Past het bij de klant?

Inleiding — De vraag die ik mezelf vergeten ben te stellen

Begin april zat ik naar een rapport te kijken dat ik net had opgeleverd aan een klant. Cijfers klopten. Conclusies klopten. Grafieken waren netjes. Het voldeed aan alles wat een goed rapport hoort te zijn.

Maar het leek op elk ander rapport dat ik ooit heb gemaakt.

Die klant had iets anders nodig. Niet nog een rapport dat hij naar zijn boekhouder zou doorsturen, maar een paar zinnen die hem op zondag 's avonds zou helpen om maandagochtend iets anders te doen. En dat stond er niet in.

Het werkte. Het klopte. Maar het paste niet.

Sinds ik dat doorkreeg stel ik mezelf bij elke oplevering dezelfde vraag. Niet: werkt het? Maar:

Past het bij de klant?
Past het bij de klanten van de klant?
Past het bij het moment?
Past het bij de situatie?

Vier vragen die elkaar niet vervangen. Die allemaal ja moeten zijn.

Als één van de vier nee is, werkt het alsnog niet. Hoe netjes het er ook uitziet.

Deze guide gaat over waarom dat zo is, wat die vier vragen precies betekenen, en — belangrijker — hoe je ze inbouwt in een AI-systeem dat voor jou werkt.

Hoofdstuk 1 — Waarom “werkt het” een misleidende vraag is

Je vraagt AI om een blogpost. Je krijgt een blogpost. Hij leest goed, de argumenten zijn logisch, er staat een call-to-action onderaan. Werkt hij?

Ja. Dat is de verkeerde vraag.

De vraag is: is deze blogpost geschreven voor iemand die hem echt gaat lezen? Een echte persoon met een echte reden om dit nu nodig te hebben? Of is hij geschreven voor niemand in het bijzonder — voor de abstractie van een lezer die alleen in het hoofd van het taalmodel bestaat?

De meeste AI-output werkt. In de zin dat hij correct is, compleet, grammaticaal. En hij voelt hol. Omdat hij niet aan één specifiek iemand gericht is. Omdat hij niet aan één specifiek moment hangt. Omdat hij net zo goed voor een bedrijf in Dusseldorf als voor een bedrijf in Drachten had kunnen zijn.

Dat heet generieke kwaliteit. Het is de kwaliteit waar veel mensen voor betalen op fiverr of bij de eerste beste contentbureau. Het voldoet aan de norm. Het beweegt niemand.

De vier vragen zijn een manier om te voorkomen dat je dat krijgt.

Hoofdstuk 2 — Past het bij de klant?

Begin altijd hier. Wie is deze klant, wat is zijn bedrijf, hoe denkt hij, wat is zijn staat?

Niet in een persona-beschrijving. In echte dingen.

Harmen van Wielrenschool is geen “mkb-eigenaar in de fietsbranche, 40-50 jaar oud, gericht op groei.” Harmen is iemand die 25 jaar geleden een fietsenwinkel overnam, ontdekte dat hij liever mensen op een fiets leerde zitten dan fietsen verkocht, en nu zes jaar zijn eigen merk heeft waarin 900+ mensen een BikeFit hebben gehad. Hij werkt vanuit één ruimte met een paar mensen. Hij kent zijn klanten persoonlijk. Hij heeft in de laatste jaren twee nieuwe producten toegevoegd waarvan hij nog niet zeker weet of ze passen bij wie hij is.

Als je Harmen een rapport stuurt dat zegt “U dient uw conversion rate te optimaliseren door A/B-testing te implementeren” — dan werkt dat niet. Niet omdat het advies verkeerd is. Omdat het niet bij hem past. Hij leest dat niet, hij doet dat niet, en hij herkent zichzelf niet in de taal.

Wat wel werkt: “Van je 910 BikeFit-klanten heeft 80% nooit meer iets bij je gekocht. Hier zijn 38 mensen die in hun review zeiden ‘ga ik doen.’ Begin bij die 38.”

Zelfde data. Totaal andere match. Omdat het past bij wie Harmen is.

Wat een systeem nodig heeft om dit te doen:

• Brand voice van de klant in echte voorbeelden (niet in beschrijvingen)
• Historie: wat heb je eerder geleverd, hoe heeft hij daarop gereageerd
• Huidige staat: waar zit hij nu in zijn bedrijf, wat speelt deze week
• Zijn taal, niet jouw taal

Zonder dit is het systeem zijn eigen tijd aan het verspillen.

Hoofdstuk 3 — Past het bij de klanten van de klant?

Dit wordt vaak vergeten. Je werkt voor Harmen, maar je levert voor zijn klanten. Als de content die jij voor Harmen maakt niet past bij de mensen die bij Harmen komen, heb je niks opgeleverd.

Een voorbeeld. Harmen's klanten zijn wielrenners die iets op willen lossen. Hun fiets knelt, ze hebben pijn, ze willen sneller. Ze zoeken niet op “BikeFit.” Ze zoeken op “knieklachten wielrennen” of “aerodynamica fiets afstellen.” Ze willen niet een blog die uitlegt wat een BikeFit is. Ze willen weten of deze persoon hun probleem kent en of zij zich daar begrepen gaan voelen.

Als je voor Harmen een blogpost schrijft getiteld “Waarom een BikeFit bij ons een must is voor elke wielrenner” — dan past hij misschien bij Harmen (hij is zijn zaak aan het verkopen) maar niet bij zijn klanten (die geen BikeFit zoeken, maar een oplossing).

Wat wel past bij zijn klanten: “Als je knie bij lange rondes begint te protesteren, zit je waarschijnlijk niet goed op je fiets. Hier's hoe we dat in één sessie vinden.”

Zelfde onderwerp. De eerste verkoopt, de tweede begrijpt.

Wat een systeem nodig heeft om dit te doen:

• Klant-van-klant persona met echte zoekvragen, niet met marketing-descriptors
• Reviews en transcripten van klantgesprekken — taal in eerste-persoon, niet in marketingtaal
• Een regel: nooit schrijven vanuit het bedrijf. Altijd vanuit de lezer.

Zonder dit schrijft het systeem marketing-copy die niemand raakt.

Hoofdstuk 4 — Past het bij het moment?

Dit is de tijdsdimensie. Wat speelt deze week? Wat is veranderd sinds je vorige contact? Wat is het volgende dat nu logisch is?

Een voorbeeld. Als Harmen's BikeFit-boekingen in maart een record hebben gevestigd, en je levert in april een rapport met als toon “u zou moeten overwegen meer leads te genereren” — dan mis je het moment. Harmen zit niet te wachten op meer leads. Hij zit te wachten op hoe hij dit record kan vasthouden zonder om te vallen.

Dezelfde data een maand later — na een dip — zou wel een lead-generatie-advies passend maken. Zelfde cijfers, ander moment.

AI kent het moment niet, tenzij je het hem vertelt. De meeste systemen werken in een tijdloze bubbel. Het is altijd dezelfde dag. Er is geen gisteren en geen morgen. Daar komt output uit die altijd neutraal klinkt, omdat het nooit ergens aan gekoppeld is.

Wat een systeem nodig heeft om dit te doen:

• Tijdlijn van wat de klant heeft meegemaakt: piekmomenten, dips, lanceringen, vakanties
• Recent datapunt: wat gebeurt er deze week, deze maand
• Seizoenskennis: waar zit deze klant nu in zijn jaarritme
• Persoonlijke momenten: de klant heeft misschien net iemand verloren, of juist een kind gekregen, of een team-uitje gehad — dat mag niet in een e-mail weggelaten worden

Zonder moment-bewustzijn is elke output koud.

Hoofdstuk 5 — Past het bij de situatie?

De vierde vraag is de makkelijkste om te negeren en de gevaarlijkste om te missen.

Situatie is niet wie en niet wanneer. Situatie is: wat is de context waarin deze output gaat landen?

Krijgt de klant dit in een e-mail, terwijl hij onderweg is? Gaat hij het lezen tijdens een meeting met zijn boekhouder? Wordt het voorgelezen op zijn team-maandag? Zit hij er alleen of niet? Heeft hij net iets anders ontvangen wat hier tegen in gaat?

Als je niet weet in welke situatie iets landt, kies je een verkeerde vorm. Een rapport van 15 pagina's in de e-mail op maandagochtend werkt niet — ook niet als het klopt. Diezelfde inhoud in een Notion-pagina met links werkt wél — omdat de situatie anders is.

Een voorbeeld. Toen we het Wielrenschool-kwartaalrapport de eerste keer opleverden, zat er 120 regels “samenvatting” bovenaan. Niet verkeerd. Maar de situatie — Harmen die 's avonds op zijn telefoon een PDF opent — maakte die samenvatting onleesbaar. Dezelfde inhoud in 2 A4 met een one-liner per actie was direct leesbaar. Zelfde klant, zelfde moment, andere situatie-match.

Wat een systeem nodig heeft om dit te doen:

• Weten waar de output gaat landen (e-mail, print, dashboard, meeting)
• Weten op welk device (telefoon vs laptop verandert alles)
• Weten wat er voor en na komt
• Een default: als je niet zeker weet — korter. Altijd korter.

Zonder situatie-bewustzijn stuur je perfect werk naar een verkeerd scherm.

Hoofdstuk 6 — Hoe je dit in een systeem inbouwt

Goed. De theorie klopt. Maar hoe bouw je dit?

Dit is de kern van wat ik de afgelopen weken aan het doen ben, en eerlijk gezegd is het meer werk dan ik dacht. Niet technisch werk. Context-werk.

Een systeem dat deze vier vragen goed beantwoordt, heeft drie lagen:

Laag 1 — De klant zelf

Per klant één map met:

• Brand voice (niet beschreven, maar bewezen met 20-30 echte e-mails)
• Historie (wat is er eerder geleverd, wat werkte, wat niet)
• Cijfers en cases die actueel zijn
• Regels die deze klant specifiek heeft (“nooit X”, “altijd Y”)

Dit noem ik een orbit. Eén per klant. Blijft gescheiden van andere klanten.

Laag 2 — Ervaring die zich opbouwt

Cross-klant. Dingen die ik heb geleerd bij de ene klant die ook voor de volgende werken. Niet de klant-specifieke details, maar de patronen:

• “Video-transcripten leveren rijkere context dan vragenlijsten” (uit DHS)
• “Een rapport werkt beter als je de beslisser-laag splitst van de onderbouwing” (uit Wielrenschool)
• “Brand voice zit in e-mails, niet in een beschrijving”

Deze ervaring is wat mijn systeem beter maakt naarmate ik meer klanten heb. Het is waar mijn 15 jaar werk voor MKB in zit — gecodeerd, beschikbaar voor elke nieuwe taak.

Laag 3 — De sessie

De taak die op tafel ligt. Wat gaat er nu opgeleverd worden. Welke klant, welke situatie, welk moment. Hier is de context klein en scherp — wat nu moet.

Voor elke output draaien die drie lagen samen. De sessie zegt: “maak een kwartaalrapport voor Harmen.”De orbit laadt Harmen's brand voice, historie, huidige staat. De ervaring laadt de regels die voor elk MKB-rapport gelden (splitsing beslisser/analist, bijvoorbeeld). De output die eruit komt is niet generiek — hij past.

Wat ontbreekt in de meeste AI-tools

Bijna alle AI-tools die ik heb gezien hebben één laag: de sessie. Je vraagt iets, je krijgt iets. Geen klant-orbit, geen ervaring. Dus elke output begint bij nul. En klinkt als elke andere output.

Zelfs tools die “geheugen” hebben (zoals ChatGPT-projecten, of Claude-projects) hebben meestal alleen een persoonlijke laag. Niet cross-klant, niet cumulatief. Elke correctie verdwijnt na de sessie.

Een systeem dat past, bouwt deze drie lagen in. Anders past er niks.

Hoofdstuk 7 — Wat je kunt doen, vandaag

Niet alles hoeft in één keer. Dit zijn drie dingen die je vandaag kunt doen om je output meer te laten passen:

1. Stop met persona-beschrijvingen. Start met echte voorbeelden.

Voor elke klant waar je voor schrijft: verzamel 20-30 e-mails die die klant zelf heeft geschreven aan zijn klanten. Niet geselecteerd. De laatste 30. Dat is zijn brand voice, letterlijk. Voed dat aan het systeem dat voor hem schrijft.

2. Splits je rapporten in twee lagen.

De volgende keer dat je een rapport oplevert: maak een 2A4-versie voor de beslisser, en de onderbouwing apart. Stuur beide. Zie wat er met de conversatie gebeurt.

3. Voor elke output die je maakt, stel de vier vragen.

Niet als formaliteit. Als filter.

• Past het bij de klant?
• Past het bij de klanten van de klant?
• Past het bij het moment?
• Past het bij de situatie?

Als één van de vier onzeker is, is de output niet klaar. Niet omdat er iets fout aan is. Omdat er iets niet aan is toegevoegd.

Dat is het verschil tussen werk dat werkt en werk dat past.

Afsluiting

Ik heb deze vier vragen niet bedacht. Ze zijn in mij gegroeid door 15 jaar marketing-werk voor MKB, en ze zijn pas in de laatste weken echt expliciet geworden — doordat ik ze aan een AI-systeem moest uitleggen. Zodra je een systeem leert om iets goed te doen, moet je het exact kunnen benoemen. Dat forceert helderheid die je in je eigen hoofd niet nodig had.

Het bijeffect: ik begrijp beter waarom sommige opleveringen landen en andere niet. En waarom dat niks te maken heeft met kwaliteit, en alles met passing.

Als je wilt zien hoe dit concreet werkt voor een echt klantwerk, stuur me een e-mail. Ik laat je een voorbeeld zien — geanonimiseerd waar nodig. Dan weet je waar ik het over heb.

Deel van de insights-serie.