Voorwoord
Dit boek is geen technische handleiding. Het is ook geen jubelverhaal over AI. Het is een verzameling observaties, anekdotes en lessen uit de praktijk van AI-trainingen.
In de afgelopen periode heb ik in allerlei zalen gestaan: bij online marketingbureaus, verzekeraars, zorgorganisaties, controllers, bestuurders, communicatieprofessionals, HR-teams, ondernemers en mensen die vooral dachten: ik moet hier iets mee, maar waar begin ik?
Een van de meest bijzondere momenten was dat ik zelfs een keer een AI-training mocht geven op een privé-eiland voor de kust van Venetië, met dank aan Sebastiaan Moesman van Azerion.
Na ongeveer 200 trainingen zie je patronen. Je ziet waar mensen van schrikken, waar ze om lachen, waar ze afhaken, waar ze enthousiast van worden en wanneer het kwartje valt. Je ziet ook de ongemakkelijke kanten: privacy, werk, onderwijs, nepbeelden, energiegebruik, beleid en vertrouwen.
Mijn eigen positie is dubbel. Ik ben gefascineerd door AI en gebruik het intensief. Tegelijk zie ik de risico’s. Misschien is dat wel precies de houding die we nodig hebben: nieuwsgierig, praktisch, kritisch en menselijk.
Leeswijzer
Je hoeft dit boek niet van begin tot eind te lezen. Elk hoofdstuk staat ook op zichzelf. Kies wat raakt: de mens in de training, de misverstanden over AI, de organisatievragen of de praktische aanpak.
Deel I - Wat ik in de zaal zie
Na tweehonderd trainingen zie je patronen. Niet alleen in tools, maar vooral in mensen.
observatie uit de praktijk
Iedereen gebruikt ChatGPT, bijna niemand benut het echt
De eerste laag
Na ongeveer 200 AI-trainingen weet ik een ding zeker: bijna iedereen heeft inmiddels wel iets met ChatGPT gedaan. Een mailtje herschrijven. Een tekst samenvatten. Een idee laten bedenken. Even snel iets opzoeken. Een nette formulering maken voor een klant, collega of manager.
En eerlijk is eerlijk: dat is al handig. Maar het is ook precies waar het vaak blijft hangen.
In veel trainingen zie ik hetzelfde patroon. Mensen zijn nieuwsgierig, soms enthousiast, soms sceptisch, soms zelfs een beetje bang. Ze hebben ChatGPT geprobeerd en denken daardoor dat ze ongeveer weten wat het is: een soort slimme tekstmachine, een veredelde Google of een handige assistent voor als je even geen zin hebt om zelf een alinea te schrijven.
Het moment waarop het stil wordt
Maar zodra je laat zien wat er nog meer kan, gebeurt er iets interessants. Dan wordt het stil. Niet omdat mensen afhaken, maar omdat ze ineens beseffen dat ze misschien nog maar een klein hoekje van het speelveld hebben gezien.
Veel deelnemers hebben nog nooit gewerkt met Deep Research. Ze weten niet dat je eigen GPTs kunt maken. Ze hebben nog nooit een model gevraagd om eerst kritische vragen te stellen voordat het met een antwoord komt. Ze gebruiken AI zelden als sparringpartner, procesontwerper, strateeg, controleur, onderzoeker of tweede denker.
En dat is geen verwijt. Onbekend maakt onbemind. Als niemand je laat zien wat mogelijk is, blijf je doen wat voor de hand ligt.
Van tekstmachine naar denkpartner
De echte waarde ontstaat pas als je AI niet alleen vraagt om output, maar om denkwerk. Niet alleen: schrijf deze tekst. Maar: stel eerst vragen. Toets mijn aannames. Bekijk het vanuit de klant. Laat de jurist meekijken. Laat de financieel directeur bezwaar maken. Maak drie scenario’s. Geef aan waar ik mezelf voor de gek houd.
Dat is een ander soort gebruik. Dan wordt AI geen tekstmachine, maar een denkpartner. Niet in plaats van jezelf, maar naast jezelf.
Misschien is dat wel de rode draad in dit boek. De winst van AI zit niet in een slimme prompt. De winst zit in beter leren denken met AI naast je.
Praktische les
Gebruik AI niet alleen voor het eindresultaat. Laat het model ook meedenken over vragen, aannames, risico’s en betere routes naar dat resultaat.
over scepsis en foutzoeken
Sommige mensen horen alleen het geslis
De foutzoekstand
In bijna elke AI-training zit er wel een deelnemer die al na vijf minuten zegt: “Ja, maar ChatGPT verzint ook dingen.” Klopt. Dat doet het. AI maakt fouten. AI kan hallucineren. AI kan te stellig zijn. En AI kan overtuigend klinken terwijl het antwoord toch niet klopt.
Die kritiek is terecht. Wat me alleen opvalt, is dat sommige mensen blijven hangen in een stand: de foutzoekstand. Ze kijken niet naar wat AI kan betekenen voor hun werk, hun organisatie of hun denkproces. Ze kijken vooral naar het ene verkeerde antwoord, de rare formulering of de bron die ontbreekt. Daarna volgt de conclusie: zie je wel, het werkt niet.
De lat ligt soms onmogelijk hoog
Het vreemde is dat mensen bij collega’s vaak moeiteloos accepteren dat er fouten worden gemaakt. Een collega vergeet een bijlage. Een manager trekt een te snelle conclusie. Een adviseur mist een invalshoek. Maar zodra AI een fout maakt, zeggen sommige mensen: onbetrouwbaar.
Alsof de lat voor AI niet hoog ligt, maar onmogelijk hoog. Natuurlijk moet je AI controleren. Natuurlijk moet je geen juridisch advies, medische conclusies of strategische besluiten klakkeloos overnemen. Maar dat is geen argument tegen AI. Dat is een argument voor volwassen AI-gebruik.
De hond die leert praten
Ik vergelijk het soms met iemand die met bloed, zweet en tranen een hond heeft leren praten. Sommige mensen zouden enthousiast zijn en denken: een hond die kan praten, onvoorstelbaar, wat bijzonder. En toch zijn er altijd mensen die vooral zeggen: hij slist wel een beetje. Ja, misschien slist hij. Maar hij praat. En dat is nogal wat.
AI is niet perfect. Maar we zijn in korte tijd op een punt gekomen waarop gewone professionals kunnen sparren met een taalmodel, documenten kunnen analyseren, strategieën kunnen toetsen, rapporten kunnen structureren en complexe materie toegankelijker kunnen maken. Dat is niet foutloos. Maar het is wel indrukwekkend.
Vraag om volwassen kritiek
Niet: maakt AI fouten? Dat doet het. De betere vraag is: waar is AI ondanks die fouten waardevol, en hoe organiseren we controle?
over creativiteit, prompts en focus
AI beloont het hoofd dat nooit stil staat
De autodealer en de lege prompt
Ik gaf een keer een AI-training bij een autodealer. Ik had voorbeelden voorbereid voor sales, aftersales, werkplaats, marketing, klantcontact, reviews, occasions en interne processen. Tijdens de training dacht ik: volgens mij komt dit wel over.
Maar zodra deelnemers zelf aan de slag moesten, merkte ik dat het toch moeilijker was dan ik dacht. Niet omdat ze dom waren. Niet omdat ze niet wilden. Maar omdat prompts bedenken zelf ook een vorm van creativiteit is.
Associatief denken als voordeel
Goed werken met AI is meer dan typen. Het is kunnen bedenken wat je allemaal zou kunnen vragen. Het is situaties herkennen. Mogelijkheden zien. Een werkproces uit elkaar trekken. Rollen verzinnen. Varianten laten maken. Kritische tegenvragen stellen.
Ik merk bij mezelf dat mijn hoofd daar goed op gaat. Soms te goed. Een mail wordt een belscript. Een belscript wordt een trainingscase. Een trainingscase wordt een dashboard. Een dashboard wordt een nieuw productidee. Voor je het weet ben je een uur verder.
Een zegen en een vloek
Mensen met een snel, associatief brein kunnen vaak goed worden in AI. Dat kunnen mensen met ADD of ADHD zijn, maar ook creatieve ondernemers, trainers, marketeers en adviseurs. Ze zien niet een toepassing, maar meteen tien.
Dat is een zegen. En soms een vloek. AI verlaagt de drempel om elk idee uit te werken. Dat is fantastisch, maar ook vermoeiend. De kunst is niet alleen om meer ideeën te krijgen, maar ook om te kiezen. Niet twintig dingen half. Een ding goed.
Focusvraag
Laat AI niet alleen meer mogelijkheden maken. Vraag ook: welke mogelijkheid moet ik nu juist niet oppakken?
over inspireren zonder te overspoelen
Het Zwitserse zakmes-probleem
Tussen vuurwerkshow en zaklamp
Mijn trainingen worden meestal goed beoordeeld. Vaak ligt het gemiddelde ergens tussen een 8,8 en 9,2. Daar ben ik blij mee. Maar eerlijk is eerlijk: als iemand een 8 geeft, denk ik soms al: wat is er misgegaan? En heel soms geeft iemand veel lager. Vaak heeft dat te maken met hetzelfde punt: te veel tools, te veel voorbeelden, te veel mogelijkheden.
Waar de een inspiratie voelt, voelt de ander chaos. Ik vergelijk het weleens met een Zwitsers zakmes. Ik klap het ene onderdeel na het andere open: mesje, schaartje, kurkentrekker, vijltje, pincet. Mijn gedachte is: kijk wat er allemaal kan, en kies zelf wat je nodig hebt. Maar zo werkt het niet voor iedereen.
Beroepsdeformatie
Ik ga zelf dag in dag uit met AI om. Voor mij is het normaal om van ChatGPT naar Claude, van Gemini naar NotebookLM, van Deep Research naar dashboards en van beeld naar tekst te springen. Voor mij voelt dat logisch. Maar dat is beroepsdeformatie.
Wat voor mij een landschap is, is voor een beginner een doolhof. Dat moet ik als trainer blijven zien.
De tool volgt uit de taak
Daarom probeer ik mijn trainingen steeds meer op te bouwen in twee delen. Eerst verwondering: kijk wat er kan. Daarna toepassing: wat betekent dit voor jullie werk? Welke taken kosten tijd? Welke use cases zijn echt relevant? Welke drie dingen pakken we eerst op?
De tool volgt uit de taak. Niet andersom. Soms hebben mensen een vuurwerkshow nodig. Soms een zaklamp. Een goede trainer moet voelen welk licht nodig is.
Trainerstip
Zeg vooraf: ik laat nu het Zwitserse zakmes zien. Je hoeft niet alles te onthouden. Straks kiezen we samen welk onderdeel voor jullie werk relevant is.
over inspiratie van deelnemers
De beste AI-voorbeelden komen soms uit de zaal
Ik kom niet alleen iets brengen
Ik probeer zelf ontzettend veel met AI. Soms misschien te veel. Maar een van de mooie dingen aan trainingen geven, is dat inspiratie niet een kant op gaat. Ik kom niet alleen iets brengen. Ik haal ook iets op.
In bijna elke training zit iemand die iets zegt waardoor ik denk: ja, dat is slim. Of: daar had ik zelf nog niet zo over nagedacht.
Kinderen leren vragen stellen
Tijdens een training in de verzekeringswereld zei iemand: “Je kunt tegenwoordig zoveel opzoeken. Daarom leer ik mijn kinderen juist om goede vragen te stellen.” Ik vond dat een sterke opmerking.
Goede vragen stellen was altijd al belangrijk, maar met taalmodellen wordt het nog belangrijker. Wie een slechte vraag stelt, krijgt vaak een oppervlakkig antwoord. Wie leert doorvragen, krijgt nuance. Misschien moeten we kinderen niet alleen leren antwoorden te geven, maar vooral leren vragen te stellen.
Bonusaanbiedingen en een ingebrekestelling
Bij Hamilton Bright in Sneek vertelde iemand dat hij AI gebruikte om een weekmenu en boodschappenlijstje te maken op basis van de bonusaanbiedingen van Albert Heijn. Geen futuristisch laboratorium, maar gewoon: wat eten we deze week en hoe besparen we geld?
Een vriend gebruikte ChatGPT weer anders. Hij had dakbedekking gekocht en volgens de gebruiksaanwijzing aangebracht, maar het materiaal werd poreus. De leverancier reageerde niet. Toen vroeg hij ChatGPT om een stevige brief in de stijl van een jurist, met woorden als ingebrekestelling en verwijzing naar rechten. Binnen een of twee dagen stonden de directeuren bij hem in de tuin en werd het opgelost.
Dat is AI als versterking van je stem. Niet om te bluffen, maar om je punt beter te formuleren.
Adoptie begint bij herkenning
De sterkste voorbeelden zijn vaak niet spectaculair. Ze zijn herkenbaar. Ze laten zien: dit gaat ook over mijn leven en mijn werk.
over stem, video en alledaagse AI
Als je tegen je kelder gaat praten
Dicteren zonder nette structuur
In trainingen laat ik vaak zien dat je ChatGPT niet alleen kunt gebruiken door te typen. Je kunt ook praten. En dat klinkt als een klein verschil, maar in de praktijk verandert het veel.
Zodra je gaat dicteren, hoef je niet netjes te formuleren. Je kunt onsamenhangend praten, met halve zinnen en zijpaden. ChatGPT maakt er vaak alsnog een bruikbaar verhaal van. Voor mensen die veel ideeën hebben maar moeite hebben met een leeg scherm, is dat een bevrijding.
Spaans leren met stem
Ik laat ook vaak de stemfunctie zien. Dan zeg ik bijvoorbeeld: ik ben de Nederlandse herfst zat en wil emigreren naar Spanje, leer mij Spaans. Vervolgens vraag ik ChatGPT om Nederlandse zinnen te geven die ik naar het Spaans moet vertalen, en ik vraag om strenge, snelle correctie.
Dat werkt verrassend goed. Je krijgt geen standaard taalles, maar een gesprek. Je kunt fouten maken, opnieuw proberen en oefenen met situaties die voor jou relevant zijn.
AquaZoo en de wallaby
Nog interessanter wordt het met live video. Ik heb dat weleens in de stad Groningen gedaan: camera aan en vragen wat ik zie. In AquaZoo in Leeuwarden richtte ik mijn telefoon op een dier en vroeg: wat is dit voor dier? Het bleek een wallaby. Toen ik zei dat hij dicht bij het water zat, kreeg ik te horen dat wallaby’s kunnen zwemmen.
Ik vond dat prachtig. Mijn vriendin iets minder. Die schaamde zich ongeveer dood dat ik in de dierentuin met mijn telefoon tegen ChatGPT stond te praten alsof ik een persoonlijke dierentuindeskundige bij me had.
De kelder als database
Het meest praktische voorbeeld is mijn kelder. Onder mijn huis heb ik ongeveer vijftig vierkante meter kelderruimte, met huisraad van twee samengevoegde woningen. Ik liep naar beneden en beschreef hardop wat ik zag: trap af, rechterkant, eerste plank, doos met spanningzoeker, hamer, schroevendraaiers en kabels.
Plank voor plank bracht ik mijn kelder in kaart. De volgende keer dat ik mijn spanningzoeker zoek, wil ik gewoon vragen: waar ligt die? En dan is het antwoord: trap af, rechts, eerste plank, in de doos met gereedschap.
Sommige mensen vinden dat ik doorsla. Misschien is dat ook zo. Maar juist in dat doorslaan ontdek je soms wat mogelijk is.
De echte doorbraak
AI wordt interessant als het niet alleen in vergaderruimtes werkt, maar ook in de dierentuin, bij taalles en in een rommelige kelder.
over NotebookLM, emotie en eerlijkheid
De podcast die nep was, maar wel kippenvel gaf
Een zorgorganisatie als podcast
Mijn vriendin werkt met demente ouderen bij ZINN in Groningen. Op internet stond openbare informatie over de afdeling waar zij werkt. Ik stopte die informatie in NotebookLM en liet er een podcast van maken.
Dat was nog vrij vroeg in de ontwikkeling van dit soort toepassingen. Destijds kon dat alleen nog in het Engels. Je kreeg twee stemmen: een man en een vrouw, een beetje Amerikaans, heel soepel en heel echt.
Omdat ze toen nog minder alert was
Juist omdat het nog vrij vroeg was, was mijn vriendin nog niet zo alert als ze nu zou zijn. Tegenwoordig vraagt ze bij veel dingen die ik laat zien al snel: is dit echt of is dit AI? Maar toen zat het idee dat je met een paar webpagina’s een overtuigende podcast kon maken nog niet vanzelf in haar hoofd.
Ik zei: schat, moet je horen wat ik ben tegengekomen. Op een Amerikaanse site hebben ze het over jullie organisatie. Dat was natuurlijk een beetje flauw, maar ook interessant.
Echte ontroering door kunstmatige stemmen
Ze luisterde tien seconden. Twintig seconden. En toen werd ze geraakt. Ze kreeg kippenvel, had bijna tranen in haar ogen en zei: wat is dit mooi, wat is dit lyrisch, wat doet dit recht aan wat wij doen.
Toen dacht ik: oei. De emotie was echt. Maar de bron niet. Er waren geen Amerikaanse podcastmakers. Geen redactie. Geen journalist. Het was AI, gemaakt uit openbare informatie, door mij.
De pleister eraf
Ik besloot de pleister er meteen af te trekken en vertelde dat het met AI was gemaakt. Ze werd een paar seconden heel boos. Terecht. Want ik had haar even laten geloven dat iets anders was dan het was.
Daarna veranderde haar gezicht. Eigenlijk vond ze het leuk. Ze wilde het doorsturen naar haar collega’s in de WhatsApp-groep. Eerst ontroering, toen boosheid, toen verwondering en trots. Dat is nogal wat voor een AI-experimentje.
Praten met de podcast
Wat het nog bijzonderder maakt: in NotebookLM kun je bij sommige audio-overzichten zelf inbreken in het gesprek. Dan reageren de stemmen alsof je inbelt in een radioshow. Ineens lees je geen document meer en luister je geen gewone podcast meer. Je praat met de podcast.
Dat is een nieuwe manier van leren. En tegelijk blijft de les: AI kan iets kunstmatigs maken dat echt voelt. Dat vraagt om transparantie, maar ook om verbeelding.
De kern
Als iets met AI is gemaakt, maar iemand echt raakt, is de emotie niet nep. Maar de herkomst moet wel eerlijk zijn.
Deel II - Misverstanden, modellen en manieren van kijken
Veel weerstand tegen AI begint bij een verkeerd beeld van hoe het werkt.
over privacy en trainingsdata
Nee, je creditcardnummer zit morgen niet in ChatGPT
Het archiefkast-misverstand
In bijna elke AI-training komt de vraag terug: als ik iets in ChatGPT zet, kan iemand anders dat dan morgen opvragen? Meestal geef ik dan dit voorbeeld. Stel dat ik nu zeg: dit is mijn creditcardnummer. Kan iemand morgen aan ChatGPT vragen: wat is het creditcardnummer van Erik?
Veel mensen denken dat ChatGPT een enorme database is waarin alle ingevoerde teksten netjes worden opgeslagen, geïndexeerd en weer opvraagbaar zijn. Alsof het systeem ergens een kast heeft met laatjes: creditcardnummers, klantnamen, beleidsplannen en ruzies met collega’s.
Zo werkt het niet
Zo werkt het niet. ChatGPT is geen zoekmachine in een geheime database met gesprekken van andere mensen. Het is geen archiefkast waar je later even een document uit terugvraagt.
Het model is getraind op enorme hoeveelheden tekst, patronen, voorbeelden en voorkeuren. Daaruit heeft het geleerd hoe taal werkt en welke antwoorden vaak logisch of passend zijn. Dat is iets anders dan letterlijk alles onthouden en doorvertellen.
Wel verstandig blijven
Dat betekent niet dat je zomaar alles moet invoeren. Privacy blijft belangrijk. Je moet geen gevoelige klantgegevens, personeelsinformatie of bedrijfsgeheimen in een willekeurige tool plakken. Maar je moet wel het juiste risico begrijpen.
ChatGPT is geen digitale doorgeefmachine voor wat andere mensen hebben ingetikt. Het is ook geen onfeilbaar opperwezen. Het is een krachtig taalmodel dat je verstandig moet gebruiken.
Vuistregel
Zet niets in een openbare of persoonlijke AI-tool wat je niet zonder nadenken extern zou delen.
over gratis modellen, thinking en Deep Research
Je beoordeelt een Formule 1-auto niet in de eerste versnelling
Welke stand gebruik je?
Ik spreek regelmatig mensen die zeggen: ChatGPT geeft vaak verkeerde antwoorden. Soms klopt dat. Maar ik vraag dan meestal door: welke versie gebruik je? Welk model? Met welke instellingen? Voor welk soort vraag? Heb je bronnen laten zoeken? Heb je Deep Research gebruikt?
Veel mensen beoordelen AI op basis van een gratis account, een korte vraag en een snel antwoord. Dan is het antwoord matig en wordt de conclusie: zie je wel, dit is niet betrouwbaar. Dat is alsof je een Formule 1-auto beoordeelt terwijl je alleen in de eerste versnelling over een parkeerplaats hebt gereden.
Vier niveaus
Ik leg in trainingen vaak uit dat je AI op vier niveaus kunt gebruiken. Het eerste niveau is het gratis model. Dat is laagdrempelig en prima om te beginnen, maar niet altijd de beste basis om AI professioneel te beoordelen.
Het tweede niveau is het betaalde instant-model. Dat is snel en praktisch. Ideaal voor korte taken: een mail verbeteren, een tekst inkorten, een lijstje maken, een eerste opzet schrijven of snel een paar ideeën krijgen.
Het derde niveau is het betaalde thinking-model. Dat model neemt meer tijd voor een antwoord, maar is daardoor vaak geschikter voor complexere vragen. Denk aan strategie, analyse, argumentatie, scenario’s, risico’s en vraagstukken waarbij je niet alleen snelheid wilt, maar ook redenering en nuance.
Het vierde niveau is Deep Research. Dat gebruik ik vooral wanneer ik echt dieper wil graven. Dan wil ik niet alleen een snel antwoord, maar een uitgebreider onderzoek met bronnen, meerdere invalshoeken en een duidelijke opbouw.
Niet elke vraag verdient hetzelfde model
Voor een korte tekst is snelheid handig. Voor een ingewikkelde analyse is denkwerk handig. Voor een serieus onderzoek is Deep Research handig.
Veel kritiek op AI ontstaat doordat mensen het verkeerde gereedschap gebruiken voor de verkeerde klus. Een hamer is slecht in schroeven, maar dat betekent niet dat gereedschap overschat wordt.
Werkregel
Kies je model op basis van het risico en de complexiteit van je vraag. Snel waar het kan, grondig waar het moet.
over waarheid, toon en effect
Alfa’s, bèta’s en de mail over een project dat uitloopt
De training met ingenieurs
Ik gaf een keer een AI-training bij een bedrijf waar veel ingenieurs werkten. Slimme mensen, technische mensen, mensen die gewend zijn precies te denken. Een berekening klopt of klopt niet. Een planning loopt of loopt niet uit.
Tijdens die training behandelde ik een voorbeeld: je moet een klant mailen dat een project een maand uitloopt. Hoe bouw je zo’n mail op? Begin je direct met de vertraging? Toon je eerst begrip? Leg je eerst de oorzaak uit? Bied je meteen een oplossing? Welke toon kies je?
De boodschap blijft toch hetzelfde
Een van de bèta’s zei ongeveer: het maakt toch niet uit hoe je het zegt? Het project loopt uit. De boodschap is hetzelfde. En feitelijk had hij gelijk. Het project loopt uit. Daar verandert geen formulering iets aan.
Maar communicatief gezien maakt het natuurlijk enorm uit. Een klant hoort niet alleen de inhoud. Een klant voelt ook toon, verantwoordelijkheid, begrip en respect.
Twintig stakeholders simuleren
Later liet ik zien dat je ChatGPT kunt vragen om vanuit twintig interne stakeholders naar een idee te kijken. Niet omdat ChatGPT letterlijk weet wat die stakeholders vinden, maar omdat het mogelijke perspectieven kan simuleren.
Toen zei iemand: dat zijn toch niet de echte meningen van die stakeholders? Ook dat was feitelijk juist. Maar het doel was niet om de werkelijkheid exact te vervangen. Het doel was om beter voorbereid te zijn op de werkelijkheid.
Twee manieren van kijken
De bèta vraagt sneller: klopt het? De alfa vraagt sneller: wat doet dit met de ander? De bèta kijkt naar feitelijke juistheid. De alfa kijkt naar betekenis, toon en effect.
Beide perspectieven zijn nodig. Een empathische mail met onjuiste informatie is slecht. Maar een feitelijk correcte mail die de relatie beschadigt, is ook geen succes. AI zit precies op het snijvlak van die twee werelden: techniek die je bedient met taal.
Combinatiekracht
De beste AI-resultaten ontstaan vaak als alfa en bèta elkaar serieus nemen: taalgevoel plus systeemdenken.
over fascinatie en gevaar
AI is een mes
De Tesla in Amsterdam
In trainingen maak ik weleens een afbeelding van een Tesla in hartje Amsterdam, in de sneeuw, op een zonnige dag, met schaatsende mensen op de gracht en een gele luchtballon in de vorm van een eend. Die eend voeg ik bewust toe. Hij maakt duidelijk: dit is geen echte foto.
Maar de rest voelt vaak echt. Je ziet grachtenpanden, mensen, sneeuw, een auto en sfeer. Alleen bestaan die panden niet exact zo. Die mensen zijn niet echt. De Tesla stond daar niet.
Het kenteken dat je kunt aanpassen
Daarna laat ik zien dat je details kunt aanpassen. Bijvoorbeeld het kenteken. Dat is fascinerend en doodeng tegelijk. Want als je een auto overtuigend op een plek kunt zetten waar hij nooit stond, kun je twijfel zaaien of nep bewijs maken.
Dat is de dubbelheid die ik vaak voel bij AI: verwondering en ongemak tegelijk.
De metafoor van het mes
Ik vergelijk AI soms met de uitvinding van het mes. Een mes maakt brood snijden makkelijker. Je kunt eten bereiden, hout bewerken en preciezer werken. Maar iemand anders kan hetzelfde mes gebruiken om te bedreigen of te verwonden.
Het mes zelf is niet goed of slecht. Het versterkt de bedoeling van degene die het gebruikt. Zo is AI ook: een amplifier. Wil je goede dingen doen, dan kun je dat beter, sneller en schaalbaarder. Wil je slechte dingen doen, dan helaas ook.
Normen moeten meegroeien
Daarom hebben we niet alleen betere modellen nodig, maar ook betere normen. Wanneer moet je vermelden dat beeld of audio met AI is gemaakt? Hoe beschermen we mensen tegen nepcontent? Hoe controleren we bewijs? Hoe leren we kinderen en volwassenen kritisch kijken?
De gele eend boven Amsterdam is grappig. Een aangepast kenteken op een realistische foto ineens minder.
Dubbele waarheid
AI is niet alleen goed of slecht. Het vergroot menselijke intenties. Daarom hebben we techniek én moreel oordeel nodig.
over terechte bezwaren
Kritisch zijn op AI is geen weerstand, maar volwassenheid
Gelukkig zijn er bezwaren
In mijn trainingen zitten bijna altijd mensen met bezwaren tegen AI. En eerlijk gezegd: gelukkig maar. Sommige bezwaren zijn terecht. De manier waarop modellen worden getraind roept vragen op over data, auteursrecht, transparantie en macht.
Ook energiegebruik is serieus. Net als de toekomst van werk, onderwijs en zelf nadenken. Wat gebeurt er met banen? Leren studenten nog schrijven als AI elke zin mooier kan maken? Worden mensen slimmer door AI of juist afhankelijker?
Geen blind enthousiasme
Ik ben enthousiast over AI. Ik zie dagelijks wat het kan betekenen. Maar enthousiasme mag geen blindheid worden. Juist als je de kracht van AI ziet, moet je ook de risico’s serieus nemen.
AI is te belangrijk om volledig over te laten aan bedrijven die vanzelfsprekend ook commerciële belangen hebben. Dat maakt hun producten niet slecht, maar het betekent wel dat we als samenleving moeten blijven meepraten.
Kritiek moet verder dan mopperen
Kritisch zijn is niet hetzelfde als tegen AI zijn. Je kunt AI gebruiken en tegelijk vragen stellen over privacy. Je kunt Deep Research geweldig vinden en toch nadenken over energiegebruik. Je kunt medewerkers trainen en tegelijk erkennen dat werk verandert.
Alleen moet kritiek verder gaan dan zeggen dat AI risico’s heeft. De vraag is: wat doen we dan? Welke afspraken maken we? Welke informatie voeren we niet in? Hoe houden we menselijke verantwoordelijkheid centraal?
Volwassen positie
Niet: AI lost alles op. Niet: AI moet weg. Wel: AI is krachtig, dus we moeten er verstandig mee omgaan.
Deel III - Veiligheid, werk en organisatieverandering
De grootste AI-vraag in organisaties is vaak geen toolvraag, maar een mensenvraag.
over cloud, on-premise en zakelijke omgevingen
Veilig AI gebruiken begint met weten waar je data naartoe gaat
Is AI veilig?
Een vraag die ik in trainingen vaak krijg: is AI eigenlijk wel veilig? Zeker bij organisaties die werken met klantgegevens, financiële informatie, medische gegevens, personeelsdossiers, verzekeringsdata of strategische plannen is dat logisch.
Het slimme deel van veel AI-tools staat meestal niet op je eigen laptop of eigen server. Je typt iets in en je vraag gaat naar een externe omgeving, vaak een cloudomgeving van een grote technologiepartij. Dat hoeft niet meteen onveilig te zijn, maar je moet weten wat je doet.
On-premise klinkt veilig, maar is niet eenvoudig
Bij veel bedrijven leeft het gevoel: veilig betekent dat alles op onze eigen systemen staat. On-premise dus. Dat kan logisch zijn bij zeer gevoelige informatie of zware compliance-eisen. Maar krachtige AI lokaal draaien vraagt technische kennis, servers, beveiliging, beheer, updates en mensen die snappen wat ze doen.
Daarom zie je vooral grotere bedrijven, banken, verzekeraars en sterk gereguleerde organisaties eerder kijken naar afgeschermde zakelijke AI-omgevingen of eigen infrastructuur.
Veiligheid is ook gedrag
Techniek is maar een deel van veiligheid. Je kunt de beste zakelijke omgeving hebben, maar als medewerkers klantgegevens in een gratis privéaccount plakken, heb je alsnog een probleem.
Daarom begint veilig AI-gebruik met inzicht, beleid en gedrag. Welke tools mogen we gebruiken? Welke informatie mag er nooit in? Wie controleert output? Waar kunnen medewerkers terecht bij twijfel?
Kernvraag
De keuze is niet: AI gebruiken of veilig zijn. De echte keuze is: AI ongecontroleerd gebruiken of zichtbaar, doordacht en met duidelijke afspraken.
over beleid en schijnveiligheid
Als mensen AI toch gebruiken, kun je maar beter spelregels maken
Verbieden is niet hetzelfde als beheersen
Veel organisaties hebben nog geen duidelijke AI-richtlijnen. Dan doen medewerkers twee dingen: ze gebruiken AI niet omdat ze bang zijn iets fout te doen, of ze gebruiken AI stiekem.
Dat laatste is riskanter dan het lijkt. Mensen hebben thuis ChatGPT. Ze hebben werkdruk. Ze moeten teksten schrijven, documenten begrijpen en samenvattingen maken. Als een organisatie zegt: wij doen voorlopig niets met AI, betekent dat niet dat er niets gebeurt. Het betekent vooral dat het buiten beeld gebeurt.
Een praktische vuistregel
Mijn simpele vuistregel in trainingen is: zet niets in AI wat je ook niet op de homepage van je website zou zetten. Geen klantnamen, medische informatie, vertrouwelijke informatie over collega’s, interne cijfers, dossiers, offertes met namen en bedragen of strategie die niet openbaar is.
Die regel is juridisch niet compleet, maar als eerste reflex werkt hij goed.
Van verbod naar voorwaarden
Een goed AI-beleid hoeft niet te beginnen als document van vijftig pagina’s. Begin met heldere afspraken. Welke tools mogen? Welke informatie mag nooit? Wanneer anonimiseren we? Wie blijft verantwoordelijk? Wanneer moet AI-gebruik vermeld worden?
Niet: AI mag niet. Maar: AI mag, onder voorwaarden. Veilig AI-gebruik begint niet bij paniek, maar bij duidelijkheid.
Schijnveiligheid
Wat je verbiedt maar niet bespreekt, verdwijnt vaak niet. Het wordt alleen onzichtbaar.
over de kloof tussen werkvloer en bestuur
De mensen die AI gebruiken, beslissen er niet over
Een nieuwe kloof
Wat me in veel AI-trainingen opvalt, is een nieuwe kloof binnen organisaties: de kloof tussen de mensen die AI gebruiken en de mensen die erover beslissen.
Op de werkvloer zijn vaak al mensen aan het experimenteren. Soms voorzichtig, soms fanatiek. Daarboven zit soms een directie die nog denkt dat AI vooral een handige tekstgenerator is, of een bestuur dat het belangrijk vindt maar niet goed weet waar te beginnen.
Mandaat ontbreekt
Als mensen met mandaat onvoldoende begrijpen wat AI kan, blijft AI hangen in losse experimenten: een mailtje hier, een samenvatting daar, een promptje in marketing. Nuttig, maar nog geen echte verandering.
Tegelijk weten mensen op de werkvloer vaak precies waar tijd weglekt, welke rapportages terugkomen en waar processen omslachtig zijn. Maar zij hebben niet altijd budget of mandaat.
Training als praatstuk
Daarom vind ik het waardevol als in een AI-training meerdere lagen aanwezig zijn: medewerkers, managers, directie, IT, legal, communicatie, finance. Dan wordt de training niet alleen een training, maar een praatstuk.
Na afloop begint pas het belangrijkste deel: wat gaan we nu aanpassen? Welke drie processen onderzoeken we? Wie neemt eigenaarschap? Welke risico’s accepteren we?
Organisatievraag
AI-adoptie is geen speeltje van enthousiaste voorlopers en geen onderwerp dat je volledig bij IT kunt parkeren. Het is een gesprek tussen lagen.
over vertrouwen en werkzekerheid
Waarom zou ik mijn eigen werk automatiseren?
Niet iedereen voelt meteen voordeel
Veel mensen die intensief met AI bezig zijn, zijn nieuwsgierig: freelancers, ondernemers, creatieve professionals, innovatieve medewerkers. Voor hen voelt AI als een cadeau.
Maar stel je bent werknemer. Je werkt 32 of 36 uur per week. Je hebt gekozen voor je baan, je doet je werk goed, je werkdruk is te doen. Dan komt iemand binnen met een AI-training en zegt: hiermee kun je sneller werken. Dan kun je terecht denken: voor wie is dat goed nieuws?
De ongemakkelijke vraag
Welke medewerker gaat uit zichzelf naar de manager om te zeggen: goed nieuws, ik heb ontdekt dat ik mijn werk voortaan in de helft van de tijd kan doen? Krijg je dan interessanter werk, meer waardering, meer taken, minder uren of de vraag waarom jouw functie nog zo groot moet zijn?
Zolang organisaties die spanning niet benoemen, blijft AI-adoptie oppervlakkig. Dan zeggen mensen tijdens een training dat ze het interessant vinden, maar doen ze er daarna weinig mee.
70 procent mensen
Organisaties besteden vaak veel tijd aan tools, daarna aan data, en ergens aan het eind aan mensen. Een training van twee uur, een promptlijstje, een interne pagina. Ik zou dat omdraaien.
Besteed 70 procent van de aandacht aan mensen: uitleg, oefenen, angst bespreken, afspraken maken, voorbeeldgedrag van managers. Besteed 20 procent aan processen en data. En misschien 10 procent aan tools.
Wat gebeurt er met tijdwinst?
Als AI tijd bespaart, moet je uitleggen wat er met die tijd gebeurt. Wordt die gebruikt om meer productie te draaien, kwaliteit te verhogen, werkdruk te verlagen of klanten beter te helpen? Als je dat gesprek niet voert, vullen mensen het zelf in. Meestal niet in het voordeel van de organisatie.
Productiviteit klinkt aantrekkelijk in een directiekamer. Vertrouwen bepaalt of het op de werkvloer gebeurt.
Adoptievoorwaarde
Medewerkers moeten durven zeggen: ik heb AI gebruikt om dit slimmer te doen, zonder bang te zijn dat het meteen tegen hen gebruikt wordt.
over kansen die ook kunnen schuren
Don't kill the messenger
Een locatieonderzoek in minuten
Soms sta ik tijdens een training iets te demonstreren en voel ik de spanning in de ruimte veranderen. Niet omdat iets niet werkt, maar juist omdat het wel werkt.
Ik gaf laatst een training bij een organisatie die locatieonderzoek moest doen. Voor een bepaalde dienst hadden ze in het centrum van een historische stad twee geschikte locaties nodig. Dat klinkt overzichtelijk, maar in de praktijk kost zoiets behoorlijk wat werk.
Je moet locaties vinden, adressen verzamelen, contactgegevens opzoeken, inschatten hoe geschikt ze zijn, voor- en nadelen benoemen, een rangschikking maken en daarna misschien ook nog brieven voorbereiden richting de meest kansrijke locaties.
Vier documenten tegelijk
Tijdens de training vroeg ik aan Claude Cowork om een Excel-document te maken met twintig mogelijke locaties. Niet zomaar een lijstje, maar per locatie het adres, telefoonnummer, een geschiktheidsscore en een korte onderbouwing van die score.
Daarna vroeg ik om op basis van de top drie uit die lijst meteen drie brieven klaar te zetten in Word. In de huisstijl van de organisatie. In de juiste toon. Gericht aan de drie meest kansrijke locaties.
Eigenlijk vroeg ik dus om vier documenten tegelijk: een Excel-overzicht met twintig locaties en drie conceptbrieven aan de meest kansrijke partijen.
Niet af, wel enorm ver
Natuurlijk moet je zoiets controleren. Adressen, telefoonnummers, geschiktheid en toon moeten kloppen. AI-output is geen eindstation. Maar toch: het verschil met handmatig werken is enorm.
Je hebt niet meteen de perfecte eindversie, maar je hebt wel een sterke eerste opzet. Je hebt structuur, richting, vergelijking en conceptbrieven. Je hebt iets om over te praten, te controleren en aan te scherpen.
Onder de indruk, of bedreigd?
Ik zag aan degene voor wie dit relevant was dat hij onder de indruk was. Maar ik kon niet helemaal inschatten wat hij precies voelde. Was dit enthousiasme? Of ook schrik? Zag hij vooral de kans? Of ook de bedreiging?
Dat vind ik soms het lastige aan AI-trainingen. Ik kom iets brengen waarvan ik oprecht denk dat het mensen kan helpen. Tegelijk weet ik dat het voor sommige mensen niet alleen voelt als hulp, maar ook als iets dat aan hun rol raakt.
De boodschap komt toch wel
Als een taak waar je vroeger uren mee bezig was ineens in een paar minuten in concept klaarstaat, wat betekent dat dan voor jouw werk, jouw functie en jouw toegevoegde waarde?
Ik voel me dan weleens de boodschapper van nieuws dat tegelijk goed en ongemakkelijk is. Don’t kill the messenger. Als ik het niet vertel, verandert de werkelijkheid niet. Dan komt je manager er volgende maand achter, of over een half jaar. Dan kun je er maar beter op voorbereid zijn.
AI verandert niet alleen taken. AI verandert ook hoe mensen naar hun eigen waarde kijken. Daar moet je zorgvuldig mee omgaan, maar niets zeggen is ook een keuze. En meestal geen goede.
Ongemakkelijke les
Je kunt beter zelf ontdekken hoe AI je werk verandert, dan wachten tot iemand anders dat voor jou bepaalt.
over senioriteit, vakmanschap en output beoordelen
AI is vooral krachtig in handen van mensen die weten wat goed is
De tekstschrijver die niets met AI wilde
Ik gaf een keer een training bij een webshop in Veendam. Na afloop kwam iemand van HR naar me toe. Ze vertelde dat ze een tekstschrijver in dienst hadden die eigenlijk niets met AI wilde doen. Niet een beetje terughoudend, maar echt: ik wil dit niet gebruiken.
Ze vroeg mij: hoe moet ik daarmee omgaan? Dat is een lastige vraag. Je wilt iemand niet dwingen om enthousiast te zijn over iets waar diegene moeite mee heeft. Zeker niet als iemand jarenlang een vak heeft opgebouwd.
Geef haar een onmogelijke opdracht
Ik zei tegen de HR-medewerker: geef haar eens een onmogelijke opdracht. Vraag haar of ze vanmiddag vier blogartikelen kan schrijven.
Niet om flauw te doen. Niet om iemand te laten falen. Maar om zichtbaar te maken wat er aan het veranderen is. Een tekstschrijver zal waarschijnlijk zeggen: vier blogartikelen vanmiddag? Dat kan niet. Voor één goed artikel ben ik misschien twee dagen bezig. Ik moet onderzoek doen, bronnen bekijken, structureren, schrijven, schrappen en bijschaven.
En daar heeft ze gelijk in. Zo werkte het vak lange tijd.
Het gereedschap verandert de vergelijking
Maar ondertussen komt er misschien iemand van een hbo-opleiding Communicatie die wel handig is met AI. Die zegt: vier blogartikelen? Ik maak er vandaag acht. Niet perfect in één keer, maar wel goed genoeg als basis. Daarna redigeer ik ze, check ik de inhoud, pas ik de tone of voice aan en lever ik ze netjes op.
Dan ontstaat er vroeg of laat een moeilijk gesprek. Niet omdat die jonge medewerker per definitie beter kan schrijven, maar omdat diegene ander gereedschap gebruikt.
Input, proces, output
Werken bestaat vaak uit drie onderdelen: input, proces en output. Je krijgt informatie binnen, je verwerkt die informatie en je levert iets op. Een tekst, analyse, advies, rapport, plan of presentatie.
AI verandert vooral het proces. Schrijven, structureren, samenvatten, analyseren, vergelijken en uitwerken kan veel sneller. Daardoor verschuift de waarde van werk.
Waarom seniors juist sterker kunnen worden
Als het proces sneller wordt, worden de juiste input en het beoordelen van output belangrijker. Wat vraag je precies? Welke context geef je mee? Wat moet absoluut kloppen? Welke risico’s zitten erin? Welke toon past? Welke aannames moeten worden gecontroleerd?
Daar wordt senioriteit enorm belangrijk. Een junior kan met AI snel iets maken. Maar een senior ziet sneller of het klopt. Een senior herkent een verkeerde aanname, voelt of een
tekst de klant geruststelt of irriteert, ziet of een analyse logisch lijkt maar strategisch onhandig is, en merkt wat er niet staat terwijl het er wel had moeten staan.
Daarom is AI in handen van seniors zo krachtig. Niet omdat zij sneller typen, maar omdat zij beter kunnen beoordelen. De AI maakt tempo. De senior bewaakt richting, kwaliteit en nuance.
Vakmanschap verplaatst zich
De tekstschrijver die AI weigert, krijgt het misschien moeilijk. Maar de tekstschrijver die AI gebruikt en haar vakmanschap behoudt, wordt sterker dan ooit.
AI maakt niet duidelijk dat jouw ervaring minder waard is. AI maakt duidelijk dat jouw ervaring op een andere plek nodig is: niet alleen in het maken, maar in het sturen, kiezen, controleren en verbeteren.
De toekomst is niet aan mensen die blind alles aan AI overlaten. Maar ook niet aan mensen die weigeren het te gebruiken. De toekomst is aan mensen die weten wat goed werk is en AI gebruiken om sneller, scherper en beter bij dat goede werk te komen.
Nieuwe seniorrol
Hoe makkelijker het wordt om output te maken, hoe belangrijker het wordt om goede output van middelmatige output te onderscheiden.
over online marketing en verdienmodellen
Als AI mijn werk halveert, wat factureer ik dan nog?
De eerste vragen kwamen uit marketing
In de begintijd van ChatGPT werd ik opvallend vaak gevraagd door online marketingbureaus. Dat was logisch: ik kom zelf uit die wereld en heb bijna dertig jaar ervaring in online marketing.
In het begin gebruikte ik AI vooral voor Google Ads. Dat doe ik nog steeds. Ik gebruik AI voor setups, analyses, brainstorms, advertentieteksten, Search Console-inzichten, automatisering, eigen dashboards en koppelingen. Soms voelt het alsof ik het werk van acht mensen in mijn eentje kan doen.
Het urenmodel onder druk
Van de eerste tien AI-trainingen waren er misschien wel zes voor online marketingbureaus. Vaak stuurde de directeur mij een bericht: Erik, als ik nu 100 uur factureer voor 100 euro per uur, krijg ik 10.000 euro per maand. Maar als ik hetzelfde werk straks in 50 uur kan doen, wat factureer ik dan?
Veel directeuren zeiden: we moeten waardegestuurd gaan werken. De klant moet niet kijken naar uren, maar naar output en resultaat. Ik snap die gedachte. Toch sta ik er dubbel in.
Mijn eigen keuze
Ik heb het zelf meestal anders gedaan. Als ik efficiënter werk, factureer ik vaak minder tijd. Dat voelt eerlijk. Tegelijk betaal ik veel geld aan AI-tools. Op jaarbasis misschien wel 5.000 euro. Ik werk sneller, lever beter, maar verdien niet automatisch meer.
Dat is de rare tussenfase waarin veel kenniswerkers zitten. De techniek verandert sneller dan het verdienmodel.
De tandartsmetafoor
Waardegestuurd werken kan op korte termijn helpen, maar op lange termijn moet je oppassen. Stel dat mijn tandarts zegt: een wortelkanaalbehandeling is u op dit moment 10.000 euro waard. Dan kan hij dat misschien een keer vragen, maar daarna zoek ik een andere tandarts.
Zo werkt het ook met bureaus. Klanten worden slimmer. Concurrenten worden efficiënter. De markt past zich aan.
Van kanaalspecialist naar groeipartner
Als je alleen Google Ads-beheer aanbiedt, wordt het kwetsbaarder. AI helpt bij analyses, zoektermen, scripts, dashboards en advertenties. De toekomst zit volgens mij meer in samenhang: SEA, SEO, GEO, conversieoptimalisatie, affiliate, social advertising, content en data bij elkaar brengen.
Een klant betaalt uiteindelijk niet voor tijd. Een klant betaalt voor vertrouwen, richting, resultaat en betere keuzes. AI verandert vooral de vraag hoe je die waarde levert.
Verdienmodelvraag
AI neemt niet alleen werk over. AI verandert de waarde van werk. Sommige uren worden minder bijzonder, andere uren juist waardevoller.
Deel IV - Van inspiratie naar actie
De kunst is niet om alles met AI te doen, maar om precies te kiezen waar AI waarde toevoegt.
hoe je voorkomt dat AI overweldigt
Van toolshow naar use case
Begin niet met de tool
Als je begint met de vraag wat AI allemaal kan, is het antwoord: te veel. AI kan schrijven, samenvatten, analyseren, brainstormen, programmeren, zoeken, structureren, vertalen, controleren, plannen, visualiseren en rapporteren. Zonder richting verdrink je in de mogelijkheden.
Daarom begin ik steeds vaker niet met de tool, maar met het werk. Welke taak kost jou elke week onnodig veel tijd? Welke rapportage komt steeds terug? Welke klantvragen herhalen zich? Welke analyse blijft liggen omdat niemand tijd heeft?
Een goede use case is klein genoeg
Een goede eerste use case is klein genoeg om te proberen en groot genoeg om waarde te hebben. Niet: we gaan AI implementeren. Wel: we willen de eerste versie van onze maandrapportage sneller maken. Of: we willen klantmails consistenter beantwoorden. Of: we willen beleidsstukken vooraf laten toetsen op risico’s en weerstand.
Klein beginnen is geen gebrek aan ambitie. Het is de manier om vertrouwen op te bouwen.
Van inspiratie naar actie
Een training moet mensen inspireren, maar daarna moet er een concrete stap volgen. Anders blijft AI hangen in verbazing. “Wat gaaf” is geen implementatieplan.
Laat elke deelnemer aan het eind een toepassing kiezen voor morgen. Niet vijf. Een. Wat ga je doen? Welke prompt gebruik je? Welke informatie heb je nodig? Wanneer controleer je de output? Wat deel je met je team?
Drietrap
Verwondering: wat kan er? Vertaling: wat betekent dit voor ons werk? Keuze: wat proberen we morgen?
een werkvorm na de training
Een praktische AI-hackathon
Waarom een hackathon werkt
Na een training adviseer ik organisaties soms om een praktische AI-hackathon te organiseren. Niet als hip evenement met pizza en buzzwords, maar als werksessie waarin je een echt probleem aanpakt.
Zet mensen uit verschillende lagen en functies bij elkaar. Kies een concreet probleem. Laat ze onderzoeken waar AI kan helpen. Laat ze prototypes maken. Laat ze risico’s benoemen. Laat ze na afloop presenteren wat werkt, wat niet werkt en wat nodig is om verder te gaan.
De opzet in vijf stappen
1. Kies een probleem dat iedereen herkent. Begin niet met een tool, maar met een concreet vraagstuk uit de praktijk.
2. Verzamel voorbeelden, documenten, vragen en randvoorwaarden. Zorg dat de groep werkt met echte input, niet met een abstract AI-idee.
3. Maak kleine experimenten met AI. Test snel wat werkt, zonder meteen te doen alsof het al een eindoplossing is.
4. Toets op kwaliteit, veiligheid en bruikbaarheid. Kijk niet alleen of het kan, maar ook of het klopt, veilig is en echt helpt.
5. Besluit of je stopt, verbetert of opschaalt. Eindig niet met “interessant”, maar met een duidelijke vervolgstap.
Belangrijk is dat een hackathon niet draait om de mooiste demo, maar om leren. Je wilt ontdekken wat AI echt toevoegt en waar je nog grenzen, beleid of betere data nodig hebt.
Wie moet erbij zijn?
Laat niet alleen enthousiaste voorlopers deelnemen. Nodig ook iemand uit de praktijk uit, iemand van IT, iemand die kritisch is, iemand met mandaat en iemand die de juridische of privacykant begrijpt.
Dan voorkom je dat AI een speeltje blijft van een kleine groep. Het wordt een gesprek tussen strategie en praktijk.
Hackathonregel
Eindig niet met “interessant”. Eindig met een besluit: stoppen, verder testen of implementeren.
praktische lessen om mee te nemen
Tien vuistregels na 200 AI-trainingen
1. Gebruik AI niet alleen voor output, maar ook voor denkwerk. Laat het model vragen stellen, aannames toetsen en alternatieven bedenken.
2. Begin met je werkproces, niet met de tool. Een tool is pas relevant als je weet welk probleem je wilt oplossen.
3. Geef context. Hoe beter de context, hoe groter de kans op bruikbare output.
4. Kies het juiste model. Gebruik snelle modellen voor eenvoudige taken, thinking-modellen voor redenering en Deep Research voor serieus onderzoek.
5. Controleer belangrijke output. AI is behulpzaam, maar niet verantwoordelijk. Jij blijft dat.
6. Maak veiligheid praktisch. Geef voorbeelden van wat wel en niet mag, niet alleen abstracte beleidszinnen.
7. Praat over tijdwinst. Als medewerkers niet weten wat er met efficiëntie gebeurt, wordt AI snel bedreigend.
8. Doseer inspiratie. Te veel voorbeelden kunnen verlammend werken. Kies wat past bij de groep.
9. Laat alfa en bèta samenwerken. Taalgevoel en systeemdenken zijn allebei nodig.
10. Blijf menselijk. AI is een versterker. Jij bepaalt de richting, de norm en het doel.
De belangrijkste zin
AI is geen vervanger van menselijk oordeel. Het is een versterker van menselijk oordeel, als je het goed gebruikt.
voor trainingen en dagelijks werk
Prompts die ik vaak gebruik
Eerst vragen stellen
“Geef nog geen antwoord. Stel mij eerst maximaal vijf scherpe vragen om mijn vraag beter te begrijpen. Vraag door op doel, doelgroep, context, beperkingen en gewenste output.”
“Ik wil een plan maken. Help mij eerst de juiste beslissingen nemen. Geef mij vier keuzemogelijkheden per vraag en vraag steeds maar een ding tegelijk.”
Kritisch laten meekijken
“Bekijk dit plan vanuit vijf rollen: financieel directeur, jurist, medewerker op de werkvloer, eindgebruiker en sceptische bestuurder. Geef per rol het grootste bezwaar en een suggestie om het plan sterker te maken.”
“Zoek de zwakke plekken in deze tekst. Waar ben ik te vaag, te stellig, te optimistisch of te weinig concreet?”
Van chaos naar structuur
“Ik dicteer nu rommelig mijn gedachten. Orden ze daarna in thema’s, geef een logische volgorde en maak er een heldere concepttekst van.”
“Vat dit samen in drie lagen: kernboodschap, belangrijkste argumenten en concrete vervolgstappen.”
Veilig en verantwoord
“Controleer deze tekst op privacyrisico’s. Welke informatie zou ik moeten anonimiseren voordat ik dit in een AI-tool zet?”
“Benoem bij je antwoord ook onzekerheden, aannames en punten die ik extern moet controleren.”
Promptregel
Een goede prompt beschrijft niet alleen wat je wilt hebben, maar ook waarom, voor wie, in welke context en hoe streng het model moet meedenken.
over Claude Cowork en kantoorwerk dat ineens versnelt
Van de tweede naar de vijfde versnelling
Sinds begin 2026
Sinds begin 2026 ben ik actief met Claude Cowork. En eerlijk is eerlijk: ik heb het gevoel dat we hiermee voor kantoorwerk van de tweede naar de vijfde versnelling zijn gegaan.
Dat klinkt groot, maar zo voelt het wel. Waar veel AI-gebruik eerst nog draaide om chatten, samenvatten en losse teksten maken, gaat Cowork een stap verder. Je kunt er daadwerkelijk dingen mee bouwen. Niet alleen praten over een dashboard, maar een dashboard maken. Niet alleen een analyse bedenken, maar een analyse uitwerken. Niet alleen een brochure structureren, maar een eerste versie opleveren.
Bouwen in plaats van alleen praten
De leukste sessies die ik de laatste tijd heb gegeven, zijn sessies waarin we met Cowork echt aan de slag gaan. Niet alleen kijken naar voorbeelden, maar samen iets maken. Dashboards. Analyses. Brochures. Plannen. Excel-bestanden. Rapportages. Kleine prototypes die ineens laten zien wat er mogelijk is.
Dat verandert de energie in een training. Mensen zien niet alleen een demo, maar een werkend begin. Iets dat lijkt op hun eigen werk. Iets waar ze aan kunnen trekken, op kunnen reageren en dat ze kunnen verbeteren. Dan wordt AI niet langer een abstract onderwerp, maar een werkomgeving waarin ideeën sneller tastbaar worden.
Niet zonder controle
Daar hoort meteen een belangrijke kanttekening bij. Alles wat je met Cowork bouwt, moet later nog goed worden bekeken. Zeker als het gaat om dashboards, data, automatisering, documenten, koppelingen of toepassingen die echt in een organisatie gebruikt gaan worden.
Iemand van security moet meekijken. Development moet meekijken. Data moet kloppen. Rechten moeten goed staan. Privacy moet geregeld zijn. Je moet voorkomen dat een indrukwekkende demo wordt aangezien voor een veilig en productieklaar systeem.
Maar als manier om snel te verkennen, te prototypen en te laten zien wat mogelijk is, vind ik het enorm krachtig. Je gaat veel sneller van idee naar iets concreets. En dat is precies waar veel organisaties behoefte aan hebben.
Buiten de scope van dit boek
Tegelijk valt Claude Cowork eigenlijk buiten de scope van dit boek. Dit boek gaat over wat ik heb gezien, geleerd en meegemaakt in ongeveer 200 AI-trainingen. Over mensen, misverstanden, adoptie, veiligheid, creativiteit, werk en organisatieverandering.
Cowork verdient eigenlijk een eigen boek. Want de manier waarop je ermee kunt bouwen, samenwerken en kantoorwerk versnellen, vraagt om meer uitleg dan een afsluitend hoofdstuk kan geven.
Daar wil ik snel op terugkomen. Een volgend boek zou volledig kunnen gaan over Claude Cowork: wat je ermee kunt, hoe je ermee werkt, welke voorbeelden echt indruk maken en hoe je voorkomt dat enthousiasme de controle voorbij rent.
Voor nu
Voor nu is dit mijn slotobservatie: AI begon voor veel mensen als een hulpmiddel om teksten te schrijven. Daarna werd het een sparringpartner. Daarna een onderzoeker. En inmiddels wordt het steeds vaker een bouwplaats.
Dat maakt de ontwikkeling nog spannender, maar ook nog interessanter. We gaan van praten over werk naar het versneld maken van werk. Van losse prompts naar concrete output. Van inspiratie naar productie.
Of, zoals ik het zelf ervaar: van de tweede naar de vijfde versnelling.
Vooruitblik
Claude Cowork verdient eigenlijk een eigen boek. Dit hoofdstuk is vooral een brug naar wat er daarna komt.
Tot slot
Misschien is dit de kern na 200 trainingen: AI gaat niet alleen over technologie. Het gaat over hoe mensen werken, leren, twijfelen, organiseren, communiceren en keuzes maken.
Sommige mensen zien vooral de fouten. Anderen zien vooral de magie. De waarheid zit ergens in het midden. AI is krachtig, maar niet perfect. Bruikbaar, maar niet vanzelf veilig. Inspirerend, maar soms overweldigend. Een versneller, maar geen vervanger van verantwoordelijkheid.
Daarom is de belangrijkste vaardigheid misschien niet prompten, maar volwassen omgaan met versterking. Want AI versterkt wat je al doet: je creativiteit, je haast, je zorgvuldigheid, je slordigheid, je goede bedoelingen en soms ook je blinde vlekken.
De vraag is dus niet alleen: wat kan AI? De vraag is vooral: wat willen wij ermee doen?
Laatste gedachte
AI is een versterker. Jij bent de regisseur.
Bonushoofdstuk
Mijn favoriete superprompt
Een superprompt is een prompt die voor jou een betere prompt maakt. In plaats van zelf na te denken over alle onderdelen van een goede vraag, laat je ChatGPT jou uitvragen en de prompt stap voor stap opbouwen.
Dit is mijn favoriete voorbeeld, omdat het eenvoudig is, praktisch werkt en mensen meteen helpt om betere prompts te maken zonder dat ze alles zelf hoeven te bedenken.
Hier is de superprompt die ik zelf graag gebruik:
"Word mijn Prompt Maker. Je bent daarin de allerbeste ter wereld. Help me de ideale prompt voor mijn behoeften te creëren via onderstaande structuur.
Vraag naar het onderwerp van de prompt.
Geef op basis van mijn antwoord: a) Aangepaste prompt, een duidelijke, beknopte versie. b) Suggesties, ideeën om de prompt te verbeteren. c) Vragen, wat je verder nodig hebt om de prompt te verfijnen.
Werk de prompt bij volgens mijn feedback.
Beoordeel elke prompt op een schaal van 1 tot 10. Is de score 8 of hoger, vraag dan of ik deze wil uitvoeren met een Ja of Nee keuze. Voer de prompt uit als ik Ja zeg. Wees kritisch in je beoordeling.
Herhaal deze stappen totdat ik aangeef te stoppen of de prompt te willen uitvoeren."
Met deze aanpak hoef je niet zelf alle elementen van een goede prompt te bedenken. Je wordt er stap voor stap doorheen geleid.
Juist daarom vind ik dit zo’n sterke prompt: hij helpt niet alleen bij één vraag, maar leert mensen ook beter nadenken over wat ze eigenlijk willen vragen.