In de eerste nacht dat mijn AI-marketing pipeline draaide, genereerde de content-agent drie LinkedIn posts. Ze waren technisch correct. Grammaticaal goed. Logisch opgebouwd. Ze konden van iedereen zijn.
Dat is het probleem.
AI optimaliseert voor aannemelijkheid. Het schrijft de tekst die past bij het meest voorkomende patroon in zijn trainingsdata. En het meest voorkomende patroon van LinkedIn-posts voor marketing-professionals is: beleefd, professioneel, en volkomen onherkenbaar. Het klinkt zoals een gemiddelde marketingconsultant klinkt. Niet zoals ik klink.
Ik noem dit intern "stemvervlakking". Het is niet hetzelfde als lage kwaliteit. Het is het tegenovergestelde van lage kwaliteit: het is hoge kwaliteit richting het verkeerde doel. De output haalt alle kwaliteitsdrempels behalve de enige die voor een persoonlijk merk telt: herkenbaarheid.
Herkenbaarheid is het enige concurrentievoordeel dat een AI niet kan kopiëren. Het mechanische deel van die controle staat openbaar: je kunt je eigen tekst langs dezelfde poort halen. Maar het is ook het enige wat je actief moet inbouwen, want het zit niet standaard in het model.
Herkenbaarheid is het enige concurrentievoordeel dat een AI niet kan kopiëren.
Wat er in de praktijk fout gaat
Ik heb vier maanden lang bijgehouden welke fouten mijn agents maakten in de eerste fase van het systeem. Geen theoretische fouten. Daadwerkelijke output-fouten uit de pipeline, gedocumenteerd en gecategoriseerd.
Fout 1: Te neutrale openers. Mijn agents begonnen posts en blogs herhaaldelijk met zinnen als: "In de huidige marketing-omgeving is het belangrijker dan ooit om..." of "Veel bedrijven worstelen met de vraag hoe ze...". Dit zijn openingszinnen die niets kosten maar ook niets opleveren. Ze zijn correct maar ze brengen niemand in beweging. Mijn eigen schrijfstijl begint anders: met een observatie, een getal, of een patroon dat de lezer herkent vanuit eigen ervaring.
Het verschil lijkt klein. Het effect is groot. Een opener die niemand ergens aan herinnert, wordt niet gelezen.
Fout 2: Ongeautoriseerde statistische variatie. In vijf opeenvolgende drafts schreven mijn agents: "18 jaar ervaring", "bijna twintig jaar in het vak", "meer dan anderhalf decennium", "ruim vijftien jaar", en "twee decennia marketingervaring". Allemaal technisch aannemelijk. Allemaal fout. "18 jaar" is het getal. Niet meer, niet minder.
Dit is geen slordigheidsprobleem van de AI. Het is een optimalisatieprobleem. Het model vermijdt herhaling en kiest varianten. Maar voor brand governance is variatie hetzelfde als fout.
Fout 3: Toonmigratie bij herschrijven. Als ik een agent vroeg om een eerder stuk te herschrijven voor een ander kanaal, verschoof de toon naar het gemiddelde van dat kanaal. Een informeel NL blog werd bij herschrijving naar een "professionelere versie" formeler zonder dat ik dat had gevraagd. De agent interpreteerde "professioneel" als "formeel", terwijl ik informeel en direct als professioneel beschouw.
Dit is het soort fout dat je niet ziet als je snel reviewt. Het valt pas op als je de nieuwe versie naast de oude legt en vraagt: klinkt dit nog naar mij?
Fout 4: Cases zonder specifieke getallen. Mijn agents schrijven cases in generische termen als "bij een scale-up in Nederland verbeterde de conversieratio aanzienlijk". Dat is niet hoe ik schrijf. Ik schrijf: "Bij een B2B SaaS bedrijf ging de conversieratio van 1,2% naar 3,1% na aanpassing van de landingspagina. Hetzelfde budget, +65% pipeline."
Het verschil is niet alleen stijl. Het is geloofwaardigheid. Abstracte cases bewijzen niets. Specifieke getallen bewijzen dat het echt is gebeurd.
Hoe het leerproces eruitziet
Na de eerste twee weken was mijn foutratio 13%. Dat wil zeggen: in 13 van de 100 gegenereerde externe stukken detecteerde mijn Branding Manager agent een brand violation die ik niet wil publiceren. Na vier weken was dat onder de 5%.
Dat is geen groot getal, maar het is ook geen klein getal. In een systeem dat elke nacht tientallen stukken genereert, betekent 13% dat een aanzienlijk deel van de output niet gepubliceerd kan worden zonder handmatige correctie.
De verlaging van 13% naar 5% was niet het resultaat van meer prompting. Het was het resultaat van een specifieke iteratiecyclus die ik nu systematisch toepas.
Cyclus stap 1: Documenteer elke violation, niet als fout maar als instructie. Elke keer dat de Branding Manager een brand violation detecteert, wordt die opgeslagen in `knowledge/agent-learnings.md` als een concrete instructie voor de volgende run. Niet: "Agent maakte een fout met de toon". Maar: "Verboden: 'In de huidige dynamische marketingomgeving'. Correct: open met een specifieke observatie of getal."
Het verschil is dat instructies zijn gebouwd op daadwerkelijke fouten uit jouw eigen systeem, niet op abstracte stijlregels.
Cyclus stap 2: Voeg contrast toe, niet abstractie. Mijn brand-guidelines bevatten per categorie een goede zin naast een slechte zin. "Directe toon" als instructie werkt niet. "Begin niet met 'Veel bedrijven worstelen met...', begin wel met 'Ik spreek elke week met eigenaren van scale-ups. Er zit een patroon in die gesprekken.'" werkt beter.
Contrast is de meest efficiënte manier om een AI iets te leren dat afwijkt van zijn gemiddelde. Het model begrijpt het verschil niet als jij het beschrijft. Het begrijpt het als jij het laat zien.
Cyclus stap 3: Scheid wat een AI kan leren van wat het niet kan leren. Dit is de stap die het meeste verschil heeft gemaakt.
Wat een AI kan leren: vocabulaire, zinstructuur, verboden formuleringen, goedgekeurde stats, markt-specifieke toon. Dit zijn patronen. Patronen zijn leesbaar voor modellen.
Wat een AI niet kan leren: de anekdote uit het gesprek van gisteren. De nuance die ik voel over hoe een bepaalde klant reageert. De beslissing om deze week juist niet over dat onderwerp te schrijven omdat er iets speelt in de markt. Het oordeel over wanneer een bepaald getal te sterk aanvoelt of te zwak.
Dit onderscheid heeft geleid tot een aanpak die ik nu consistent gebruik: AI schrijft de structuur, de basisvormgeving, de technische correctheid. Ik lever de cases, de observaties, de specifieke getallen, en het oordeel over timing en toon.
De rol van het interview-format
Er zijn stukken die ik niet via een content-agent genereer maar via een interview-format.
De werkwijze is eenvoudig: ik praat hardop over een case, een ervaring, of een inzicht. Geen uitgeschreven tekst, geen slides, gewoon spreken. De agent schrijft het op en structureert het.
Het resultaat klinkt als ik, omdat het letterlijk van mij komt. De agent heeft niets verzonnen. Hij heeft alleen gestructureerd.
Dit is de manier waarop ik zorg dat de cases in mijn content echt zijn. Niet als controle-mechanisme, maar als methode. De beste content op mijn site is niet wat de agent heeft gegenereerd. Het is wat de agent heeft opgeschreven terwijl ik dacht.
Het interview-format werkt ook voor het verfijnen van de brand voice. Als ik merk dat de toon in een gegenereerd stuk subtiel verkeerd zit, schrijf ik niet een nieuwe instructie. Ik praat hardop over waarom het verkeerd aanvoelt en wat het verschil is. De agent schrijft die uitleg op. Die uitleg wordt de instructie.
Wat dit levert op schaal
Mijn systeem genereert nu consistent content in drie talen, voor meerdere markten, elke nacht. Blogs, LinkedIn posts, outreach-teksten, email sequences. Alles met herkenbare toon, gecertificeerde stats, markt-specifieke aanpassingen.
Dat is niet wat ik had aan het begin van week één.
Het is het resultaat van een iteratiecyclus die ik niet had voorzien toen ik begon: een systeem trainen is niet eenmalige setup maar doorlopend werk. Niet veel werk. Maar specifiek werk: elke fout omzetten naar een instructie, elke afwijking documenteren, elk goed stuk analyseren op wat er precies goed is.
Het verschil tussen een AI-systeem dat jouw stem heeft en een AI-systeem dat iemands stem heeft, is niet technologie. Het is hoeveel tijd je hebt besteed aan het documenteren van de afwijkingen tussen het gemiddelde en jouw eigenheid.
Die afwijkingen zijn het merk.
Wil je weten hoe dit systeem eruit ziet voor jouw bedrijf of jouw persoonlijke merk? Plan een gratis marketing quickscan via https://app.cal.com/bart-knijnenberg-kzggsa/30min.
Bronnen en referenties
- Interne pipeline-data, foutratio AI-agents: 13% brand violations in week 1 (gebaseerd op 4 violations in 30 outreach-berichten, pipeline 2026-04-07/08), verlaagd naar onder 5% in week 4 via iteratiecyclus. Bevestigd door Bart Knijnenberg. Presenteer als intern meetgetal, niet als branche-benchmark.
- Eigen klantdata, B2B SaaS NL: Conversieratio van 1,2% naar 3,1% na landingspagina-optimalisatie, pipeline +65% bij gelijk budget. Gedocumenteerd in interne case database. Zie ook blog-ai-brand-governance.md voor de bredere context van brand governance bij AI-systemen.
- OpenAI, Model training en patroonherkenning: Large language models optimaliseren voor aannemelijkheid, niet voor specificiteit. Dit is de theoretische basis voor stemvervlakking. Zie: OpenAI Technical Documentation, "How language models work", 2023.
- Intern: knowledge/agent-learnings.md, Documentatie van daadwerkelijke brand violations en de instructies die eruit zijn voortgekomen. Basis voor de iteratiecyclus beschreven in dit artikel. Meer over het systeem achter dit artikel: /nl/diensten.