Zestien treden tussen een chatbot en een systeem dat zelfstandig werkt

De vraag die in bijna elk gesprek terugkomt, is niet “hoe werkt AI”. Het is: wat kan het nu eigenlijk, en wat betekent dat voor ons?

Dat blijkt lastig te beantwoorden, omdat “AI” twee heel verschillende dingen tegelijk aanduidt. Sinds 2022 chatten we ermee. Sinds kort werkt het ook: het voert taken uit, komt bij je systemen en werkt door zonder dat je bij elke stap iets intypt. Tussen die twee zit geen schakelaar maar een reeks stappen, en elke stap lost een ander probleem op.

Daarom tekenden we een ladder: zestien treden in vijf fases. Niet om hem helemaal te beklimmen, maar om te kunnen wijzen. Op deze trede zit jouw vraagstuk. Deze hoef je niet.

Fase 1: slimmer antwoorden

De eerste vijf treden gaan over het antwoord zelf.

Het begint bij een model dat niets anders doet dan het volgende woord voorspellen. Alles wat het weet, zit ingebakken en is bevroren op het moment dat het getraind werd. Trede twee is de belangrijkste van deze fase en tegelijk de goedkoopste: geef context mee. Zodra het model jouw situatie, jouw stukken en jouw toon voor zich heeft, gaat het over jouw werk in plaats van over het gemiddelde internet.

Daarna komen beeld en geluid, dan de mogelijkheid om zelf de juiste stukken op te zoeken in plaats van alles vooraf te krijgen, en tenslotte modellen die eerst nadenken en pas daarna antwoorden.

Onderweg zit één inzicht dat bijna niemand verwacht: meer context is niet beter. Een voller venster wordt vuiler. Belangrijke informatie verdrinkt in het midden en één fout stuk vergiftigt het hele antwoord. Kort en relevant wint van veel. Dat is precies waarom je op een gegeven moment wilt dat het systeem zelf zoekt wat het nodig heeft, in plaats van dat je alles vooraf naar binnen kiepert.

Fase 2: kunnen handelen

Hier zit de grootste sprong van de hele ladder, en de plek waar de meeste organisaties nu staan of net overheen gaan.

Het model kan acties aanvragen. Het heeft zelf geen handen: de omgeving eromheen voert ze uit. Zet je daar een lus omheen, doen, resultaat bekijken, volgende stap, dan verandert een chatbot in een agent die doorwerkt tot de taak af is. Geef hem toegang tot je echte systemen en het wordt pas echt nuttig.

En dan meteen de tegenhanger: alles wat kan handelen, heeft een rem nodig.

Het voorbeeld dat we daarvoor gebruiken is niet van onszelf. Bij Replit wiste een agent in 2025 de productiedatabase van ruim 1.200 bedrijven, dwars door een niet-aanraken-instructie in hoofdletters heen. De les die daaruit landt is scherper dan welke waarschuwing ook:

Een instructie is geen rem. De rem zit buiten de agent.

Je lost dit niet op met strengere formuleringen in een prompt. Je lost het op met rechten die iets technisch onmogelijk maken, en een herstelknop ernaast. Dat is precies wat er daarna is doorgevoerd.

Fase 3: onthouden en leren

Drie treden die gaan over iets wat elke gebruiker vroeg of laat irriteert: je legt hetzelfde elke keer opnieuw uit.

Eerst leg je een werkwijze eenmalig vast, zodat het systeem hem voortaan volgt. Dan komt geheugen: het onthoudt jou tussen sessies. En op trede twaalf schrijft dat geheugen zichzelf bij.

Die laatste trede is niet theoretisch voor ons. Het gedeelde geheugen waar wij zelf op draaien zit precies daar, en hoe dat in elkaar zit staat in een apart artikel.

Fase 4: zelfstandig werken

Eén hoofdagent verdeelt het werk over meerdere. Agents wachten niet meer op jouw vraag maar beginnen op een moment of een signaal. En op de laatste trede van deze fase geef jij het doel en bedenkt het systeem de stappen.

Dit is waar het interessant wordt en tegelijk waar de meeste projecten te vroeg naartoe springen. Zelfstandig werkende agents zijn pas nuttig als de remmen uit fase 2 en het geheugen uit fase 3 staan. Zonder die twee krijg je iets dat hard werkt in de verkeerde richting.

Fase 5: zichzelf verbeteren

De bovenste trede gaat over kwaliteit die gemeten wordt in plaats van gehoopt. Een tweede agent of een vaste testset toetst het werk, en bij fouten gaat het terug. Belangrijk detail: de maker keurt nooit zijn eigen werk.

En daarboven zit de stap die het echt anders maakt. Het systeem verbetert niet het werk, maar het draaiboek waarmee het werk gemaakt wordt. Elke ronde meet je op kwaliteit, tijd en kosten, en je stopt als de cijfers niet meer stijgen.

Wat er bewust niet op staat

Fine-tuning, het bijtrainen van een model op je eigen data. Dat is geen trede maar een zijspoor, en het staat opvallend vaak bovenaan het verlanglijstje van organisaties die nog op trede twee zitten. De vuistregel die wij aanhouden:

Prompt eerst. Ophalen voor kennis. Fine-tunen voor gedrag.

In die volgorde. De meeste vraagstukken die als “we moeten een eigen model trainen” binnenkomen, zijn in werkelijkheid een contextprobleem of een zoekprobleem.

Waar je zou moeten instappen

De eerlijkste conclusie na alle gesprekken: je hoeft niet naar de top. Voor verreweg de meeste organisaties zit de winst in de eerste negen treden. Context goed meegeven, laten opzoeken in je eigen materiaal, een enkele taak laten uitvoeren, en er remmen omheen zetten. Dat is geen spectaculair verhaal, maar het is wel het verhaal dat volgend kwartaal geld oplevert.

De treden daarboven zijn niet moeilijker omdat de techniek zwaarder is. Ze zijn moeilijker omdat ze vragen dat je organisatie al weet wat goed werk is, en dat kan meten.

Een eerlijke kanttekening

Deze ladder is ons eigen uitleginstrument, geen industriestandaard. De volgorde van de hoogste treden is een didactische keuze: we zetten ze zo neer omdat het verhaal dan klopt, niet omdat er een norm bestaat die dit voorschrijft. Er is een publieksversie van vijftig slides die we gebruiken om dit in een half uur te vertellen.

Wil je die uitleg een keer voor je eigen team? Dat is precies wat we in een in-house training doen, met jullie eigen werk als materiaal.