The Open Hood.
Begrijpen hoe AI onder de motorkap werkt gaat niet over meer weten, maar over voorspellen waar het heen gaat. Naar mijn lezing is AI het sterkst in code, omdat code te beoordelen is: het draait of het draait niet. In schrijven, marketing en business komt het pas nu aan. Zolang het nog aankomt kun je zien hoe het in elkaar zit, snel bijbenen met een luie prompt, en bouwer worden in plaats van koper.
01Mensen die weten hoe je rent
Sommige mensen lijken gewoon te weten hoe je rent.
Je hebt ze gezien. Hetzelfde park, dezelfde zondag, niets bijzonders aan de schoenen, en toch bewegen ze anders. Lichter. Stiller. Ze komen uit de bocht in hetzelfde tempo waarmee ze erin gingen, en op de een of andere manier lijken ze er niet voor te betalen.
Praat met een van hen en het is zelden puur talent. Ze weten wat er gebeurt. Iedereen kent de basis: benen bewegen, rechtop blijven, ademen. De goede loper weet waarom de rug recht blijft, en wat een ingezakte houding doet met de ademhaling en de heupen. Ze weten waarom je op een bepaalde manier landt, wat een hielstrijker omhoogstuurt naar je knieën, en wat een landing op het middenvoet aan veerkracht teruggeeft. Ze weten waar de energie vandaan komt en waar die weglekt.
Je kunt kopiëren hoe ze eruitzien. Rechte rug, korte pas, lichte voeten. Je kunt precies dezelfde schoenen kopen. Het maakt je nog niet tot hen. Vorm kopiëren is niet hetzelfde als vaardigheid kopiëren.
Je hoeft geen sportwetenschapper te worden. Je kunt gewoon rennen, en je werkt waarschijnlijk beter met een coach. Maar mensen die echt nieuwsgierig zijn naar hoe hun lichaam reageert, blijken nog eens tien of twintig procent te vinden, lang nadat iedereen zijn plafond heeft bereikt. Niet omdat ze harder trainen. Ze weten aan welke knop ze draaien.
Een huis werkt hetzelfde, alleen langzamer. Een huis verbouwen is stoffig, boven budget en een beetje akelig, en het is ook het enige moment dat de muren open zijn. Je ziet waar de leidingen lopen, welke muur de verdieping erboven draagt, welke draad waarheen gaat. Dus als er jaren later iets lekt, sta je niet in de gang een brochure te lezen. Je weet precies wie je moet bellen en wat je moet zeggen. Het huis begrijpen is leuk, maar het is meer dan dat. Het blijft nuttig zolang je er woont.
Daarmee kom ik bij de vraag onder dit hele stuk. Ik stel hem steeds over AI, vooral aan mezelf:
Wil je alleen eindgebruiker en koper van iets zijn? Of wil je bouwer van iets zijn?
Ik stel hem nu, omdat de muren op dit moment open zijn, en ik denk niet dat dat zo blijft.
02Terwijl de muren open waren
Ik heb het geluk gehad bij een paar van deze overgangen aanwezig te zijn, van de ene manier van werken naar de volgende. Ik heb er geen enkele uitgevonden. Ik stond er gewoon toevallig bij terwijl de muren open waren.
Muziek kwam eerst. Ik begon analoog, met instrumenten, hardware en kabels tussen kastjes, en toen werd de computer de studio: softsynths, daarna de DAW. Mensen spraken over een compleet nieuwe wereld. Voor mij was het dat niet. Als je weet wat een mengpaneel met een signaal doet, wat een compressor samenknijpt en waarom een filter op een Moog klinkt zoals die klinkt, dan is een DAW de oude studio, getekend op een scherm. Het signaalpad is hetzelfde. Er zijn alleen minder kabels om over te struikelen.
Het internet ging van inbellen, met het gekrijs en de telefoonlijn die niemand anders in huis kon gebruiken, naar iets wat er gewoon altijd is. Als je het begreep als berichten die tussen machines reizen, was breedband geen revolutie. Het was hetzelfde, alleen hing het niet meer op.
Webanalytics verschoof drie keer. Eerst was het server-side: de server die elk binnengekomen verzoek opschrijft. Toen op cookies: een klein briefje dat je browser bewaart en terugstuurt. Toen first-party: de vraag wie dat briefje bezit en op wiens domein het leeft. Elke stap bracht een golf conferentiepraatjes, whitepapers en leverancierspresentaties. Ik had meestal genoeg aan een paar regels: een server schrijft verzoeken op, een browser bewaart een briefje namens een domein, en de open vraag is op wiens domein dat briefje leeft. De rest was detail. Als analytics een dashboard is dat je koopt, voelt elke verschuiving als een nieuwe wereld. Als je de bedrading kent, is elke verschuiving een korte lijst gevolgen.
Dat komt niet doordat ik slim ben. Ik ben bij geen van deze dingen de beste van de zaal. Ik had alleen een fundament opgebouwd in hoe het internet in elkaar zat, dus elke nieuwe technologie die erop rustte was makkelijk te lezen. Ik had de map, de brochure of het tijdschrift over het ding dat ik probeerde te doen niet nodig. Ik wist al waar de draden liepen.
Dat leerde me iets, en het is de kern van dit stuk. Leren hoe iets onder de motorkap werkt gaat eigenlijk niet over begrijpen. Het gaat erom dat je kunt voorspellen waar het heen gaat, en je reactie kunt bijstellen voordat het er is.
Als je alleen de uitkomst kent, ken je alleen de symptomen. Als je weet hoe het werkt, weet je wat er verandert als iets anders verandert.
De loper die voetlanding begrijpt, voelt het knieprobleem een paar weken van tevoren aankomen en past zijn pas aan. De huiseigenaar die de leidingen zag, weet dat nieuwe tegels in de badkamer betekenen dat je eerst de afvoer controleert. De marketeer die begrijpt hoe een model een brief leest, ziet waarom een vage brief beige terugkomt en repareert de brief vóór de derde herschrijving, terwijl anderen nog van tool wisselen. In sport, in leren en in business is het voordeel hetzelfde: je ziet het tweede-orde-effect terwijl iedereen nog naar het eerste kijkt.
AI is de grootste versie hiervan die ik heb gezien. En voor een keer zit de timing mee, want het is nog niet klaar met aankomen.
03Hoe het in elkaar zit, zoals ik het lees
Wat nu volgt is mijn lezing. Ik heb er veel avonden mee doorgebracht, maar ik ben geen AI-onderzoeker, dus lees het als “dit heb ik gezien”, niet als vaststaande wetenschap.
Waarom het het best is in wat de makers kennen
Het meeste van de AI van nu is gebouwd door ingenieurs en wetenschappers. Het maken ervan is een wetenschappelijk én creatief proces, en de mensen die het doen hebben het gestuurd naar wat zij besloten te bouwen, te bestuderen en te onderzoeken. Het is geen verrassing dat het het best is in de dingen die het dichtst bij de makers liggen.
Er is ook een technische reden, en die vind ik de interessantere. Een groot deel van hoe deze modellen beter worden is reinforcement learning: het model probeert iets, de poging krijgt een beoordeling, en die beoordeling stuurt de volgende poging. Om dat te laten werken moet je kunnen beoordelen wat het model deed, goedkoop en op enorme schaal.
Code is beoordeelbaar. Het draait of het draait niet. De test slaagt of faalt. Je kunt een miljoen pogingen controleren zonder één mens in de lus. Probeer nu maar eens een merkregel te beoordelen. Vraag drie CMO's en je krijgt vier antwoorden, en een vijfde de dinsdag erna.
Dus waar AI nu echt, echt goed in is, is coderen. Ik denk niet dat code makkelijker is dan marketing. Ik denk dat code je vertelt wanneer je het fout hebt.
Het loopt nu jouw wereld binnen
AI werkt nu hard aan al het andere: schrijven, marketing, business. Het is daar nog niet volwassen. Er zijn echte toepassingen, en ik gebruik er elke week meerdere van. Maar de echte kern, het spul waar je van achterover in je stoel gaat zitten, gebeurt nog steeds in de wereld van het coderen.
Dat gat is de uitnodiging. Zolang AI half door de deur van jouw vakgebied is, kun je nog drie dingen zien die veel moeilijker te zien zijn zodra het helemaal binnen is:
- Waarom het reageert zoals het reageert. Als het je een beige antwoord geeft, is dat niet willekeurig. Het is vaak het gemiddelde van elk vergelijkbaar antwoord dat het ooit zag, omdat niets in je brief het vertelde ergens anders op te mikken. Als je merkt wanneer het terugvalt op het gemiddelde, heb je geleerd wat het eigenlijk doet.
- Wat het goed en wat het fout doet. Zijn fouten volgen een patroon, en dat patroon is een kaart. Waar strijkt het met volle overtuiging een nuance in jouw categorie glad? Waar is het verrassend scherp? Vandaag kun je dat nog in het open zien. Zodra het gepolijst en verpakt is in een product, worden de naden weggeschuurd.
- Welke steiger het nodig heeft. In coderen met AI zijn de alledaagse woorden scaffolding en harness: de instructies, tools, controles en het geheugen die je om een model heen bouwt zodat het betrouwbaar werk doet in plaats van indrukwekkende eenmalige uitschieters. Hier wordt het interessant voor de rest van ons. Een harness is hoe je een onbeoordeelbaar vakgebied beoordeelbaar maakt. Marketing beoordeelt zichzelf niet, dus schrijf je de rubric. Je definieert hoe goed eruitziet, geeft het model de controles, en laat het zichzelf eraan toetsen voordat het iets teruggeeft.
Ik denk dat harnesses weleens een van de belangrijkste dingen kunnen worden, en het concept begrijpen geeft je nu al een voorsprong. Ik schreef er apart over in The Agentic Nephew. De korte versie is dat het meeste verschil tussen een speeltje en een collega de harness is, niet het model.
Dus hier is de regel die ik zou onderstrepen: de motorkap staat open juist omdat AI nog niet klaar is met jouw vakgebied binnenlopen. Zodra het klaar is, krijg je de brochure, net als iedereen.
Waarom je nog kunt bijbenen
Op dit punt voelen sommige lezers zich te laat. Laat me dat gevoel uit elkaar halen, want ik denk dat het grotendeels niet klopt.
In mijn dagelijkse werk komen mensen bij het team, gaan mensen weg, gaan mensen met ouderschapsverlof, en iedereen neemt pauzes. ’s Avonds bouw ik zelf dingen, vooral vibe-coded, waarbij de AI het zware werk doet. Ik ben geen engineer. Toch heb ik mensen die laat bij het team kwamen zien bijbenen, en snel.
Mijn eigen route begon ongeveer twee zomers geleden, in drie fasen, en elke fase kostte echt tijd om te leren, te begrijpen en te structureren:
- Prompten. Ik leerde een goede prompt schrijven, en een goede prompt was toen een uitgebreide. Het betekende alinea's met rol, context, formaat en randvoorwaarden, herschreven tot de output niet meer afdwaalde.
- Skills. Ik zette een harness op en besteedde avond na avond aan het schrijven van skills: kleine, herbruikbare geschreven instructies die het model kon oppakken wanneer het ze nodig had. (Waar dat op uitdraaide, teruggebracht tot een lijst, een handleiding en een klok, staat in The Only-Me List.)
- Handmatige orkestratie. Ik leerde een klus in delen op te knippen, ze te ordenen, te bepalen welke instantie wat deed, en het geheel met de hand structuur te geven.
Tegenwoordig doet een frontier-model met zijn trage, zorgvuldige redeneermodus aan een groot deel daarvan voor je, zolang je het niet te veel inperkt. Ik noem het lui prompten: je schrijft een prompt op hoofdlijnen die zegt wat je wilt, zonder te sturen hoe het gebeurt. Het model neemt de tijd om sub-agents op te starten die de vraag onderzoeken. De coding-harnesses worden nu geleverd met een redelijke set basisskills die al zijn ingebouwd, dus het hoeft niet opnieuw uit te vinden wat het doet.
Twee zomers van mijn avonden, samengeperst in een standaardinstelling. Ik vind dat een beetje nederig makend, en heel goed nieuws voor iedereen die nu begint. De modellen zijn de grote gelijkmaker geworden.
Wat leveren de concepten dan nog op? Ze maken je een wat betere gebruiker. Er is nog steeds een lichte gebruiker en een power user, en het verschil zie je op vier plekken:
- Wijzen. Een luie prompt kan zelf uitzoeken welke skills hij nodig heeft, er een paar proberen die niet passen, en er in een paar dagen komen. Een power user wijst hem meteen naar de juiste skills.
- Een plank. Een power user houdt een vaste verzameling skills bij die getest, benoemd en klaar voor gebruik zijn.
- Een werkplaats. Een power user draait een afgeschermde werkruimte die lessen verzamelt uit alles wat die doet en herhaalde lessen omzet in nieuwe skills.
- Een moersleutel. Een power user kan zijn eigen systeem aanpassen en bijwerken zonder het frontier-model erom te vragen, wat minder tokens en sneller werken betekent.
Niets daarvan is verplicht. Je hoeft al deze kernconcepten niet te kennen om goed te zijn met AI en echt impact te hebben. De lichte gebruiker met een goede luie prompt levert nu al beter werk dan de meeste mensen twee zomers geleden met een prompt van een pagina.
En de lat verschuift steeds in jouw voordeel. Mijn gok is dat tegen de volgende frontier-generatie, over drie tot zes maanden, zelfs die power-user-bewegingen (isolatie, leren over data heen, skills bouwen, tokenefficiëntie) grotendeels binnen een gesprek gebeuren na een luie prompt. Het model bouwt zijn eigen plank.
Twee eerlijke kanttekeningen
Ten eerste kan ik het mis hebben over hoe lang het raam openstaat. De labs werken hard aan het beoordelen van het vage spul: rubrics, modellen die andere modellen beoordelen, menselijke voorkeuren op schaal verzameld. Als ze dat voor schrijven en strategie kraken, kan AI sneller jouw vakgebied binnenlopen dan ik verwacht. Voor mij is dat een reden om eerder te beginnen, niet om af te wachten.
Ten tweede zijn bijbenen en begrijpen niet hetzelfde. Het model draagt je graag door de deur. Het vertelt je niet waarom de deur daar zat. Dat deel moet je nog steeds willen.
De twee helften van dit hoofdstuk klinken alsof ze elkaar tegenspreken, maar dat doen ze niet. Je kunt bijbenen, en begrijpen blijft ertoe doen. Schoenen en een coach brengen je rond het park. Weten waarom de rug recht blijft levert die extra tien of twintig procent op, en vertelt je wanneer de knie gaat klagen.
04De motorkap staat nu open
Om de draden samen te brengen:
- Het model draagt je door de deur. Je kunt bijbenen.
- De tandwielen begrijpen betekent dat je er sneller en scherper doorheen loopt, en dat je ziet wat er daarna komt.
- De motorkap staat nu open, terwijl AI nog aankomt in business. Dat is het raam, en het is een raam, geen muur.
Dus begin, en begin klein. Kies één ding dat je elke week doet, zoals de statusupdate, de campagne-recap of de eerste versie van een brief. Geef het aan een frontier-model met een luie prompt, en doe dan het deel dat de meeste mensen overslaan: vraag het om je de bedrading te laten zien.
Dit is een taak die ik elke week doe: [beschrijf hem in twee of drie zinnen]. Doe het zoals jij denkt dat het het best is. Vertel me daarna: wat heb je aangenomen over mijn situatie, waar zat je te gokken, en wat zou je van mij nodig hebben om dit elke week betrouwbaar te doen?
Die laatste vraag is de motorkap die opengaat. De aannames laten je zien waarom het reageert zoals het reageert. De gokken laten zien wat het fout doet. En de lijst van wat het van jou nodig heeft, is je eerste stukje scaffolding. Schrijf het op, bewaar het, en plak het volgende week mee. Dat is een skill. Klein, maar jij hebt hem gebouwd. (Wil je de menselijke versie van dezelfde discipline, precies zeggen hoe goed eruitziet, die staat in Agent Inclusive.)
Ik ben niet tegen kopen. Ik koop de meeste dingen, en jij ook. Maar luister naar de twee soorten vragen. De koper vraagt: welke tool moet ik nemen? De bouwer vraagt: hoe zit het in elkaar, en wat zou ik veranderen? De eerste levert je een abonnement op. De tweede een voorspelling.
Als je het idee liever aanraakt dan erover leest: met het gereedschapje hieronder noem je iets wat je op je werk gebruikt en zie je ruwweg hoe AI erin zit, plus één experiment voor deze week. Vijf minuten klikken is dertig minuten uitleg waard.
Kies iets wat je op je werk gebruikt, of typ je eigen taak. Je krijgt terug hoe het in elkaar zit, waar het op de schaal staat en één experiment voor deze week. Er wordt niets verstuurd.
Kies hierboven een taak om de motorkap te openen.
Illustratief, niet gemeten. Vaste tekst, geen AI-aanroepen.
En als je het experiment doet, vertel me dan wat het model over jouw werk aannam. Stuur me een bericht. Ik ga je niets verkopen. Ik verzamel de verkeerde gokken, want dat is de eerlijkste kaart die ik ken van waar dit heen gaat.
Hierna in de reeks: wat een harness eigenlijk is, en waarom je twintigjarige neef er een nodig heeft, in The Agentic Nephew.
