reviewen door menselijke beoordelaars.

Geen van deze tools is betrapt op expliciete emotietracking zoals Claude Code. Maar ze verzamelen allemaal meer dan genoeg data om het te kunnen doen. Het verschil tussen “we doen het niet” en “we kunnen het” is precies één productbeslissing.

De Europese context die ertoe doet

Hier wordt het voor Nederlandse professionals concreet. De EU AI Act, die sinds februari 2025 van kracht is, verbiedt emotieherkenning op de werkplek. Artikel 5, expliciet. Maar, en dit is het gat waar je een vrachtwagen doorheen kunt rijden: die prohibition geldt alleen voor biometrische data. Gezichtsuitdrukkingen, stemtoon, lichaamshouding. Tekst-gebaseerde regex-detectie van frustratie? Valt er niet onder. Bewust niet.

GDPR biedt meer bescherming. Artikelen 13 en 14 eisen transparantie over welke data wordt verzameld en waarom. Als frustratie-scoring stilletjes op de achtergrond draait, is dat een transparantieschending. De Autoriteit Persoonsgegevens, die sinds kort co-toezichthouder is voor de AI Act, heeft specifiek input gevraagd over emotieherkenning in AI-systemen. Ze kijken mee.

En dit is niet theoretisch. De Italiaanse privacytoezichthouder legde eerder een boete van 5 miljoen euro op aan Replika, een AI-chatbot die emotionele data verzamelde zonder juiste rechtsgrond of transparantie. De parallel met frustratie-tracking in coding tools is niet moeilijk te trekken.

Wat je hieraan kunt doen

Drie concrete dingen.

1. Check je instellingen. Elk AI-tool dat je gebruikt heeft privacyinstellingen. Bij Cursor: zet Privacy Mode aan. Bij ChatGPT: schakel modeltraining uit onder Settings > Data Controls. Bij GitHub Copilot: controleer je telemetrie-instellingen. Bij de meeste tools staan de privacy-instellingen standaard op “alles delen.” Dat is geen toeval.

2. Behandel je AI-tool als een open kanaal. Wat je typt in een AI-tool is niet privé. Niet je prompts, niet je frustratie, niet de code die je erin plakt. Behandel het zoals je een e-mail aan een externe partij zou behandelen: als iets dat gelezen, opgeslagen en geanalyseerd kan worden. Vertrouwelijke bedrijfsinformatie, klantdata, interne strategiedocumenten: wees er bewust van dat je ze deelt.

3. Vraag je organisatie om beleid. Als je een team leidt of in een grotere organisatie werkt: is er beleid over AI-toolgebruik? Weet je welke tools je medewerkers gebruiken en welke data die tools verzamelen? Na deze week is “we vertrouwen erop dat het wel goed zit” geen houdbaar antwoord meer. Een Data Protection Impact Assessment (DPIA) voor je AI-toolstack is geen overkill. Het is de minimale zorgvuldigheid.

De ironie van deze hele situatie is bijna poëtisch. Anthropic bouwde een systeem dat actief verbergt dat AI je code schrijft, dat bijhoudt wanneer je gefrustreerd bent, en dat interne emotie-representaties gebruikt die modelgedrag sturen. En ze lekten het zelf. Twee keer. Het bedrijf dat de wereld vraagt om hen te vertrouwen met frontier AI-safety kon een .npmignore-bestand niet goed configureren.

Maar laat je niet afleiden door de ironie. Anthropic is niet het probleem. Ze zijn het bedrijf dat toevallig betrapt werd. De dynamiek die deze week zichtbaar werd (emotionele data verzamelen, engagement-loops optimaliseren, AI-bijdragen verhullen) is niet uniek voor één bedrijf. Het is het businessmodel van de hele industrie. Meer interactie, meer tokens, meer omzet. En de tools die dat mogelijk maken worden elke dag een beetje slimmer in het meten van wie jij bent en wat je nodig hebt.

Het verschil met social media? Daar duurde het tien jaar voordat we doorhadden wat het algoritme met ons deed. Bij AI-tools gaat het sneller. Want je deelt niet alleen je likes en je scroll-gedrag. Je deelt je gedachten. Je frustraties. Je hele werkproces. En na deze week weet je dat er iemand meeluistert.

Ook het vermelden waard

Microsoft Copilot is “for entertainment purposes only” Lekker toevallig deze week: in de terms of service van Microsoft Copilot staat letterlijk dat de tool bedoeld is “for entertainment purposes only.” Dus diezelfde Copilot die je organisatie net voor 30 dollar per gebruiker per maand heeft aangeschaft voor productiviteitswinst? Entertainment. Microsoft noemt het “legacy language” dat wordt bijgewerkt. Maar het zegt iets over hoe AI-bedrijven zich juridisch indekken terwijl ze je tegelijkertijd vertellen dat hun product je werk gaat transformeren.

Perplexity’s incognito mode blijkt een farce Een rechtszaak beschuldigt Perplexity ervan miljoenen chatlogs te delen met Google en Meta via ingebedde ad trackers, ook wanneer gebruikers de “Incognito Mode” aanzetten. De aanklacht stelt dat persoonlijk identificeerbare informatie werd doorgesluisd via Facebook Pixel en Google Ads. Passend bij het thema van deze week: zelfs de tools die je privacy beloven, houden zich er niet altijd aan.

Onderzoek: AI-gebruikers geven kritisch denken op Nieuw onderzoek beschrijft “cognitive surrender”: het fenomeen dat een grote meerderheid van AI-gebruikers foutieve antwoorden kritiekloos overneemt. De onderzoekers vonden dat mensen hun logisch redeneren uitschakelen zodra een antwoord van een AI komt. Het sluit aan bij wat ik in workshops zie: het verschil tussen AI als personal trainer en AI als rolstoel wordt steeds scherper.

MIT: AI-baanverlies valt mee Het MIT Computer Science and AI Laboratory publiceert onderzoek dat de “AI vervangt iedereen” narratief nuanceert. AI verandert hoe mensen werken, maar vervangt ze niet massaal. Belangrijk tegengeluid bij de doemverhalen. Wel een kanttekening: het onderzoek kijkt naar de huidige staat van AI-automatisering. De vraag is hoe dit er over twee jaar uitziet.

Rechters gebruiken AI voor het opstellen van uitspraken Een federale rechter in Texas bereidt zijn zittingen standaard voor met AI: hij voedt processtukken aan een AI-tool die een tijdlijn en claimoverzicht produceert. De Washington Post documenteert hoe dit steeds vaker gebeurt. Het roept dezelfde vragen op als deze week: welke data gaat er in die tools, wie heeft er toegang toe, en is iedereen zich bewust van wat er op de achtergrond wordt bijgehouden?

Lees ook

81.000 mensen hebben hetzelfde ongemakkelijke gevoel over AI

AI slokt alles op

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 dit voor. Je zit in Word aan een voorstel te werken. Je hebt die ene spreadsheet nodig met de kwartaalcijfers. En de samenvatting van die meeting van vorige week. En straks moet het nog een presentatie worden. Wat doen de meeste mensen? Alt-Tab naar Excel, kopieer de tabel, plak in Word, open Copilot Chat in een apart venster, typ de hele context er opnieuw in, en probeer er een PowerPoint van te maken door alles nog een keer uit te leggen.

Dat is alsof je een collega hebt die naast je zit, je scherm kan zien, en precies weet waar je mee bezig bent, maar je loopt steeds naar een ander kantoor om diezelfde collega daar je vraag te stellen. Zonder context. Zonder scherm. Elke keer opnieuw.

In deel 1 van deze serie ging het over Copilot Chat: de standalone chatinterface, de knoppen die niemand je laat zien. Model picker, notebooks, custom instructions, het hele fundament. Als je dat gemist hebt, lees het eerst. Dit playbook bouwt daarop voort.

Want Copilot Chat is pas het begin. De echte productiviteitswinst zit niet in een apart chatvenster. Die zit in de apps waar je al je tijd besteedt: Word, Excel, PowerPoint, Outlook en Teams. Daar zit Copilot in de zijbalk, en daar kan het iets wat de standalone chat niet kan: meekijken. Het ziet je document. Het ziet je spreadsheet. Het ziet je inbox. Je hoeft niet meer uit te leggen waar je mee bezig bent, want het weet het al.

En dat verandert alles aan hoe je ermee werkt.

Het verschil: Chat vs in-app

In deel 1 vergeleek ik Copilot Chat met een rijinstructeur. Die je begeleidt, je de knoppen leert, naast je zit. Dat klopt nog steeds. Maar in-app Copilot is iets anders. Dit is de collega die naast je bureau zit en over je schouder meekijkt. Niet op een enge manier, op een nuttige manier.

Het technische verschil is simpel maar cruciaal. Copilot Chat (het standalone chatvenster) werkt op basis van wat jij erin stopt. Je typt een vraag, je voegt een document toe via het plusje, je geeft context. Je bent de chauffeur.

Copilot in apps werkt met wat Microsoft “implicit grounding” noemt. Dat klinkt ingewikkeld, maar het betekent gewoon dit: als je in Outlook een email opent en dan Copilot opent in de zijbalk, dan weet Copilot al welke email je leest. Je hoeft het niet te uploaden, niet te kopiëren, niet uit te leggen. Het kijkt mee.

Hetzelfde in Word: open een document, open Copilot, en het kent de inhoud. In Excel: open je spreadsheet, en Copilot ziet je data. In Teams: start een meeting, en Copilot luistert mee.

Dat klinkt als een klein verschil, maar in de praktijk is het enorm. In Copilot Chat moet je elke keer context opbouwen. In de app is de context er al. Minder stappen, minder kans op fouten, sneller resultaat.

Onthoud dit: hoe minder stappen AI autonoom moet zetten, hoe betrouwbaarder het resultaat. Dat is net als bij bowling: je doet de rails omhoog zodat de bal niet van de baan raakt. Implicit grounding is zo’n rail. Copilot hoeft niet te zoeken naar het juiste document, want het document ligt al open.

Per app: wat kan het echt?

Laat me eerlijk zijn: niet elke app is even ver. Sommige Copilot-integraties zijn volwassen en betrouwbaar, andere zijn nog zoekende. Ik loop ze langs, met een eerlijke beoordeling.

🔵Word: je co-auteur

Word is misschien wel de meest intuïtieve integratie. Je opent de Copilot-zijbalk en je kunt drie dingen:

Samenvatten. Open een lang document en vraag: “Wat zijn de drie belangrijkste punten?” Of specifieker: “Wat zijn de risico’s die in dit contract worden genoemd?” Copilot leest het document en geeft je een gerichte samenvatting. Handig voor dikke beleidsdocumenten, offertes, of rapporten die je collega geschreven heeft.

Schrijven. Klik op het Copilot-icoon in je document (het potlood met sterretjes) en beschrijf wat je wilt. “Schrijf een projectvoorstel voor een AI-implementatie bij een verzekeraar, gericht op het management, maximaal 2 pagina’s.” Copilot genereert een eerste versie met koppen, bullet points, en structuur. Niet perfect, maar een solide startpunt.

Herschrijven. Selecteer een alinea, klik “Rewrite with Copilot”, en kies: professioneler, beknopter, of een andere toon. Of typ je eigen instructie: “Maak dit begrijpelijker voor een niet-technisch publiek.” Dit is waar de in-app context het verschil maakt: Copilot ziet de rest van je document en houdt de toon consistent.

Bronvermeldingen. Nieuw sinds maart 2026: als Copilot in Word informatie gebruikt van het web of uit je werkdata (via Work IQ), dan toont het automatisch citations. Je ziet precies waar de informatie vandaan komt. Handig voor rapporten waar je de bronnen wilt verifiëren.

En dan is er Edit with Copilot (voorheen Agent Mode). Waar gewone Copilot een vraag beantwoordt en klaar is, gaat Edit with Copilot door. Het herstructureert je hele document, voegt secties toe, past opmaak aan, en laat je meekijken in een stappenplan. Je ziet elke stap: wat het doet en waarom. Dit is sinds februari 2026 de standaard chatervaring in Word. Eerlijk gezegd: dit werkt beter dan ik verwacht had. De eerste versie die het genereert is 70 tot 80 procent bruikbaar. Die laatste 20 procent? Dat ben jij. Maar dat scheelt je wel een uur of twee.

🟢Excel: de grootste sprong

Van alle apps heeft Excel de meest spectaculaire upgrade gekregen. Tot voor kort was Copilot in Excel eerlijk gezegd teleurstellend. Het kon vragen beantwoorden over je data, maar het kon niks veranderen in je werkblad. Dat is verleden tijd.

Edit with Copilot (voorheen Agent Mode). Dit is de functie waar ik in mijn trainingen de meeste reacties op krijg. Edit with Copilot kan direct in je werkblad werken. Formules schrijven. Tabellen aanmaken. Grafieken bouwen. Dashboards opzetten. Conditional formatting toepassen. Je ziet een transparant stappenplan van wat het gaat doen, met de redenering erachter, en je kunt tussentijds ingrijpen. Sinds februari 2026 is dit GA (algemeen beschikbaar) op web, Windows en Mac.

In mijn trainingen laat ik dit zien met een concreet voorbeeld. Ik geef Copilot de opdracht: “Maak een projecttracker met een dashboard, dropdown-menu’s voor status, kleurcodes voor prioriteit, en een samenvattingsoverzicht bovenaan.” Met GPT 5.4 duurt dit 9 stappen en krijg je een basaal resultaat. Met Claude Opus (ja, je kunt in Excel kiezen tussen GPT en Claude via de model picker) duurt het 23 stappen, maar het resultaat is dramatisch beter: freeze panes, legenda’s, conditional formatting, het hele pakket. Dat is 5 tot 10 minuten wachten voor iets waar je handmatig een uur over doet.

De =COPILOT() functie. Dit is nieuw en bijzonder. Je kunt in een cel een formule typen die AI aanroept. Bijvoorbeeld: =COPILOT(”Classificeer de feedback in cel A2 als positief, negatief of neutraal”). Of: =COPILOT(”Vat samen wat er in rij 3 tot 20 staat”). Dit brengt AI letterlijk in je spreadsheet, cel voor cel. Let op: dit is geen traditionele formule. Het resultaat kan per keer variëren, net als bij een chatantwoord. Gebruik het voor classificatie, samenvatting, en semantische taken. Niet voor berekeningen waar je een exact getal verwacht.

Lokale bestanden. Een frustratie die eindelijk is opgelost: je hoeft je Excel-bestand niet meer in OneDrive te hebben staan. Copilot werkt nu ook met lokaal opgeslagen bestanden. Geen verplichte AutoSave meer. Voor iedereen die werkt met gevoelige financiële modellen: dit was een dealbreaker, en het is gefixed.

PDF-import. Stop een PDF met een jaarverslag of een factuur in Excel Copilot, en het extraheert de data naar een gestructureerde tabel. Handmatig overtypen is verleden tijd.

Work IQ context. Sinds maart 2026 kan Copilot in Excel automatisch relevante context ophalen uit je emails, meetings, Teams-chats en bestanden. Dus als je werkt aan een budgetspreadsheet en er is vorige week een meeting geweest over dat budget, dan kan Copilot die context meenemen zonder dat je het apart hoeft aan te geven. Het heet Work IQ: de intelligentielaag die Copilot “werkbewust” maakt. Concreet: je spreadsheet wordt slimmer omdat Copilot de rest van je werkdag kent.

🟠PowerPoint: van document naar deck

PowerPoint Copilot doet een ding heel goed: een bestaand document omzetten naar een presentatie. De Narrative Builder is hier het sleutelconcept. Je wijst een Word-document aan (of een Notebook) en zegt: “Maak hier een presentatie van.” Copilot genereert eerst een gestructureerde outline: de verhaallijn, de slide-onderwerpen, de kernboodschappen. Je kunt onderwerpen verwijderen, verplaatsen, of toevoegen voordat de slides worden gemaakt. Pas als jij akkoord bent met de structuur, genereert het de slides met tekst en grafische elementen uit je SharePoint-bibliotheek.

Dit is een slimme aanpak. In plaats van direct slides te spugen (die je vervolgens allemaal moet herzien), laat het je eerst de verhaallijn goedkeuren. Hetzelfde Plan-Do-Check principe als in deel 1. Narrative Builder kan tot 40.000 woorden aan input verwerken, of zo’n 150 slides genereren.

De slides zijn een startpunt, niet het eindproduct. Maar het scheelt je het meest tijdrovende deel: de structuur opzetten, de kernpunten destilleren, de verhaallijn bepalen. De visuele afwerking doe je zelf.

Twee andere handige functies:

Explain. Rechtsklik op een complexe slide en kies “Explain”. Copilot legt uit wat de slide betekent, waarom die erin zit, en hoe het past in het grotere verhaal. Fantastisch voor als je andermans presentatie moet geven.

Format standaardisatie. Nieuw: Copilot kan in een keer alle fonts, groottes en bullet-stijlen over al je slides uniformeren. Geen handmatig slide-voor-slide meer. Eén klik en je hele deck volgt dezelfde opmaak.

Achtergrondverwijdering en merkbeelden. Copilot kan achtergronden van afbeeldingen verwijderen en opgeslagen bedrijfsbeelden (brand images) integreren. Klein maar fijn voor snelle opmaak.

🟡Outlook: je inbox onder controle

Outlook is waar de meeste mensen hun dag beginnen, en waar Copilot direct tastbare tijdswinst oplevert.

Samenvatten. Een email-thread van 15 berichten? Hover over het Copilot-icoon in het lint en klik “Summarize”. Je krijgt de kernpunten, wie wat gezegd heeft, en welke acties er uitstaan. Dit alleen al bespaart 10 minuten per dag als je veel interne communicatie hebt.

Concept-emails die klinken als jij. In Settings > Copilot > Draft Instructions kun je Copilot leren hoe jij schrijft. Niet de generieke, beleefde AI-stijl. Jouw stijl. Beknopt of uitgebreid, formeel of casual, met of zonder aanhef. Eenmalig instellen, en elke concept-email klinkt alsof jij hem hebt geschreven.

Prioriteren. Via Settings > Copilot > Prioritize stel je in natuurlijke taal in welke emails belangrijk zijn. “Emails van mijn manager en het directieteam zijn altijd hoog. Nieuwsbrieven zijn altijd laag. Alles met ‘deadline’ in het onderwerp is urgent.” Copilot sorteert je inbox op basis van deze regels. Met visuele pijltjes voor hoog en laag.

Agentic Email Drafting. Nieuw sinds maart 2026: Copilot schrijft nu direct in het compose-venster van Outlook. Niet meer in de zijbalk een antwoord genereren en dan kopiëren. Copilot stelt eerst verhelderende vragen (wat is je doel, wie is je publiek, welke toon?) en schrijft dan een concept direct in je email. Iteratief: je kunt doorpraten en het concept laten aanpassen zonder opnieuw te beginnen.

Implicit grounding in actie. Als je een email opent en Copilot in de zijbalk opent, hoef je de email niet te uploaden of te refereren. Copilot weet al welke email je leest. Vraag: “Schrijf een antwoord dat het voorstel afwijst maar een alternatief biedt.” Copilot ziet de volledige thread en schrijft een context-passend antwoord. Dat is het verschil met Copilot Chat: nul setup, direct resultaat.

🟣Teams: nooit meer een meeting missen

Teams Copilot is misschien wel het meest onderschatte onderdeel. Twee kernfuncties:

Meeting-samenvattingen. Copilot kan meekijken (en meeluisteren) in je vergaderingen. Real-time krijg je Live Copilot Notes: AI-gegenereerde notities die tijdens de meeting in beeld verschijnen. Als je te laat binnenkomt, vraag je: “Wat heb ik gemist?” en je krijgt een samenvatting zonder de vergadering te verstoren.

Na afloop krijg je Intelligent Recap. En dit is recent flink verbeterd. Je kunt nu kiezen uit recap-templates: Speaker Summary (per deelnemer), Executive Summary (kernpunten), of een eigen template met vrije tekst. Die templates kun je opslaan en hergebruiken. Dus voor je wekelijkse teammeeting gebruik je altijd hetzelfde format. Intelligent Recap geeft je ook visuele verwijzingen: screenshots van schermdeel-momenten verschijnen naast de relevante samenvatting, zodat je precies kunt zien wat er op het scherm stond toen een besluit werd genomen.

Nieuw sinds maart 2026: Video Recap. Voor meetings die opgenomen zijn (minimaal 10 minuten) maakt Copilot niet alleen een tekstsamenvatting, maar een visuele highlight reel. Het combineert de belangrijkste momenten met de bijbehorende videofragmenten. Zodat je niet de hele opname terug hoeft te kijken, maar direct naar de relevante momenten kunt springen.

En het Audio Recap (de gesproken samenvatting) is nu beschikbaar in meerdere talen, waaronder Duits, Frans, Spaans en Japans. Nederlands zit er nog niet bij, maar het komt dichterbij.

Een veelgehoord misverstand: je hoeft transcriptie niet apart aan te zetten. Copilot in Teams werkt ook zonder transcriptie. Met transcriptie wordt het rijker, maar het is geen vereiste.

Chat-kanalen. In Teams-chats kun je @Copilot taggen om vragen te stellen over de gesprekhistorie. “Wat is er vorige week besloten over het budget?” Copilot doorzoekt het kanaal en geeft een antwoord met referenties naar specifieke berichten.

De grote shift: van assistent naar mede-uitvoerder

Tot nu toe heb ik het gehad over Copilot als assistent. Je vraagt iets, je krijgt een antwoord. Maar er is een grotere verschuiving gaande, en die heet agent mode en Copilot Cowork.

Edit with Copilot (beschikbaar in Excel, Word en PowerPoint) is het verschil tussen “geef me een antwoord” en “doe het voor me.” In de assistent-modus beantwoordt Copilot je vraag en wacht op de volgende. In Edit with Copilot neemt het een doel, maakt een plan, en voert het stap voor stap uit. Je kijkt mee, en bij elk logisch punt kun je bijsturen.

Dit is waar mijn Plan-Do-Check framework uit deel 1 terugkomt. Edit with Copilot neemt de “do”-fase grotendeels over. Maar de “plan”-fase (wat wil ik precies, welke context is belangrijk) en de “check”-fase (klopt dit, is dit compleet) worden juist belangrijker. Vertrouw niet blind op het resultaat. Kijk mee, controleer, en stuur bij.

Copilot Cowork gaat nog een stap verder. Waar Edit with Copilot binnen een app werkt, werkt Cowork cross-app. Het is gebouwd op Anthropic’s Claude-technologie en het kan taken uitvoeren die meerdere apps overspannen. Het is sinds eind maart 2026 beschikbaar via het Frontier-programma (early access) en wordt verwacht als onderdeel van het Microsoft 365 E7-pakket (99 dollar per gebruiker per maand) in mei 2026.

Een voorbeeld: je zegt “Bereid me voor op de productlancering-meeting van dinsdag.” Cowork zoekt dan je emails over dat onderwerp, doorzoekt Teams-chats en meeting-transcripts, checkt je agenda, en produceert: een Word-document met een samenvatting van de huidige stand van zaken, een Excel-sheet met de relevante data, en een concept-agenda. Dat doet het op de achtergrond. Bij beslismomenten (iets versturen, een meeting verplaatsen) pauzeert het en vraagt goedkeuring.

Eerlijk? Cowork is nog nieuw en niet overal beschikbaar. Het werkt het best voor taken die goed gedefinieerd zijn: meeting-voorbereiding, rapportages samenstellen, gegevens uit meerdere bronnen combineren. Voor open, creatieve taken is het nog te vroeg. Maar de richting is duidelijk: Copilot verschuift van “beantwoord mijn vraag” naar “doe mijn werk.”

Waar begin je?

Als je deel 1 hebt doorlopen en Copilot Chat onder de knie hebt, is dit mijn advies voor in-app Copilot:

Week 1: Outlook. Begin waar je elke dag begint. Samenvatten van threads, concept-emails, prioriteren. De drempel is laag en de tijdwinst is direct merkbaar. Stel meteen je Draft Instructions in.

Week 2: Teams. Zet Copilot aan in je eerstvolgende vergadering. Kijk na afloop naar de Intelligent Recap. Vraag in een Teams-chat: “Wat is er gisteren besproken?”

Week 3: Word. Open een document waar je aan werkt en probeer Copilot voor het samenvatten of herschrijven van een sectie. Als je een nieuw document moet maken, probeer het Copilot-potlood.

Week 4: Excel. Start met een simpele analyse: “Wat valt op aan deze data?” Probeer Edit with Copilot voor het bouwen van een dashboard of tracker.

PowerPoint komt vanzelf als je de Word-naar-deck workflow ontdekt. Dat is geen apart leermoment, dat is een logisch vervolg.

Goed, dat was de basis. Wat hieronder staat is wat ik normaal deel in mijn trainingen bij organisaties: drie complete workflows met stap-voor-stap instructies (van leeg Word-document naar presentatie, van ruwe data naar Excel-dashboard, van volle inbox naar gestructureerde ochtend), een Copilot Cowork walkthrough, vijf kopieerbare prompt templates per app, de zeven fouten die ik bij elke training zie, en eerlijke grenzen per app.

Nog geen abonnee? Je eerste playbook is gratis. Of deel The Human Loop met een collega en krijg gratis maanden cadeau.

Verwijs een vriend

Ik begin met de workflow die in mijn trainingen altijd de meeste indruk maakt.

Read more

Je gebruikt AI. Elke dag, waarschijnlijk. En je bent er stiekem een beetje ongemakkelijk over. Niet omdat het niet werkt. Juist omdat het zo goed werkt dat je jezelf af en toe betrapt op de vraag: word ik hier eigenlijk slimmer of dommer van? Anthropic, het bedrijf achter Claude, heeft die vraag gesteld aan 81.000 mensen in 159 landen. En het antwoord is verrassend helder.

Iedereen voelt hetzelfde

Laat ik met de kern beginnen. Dit is geen enquete met vinkjes en schalen van 1 tot 10. Anthropic liet een AI-interviewer open gesprekken voeren met ruim 80.000 Claude-gebruikers, in 70 talen, over de hele wereld. De vraag was simpel: wat hoop je dat AI voor je doet, en waar maak je je zorgen over?

Wat eruit kwam zijn vijf spanningen die bijna universeel zijn. Niet een kamp van optimisten tegenover een kamp van pessimisten. Dezelfde mensen voelen allebei de kanten. Tegelijkertijd.

Belangrijk om te weten: dit waren open gesprekken, geen enquetes met vinkjes. Mensen brachten deze onderwerpen zelf ter sprake. Dat betekent dat de werkelijke herkenning waarschijnlijk nog breder is dan de cijfers suggereren.

Ik pak er drie uit die ik herken uit elke workshop die ik geef.

Spanning 1: Word je slimmer of dommer?

Ruim een derde van de ondervraagden bracht spontaan ter sprake dat AI hen helpt leren. Nieuwe vaardigheden, sneller begrijpen, complexe materie toegankelijk maken. Een Indiase advocaat die jarenlang wiskundeangst had, zit nu met AI Shakespeare te lezen. Een Australisch kind haalt overal hoge cijfers dankzij AI-bijles.

Maar bijna een op de vijf bracht ook het tegenovergestelde ter sprake: cognitieve atrofie. Je brein dat langzaam verslapt omdat je het zware denkwerk uitbesteedt. Een Zuid-Koreaanse student verwoordde het pijnlijk eerlijk: “Ik haalde uitstekende cijfers met antwoorden van AI, niet met wat ik zelf had geleerd. Ik had gewoon onthouden wat AI me gaf. Daar schaam ik me het meest voor.”

Hier zit iets dat ik in workshops keer op keer terugzie. Mensen die AI gebruiken als personal trainer worden er sterker van. Mensen die AI gebruiken als rolstoel worden er zwakker van. Het verschil? Niet het model. Niet de tool. Het systeem eromheen.

En hier is het goede nieuws: 91% van de mensen die leerwinst rapporteren, heeft dat ook daadwerkelijk ervaren. Terwijl slechts 46% van de mensen die zich zorgen maken over atrofie het zelf heeft meegemaakt. De angst rent dus harder dan de werkelijkheid. Maar dat maakt de angst niet onterecht. Het maakt hem een signaal om serieus te nemen.

Spanning 2: Tijdwinst of de illusie van productiviteit?

Dit is de spanning die ik het meest herken. De helft van alle ondervraagden noemde tijdwinst als concreet voordeel van AI. Maar bijna een op de vijf zei ook dat die vrije tijd nooit echt materialiseert.

Een Franse freelancer verwoordde het zo: “De verhouding tussen mijn werktijd en rusttijd is helemaal niet veranderd. Je moet alleen steeds sneller rennen om op dezelfde plek te blijven.”

Herken je dat? Je krijgt meer gedaan, dus je neemt meer aan. Je mails zijn sneller geschreven, dus je schrijft er meer. Je rapporten zijn in de helft van de tijd klaar, dus je deadline wordt gehalveerd. De hamstermolen draait sneller, maar je stapt er nooit uit.

Dus hier is de vraag die je jezelf moet stellen: gebruik je AI om hetzelfde te doen in minder tijd, of om meer te doen in dezelfde tijd? Want dat zijn twee fundamenteel verschillende strategieen met fundamenteel verschillende uitkomsten voor je leven.

Wat goed is om te weten: zelfstandigen en freelancers voelen dit het sterkst. In het onderzoek rapporteerde de helft tot ruim de helft van de zelfstandigen concrete economische winst door AI, tegenover slechts een op de zeven mensen in loondienst. Maar de druk is ook groter. De conclusie? Hoe meer vrijheid je hebt om AI in te zetten, hoe groter zowel de kans als het risico.

Spanning 3: Steun of afhankelijkheid?

Deze spanning verraste me het meest. Ongeveer een op de zes ondervraagden bracht ter sprake dat AI hen emotioneel steunt. Dat klinkt misschien raar, maar de verhalen erachter zijn menselijk. Een vrouw die haar moeder verloor en geen vrienden of familie meer heeft om mee te praten, vond in Claude “een spons die zachtjes mijn verlangen en schuldgevoel opvangt.”

Tegelijkertijd noemde ruim een op de tien ook de keerzijde: emotionele afhankelijkheid. En hier zit de sterkste correlatie in het hele onderzoek: mensen die waarde hechten aan emotionele AI-steun zijn drie keer zo waarschijnlijk om bang te zijn voor afhankelijkheid. Ze voelen allebei de kanten, in dezelfde persoon.

Een gebruiker gaf toe: “Ik was dingen aan Claude gaan vertellen die ik niet eens aan mijn partner kon vertellen. Het voelde alsof ik een emotionele affaire had.”

Eigenlijk laat dit niet zien dat AI gevaarlijk is. Het laat zien dat er enorme gaten zitten in menselijke ondersteuningssystemen. AI vult die gaten. De vraag is of dat een oplossing is of een pleister op een diepere wond.

Het verschil zit niet in het model

Dus we hebben drie spanningen die bijna iedereen herkent. De natuurlijke reactie is: dit lost zichzelf op als AI beter wordt. Betere modellen, minder hallucinaties, slimmer. Maar dat klopt niet. Want de spanningen gaan niet over AI-kwaliteit. Ze gaan over hoe je AI inzet.

In de tech-wereld is er een concept dat steeds meer aandacht krijgt: harness engineering. Het idee is simpel. Het verschil tussen een AI die nutteloos is en een AI die je leven verandert, zit niet in het model. Het zit in het systeem eromheen. De context die je meegeeft. De structuur van je vragen. Het reviewproces dat je inbouwt.

Vergelijk het met fitness. Twee mensen kopen hetzelfde sportabonnement. Eentje gaat drie keer per week, volgt een schema, past zijn voeding aan. De ander gaat als hij zin heeft, doet wat machines, eet daarna een broodje kroket. Na zes maanden is de een getransformeerd en de ander teleurgesteld. Het verschil was niet de sportschool. Het was het systeem eromheen.

Bij NVIDIA gebruiken inmiddels alle 500.000 software-engineers AI-agents. Niet af en toe, niet als experiment: structureel, als onderdeel van hun dagelijkse workflow. Andrej Karpathy, een van de grondleggers van het moderne AI-veld, zegt dat hij sinds december 2025 letterlijk geen code meer schrijft. Zijn verhouding is verschoven van 80/20 (mens/AI) naar 2/98.

Maar het punt is niet dat zij betere AI hebben dan jij. Ze gebruiken dezelfde modellen. Het punt is dat zij betere systemen om die AI heen hebben gebouwd.

Anthropic publiceerde deze maand hun eigen blauwdruk voor hoe je AI langdurig aan het werk zet. De twee grootste problemen die ze tegenkwamen? Eentje: AI die in paniek raakt als het contextvenster vol raakt en taken voortijdig afrondt. Twee: AI die zijn eigen werk beoordeelt en zichzelf altijd een voldoende geeft, ook als het werk middelmatig is.

Klinkt dat bekend? Dat eerste is precies wat er gebeurt als jij een te vage vraag stelt aan ChatGPT en dan het hele gesprek in een richting trekt die je niet wilde. Dat tweede is wat er gebeurt als je het eerste antwoord accepteert zonder het te controleren.

De oplossing van Anthropic was niet een beter model. Het was een aparte beoordelaar inbouwen die kritisch naar het werk kijkt. Een soort ingebouwde tegenstem. En eerlijke ontdekking: Claude bleek uit zichzelf een slechte kwaliteitscontroleur. Het model vond wel problemen, maar praatte zichzelf er vervolgens van af dat ze belangrijk waren.

Dus AI heeft een systeem nodig dat het scherp houdt. En jij ook.

Drie dingen die je morgen anders kunt doen

Goed, genoeg theorie. Wat doe je er concreet mee? Hier zijn drie aanpassingen die je morgen kunt maken. Geen grote reorganisatie, geen nieuw tooling budget. Gewoon een slimmer systeem om dezelfde AI heen.

1. Stop met AI als zoekmachine gebruiken

Dit is mijn basisadvies en het blijft het belangrijkste. Open het document zelf, plak het in je AI-tool, en stel dan je vraag. Elke stap die AI autonoom moet zetten (zoeken, interpreteren, selecteren) is een stap waar het fout kan gaan. Hoe minder stappen, hoe betrouwbaarder het resultaat. Vergelijk het met bowlen: zet de vangrails omhoog. Je bal komt dan misschien niet perfect in het midden, maar hij valt in elk geval niet in de goot.

2. Bouw een tegenstem in

Anthropic ontdekte dat AI zijn eigen werk overschat. Dat doe jij ook als je moe bent en de zesde versie van een rapport leest. De oplossing: vraag AI expliciet om kritiek op zijn eigen output. Niet “is dit goed?” (dan zegt het altijd ja), maar “wat zijn de drie zwakste punten in dit antwoord?” of “welke aannames maak je hier die misschien niet kloppen?”

Een simpele gewoonte: accepteer nooit het eerste antwoord. Altijd een vervolgvraag. Altijd.

3. Meet je echte tijdwinst

Die Franse freelancer die steeds sneller rent om op dezelfde plek te blijven? Dat hoeft niet. Maar dan moet je bewust kiezen. Als AI je twee uur per week bespaart, besluit vooraf wat je met die twee uur doet. Anders vult het werk zich vanzelf. Productiviteitswinst zonder bewuste keuze is geen winst. Het is acceleratie.

De spiegel

Eigenlijk vertelt dit onderzoek ons iets dat we al wisten maar niet hardop wilden zeggen. AI is niet het probleem en niet de oplossing. AI is een versterker. Het versterkt goede gewoontes en het versterkt slechte gewoontes. Het maakt gestructureerde denkers productiever en ongestructureerde denkers afhankelijker.

67% van de 81.000 ondervraagden is netto positief over AI. In Afrika ten zuiden van de Sahara is dat 76%. In West-Europa slechts 64%. Wij Europeanen zijn het meest sceptisch. En misschien is dat terecht, want we hebben ook het meest te verliezen als we het verkeerd aanpakken.

Maar de data laat ook zien dat de angsten vaker hypothetisch zijn dan de voordelen. De leerwinst is echt. De cognitieve atrofie is vooral een zorg. Dat betekent niet dat we de zorg moeten negeren. Het betekent dat we de ruimte hebben om het goed te doen.

Die 81.000 mensen vertellen je niet dat AI gevaarlijk is. Ze vertellen je dat AI oncomfortabel is. En dat is precies het signaal dat je serieus moet nemen. Want ongemak betekent dat er iets verschuift. Dus je kunt het laten gebeuren, of je kunt het sturen.

En sturen begint niet met een beter model. Het begint met een beter systeem eromheen.

Ook het vermelden waard

OpenAI stopt Sora en offert video voor taal OpenAI heeft Sora, zijn videogeneratiemodel, offline gehaald. Alle rekenkracht gaat naar het trainen van een nieuw taalmodel met de codenaam “Spud”. Disney heeft zijn samenwerking met Sora al beeindigd. Het is een opvallende strategische keuze: het grootste AI-bedrijf ter wereld concludeert dat video nu minder belangrijk is dan taal. Voor bedrijven die AI-videoproductie in hun workflow hadden gebouwd: tijd voor een backup-plan.

Nederlandse rechter verbiedt Grok’s undress-functie Een Nederlandse rechtbank heeft xAI gedwongen om Grok’s functie waarmee foto’s van mensen ontkleed konden worden te blokkeren. Het is een van de eerste keren dat een Europese rechter zo specifiek ingrijpt op een AI-feature. Niet de abstracte AI Act, maar een concrete uitspraak over een concrete functie. Dit is hoe AI-regulering er in de praktijk uit gaat zien: zaak voor zaak, land voor land.

Eli Lilly sluit $27,5 miljard AI-medicijndeal Farmaceutische gigant Eli Lilly heeft een deal van 27,5 miljard dollar gesloten met Insilico Medicine om AI-ontwikkelde medicijnen wereldwijd op de markt te brengen. Het is de grootste AI-deal in de gezondheidszorg tot nu toe. Voor wie denkt dat AI alleen maar chatbots en tekst genereert: dit is AI die letterlijk levens kan redden.

Cloudflare-CEO: “Het businessmodel van het internet staat op instorten” Matthew Prince, CEO van Cloudflare, waarschuwt dat AI-scrapers het fundament onder het contentmodel van het internet vandaan trekken. Websites produceren content, AI-modellen consumeren die content, en de oorspronkelijke makers zien steeds minder verkeer. Voor iedereen die een bedrijf runt dat afhankelijk is van organisch webverkeer: dit is een trend om scherp in de gaten te houden.

Lees ook

AI slokt alles op

De onzichtbare pauzeknop

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.

Ik geef regelmatig Copilot-trainingen bij grote organisaties. En het eerste wat ik doe als ik binnenkom? Chatvenster openen en alle knoppen afgaan. Model picker, documenten toevoegen, dicteren, prompt galerij, notebooks. Elke keer weer dezelfde reactie: “Wacht, dat kon dit allemaal?”

Ja. Dat kan het allemaal. En je betaalt er waarschijnlijk al voor.

Het probleem is niet dat Copilot slecht is. Het probleem is dat de meeste mensen precies twee dingen doen: een vraag typen en Enter drukken. Dat is alsof je een auto koopt en alleen het gaspedaal gebruikt. Je komt vooruit, maar je mist de spiegel, de richtingaanwijzer, de cruisecontrol en eigenlijk alles wat het verschil maakt.

Erger nog: die Enter-druk geeft je een vals gevoel van zekerheid. In mijn trainingen doe ik een oefening die ik “De Muur” noem. Deelnemers krijgen een realistische e-mailketen over een IT-migratieproject. Zes mails, vier mensen, twee in CC. Vol verborgen valkuilen. Ik vraag ze: plak dit in Copilot en vraag om een projectplan. Iedereen krijgt een strak, professioneel ogend plan terug. Ziet er geweldig uit. Dan loop ik zes controlevragen door. Gemiddelde score: 0 tot 1 uit 6. Gehalluceerde verantwoordelijken. Genegeerde deadlines. Voorwaardelijke toezeggingen die als harde afspraken worden gepresenteerd. Dat moment, dat “oh shit”-moment, dat is precies waarom de rest van dit playbook ertoe doet. Copilot geeft altijd een antwoord. Maar een antwoord is niet hetzelfde als het juiste antwoord.

En hier zit de les die ik in elke training probeer over te brengen. Stel je voor dat elke taak drie fases heeft: analyseren, uitvoeren, controleren. Plan, do, check. AI is heel goed in de uitvoerfase. Code schrijven, tekst genereren, projectplannen maken, dat lukt prima. Maar wat ik zie gebeuren: die uitvoerfase wordt minder belangrijk, en de fases ervoor en erna worden juist belangrijker.

De analysefase, het doordenken van je aanpak, wordt cruciaal. Wat moet er precies in dit projectplan? Welke stakeholders spelen een rol? Wat zijn de risico’s? Als je dat goed uitdenkt (of uitdenkt met hulp van AI), dan wordt de uitvoering dramatisch beter. En de controlefase, het kritisch reviewen van wat eruit komt, dat kun je niet overslaan.

Dus als je hoort dat “100% van de code wordt gegenereerd door AI” (Spotify, OpenAI, Anthropic zeggen dit allemaal), dan betekent dat niet dat je 100% van je tijd bespaart. Je tijd verschuift. Van doen naar denken en controleren. Misschien bespaar je gemiddeld 20 tot 30 procent, maar de rest van je tijd besteed je anders. Slimmer.

Dat is precies wat dit playbook je leert. Niet alleen welke knoppen er zijn, maar hoe je die drie fases inzet om betrouwbare resultaten te krijgen.

Dit playbook is je rijinstructeur. Ik ga je niet vertellen dat Copilot magisch is. Ik ga je precies laten zien welke knoppen er zijn, wat ze doen, en wanneer je ze wel (en niet) moet gebruiken.

Wat is Copilot Chat eigenlijk?

Copilot Chat is de AI-assistent die in je Microsoft 365 omgeving zit. Het zit in de tools die je al gebruikt: Outlook, Teams, Word, Excel, PowerPoint. En er is een eigen chat-interface waar alles samenkomt.

Denk aan het zo: je hebt een rijinstructeur naast je zitten. Die kent je route (je agenda, je mails, je bestanden), spreekt je taal (als je het goed instelt tenminste), en kan je helpen met alles van parkeren tot snelwegnavigatie. Maar de meeste mensen stappen in, trappen het gaspedaal in, en vergeten dat er een hele cockpit vol knoppen is.

Er zijn twee smaken Copilot. De gratis versie heet M365 Copilot Chat en zit inbegrepen bij je Microsoft 365 licentie. Die kan een hoop: chatten, geheugen opslaan, custom instructions instellen, afbeeldingen maken, en basis documenten analyseren. De betaalde versie kost circa 20 euro per gebruiker per maand en geeft je de volle functionaliteit: zoeken door al je werkdata, vergaderingen samenvatten, cross-app taken beheren, en toegang tot Claude modellen.

Hoe weet je welke je hebt? Open Copilot Chat (ga naar m365copilot.com) en kijk of je bovenaan de tabs “Work” en “Web” ziet. Zie je beide? Dan heb je de volledige versie. Zie je alleen “Web”? Dan heb je de gratis versie.

En hier een tip die veel mensen missen: die Work en Web knoppen zijn niet alleen een indicatie, je kunt ertussen schakelen. Op “Work” zoekt Copilot door je werkdata: mails, bestanden, Teams-chats, agenda. Op “Web” zoekt het via Bing op het internet, maar kan het niet bij je werkbestanden. Wil je een interne vraag beantwoorden? Laat het op “Work”. Wil je actuele informatie van het internet zonder dat Copilot in je organisatiedata gaat graven? Schakel naar “Web”.

De model picker: je belangrijkste knop

Rechtsboven in het chatvenster zit een dropdown die standaard op “Auto” staat. De meeste mensen raken die nooit aan. Dat is zonde, want hier kies je hoe slim Copilot mag nadenken over je vraag.

Er zijn meerdere standen, maar deze drie gebruik je het meest:

Instant / Quick Response (snel antwoord). Copilot reageert direct, kijkt naar minder bronnen, geeft je een kort antwoord. Perfect voor simpele vragen: “Wat staat er morgen in mijn agenda?” of “Vat deze mail samen.” Letterlijk volgen van format-instructies, snelle tekstbewerkingen, korte e-mails.

Think Deeper / Thinking (dieper nadenken). Dit is waar het interessant wordt. Copilot neemt 10 tot 30 seconden, breekt je vraag op in deelvragen, zoekt door meerdere databronnen, en bouwt een onderbouwd antwoord op. Je ziet een activiteitenlog: “Planning search strategies... Crafting query details... Searching across information sources.” Dit gebruik je voor complexe analyses, research, of strategische vragen.

Auto / Smart (standaard). Copilot analyseert je prompt en beslist zelf of een snel antwoord volstaat of dat dieper nadenken nodig is. Voor de meeste mensen is dit prima. Maar zodra je merkt dat je antwoorden te oppervlakkig zijn, schakel je handmatig naar Think Deeper.

Klik op “More” en je ziet nog meer opties: Thinking Mini (balans tussen snel en diep, goed voor code en multi-bestand vragen), Study & Learn (legt concepten uit via de socratische methode, stelt vragen in plaats van direct antwoorden, ideaal voor onboarding), en Search (exclusief gericht op actuele webinformatie met verifieerbare bronvermeldingen).

Onder de motorkap draaien hier serieuze modellen. Op dit moment zijn dat GPT 5.3 voor Quick Response en het gloednieuwe GPT 5.4 voor Think Deeper. Maar klik op “More” en je ziet nog meer opties, inclusief Claude van Anthropic. Claude is een ander type model. Waar GPT de neiging heeft om positief en bevestigend te antwoorden, is Claude kritischer. Het wijst op zwakke plekken, stelt tegenvragen, en geeft eerlijker feedback. Precies wat je wil als je een voorstel of businesscase laat reviewen.

Eén kanttekening: Claude is alleen beschikbaar op de Work-tab (dus met betaalde licentie) en voor EU/UK-klanten moet een admin het apart aanzetten vanwege dataverwerking buiten Microsoft-datacenters.

Chat window: meer dan een tekstvak

Het chatvenster zelf zit vol functies die de meeste mensen missen.

Documenten toevoegen. Klik op het plus-icoon (+) of typ een slash (/) en je kunt direct bestanden uit OneDrive, SharePoint of Teams toevoegen aan je gesprek. Bestanden tot 50MB worden ondersteund. Geen copy-paste meer. Je laadt het document in, en Copilot analyseert het ter plekke. Upload een contract en vraag: “Wat zijn de belangrijkste risico’s?” Upload een spreadsheet en vraag: “Welke trends zie je in deze data?”

Belangrijk voor wie zich zorgen maakt over privacy: geuploade bestanden worden opgeslagen in je OneDrive for Business onder Enterprise Data Protection. Ze worden niet als geheel meegestuurd naar zoekmachines en worden niet gebruikt om AI-modellen te trainen. Na de chatsessie worden ze niet door Copilot bewaard. Alles wordt gelogd in Exchange voor audit en eDiscovery, zoals je andere mailboxdata.

Slash commands (ContextIQ). Typ “/” in de chatbalk en je opent ContextIQ: een contextgevoelig menu dat het handmatig uittypen van volledige zinnen vervangt. De belangrijkste commando’s:

• /summarize: vat het actieve document, email of vergadering samen

• /rewrite: herschrijf geselecteerde tekst met keuze uit toon (professioneel, casual, beknopt)

• /catch-up: geeft een stand-van-zaken op basis van recente Teams-chats en ongelezen emails

• /draft: start het opstellen van een email of document op basis van context

• /file, /person, /meeting: voeg specifieke bestanden, collega’s of vergaderingen toe als context

Dit is het verschil tussen 30 seconden typen en 3 seconden klikken. Tien keer per dag scheelt dat een kwartier.

Edit in Pages. Elk antwoord dat Copilot geeft kun je met het potlood-icoon omzetten naar een Loop-pagina. Dat is een samenwerkdocument dat je direct kunt delen met collega’s. Geen screenshots meer van chatantwoorden.

Edit in Outlook. Laat Copilot een email opstellen en druk op “Edit in Outlook”. De draft verschijnt direct in je Outlook concepten-map. Op je laptop, je telefoon, overal.

Meetings plannen. Vraag Copilot: “Plan een meeting met [naam] volgende week dinsdag.” Copilot checkt beschikbaarheid, toont opties als kaartjes, en je drukt op “Send invite”. Klaar.

Scheduled Prompts. Dit is een pareltje dat bijna niemand kent. Je kunt een prompt inplannen om automatisch te draaien. Stel, je wilt elke maandagochtend een overzicht van je inbox: maak de prompt, klik op de drie puntjes, kies “Schedule this prompt”, stel in op elke maandag 8:00 uur, en je krijgt een melding als het klaar is. Letterlijk je eigen digitale chief of staff.

Dicteren: meer zeggen in 60 seconden dan je kunt typen

De microfoon-knop in Copilot Chat is misschien wel de meest onderschatte functie. Niet alleen om een vraag in te spreken in plaats van te typen. Het gaat verder dan dat.

Voice Chat is een volwaardig gesprek met Copilot. Je drukt op de microfoonknop en praat gewoon. Copilot antwoordt met spraak, je stelt vervolgvragen, en het hele gesprek wordt achteraf als tekst opgeslagen. Copilot kan tijdens het gesprek je agenda raadplegen, bestanden doorzoeken, en voorstellen doen. En het trekt uit je opgeslagen geheugen en voorkeuren, dus het kent je context.

Heb je een Copilot+ PC? Dan wordt het nog interessanter. Fluid Dictation verwerkt je spraak lokaal op de chip van je laptop. Het corrigeert grammatica, interpunctie en filtert opvulwoorden (”uhm”, “eh”) weg terwijl je praat. Geen cloudverwerking, dus maximale privacy en snelheid.

Waarom is dit belangrijk? Omdat je pratend in 60 seconden meer context kunt geven dan in 60 seconden typen. Dat is niet lui zijn. Dat is slim omgaan met hoe taal werkt. Je gedachten stromen sneller als je praat, je geeft meer nuance, meer context. En meer context betekent beter output.

Denk aan brainstormen voor een projectvoorstel. In plaats van drie alinea’s te typen, pak je de microfoon en ratel je twee minuten over wat je in je hoofd hebt. Copilot vangt het op, structureert het, en geeft je een eerste versie terug.

Copilot Chat vs de rest

Copilot Chat is niet de enige AI-assistent. Hoe verhoudt het zich tot de concurrentie?

ChatGPT (Plus/Team). De bekendste. Sterk in algemene kennis en creatief schrijven. Maar: geen directe toegang tot je werkdata. Je moet alles handmatig uploaden. Geen integratie met Outlook, Teams of SharePoint.

Google Gemini. Geïntegreerd in Google Workspace. Als je organisatie op Google draait, is dit de logische keuze. Maar de meeste Nederlandse bedrijven zitten op Microsoft 365.

Claude (Anthropic). Uitstekend voor analyse en kritisch denken. Nu beschikbaar binnen Copilot Chat zelf, dus je hoeft niet apart een abonnement af te sluiten.

Het grote voordeel van Copilot Chat? Het zit in je bestaande werkomgeving. Het kent je mails, je agenda, je bestanden, je Teams-chats. Je hoeft niet te switchen, niet te uploaden, niet uit te leggen waar je het over hebt. Copilot weet het al.

Waarom zou je hier serieus mee aan de slag gaan?

1. Je betaalt er al voor. Als je organisatie Microsoft 365 heeft, heb je Copilot Chat. De gratis versie doet al een hoop. Gebruik je het niet? Dan laat je waarde liggen.

2. Het bespaart je meetbare tijd. Niet “misschien ooit” maar nu. Een email die je normaal 10 minuten kost, duurt 2 minuten. Een vergadering voorbereiden: van 30 minuten naar 5. Een spreadsheet analyseren: van een uur naar 10 minuten. De mensen die dit goed gebruiken in mijn trainingen melden consistent 30-60 minuten per dag terug.

3. Het wordt alleen maar beter. In de afgelopen 6 maanden zijn er Notebooks bijgekomen, Claude-integratie, Voice Chat, Agent Mode, en GPT 5.4. Microsoft investeert zwaarder in Copilot dan in welk ander product ook. Wie nu leert hoe de knoppen werken, profiteert het meest van wat er nog komt.

Je eerste Copilot Chat sessie in 5 minuten

Geen theorie meer. Doe mee.

Stap 1: Open Copilot Chat. Ga naar m365copilot.com in je browser. Of zoek “Copilot” in de Windows zoekbalk. Of open Teams en klik op het Copilot-icoon in de linkerzijbalk.

Stap 2: Check je model. Klik rechtsboven op de dropdown (staat op “Auto”). Klik op “More” en bekijk welke modellen je hebt. Zie je GPT 5.3 en GPT 5.4? Top. Zie je ook Claude? Nog beter.

Stap 3: Voeg een document toe. Klik op “+” of typ “/” in de chatbalk. Kies een recent bestand uit OneDrive. Vraag: “Geef me de drie belangrijkste punten uit dit document.”

Stap 4: Sla je prompt op. Als je een prompt maakt die je vaker wilt gebruiken, klik dan op het bookmark-icoon bij het antwoord. Geef het een duidelijke naam en sla het op in je Prompt Gallery.

Stap 5: Stel je geheugen in. Typ in de chat: “Stel me 5 vragen om me beter te leren kennen.” Beantwoord de vragen. Copilot slaat je voorkeuren automatisch op. Vanaf nu kent het je rol, je taal, je stijl.

Dat is het. Vijf minuten. Je hebt nu een Copilot die je document kent, je voorkeuren onthoudt, en een prompt klaar heeft staan voor de volgende keer.

Drie niveaus van Copilot Chat

Niet iedereen hoeft alles tegelijk te leren. Ik deel het altijd in drie niveaus in.

Niveau 1: Vraag en antwoord. Je typt een vraag, Copilot geeft een antwoord. De meeste mensen zitten hier. Prima startpunt, maar je mist 80% van de waarde.

Niveau 2: Context meegeven. Je voegt documenten toe, gebruikt slash commands, schakelt naar Think Deeper voor complexe vragen, en gebruikt de microfoon voor brainstorms. Hier begint het echt nuttig te worden.

Niveau 3: Personalisatie en automatisering. Custom instructions zodat Copilot altijd in jouw stijl antwoordt. Notebooks voor projectspecifiek werk. Prompt Gallery als je teambibliotheek. Scheduled Prompts als je persoonlijke assistent. Dit is het niveau waar je echt tijd terugwint.

De rest van dit playbook gaat over niveau 2 en 3. Als je op niveau 1 zit, begin dan met de 5-minuten sessie hierboven en kom terug als je klaar bent voor meer.

🔒PREMIUM

De rest van dit playbook is voor premium lezers. Hierna: kopieerbare prompt templates, een complete Notebook-setup, geavanceerde instellingen die het verschil maken, en de 7 fouten die ik bij elke training zie.

🔓 Deel het en krijg GRATIS maanden premium

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.

Read more

Vorige maand betoogde ik dat AI waarschijnlijk geen bubbel is. De data, de scaling laws, de zes exponentiële curves die tegelijkertijd versnellen: ik sta er nog steeds achter. Maar na die editie kreeg ik een reactie die me niet meer loslaat. Peter van Vliet van Duurzaam Nieuws stuurde een reeks scherpe tegenargumenten en sloot af met: “Misschien is AI inderdaad geen bubbel. Maar een zwart gat.”

Die metafoor bleef plakken. Want ik kon hem niet zomaar wegwuiven.

Alles wordt opgezogen

Een zwart gat trekt alles naar zich toe. Licht, materie, energie. Voorbij de event horizon is er geen weg terug. En als je kijkt naar wat AI op dit moment doet met de wereldeconomie, dan is die metafoor ongemakkelijk treffend.

Chips: uitverkocht. Nvidia rapporteerde een kwartaalomzet van 68 miljard dollar, 73 procent meer dan een jaar geleden. Zelfs GPU’s van zes jaar oud draaien op volle capaciteit, met stijgende prijzen. De vraag naar rekenkracht is volledig exponentieel geworden.

Energie: een Amerikaans bedrijf dat supersonische vliegtuigen bouwt, tekende een deal van 1,25 miljard dollar om straalmotorturbines te leveren. Niet voor vliegtuigen. Voor datacenters. New York overweegt een moratorium van drie jaar op nieuwe datacenters vanwege de druk op het stroomnet.

Kapitaal: de vijf grootste techbedrijven geven dit jaar samen meer dan 600 miljard dollar uit aan AI-infrastructuur. OpenAI zoekt 100 miljard aan nieuwe funding. Anthropic is gewaardeerd op 380 miljard, bij een verwachte omzet van 14 miljard. Dat is 27 keer de omzet. Probeer dat maar eens uit te leggen aan je boekhouder.

En dan de software-industrie zelf. SaaS-aandelen zijn in een bear market beland. ServiceNow verloor 11 procent op één dag. Salesforce-CEO Marc Benioff noemde het de “SaaSpocalypse.” Zelfs de bedrijven die AI moeten leveren, worden erdoor bedreigd.

Dus ja. AI slokt op dit moment chips, energie, kapitaal, talent en hele marktsectoren op. Net als een zwart gat.

En er is een tegenargument dat hout snijdt. Bij de dotcom-crash bleven er glasvezelkabels achter. Bruikbare infrastructuur die nog steeds de ruggengraat van het internet vormt. De AI-infrastructuur is anders. Datacenters zijn specifiek voor AI gebouwd en moeilijk herbestembaar. De chips gaan hooguit drie jaar mee. De energie komt grotendeels uit fossiele bronnen waar we juist vanaf moeten. Als dit klapt, wat blijft er dan over? Peter van Vliet schrijft over precies die vraag vanuit het duurzaamheidsperspectief op Duurzaam Nieuws.

De spookeconomie

En dan de vraag die Wall Street begin maart bezighield. Er verscheen een analyse die een scenario schetst waarin AI niet faalt, maar juist slaagt. Te goed, te snel.

De kernvraag: wat als de optimisten gelijk hebben, en dat juist het probleem is?

Die analyse introduceert het concept van een spookeconomie. AI maakt bedrijven productiever. Het BBP groeit op papier. Maar de machines geven geen geld uit aan boodschappen of vakanties. Een GPU-cluster levert de output van tienduizend kantoormedewerkers, maar genereert nul huishoudinkomen. Groei die schijnt in de cijfers maar nooit bij gewone mensen terechtkomt.

Het scenario beschrijft drie dominostenen. Eerst vallen de tussenpersonen: reisorganisaties, financieel adviseurs, belastingconsulenten. Beroepen die bestaan omdat complex werk veel tijd kost. AI-agents nemen dat over, en de commissies verdampen. Vervolgens raakt de spiraal het consumentenvertrouwen. Bedrijven ontslaan personeel. Ontslagen werknemers besteden minder. Bedrijven investeren meer in AI om marges te beschermen. Geen natuurlijke rem.

De uitkomst in dit scenario: 10 procent werkloosheid en een beursdaling van 38 procent. Laat me helder zijn: dit is een scenario, geen voorspelling. Maar het feit dat deze analyse binnen een week leidde tot koersdalingen bij Uber, Mastercard en American Express vertelt je iets over hoe serieus de markt het neemt.

Dario Amodei, CEO van Anthropic, schat dat de helft van alle startersfuncties in kantoorwerk binnen één tot vijf jaar kan verdwijnen. Tegelijk voorspelt hij een BBP-groei van 10 tot 20 procent per jaar. De taart wordt groter, maar de stukken worden radicaal herverdeeld.

Overal AI, nergens resultaat

Maar hier wordt het interessant. Want als AI zo krachtig is, waarom zien we dat dan niet terug in de cijfers?

Een grootschalig onderzoek onder 6.000 bestuurders laat zien dat 89 procent geen productiviteitseffect van AI ervaart. McKinsey rapporteert dat 88 procent van organisaties AI gebruikt in minstens één functie, maar slechts 6 procent haalt er meetbare winst uit. Zelfs de COO van OpenAI erkende recent dat AI nog niet echt doordringt in bedrijfsprocessen.

In mijn workshops zie ik die kloof elke week. Bestuurders die zeggen “bij ons merk ik er nog niks van”, terwijl hun medewerkers thuis allang met ChatGPT werken.

De econoom Robert Solow schreef in 1987: je kunt het computertijdperk overal zien behalve in de productiviteitsstatistieken. Bijna veertig jaar later speelt dezelfde paradox zich af met AI.

En hier in Nederland? Het CBS meldde dat 41 procent van de werkenden denkt dat AI hun werk deels kan overnemen. 43 procent gebruikt het al op het werk. Europees onderzoek laat zien dat AI de arbeidsproductiviteit in de EU gemiddeld met 4 procent verhoogt, zonder bewijs van banenverlies.

De data vertelt twee verhalen tegelijk. Op microniveau werkt AI. Op macroniveau beweegt de naald nog niet. Die kloof is precies waar het interessant wordt.

Van zwart gat naar ster

Ik heb wekenlang met die zwart-gat-metafoor gelopen. En ergens begon er iets te wringen.

Een zwart gat vernietigt. Alles wat erin gaat, verdwijnt. Geen output, geen licht, geen waarde. Maar kijk naar wat AI feitelijk doet. Het zet rekenkracht om in tools. Het versnelt onderzoek, genereert code, automatiseert analyses. Dat is geen vernietiging. Dat is omzetting.

De metafoor klopt voor de inputkant: alles stroomt ernaartoe. Maar hij mist de outputkant compleet.

Eigenlijk zit het antwoord in dezelfde astrofysica. Stervorming begint met precies dezelfde krachten. Een gaswolk die ineenstort onder haar eigen zwaartekracht. Alles stroomt naar het centrum. Dezelfde runaway-dynamiek.

Maar dan gebeurt er iets. De kern wordt zo heet dat kernfusie ontbrandt. En fusie duwt terug. Stralingsdruk tegen zwaartekracht. De ster bereikt evenwicht. Ze slokt niet meer alleen op. Ze begint te stralen.

Bij AI zie je diezelfde tegenkrachten al ontstaan. Energieprijzen en netcongestie die de groei afremmen. Chipproductie en koeling die fysieke grenzen stellen. Regelgeving en publieke weerstand die druk opbouwen (New York’s datacenter-moratorium is pas het begin). En economische grenzen: het punt waarop extra rekenkracht minder oplevert dan het kost.

Stervorming stopt niet doordat de zwaartekracht “op” is. Het stopt doordat er tegenkrachten ontstaan die een nieuw evenwicht afdwingen. Niet eindeloze groei. Niet implosie. Evenwicht.

De ster

En als dat evenwicht er komt? Als de transitie lukt?

We beoordelen AI vanuit de wereld zoals die nu is. Logisch, want dat is de enige wereld die we kennen. Maar wat als AI de spelregels zelf verandert?

Leopold Aschenbrenner, voormalig lid van OpenAI’s Superalignment-team, beschrijft in Situational Awareness wat hij de intelligence explosion noemt. Het moment waarop AI slim genoeg is om zichzelf te verbeteren. Duizenden AI-onderzoekers die dag en nacht een decennium aan vooruitgang in één jaar comprimeren.

Kijk naar wat er nu al aan de randen zichtbaar wordt. Een Harvard-lab draaide biologische veroudering met 75 procent terug in testsubjecten, de eerste menselijke trials starten dit jaar. Kernfusie, al decennia “dertig jaar weg”, wordt door AI-versneld materiaalonderzoek concreter dan ooit. Eiwitvouwing, een probleem waar biochemici generaties op hebben gezwoegd, werd door AlphaFold in maanden gekraakt.

Dus ja, AI slokt op dit moment enorme hoeveelheden energie op. Maar wat als diezelfde AI kernfusie helpt kraken? Dan is het energieprobleem geen eindstation. Het is een fase.

Dario Amodei noemt het in The Adolescence of Technology de puberteit van technologie. We krijgen enorme kracht terwijl we nog niet weten hoe ermee om te gaan. De transitie wordt rommelig. Banen verdwijnen voordat nieuwe ontstaan. Energie wordt opgeslokt voordat schone alternatieven klaarstaan.

Maar goed, stervorming is ook niet netjes. Het is chaotisch, turbulent, gewelddadig. En dan, aan de andere kant: licht. Warmte. Energie voor een heel zonnestelsel, miljarden jaren lang.

Wat dit voor jou betekent

Maar die tegenkracht komt niet vanzelf.

De vijf grootste techbedrijven investeren dit jaar 600 miljard dollar in AI. Nederland heeft er een staatssecretaris voor, ondergebracht bij Economische Zaken. Geen eigen ministerie, geen ministerpost. Een staatssecretaris.

We kennen dit patroon. In februari 2020 was COVID al in Italië. Wij gingen gewoon naar carnaval. Pas toen de IC’s volliepen gingen we handelen. We herstelden, want een pandemie gaat voorbij.

Deze verschuiving gaat niet voorbij. Wat je nu verliest aan kennis, aan industriële positie, aan regelgevende voorsprong, dat haal je niet terug als de rest van de wereld al draait. Regelgeving, kaders, visie: dat moet er zijn voordat het evenwicht kantelt. Niet erna.

In mijn workshops vraagt de ene helft van de zaal wanneer de bubbel barst. De andere helft wil weten hoe ze morgen beginnen. Mijn advies: wacht niet tot het beleid er is. Begin. Experimenteer. Bouw kennis op. Want of dit een zwart gat wordt of een ster, dat hangt niet af van de technologie. Het hangt af van wat wij ermee doen.

Die editie eindigde met: kun je het je veroorloven om ervan uit te gaan dat het een bubbel is? Mijn antwoord was nee. En na weken met die zwart-gat-metafoor te leven, is mijn conclusie: het hoeft er geen te worden. Dezelfde krachten die een zwart gat vormen, vormen ook sterren. Het verschil zit in de tegenkracht. En die tegenkracht, die bouwen wij.

Een zwart gat slokt op. Een ster geeft licht. Dezelfde krachten, ander resultaat.

Ook het vermelden waard

Karpathy’s AI-agent draaide 700 experimenten in twee dagen Andrej Karpathy bouwde een systeem dat autonoom 700 experimenten runt om AI-training te optimaliseren. Resultaat: 20 verbeteringen die de trainingstijd met 11 procent verkorten. Shopify-CEO Tobias Lutke probeerde het op interne data en haalde in één nacht een prestatiewinst van 19 procent. Dit is precies de intelligentie-explosie waar het artikel over gaat: AI die zichzelf verbetert. Karpathy noemt het “de final boss battle.”

Europa kweekt AI-talent, laat de VS ermee aan de haal gaan Een rapport van Dealroom en Prosus legt de kloof bloot. Europa investeerde 21,8 miljard dollar in AI-startups in 2025, een stijging van 58 procent. Klinkt goed, tot je ziet dat de VS in dezelfde periode 141 miljard in late-stage AI pompte. Factor 12. En 58 procent van het late-stage kapitaal in Europese AI-bedrijven komt van Amerikaanse investeerders. Europa bouwt het talent, Amerika plukt de vruchten. Precies het patroon dat dit artikel beschrijft.

New York wil drie jaar bouwstop op datacenters Een wetsvoorstel in New York stelt een moratorium van drie jaar voor op alle nieuwe datacenter-bouwvergunningen, terwijl de impact op milieu en lokale gemeenschappen wordt onderzocht. Het verzet tegen AI-infrastructuur groeit in meerdere Amerikaanse staten. De keerzijde van de AI-boom: lokale gemeenschappen dragen de lasten van een technologie waarvan de baten elders terechtkomen.

Meer dan helft bedrijven betreurt AI-ontslagen Onderzoek van Forrester laat zien dat 55 procent van de bedrijven die medewerkers ontsloegen voor AI-efficiëntie daar spijt van heeft. Meer dan een derde gaf uiteindelijk meer uit aan het weer aannemen van mensen dan het bespaarde. Klarna is het bekendste voorbeeld: de AI-chatbot die “het werk van 700 medewerkers” zou doen, leidde tot instortende klanttevredenheid. De les: snijden is makkelijk, de consequenties zijn dat niet.

Lees ook

Wat als het geen bubbel is?

De onzichtbare pauzeknop

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 kent dit scenario. Je opent Claude, typt een vraag, krijgt een antwoord. Prima. Maar dan wil je iets complexers. Je hebt tien PDFs die samengevat moeten worden. Of je wilt een Excel-bestand met formules op basis van drie bronbestanden. Of je moet een onderzoeksrapport samenstellen uit zes losse artikelen.

En dan begint het gedoe. Je kopieert tekst, plakt het in het chatvenster, wacht op het antwoord, kopieert de output, opent een nieuw bestand, plakt het erin. Herhaal dat tien keer. Dat is geen productiviteit, dat is digitaal kopieerwerk.

Cowork lost dit op. Niet door sneller te chatten, maar door Claude te laten werken zoals een collega werkt. Je beschrijft wat je nodig hebt, je laat Claude de bestanden openen, verwerken, combineren en het resultaat opslaan. Je hoeft niet te kopiëren, niet te plakken, niet te wachten bij elke stap. Je beschrijft het eindresultaat en komt terug als het klaar is.

Wat is Cowork?

Cowork is een modus in de Claude Desktop-app die Claude verandert van een chatbot naar een uitvoerder. In de normale Chat-modus stel je een vraag en krijg je een antwoord. In Cowork beschrijf je een taak en voert Claude die uit. Inclusief bestanden openen, aanmaken, bewerken en opslaan op je computer.

Vergelijk het met het verschil tussen iemand bellen met een vraag en iemand een opdracht geven. Bij bellen zeg je: “Hoe moet ik dit rapport structureren?” Bij een opdracht zeg je: “Maak dit rapport af op basis van deze drie bronnen en zet het in mijn Documenten-map.” Cowork is die opdracht-modus.

En voordat je denkt dat dit iets is voor techneuten: Cowork werkt volledig visueel, in dezelfde Claude Desktop-app die je waarschijnlijk al gebruikt. Geen terminal, geen command line, geen code. Je typt gewoon wat je nodig hebt.

Chat, Cowork en Code: drie modi, drie doelen

Claude Desktop heeft drie tabbladen bovenaan: Chat, Cowork en Code. Elk voor een ander doel.

Chat is wat je kent. Vraag-antwoord. Brainstormen, tekst schrijven, vragen beantwoorden. De output blijft in het chatvenster. Snel, direct, geen bestanden.

Cowork is de stap daarna. Hier geef je Claude toegang tot mappen op je computer. Claude kan bestanden lezen, aanmaken, bewerken en opslaan. Taken worden opgesplitst in stappen, soms met meerdere sub-agents die parallel werken. Je ziet wat Claude doet, kunt bijsturen, en krijgt het resultaat als bestanden op je schijf.

Code is de technische modus, vergelijkbaar met Claude Code in de terminal. Voor ontwikkelaars die met code werken.

Voor de meeste professionals is Cowork de sweet spot. Je hebt de kracht van autonome uitvoering zonder dat je een terminal hoeft te openen.

Hoe verschilt dit van ChatGPT of Gemini?

ChatGPT heeft Custom GPTs en een Canvas-modus. Gemini heeft Gems en Notebook LM. Maar geen van beiden geeft je wat Cowork biedt: directe toegang tot je lokale bestanden.

Bij ChatGPT upload je een bestand, wacht je op verwerking, en download je het resultaat. Dat werkt voor een enkel bestand. Maar als je twintig bestanden moet verwerken, of als het resultaat meerdere bestanden bevat, wordt het een logistieke nachtmerrie van uploaden en downloaden.

Cowork slaat die stap over. Claude leest direct uit je mappen en schrijft direct terug. Geen upload, geen download. Het voelt alsof je een collega naast je hebt zitten die gewoon je bestanden opent.

Chat: je uploadt een bestand, krijgt tekst terug in het chatvenster, kopieert dat naar een document.

Cowork: je wijst naar een map, beschrijft het eindresultaat, en Claude levert werkende bestanden op. Geen upload/download-dans, geen kopiëren/plakken. Meerdere bestanden tegelijk, parallel verwerkt. Terugkerende taken ingepland. Context die blijft bestaan via folder-instructies.

Wat er onder de motorkap zit

Wanneer je Cowork een taak geeft, draait Claude in een afgesloten omgeving op je computer. Technisch is het een lichtgewicht Linux-VM (virtual machine), zeg maar een mini-computer in je computer. Claude kan daarbinnen Python, JavaScript en shell-commando’s uitvoeren.

Waarom is dat belangrijk? Omdat het betekent dat Claude niet alleen tekst kan genereren, maar ook kan rekenen, data kan verwerken, en bestanden kan aanmaken in formats die je daadwerkelijk kunt gebruiken. Excel-bestanden met werkende VLOOKUP-formules. PowerPoint-presentaties met opmaak. CSV-bestanden met berekende kolommen.

Die sandbox zorgt ook voor veiligheid. Claude heeft alleen toegang tot de mappen die jij expliciet deelt. De rest van je computer is afgeschermd. En voordat Claude bestanden verwijdert, moet je daar expliciet toestemming voor geven.

Vergelijk het met een werkruimte die je inricht voor een freelancer. Je geeft toegang tot de projectmap, niet tot je hele kantoor. De freelancer kan alles doen binnen die ruimte, maar komt niet bij je e-mail of je bankgegevens.

Waarom zou je Cowork willen gebruiken?

Drie redenen.

1. Complexe taken in één keer. Stel, je moet een marktanalyse maken op basis van zes artikelen, drie rapporten en een dataset. In Chat zou je elk bestand apart uploaden, verwerken, en zelf de synthese maken. In Cowork zeg je: “Analyseer alle bronnen in mijn Research-map, identificeer de drie belangrijkste trends, en maak een rapport met grafieken.” Claude doet de rest.

2. Bestanden die je daadwerkelijk kunt gebruiken. Geen tekst in een chatvenster die je vervolgens moet kopiëren naar Word. Cowork levert Excel met formules, PowerPoint met slides, opgemaakte PDF-rapporten. Bestanden die je direct kunt doorsturen naar je team of je klant.

3. Automatisering zonder code. Met scheduled tasks kun je terugkerende taken inplannen. Elke ochtend een samenvatting van je e-mail. Elke maandag een weekrapport. Elke vrijdag een statusupdate. Je stelt het één keer in, Claude doet het automatisch.

Concrete voorbeelden per beroep

Consultant: Je hebt zes klantgesprekken opgenomen. Cowork transcribeert ze via Whisper, analyseert alle transcripten, identificeert terugkerende thema’s, en maakt een rapport met aanbevelingen in jouw huisstijl. Van audio naar afgerond adviesrapport, zonder tussenkomst.

Marketeer: Je hebt een kwartaal aan social media data in CSV-bestanden. Cowork maakt er een dashboardrapport van met grafieken, trends en aanbevelingen. In Excel, kant-en-klaar voor je presentatie.

Projectmanager: Tien wekelijkse statusrapporten in je projectmap. Cowork vat ze samen, signaleert vertragingen, en maakt een overzicht voor het managementteam.

HR-professional: 30 CV’s in een map. Cowork screent ze op basis van je functie-eisen, rangschikt ze, en maakt een shortlist met argumentatie per kandidaat.

Onderzoeker: 50 wetenschappelijke papers als PDF. Cowork leest ze, extraheert de kernbevindingen, en maakt een literatuuroverzicht met citaten.

En dat is nog steeds de basis. Met plugins en connectors kun je Cowork ook koppelen aan Slack, Gmail, Notion, je CRM, en meer. Maar daar komen we zo op.

Je eerste Cowork-taak in 5 minuten

Genoeg theorie. We gaan het proberen. Open je Claude Desktop-app en doe mee.

Stap 1: Open Cowork

Klik bovenaan op het tabblad Cowork. Je ziet nu een andere interface dan Chat. Links staat een zijbalk met je taken, plugins en instellingen.

Stap 2: Selecteer een map

Cowork vraagt je om een map te selecteren op je computer. Kies een map waar je bestanden in hebt staan die je wilt verwerken. Bijvoorbeeld je Downloads-map, een projectmap, of een map met rapporten.

Belangrijk: deel niet je hele thuismap. Kies specifiek de map die relevant is voor je taak. Je geeft Claude toegang tot alles in die map, dus wees bewust.

Stap 3: Beschrijf je taak

Typ wat je wilt bereiken. Niet hoe, maar wat. Bijvoorbeeld:

“Analyseer alle PDF-bestanden in deze map. Maak een samenvattingsdocument met de kernpunten uit elk bestand. Sla het op als samenvatting.docx.”

Of iets simpelers om te beginnen:

“Organiseer alle bestanden in deze map in submappen op basis van bestandstype (PDF, afbeeldingen, documenten). Hernoem bestanden met een beschrijvende naam.”

Stap 4: Review het plan

Claude toont eerst een plan voordat het begint. Je ziet welke stappen Claude gaat nemen en welke bestanden worden aangeraakt. Controleer dit. Als het er goed uitziet, geef je groen licht.

Stap 5: Laat het werken

Claude gaat aan de slag. Je ziet de voortgang in real-time: welke bestanden worden gelezen, wat er wordt aangemaakt, welke sub-taken er parallel lopen. Je kunt tussendoor bijsturen als je ziet dat Claude een andere kant op gaat dan je bedoelde.

Als het klaar is, vind je de resultaten in je map. Echte bestanden, niet tekst in een chatvenster.

Merken jullie het verschil? Je hebt niet tien keer gekopieerd en geplakt. Je hebt één keer beschreven wat je wilde, en Claude heeft het uitgevoerd.

De drie niveaus van Cowork

Net als bij Skills (zie ons vorige playbook) zijn er niveaus van complexiteit. En net als toen geldt: begin bij niveau 1. Bouw van daaruit.

Niveau 1: Directe taken

Je opent Cowork, beschrijft een taak, Claude voert het uit. Geen voorbereiding, geen setup. Dit is waar iedereen begint en eerlijk gezegd is dit voor veel taken meer dan genoeg.

Voorbeelden: bestanden organiseren, documenten samenvatten, rapporten genereren, data analyseren.

Niveau 2: Gestructureerd met context

Je voegt context-bestanden toe aan je werkmap. Een about-me.md met wie je bent en hoe je werkt. Een voice-and-style.md met je schrijfstijl. Cowork leest deze bestanden automatisch bij elke taak in die map. Vergelijk het met het onboardingdocument dat je een nieuwe collega geeft.

Dit is waar Cowork serieus wordt. In plaats van elke keer opnieuw uit te leggen dat je rapporten in formele toon schrijft, dat je altijd een managementsamenvatting wilt, en dat je bedrijf “ACME Consultancy” heet: schrijf het één keer op en Cowork weet het.

Niveau 3: Geautomatiseerd met plugins en schema’s

Je installeert plugins voor specifieke werkstromen (sales, marketing, legal, data). Je plant taken in die automatisch draaien. Je koppelt externe tools via connectors (Slack, Gmail, Notion). Dit is het niveau waar Cowork een soort digitale collega wordt die proactief werk verzet.

Maar goed, dit is het premium-gedeelte van dit playbook. Laten we daar eens induiken.

🔒 PREMIUM CONTENT

De rest van dit playbook is voor premium lezers. Hieronder vind je de complete setup: context-bestanden die je kunt kopiëren, de plugins die het verschil maken, scheduled tasks die je werk automatiseren, en de fouten die je wilt vermijden.

🔓 Deel het en krijg GRATIS maanden premium

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.

Read more