Een bedrijf waar AI code én content schrijft
Wat echt werkt als AI-agents het werk doen. En waar het nog steeds hapert.
In mijn omgeving schrijft AI vandaag echt code én content. Niet als demo op een conferentie. In productie, elke dag, aan dingen die gebruikers en een deadline hebben.
Het is geen magie. Het is een tool met regels. En de meeste mensen kennen die regels niet, dus werkt het voor ze niet, of vertrouwen ze het blindelings. Beide zijn fout.
Hoe het er in de praktijk uitziet
Ik geef AI geen stappen. Ik geef een resultaat. Ik zeg wat er moet ontstaan en hoe ik weet dat het klaar is. De agent maakt een plan, raakt bestanden aan, voert commando's uit, loopt tegen een fout en herstelt zichzelf. Ik houd ondertussen de richting vast en controleer de output.
Bij content werkt het net zo. Ik schrijf geen prompt "schrijf een artikel". Ik geef een rol, context, taak, format en kwaliteitscriteria. Het verschil tussen één zin en vijf regels is het verschil tussen algemene rommel en tekst die meteen naar buiten kan.
Een agent is geen wonder, het is een tool met regels
Als je een agent een groot doel zonder grenzen geeft, levert hij iets dat klaar lijkt en het niet is. Programmeurs zeggen dat AI het speelgoed onder het bed verstopt. Het ziet er opgeruimd uit, tot je onder het bed kijkt.
Daarom schaal ik de omvang van het doel naar vertrouwen en risico. Weinig vertrouwen en grote impact van een fout betekenen een kleiner doel en een korter touw. Veel vertrouwen en laag risico betekenen dat ik het lang laat lopen. Het is geen binaire keuze tussen micromanagement en blind geloof. Het is kalibratie.
Een eerlijke poort, anders werkt het niet
Het belangrijkste in de hele setup is niet het model. Het is de poort die kan falen. Bij code is dat een test, een linter, een echte run. Niet een tweede model dat de code leest en zegt "ziet er goed uit". Dat model heeft de code niet gedraaid.
Ik heb een regel: klaar is het pas als het een echte poort doorstaat. Niet als het model knikt. Niet als het er goed uitziet op het scherm. Als het een test doorstaat die nee kan zeggen.
Een loop is net zo eerlijk als zijn poort. Als de poort nooit faalt, is het geen poort, maar een stempel.
Verificatie voor vertrouwen
De goedkope controlelaag is een cross-model review. Eén model rondt af, een tweede met een frisse context controleert het en zoekt zwakke plekken die het eerste miste. Dat vangt redeneerfouten en ontbrekende eisen snel en goedkoop op.
Maar bij dingen die de productie echt kunnen breken, is dat niet genoeg. Daar moet een echte run komen. De diepte van de verificatie hangt af van de impact van een fout. Laag risico handel je af met een review door een tweede model. Hoog risico vraagt om een echte run.
Wat je hieruit meeneemt
AI-agents doen vandaag echt werk. Niet omdat het model slim is, maar omdat er een omgeving omheen staat: een helder gedefinieerd resultaat, een eerlijke poort en verificatie naar risico.
Wie deze omgeving bouwt, versnelt met AI. Wie alleen een chat opent en hoopt, krijgt tekst die slim lijkt en nergens toe leidt. Het verschil zit niet in de tool. Het zit in hoe je hem inzet.