Van AI volgen naar AI die voor je werkt.

Een auto kun je repareren door de oorzaak te zoeken. Een team niet. Waarom dat verschil bepaalt hoe je een probleem aanpakt, en waar we het mis doen.

Op de terugweg uit Frankrijk begonnen de lampjes op ons dashboard te branden. Eén na één. We zijn thuisgeraakt, maar we hadden iemand nodig die er verstand van had. De garagist deed wat een goede garagist doet: hij zocht. Motor, onderdelen, onderdelen van onderdelen, tot hij bij een klein filtertje uitkwam. Filter vervangen, alle lampjes uit.

Dat verhaal vertel ik in een workshop over strategisch denken, omdat het zo bevredigend is. Er is één oorzaak, je vindt ze, je lost ze op. Zo zijn we getraind om te denken. En net daarom loopt het mis zodra we die manier van denken loslaten op iets wat geen auto is.

Tien zinnen om te kopiëren voor het begin, het midden en het einde van een lange AI-taak, zodat je met een overdracht werkt in plaats van met een samenvatting van een samenvatting.

Een lange taak met AI loopt zelden mis op één moment. Ze glijdt weg. Een afspraak over de toon verdwijnt, een uitzondering wordt vergeten, en drie sessies later werkt je AI aan een project dat net niet meer het jouwe is. Met de juiste zin op het juiste moment hou je dat tegen. Dit zijn de tien die ik zelf gebruik, geordend naar het moment waarop je ze nodig hebt.

Hoe je dit gebruikt

Een swipefile is een spiekbrief. Je leest hem niet van voor naar achter, je pakt de zin die je nu nodig hebt. Bewaar deze pagina bij je favorieten, of plak de zinnen in een notitie naast je AI-tool.

Een SMART-doel klinkt degelijk, en toch komt er vaak niets van. Wat er ontbreekt als een doel alleen uit je hoofd komt, en hoe je het SMARTER maakt.

Onlangs vertelde een ondernemer me over zijn droom. Hij wilde een plek bouwen waar jonge ondernemers met een idee terechtkunnen, met begeleiding, met een netwerk, met alles erop en eraan. Een incubator. Ik vond het een prachtig plan. Dus vroeg ik wat hem tegenhield. ‘Ik zou eerst de lotto moeten winnen.’

Ik keek hem verbaasd aan. Wat is dan je businessplan voor die jonge ondernemers? Allemaal samen op de lotto spelen? Het klinkt als een grap, maar het verhaal raakt aan iets wat ik in bijna elke workshop over doelen zie. We formuleren wensen en noemen ze doelen.

Een besparing van één regel in Excel kostte een organisatie haar samenwerking. Waarom lijstjes verbergen wat er echt speelt, en hoe je pijlen leert trekken.

Kijk eens naar je eigen notities van de laatste vergadering. Grote kans dat het een lijstje is. Een paar punten, sterretjes ervoor, iets wat je er later naast krabbelde, en weer een sterretje. In een workshop over strategisch denken voorspel ik de groep hoe hun notities er straks zullen uitzien, en dat klopt meestal.

We zijn getraind om in lijstjes te denken. Dat is niet erg, tot je beslissingen neemt op basis van dat lijstje. Want een lijst toont wat er is. Ze toont niet wat met wat te maken heeft.

Het verhaal van de broodjes

Je kan een agent een doel geven en hem laten gaan, of stap voor stap meekijken. Waarom ik het tweede leer, en wat je daarbij niet hoeft te doen.

Er zijn twee manieren om met AI iets te bouwen, en ze zien er in het begin hetzelfde uit. In de eerste schrijf je een goede, gedetailleerde beschrijving van wat je wil, je geeft je agent een doel, en je laat hem gaan. In de tweede werk je stap voor stap. Na elke stap kijk je wat hij gedaan heeft, je begrijpt het, en je stuurt bij.

Ik leer in mijn workshops de tweede. Niet omdat de modellen het niet aankunnen. Ze worden elke maand beter. Maar omdat ik gezien heb wat er gebeurt als niemand meer meekijkt.

Los het zelf op

Wie al zijn documenten in een kennisbank voor AI stopt, ziet zijn assistent erin verdrinken. Waarom een geheugen voor AI het best werkt als een korte index die verwijst.

Vorige week liet ik in een workshop over agents iets zien wat ik normaal voor een andere opleiding hou: het tweede brein dat mijn agents gebruiken. Een deelnemer vroeg meteen wat het verschil is met een kennisbank waar je al je kennis in stopt. Goede vraag, want ik ken bedrijven die net dat aan het doen zijn: het volledige kennisbeheer in één grote kennisbank, zodat AI er overal aan kan. Een logische gedachte. En precies de fout die ik zelf ook gemaakt heb.

Ik had ooit alles wat ik de voorbije jaren geschreven en gemaakt had in één kennisbank gezet. Presentaties, teksten, documenten, notities. Alles op één plek, voor mijn AI. Het werkte voor geen meter. Mijn assistent verslikte zich erin.

Voor elke taak een aparte agent bouwen voelt slim, tot je niet meer weet wie wat deed. Waarom een paar agents met gedeelde skills beter werkt.

In een workshop over agents kwam een vraag waar ik zelf lang over gedaan heb. Eén agent kan meerdere skills hebben, maar waarom bouw je dan niet gewoon meerdere agents die elk één ding goed kunnen? Dat lijkt toch overzichtelijker.

Zo deden we het ook, nog niet zo lang geleden. Voor elke taak een agent. Een voor vertalingen, een voor nieuwsbrieven, een voor offertes, een voor verslagen. Elk met zijn eigen instructies en zijn eigen gesprekken. Het voelde georganiseerd. Tot het dat niet meer was.

Waar het misliep

Op den duur had ik er zoveel dat ik ze niet meer kon tellen. En in elke agent zaten weer andere chatsessies. Ik wist niet meer aan wie ik wat gevraagd had. Sommige stonden op mijn laptop, andere op een computer thuis, en welke waar stond, moest ik telkens opnieuw zoeken.

Zes prompts om te kopiëren die je AI eerst de juiste vragen laten stellen, voor een mail, een plan, een twijfel, een moeilijk gesprek of je eigen assistent.

Het principe ken je misschien al: je AI schrijft beter als hij eerst mag vragen wat hij mist. Alleen heb je op een drukke dinsdagmiddag weinig zin om die prompt telkens zelf te bedenken. Daarom zette ik de zes die ik zelf het vaakst gebruik op een rij. Kopiëren, de haakjes invullen, plakken.

Wat je krijgt

Zes prompts voor situaties die je herkent: een mail die gevoelig ligt, een plan dat je moet uitschrijven, een tekst voor mensen die je niet goed kent, een keuze waar je over twijfelt, een moeilijk gesprek en de instructies voor je eigen assistent. Ze eindigen allemaal met dezelfde omkering: eerst vragen, dan pas schrijven. Ze werken in ChatGPT, Claude, Copilot en Gemini.

Wie met AI begint te bouwen, krijgt vroeg of laat de vraag of hij mag committen. Wat Git, een repo en GitHub zijn, uitgelegd zonder jargon.

Na een paar uur bouwen met hun AI komt bij bijna elke groep hetzelfde moment. De agent stelt een vraag die niemand begrijpt: zal ik deze wijzigingen committen? Iedereen kijkt naar mij. Het woord klinkt als iets waar je een opleiding voor nodig hebt.

Dat is niet zo. Wie ooit een Word-document heeft bewaard, snapt al het belangrijkste van Git. Het jargon is de enige drempel, en die is dunner dan hij lijkt.

Wat Git eigenlijk doet

Als je met een AI bouwt, verandert er voortdurend iets. Je agent past hier een regel aan, voegt daar een bestand toe, herschrijft een stuk dat niet werkte. Al die bestanden zijn gewone tekst, en Git houdt bij wat er in welk bestand op welke regel veranderd is.

ChatGPT, Claude, VS Code, Cursor, Craft Agents: wie begint, gooit ze op één hoop. Drie lagen die je helpen kiezen, en zien waar je eigenlijk vastloopt.

Aan het einde van een lange workshopdag vroeg ik de groep wat ze meenamen. Een deelnemer zei iets wat ik sindsdien niet meer vergeten ben. Hij had de hele dag twee programma’s naast elkaar gebruikt, en pas nu besefte hij dat het twee verschillende dingen waren. Een andere deelnemer zag de meerwaarde van een agent-app niet, want ‘ik heb toch ChatGPT’.

Het zijn geen domme vragen. Het zijn de vragen die iedereen heeft, alleen durft niet iedereen ze te stellen. En ze hebben allemaal dezelfde oorzaak: we spreken over AI-tools alsof het één ding is, terwijl het er eigenlijk drie zijn, netjes in elkaar geschoven.

De huidige modellen raden zelf je bedoeling. Wat ze nog van je nodig hebben, past in vijf letters: taak, uitkomst, open vragen, context en overdracht.

In een workshop vorige week bouwde ik live een onboardingassistent voor een HR-afdeling. Geen prompt van een halve pagina, geen rol, geen lijst met toonaanwijzingen. Vijf korte stappen, en zonder één document te uploaden.

Waarom de superprompt zijn werk gedaan heeft

Ik heb zelf lang en vaak met een uitgebreid promptframework gewerkt, CRAFTER. Bij de oudere modellen moest je alles uitschrijven, want ze deden letterlijk wat er stond en vulden de rest zelf in, vaak verkeerd.

De modellen van nu zijn redeneermodellen. Ze proberen eerst te achterhalen wat je eigenlijk bedoelt, en doen dat stukje prompt engineering in de achtergrond zelf. Een lange lijst met rollen en toonaanwijzingen voegt dan weinig toe. Wat ze wel nog nodig hebben, is iets wat ze nooit zelf kunnen raden: wat jij wil, waarom, en waar de informatie staat.

We denken dat we bewust kiezen, maar ons gevoel was er al voor we begonnen te denken. Wat dat betekent, en waar emotioneel bewustzijn echt begint: in je lichaam.

In een workshop over emotionele intelligentie had ik het vorige week over het huis dat je koopt. Je gaat het bezoeken, je staat in de woonkamer, en ergens in je denkt het: hier ga ik me goed voelen. Op dat moment is de beslissing eigenlijk al gevallen. De berekening komt later.

De illusie van de rationele mens

We leven graag in de overtuiging dat we rationele wezens zijn die voortdurend bewuste keuzes maken. Dat is niet zo. Wat er in je winkelkar belandt, is grotendeels impuls. En de grootste financiële beslissingen in een mensenleven, het huis, de auto, zijn net het meest ingegeven door emotie. Een auto die je puur op kenmerken zou kopen, is perfect vergelijkbaar met andere. Je koopt toch die ene, omdat hij er leuk uitziet.

Als je AI de mist ingaat, begint hij zich vaak te verdedigen. Met één zin maak je van die fout een vaste werkwijze, zodat hij ze niet opnieuw maakt.

Deze zomer kwam ik terug van reis, en de maandag erna moest ik een training geven. Tijdens mijn vakantie had ik mijn mails niet echt gevolgd. Was de bevestiging nu binnengekomen of niet? Ik vroeg het aan mijn AI-assistent. Die zocht en zei dat hij niets gevonden had. Ik stond toen al aan de deur bij de klant, en ik begon het warm te krijgen.

Twee assistenten, één vraag

Het kon toch niet dat er geen bevestiging was. Dus stelde ik exact dezelfde vraag aan een tweede assistent, een ander model. Die vond de mail binnen enkele seconden. Ze stond er gewoon.

Wie iemands woorden in eigen woorden herhaalt, denkt dat hij luistert. Waarom letterlijk teruggeven sterker werkt, en wat dat zegt over contact in een tijd van chatbots.

In een workshop over emotionele intelligentie deed ik deze week een korte demonstratie met een deelnemer. Na afloop bespraken we met de groep wat er gebeurd was. Dat ik mijn houding aanpaste, hadden de meesten gezien. Wat minder opviel, was het belangrijkste: ik had haar woorden gebruikt. Letterlijk.

Parafraseren voelt als luisteren

We leren allemaal dat goed luisteren betekent dat je samenvat wat de ander zegt, in je eigen woorden. Dat is parafraseren, en het lijkt respectvol. Je toont dat je het begrepen hebt, je hebt het zelfs verwerkt.

Twee dubbele punten en een kort woord, en je AI weet wat je bedoelt. Zo bouw je in je vaste instructies je eigen commando’s voor wat je elke week vraagt.

In een workshop deze week toonde ik mijn vaste instructies op het scherm. Geen emoji, niet te veel opsommingstekens, gewone hoofdletters. En daaronder een rijtje regels die beginnen met twee dubbele punten. Het zijn de regels die ik het vaakst gebruik, en ze zijn amper een woord lang.

Wat je elke week opnieuw typt

Kijk eens naar je eigen chatgeschiedenis. De kans is groot dat je dezelfde vragen telkens opnieuw formuleert. Vertaal dit naar het Nederlands. Schrijf een korte bio over mij. Maak deze tekst wat losser. Elke keer typ je een zin, soms twee, en elke keer net iets anders, waardoor het resultaat ook telkens net iets anders is.