Mijn AI-team heeft een organogram

Ik vroeg een AI-agent om een marketingrapport te schrijven.

Hij begon te schrijven. Snel, zelfverzekerd, meteen twee pagina’s. Maar het klopte niet. Niet omdat de AI dom was. Maar omdat ik hem had gestuurd als een koerier die een pakket moest bezorgen — zonder uitleg wat erin zat, wie de ontvanger was, en welke route hij moest nemen.

Dat is het moment waarop het kwartje viel: dit is geen AI-probleem. Dit is een procesprobleem.

Het organogram

Ik heb nu meerdere AI-agents. Ze hebben namen, een specialisme, en — het klinkt gek — een plek in een organogram.

M is de orchestrator. Ze leest de opdracht, bepaalt wie wat doet, en ziet erop toe dat het resultaat klopt. Q verzamelt data. Pine schrijft de onderbouwing. Assane schrijft de content. Rose schrijft de code.

Ze werken niet autonoom. Ze werken in een proces.

En dat proces heb ik — voor het eerst in mijn carrière — echt moeten opschrijven.

Wat een AI-team je dwingt te doen

Bij een menselijk team gaat veel impliciet.

Je medewerker weet wat je bedoelt omdat hij jou kent. Hij begrijpt de toon omdat hij de klant kent. Hij vraagt niet elke keer om uitleg — hij haalt het uit de context, uit de sfeer, uit wat je vorige week zei.

Een AI heeft dat niet. Elke sessie begint leeg.

Dat klinkt als een beperking. Maar het is eigenlijk een spiegel.

Want die impliciete kennis die je medewerker heeft opgebouwd? Die zit nergens opgeschreven. Die bestaat alleen in zijn hoofd. En als hij vertrekt, verdwijnt ze.

Een AI-team dwingt je om alles wat je normaal impliciet laat expliciet te maken. Je moet opschrijven hoe je een rapport aanpakt. Welke informatie een agent nodig heeft om zijn werk goed te doen. Wie beslist bij welk moment in het proces.

De meeste bedrijven hebben die processen niet op papier. Ze denken van wel, maar ze hebben het niet.

BPM zonder de consultants

Er bestaat een vakgebied voor dit soort dingen: Business Process Management, BPM.

Ik had er altijd een vaag beeld bij van consultants met Visio-diagrammen en dikke rapporten die in een la verdwijnen.

Maar wat ik aan het bouwen ben, is precies dat — alleen dan levend, en dan heel concreet.

In mijn systeem zijn de AI-agents de medewerkers. De prompts met context zijn de procesformulieren. En de route die een opdracht aflegt — van inbox naar oplevering — dat is de workflow.

Elke opdracht die binnenkomt doorloopt dezelfde stappen:

Inbox → Triage → Decompositie → Context → Uitvoering → Verificatie → Review → Oplevering

Niet elke stap is zichtbaar voor mij. Maar elke stap bestaat. En het systeem bewaakt ze.

Waypoints

Een van de slimste dingen die ik heb gedaan: grote opdrachten hakken in kleine stukken. Waypoints.

LLM-agents werken goed op korte, duidelijke opdrachten. Geef ze een te grote opdracht, en ze beginnen te improviseren. Ze vullen gaten op met aannames. Die aannames kloppen soms, maar als ze niet kloppen merk je het pas aan het eind.

De GPS-metafoor helpt me: een navigatiesysteem geeft je niet de bestemming en zegt “zoek het maar uit.” Het geeft je de eerstvolgende afslag. Dan de volgende. Stap voor stap.

Zo werkt het in mijn team ook. Elke agent krijgt zijn waypoint, de context die hij daarvoor nodig heeft, en de instructie wat hij moet opleveren. Niet meer.

Het WRS-rapport is een voorbeeld van hoe dat er in de praktijk uitziet:

• WP1: Q haalt data op — solo
• WP2: M en ik bespreken de structuur — samen
• WP3 en WP4: Assane schrijft de content, Pine schrijft de onderbouwing — tegelijk, parallel
• WP5: M en ik reviewen het geheel

WP3 en WP4 lopen tegelijk. Twee agents, elk met hun eigen context, elk gefocust op hun eigen stuk. Zo kan het.

Het probleem is nooit de agent

“Het probleem is nooit de agent geweest. Het probleem is de structuur van de opdracht en de kwaliteit van de meegegeven context.”

Dat heb ik letterlijk opgeschreven na een sessie waarbij een rapport mislukte. Niet omdat de AI slecht was. Maar omdat ik hem had gestuurd zonder de juiste bagage.

Context is het product. De agent is het gereedschap.

Een timmerman met slechte planken bouwt een slecht huis, ongeacht hoe goed zijn beitel is. Een AI-agent met slechte context levert slechte output, ongeacht hoe goed het model is.

De meeste mensen die teleurgesteld zijn over AI, optimaliseren de beitel. Ze schrijven betere prompts, proberen een ander model, voegen meer instructies toe.

Maar het probleem zit een laag dieper: er is geen systeem dat de juiste context op het juiste moment aanlevert.

Ik ben de contextlaag

Het systeem versterkt me. Het vervangt me niet.

Op dit moment ben ik de beslisser op sleutelmomenten. Niet bij elke stap — dat zou me meer tijd kosten dan het oplevert. Maar bij strategische keuzes en bij het eindresultaat sta ik er tussen.

Het systeem presenteert me opties. Ik kies. De agent voert uit.

Go/no-go. Dat is de interactie.

Het idee is dat ik in de loop van de tijd minder hoef bij te sturen. Niet omdat ik verdwijn, maar omdat het systeem leert wat ik goed vind. De routinetaken worden autonoom. De strategische taken doen we samen.

Dat kost tijd. Veel meer dan ik had gehoopt. Maar ik ben dan ook heel kritisch. Ik moet veel meer kijken naar wat het al wél kan.

De waarde zit niet in de AI

Ik heb dit nu lang genoeg gedaan om iets te weten: de waarde zit niet in de agents.

De waarde zit in de helderheid die ontstaat als je processen expliciet maakt. De agents zijn een middel om je te dwingen dat te doen.

“In mijn ideale wereld heb ik alleen mijn eigen platform en de agents die voor mij aan het werk zijn en die leveren de output die ik in het rapport heb beloofd.”

Dat is de droom. Maar de weg ernaartoe heeft me iets geleerd wat ik al die jaren bij menselijke teams heb gemist: je bedrijf heeft processen die niemand heeft opgeschreven.

Nu wel.