Wat gebeurt er als je een AI-werkwijze niet nog een keer probeert te versnellen, maar in plaats daarvan opnieuw opbouwt? De afgelopen weken hebben we bij Oneminded precies dat gedaan met onze eigen AI-setup.
Door Anthony Raaijmakers
Wat gebeurt er als je een AI-werkwijze niet nog een keer probeert te versnellen, maar in plaats daarvan opnieuw opbouwt? De afgelopen weken hebben we bij Oneminded precies dat gedaan met onze eigen AI-setup. Niet door harder te prompten of een nieuw model erbij te zetten, maar door slimmer te bouwen: meer context per taak, duidelijke grenzen over wat een model wel en niet mag aannemen, en een vaster ritme in hoe alles wordt uitgevoerd. Dit artikel gaat over wat we concreet veranderden en waarom dat meer verschil maakte dan een beter model.
Dit is relevant omdat veel teams een AI-tool behandelen als iets dat je één keer instelt en daarna laat draaien. In de praktijk zit de winst juist in de laag eromheen: hoe een taak wordt gebriefd, wat er gebeurt als iets misgaat, en hoe consistent dat proces blijft als je het honderd keer herhaalt.
Concreet betekende het voor ons: per taak vastleggen welke aannames een model wel en niet mag maken, in plaats van dat impliciet te laten. Waar we eerder vertrouwden op een goed geformuleerde prompt en verder hoopten dat het goed ging, leggen we nu per taak vast wat een model zelf mag beslissen en wat altijd terug moet naar een mens. Dat klinkt als een klein verschil, maar het verandert de hele manier waarop je een fout opspoort: je weet meteen of iets misging door een onduidelijke instructie of door een model dat buiten zijn boekje ging.
Daarnaast kregen cronjobs en health checks namen die je in één oogopslag begrijpt, in plaats van generieke labels die na een maand niemand meer kan plaatsen. Elke loop die we herschreven maakte het geheel een stukje herhaalbaarder en makkelijker te testen, en dat stapelt op: een proces dat je kunt testen, kun je ook met vertrouwen laten draaien op een gewone werkdag, zonder dat er iemand naast moet blijven zitten.
Wat me in dit traject vooral is bijgebleven, is dat automatisering alleen werkt als de menselijke check goed is ingericht, en dat itereren geen bijzaak is maar het eigenlijke werk. Een model is pas nuttig als het genoeg context krijgt om een taak goed te begrijpen, en die context bouw je niet in één keer, je verfijnt hem elke keer dat iets net niet goed ging.
Dit is precies waar AI-amplified engineering voor ons om draait: niet de belofte dat een model het werk overneemt, maar de discipline om de laag eromheen zo in te richten dat een team er elke dag op kan bouwen. We verkopen daarom nooit alleen toegang tot een model, we bouwen mee aan het werk dat nodig is om dat model bruikbaar te maken binnen een bestaand proces.
Wat eerst vooral experiment voelde, begint nu op een echte operatie te lijken: herhaalbaar, toetsbaar, bruikbaar op een gewone werkdag. We blijven doorbouwen, niet op de perfecte prompt, maar op een werkende laag die echt verschil maakt. Herken je dit vraagstuk in je eigen organisatie en wil je de operationele laag rond je AI-gebruik samen in kaart brengen? Je kunt ons bellen.