“Maak dit korter, voortaan vooral op LinkedIn.”
Neem die zin als voorbeeld van feedback op een marketingtekst. Inkorten is een schrijfopdracht. Maar welk stuk bedoelt de afzender? Geldt de voorkeur voor LinkedIn voor deze campagne of voor alle volgende campagnes?
Als founder bouw ik software die zulke afspraken moet kunnen vasthouden. Een klant moet een opdracht kunnen vervolgen zonder telkens de briefing opnieuw uit te leggen. Daarom werk ik aan een gedeelde aanpak voor Ensemblo, Sterka en TravelJim, geïnspireerd op System One.
Mijn uitgangspunt: een AI-team wordt bruikbaarder als je de beslissingen tussen opdracht en resultaat afzonderlijk ontwerpt en toetst. De software haalt de juiste gegevens erbij en bewaakt de rechten. Een model helpt taal te interpreteren of maakt nieuwe inhoud. Na afloop moet het systeem kunnen aantonen wat er werkelijk is gebeurd.
System One, Jev en Qwen hebben ieder een andere plek
TypeSafe gebruikt de naam System One Models voor modellen die afgebakende vragen beantwoorden met gestructureerde uitkomsten. Jev is het eerste model in die categorie. Je geeft bijvoorbeeld context over een klantbericht mee en vraagt een keuze uit vooraf beschreven opties, of een score volgens vastgelegde criteria. Software kan het antwoord vervolgens verwerken, zoals de TypeSafe-introductie beschrijft.
Die gedachte gebruik ik in mijn eigen ontwerp: eerst precies bepalen welke beslissing nodig is, daarna kiezen hoe die tot stand komt. Mijn lokale proeven draaien momenteel op Qwen. Jev is een kandidaat waarmee ik bepaalde beslissingen wil vergelijken.
Scroll zijwaarts voor alle kolommen.
| Begrip | Wat het is | Plek in mijn setup |
|---|---|---|
| System One | De naam die TypeSafe aan deze categorie beslismodellen geeft. | Inspiratie voor het afzonderlijk ontwerpen van beslissingen. |
| Jev | Het model van TypeSafe voor gestructureerde beslissingen. | Kandidaat voor vergelijking; verwerkt hier geen klantverkeer. |
| Qwen3 8B | Een generatief taalmodel, waarmee je ook interpretatietaken kunt beproeven. | Draait lokaal op mijn computer voor afgebakende proeven. |
| Mijn software | Code voor context, taakverdeling, rechten, opslag en uitvoering. | Verbindt een verzoek met de juiste handeling en houdt de voortgang bij. |
Qwen is dus geen lokale versie van Jev. Het is een algemeen taalmodel uit de Qwen3-familie. Ik draai het via Ollama, software waarmee het model op mijn eigen computer kan werken. Bron: de officiële Qwen3-introductie.
Een gestructureerd antwoord maakt nog niet dat een beslissing klopt. Ook een keurig ingevulde keuze kan op het verkeerde stuk slaan. Daarom blijft de controle op de context onderdeel van het systeem.
Eén bericht, verschillende beslissingen
Eén bericht, zes verschillende taken
Volg de overdracht tussen software, modellen en mensen. Dit is een uitlegvoorbeeld van de gewenste werkwijze, geen draaiend product.
“Maak dit korter, voortaan vooral op LinkedIn.”
- SoftwareVindt, controleert en voert uit
- ModelInterpreteert of schrijft
- MensVerduidelijkt en geeft akkoord
Verminderde beweging staat aan. Gebruik de stappen om de uitleg te volgen.
1. Vind het concept
- Beschikbaar
- Het bericht is gekoppeld aan een bestaand concept.
- Uitkomst
- De software vindt het concept waar het bericht over gaat.
- Vervolg
- Geef het concept en de volledige feedback door aan de interpretatiestap.
2. Splits de verzoeken
- Beschikbaar
- Het concept en de volledige feedbackzin.
- Uitkomst
- Huidig verzoek: tekst inkorten. Mogelijke voorkeur voor later: meer LinkedIn. Reikwijdte: nog onbekend.
- Vervolg
- Vraag waar “voortaan” voor geldt. Dit is een geschreven illustratie, geen modelantwoord.
3. Verduidelijk de reikwijdte
- Beschikbaar
- Een voorkeur die voor één campagne of voor toekomstige campagnes kan gelden.
- Uitkomst
- De vraag aan de gebruiker is: “Bedoel je deze campagne of ook toekomstige campagnes?”
- Vervolg
- De reikwijdte blijft onbekend tot er een antwoord is. Deze uitleg afspelen kiest geen antwoord.
4. Schrijf een korter concept
- Beschikbaar
- Het oorspronkelijke concept, merkafspraken en het verzoek om in te korten. Een blijvende voorkeur vraagt een bevestigde reikwijdte.
- Uitkomst
- De schrijfopdracht zou zijn: “Kort dit concept in met behoud van feiten en merkstem.”
- Vervolg
- Geef het resultaat door voor een afzonderlijke beoordeling. Deze illustratie maakt geen nieuwe tekst.
5. Controleer en geef akkoord
- Beschikbaar
- Het herziene concept, de merkafspraken en de beoogde publicatie.
- Uitkomst
- Een afzonderlijke beoordeling controleert het werk. Daarna moet een bevoegde persoon publicatie goedkeuren.
- Vervolg
- Een revisieverzoek is geen publicatieakkoord. In dit voorbeeld is geen akkoord gegeven.
6. Voer uit en bevestig
- Beschikbaar
- De actuele versie, rechten en een geldig publicatieakkoord.
- Uitkomst
- Alleen met dat akkoord mag de software de publicatiekoppeling aanroepen.
- Vervolg
- Daarna is nog een bevestiging van de koppeling nodig. Zonder die bevestiging is de uitvoering niet bevestigd.
Terug naar “Maak dit korter, voortaan vooral op LinkedIn.” In het ontwerp voor Ensemblo krijgt dit verzoek de volgende afhandeling. Het is een uitgewerkt voorbeeld van de gewenste werkwijze.
Bekijk de zes stappen als tabel
Scroll zijwaarts voor alle kolommen.
| Stap | Wie doet het werk? | Wat moet eruit komen? |
|---|---|---|
| 1. Het bedoelde stuk vinden | Software haalt de klant, taak en actuele tekst erbij. | Zekerheid over welke versie moet veranderen. Bij een onduidelijke verwijzing volgt een vraag. |
| 2. De feedback duiden | Een model beoordeelt de revisie en de mogelijke voorkeur afzonderlijk. | Een opdracht om in te korten, plus een voorstel om de LinkedIn-voorkeur vast te leggen. |
| 3. De reikwijdte verduidelijken | Het systeem vraagt de klant wat “voortaan” betekent. | Duidelijkheid of de voorkeur voor deze campagne of breder geldt. |
| 4. De tekst herschrijven | Een generatief model krijgt de tekst, feedback en merkafspraken. | Een korter concept met behoud van de feiten en merkstem. |
| 5. Controleren en goedkeuren | Een afzonderlijke beoordeling controleert het concept; de bevoegde persoon geeft akkoord. | Een bruikbare versie en een vastgelegde beslissing over publicatie. |
| 6. Uitvoeren en bevestigen | Software controleert de rechten en gebruikt de publicatiekoppeling. | Een bevestiging van de koppeling dat de afgesproken handeling is uitgevoerd. |
Bij stap 2 zou een modelvoorstel er in gewone taal zo uit kunnen zien:
Scroll zijwaarts voor alle kolommen.
| Vraag | Voorbeeld van de uitkomst |
|---|---|
| Wat moet nu gebeuren? | De huidige tekst inkorten. |
| Is er een mogelijke voorkeur voor later? | Ja, meer nadruk op LinkedIn. |
| Wat is nog onduidelijk? | Voor welke campagnes die voorkeur geldt. |
Dit zijn illustratieve uitkomsten, geen antwoorden uit een uitgevoerde modelproef. Ze laten zien hoe een losse zin een concrete vervolgactie krijgt. De software kan bijvoorbeeld vragen: “Bedoel je deze campagne of ook toekomstige campagnes?”
Dat onderscheid voorkomt dat een tijdelijke wens ongemerkt een vaste merkafspraak wordt. Ik wil bij een opgeslagen voorkeur kunnen terugvinden wie haar heeft bevestigd en waar zij geldt. Een suggestie van het model blijft herkenbaar als suggestie.
Bij een knop “Korter maken” is de bedoeling al bekend. Daar kan de schrijfopdracht direct volgen zodra de juiste tekst en voorwaarden vaststaan. Iedere extra modelstap moet iets oplossen.
Iedere extra modelstap moet iets oplossen.
Wat ik hiervoor heb gebouwd
In mijn AI-team is een agent een rol met instructies en gereedschap, bijvoorbeeld om te schrijven of onderzoek te doen. Zo'n agent gebruikt een model voor een deel van het werk. Het aantal agents vertelt daarom weinig over de modellen of de controles erachter. De rollen beschrijf ik uitgebreider bij hoe mijn AI-marketingteam werkt.
Ensemblo, Sterka en TravelJim delen code die vastlegt welke beslissingen bestaan en welke antwoorden geldig zijn. Elk product houdt zijn eigen gegevens en uitvoerende software. Een regel die een antwoord aan de juiste taak koppelt, kan daardoor op meerdere plekken worden gebruikt zonder klantgegevens te vermengen.
Op mijn Windows-computer staat de lokale proefomgeving met Qwen en Ollama. Die bevat opslag, tijdelijk hergebruik van geldige antwoorden en herstel na een onderbreking. Automatisch starten bij Windows-aanmelding is ingericht. Ontbreekt lokaal een mogelijkheid, dan stopt die route met een duidelijke melding; er volgt geen automatische betaalde modelaanroep.
De stand van deze bouw op 30 september 2026:
Scroll zijwaarts voor alle kolommen.
| Onderdeel | Stand |
|---|---|
| Lokale onderdelen | Gebouwd en met testgegevens beproefd, waaronder opslag, hergebruik en herstel. |
| Volledige afhandeling van klanttaken | Nog te bewijzen. De volledige lokale productomgeving ontbreekt; hier draait geen programma dat echte klanttaken zelfstandig afhandelt. Nieuwe campagnedistributie en effectmeting zijn nog niet vrijgegeven. |
| Jev | Voorbereid als kandidaat voor vergelijking. Nog niet toegelaten voor klantverkeer. |
Voor het voorbeeld betekent dit dat ik onderdelen van de afhandeling kan onderzoeken. De complete route van feedback tot publicatie en gemeten effect is nog een bouwdoel.
Hoe ik de aanpak in mijn eigen producten zou toepassen
Dezelfde taakverdeling krijgt per product een andere invulling. Ensemblo, Sterka en TravelJim hebben al een aansluiting op de gedeelde besliscontracten. De voorbeelden hieronder beschrijven wat ik daarmee wil kunnen afhandelen; bij PlainConsent is het een aanvullende toepassingsmogelijkheid.
Ensemblo: feedback vertalen naar het juiste vervolgwerk
Bij Ensemblo, mijn AI-marketingteam voor bedrijven, is het LinkedIn-voorbeeld direct relevant. De beslislaag moet herkennen wat een klant aan dit concept wil veranderen en welke afspraak ook voor later geldt. Daarna krijgt de schrijver de bijbehorende opdracht.
Dezelfde aanpak kan helpen vaststellen welke informatie nog ontbreekt in een briefing en welke merkbronnen een schrijver nodig heeft. Ik zou meten hoeveel revisies nodig zijn tot de klant het stuk accepteert en hoe vaak een tijdelijke wens onterecht als vaste voorkeur wordt opgeslagen.
Sterka: de passende volgende stap in een coachgesprek
Bij Sterka, mijn trainings- en voedingscoach, is een voorbeeld: “Ik heb slecht geslapen en heb maar twintig minuten.” Het systeem moet bepalen of iemand een bestaande training wil aanpassen, uitleg vraagt of nog een keuze moet maken. De bestaande trainingsregels bepalen welke opties beschikbaar zijn; een model kan de uitleg verzorgen.
De waarde zit hier in een gesprek dat de eerdere context vasthoudt en gericht verdergaat. Ik zou onnodige vervolgvragen en verkeerd begrepen verzoeken meten. Deze toepassing zegt niets over een bewezen gezondheidsverbetering. Sterka staat toegelicht bij de producten die ik bouw.
TravelJim: van de situatie op reis naar een uitvoerbare training
TravelJim helpt je doortrainen op reis. Een voorbeeldverzoek is: “Ik heb twintig minuten en hier liggen alleen dumbbells.” De interpretatiestap haalt de beschikbare tijd en apparatuur uit het bericht; de bestaande trainingsmotor gebruikt die gegevens voor een passende sessie.
De gewenste vervolgstap is dezelfde training kunnen voortzetten via een bericht, de app en een workoutlink. Een hotelnaam mag geen bewijs worden dat er een gym is, en opnieuw openen mag geen dubbele sessie maken. Ik zou meten hoeveel verduidelijking nodig is voordat de gebruiker kan beginnen en of de juiste sessie wordt hervat.
PlainConsent: installatievragen koppelen aan controleerbare uitleg
Voor PlainConsent, mijn product voor cookietoestemming, zie ik een toepassing bij installatiehulp. Neem de vraag: “Ik heb de code geplaatst, maar ik zie de banner niet.” Een model kan het probleem duiden en een gerichte vervolgvraag of uitleg kiezen op basis van de beschikbare controles.
De technische controle moet vaststellen of het script daadwerkelijk laadt. De bezoeker blijft degene die toestemming geeft; een modelantwoord verandert die keuze niet. Ik zou hier onderzoeken of iemand met minder contactmomenten tot een aantoonbaar werkende installatie komt. Dit is een mogelijke uitbreiding, geen reeds aangesloten System One-functie van PlainConsent.
Wat een mislukte beoordeling mij leert
Een lokale proef met complexe feedback liet een probleem zien: de beoordelaar hield foutieve voorstellen tegen, maar wees ook geldige voorstellen af. De gebruiker zou daardoor goede wijzigingen moeten uitzoeken of opnieuw indienen. Daarom kreeg deze taak geen lokale productieroute.
Bij het LinkedIn-voorbeeld zou zo'n fout betekenen dat een bruikbare revisie onterecht vastloopt. Alleen tellen hoeveel fouten een beoordelaar tegenhoudt, geeft dus een onvolledig beeld.
Voor een volgende vergelijking wil ik vooraf beoordeelde voorbeelden apart houden van de voorbeelden waarmee ik de instructies verbeter. Ik tel zowel onterecht geaccepteerde als onterecht afgewezen voorstellen. Ook het werk dat een medewerker overhoudt hoort bij die beoordeling.
Lagere kosten beginnen bij werk dat echt vervalt
Een extra beslismodel verdient zijn plek wanneer het bestaand modelwerk vervangt, herhaling voorkomt of herstelwerk bespaart. Als hetzelfde verzoek daarna alsnog dezelfde uitgebreide behandeling krijgt, heb ik een extra stap toegevoegd.
Dat maakt de prijs per correct afgeronde taak voor mij de nuttigste maat. Een goedkoop antwoord dat veel correctie vraagt, kan duur zijn voordat iemand ermee verder kan. Lokaal draaien heeft ook kosten, zoals hardware, stroom en beheer.
Stel dat je maandelijks 100.000 afgebakende beslissingen laat verwerken. De bestaande route kost onder de gekozen aannames €396,30; een Jev-beslisstap voor al die verzoeken kost €7,40. Volume en bestaande modeltarieven zijn aannames; het Jev-tarief komt uit de TypeSafe-modeldocumentatie. De berekening staat onderaan het artikel.
Dit is een scenario met Jev, geen gemeten besparing van mijn lokale Qwen-setup. De vergelijking veronderstelt dat beide routes uiteindelijk dezelfde kwaliteit leveren.
Wat als meer verzoeken extra behandeling nodig hebben?
Vergelijk de bestaande modelroute met een Jev-beslisstap en daarna waar nodig de volledige bestaande route. Beide balken gebruiken dezelfde schaal.
- Beslisstap
- € 7,40
- Bestaande route na de beslisstap
- € 79,26
€ 309,64 lagere modelkosten in dit scenario
Alleen de beschreven modelkosten, bij aangenomen gelijke kwaliteit. Dit is een Jev-rekensom, geen gemeten Qwen-besparing. Hardware, beheer, schrijfwerk buiten deze aanroepen en menselijke controle tellen niet mee.
100.000 beslissingen per maand. De bestaande route gebruikt per beslissing 2.000 invoertokens en 500 uitvoertokens; de Jev-stap gebruikt 2.000 invoertokens.
Bekijk alle vijf scenario’s
| Bestaande route nodig | Totaal | Verschil met bestaande route |
|---|---|---|
| 0% | € 7,40 | € 388,90 lager |
| 20% | € 86,66 | € 309,64 lager |
| 50% | € 205,55 | € 190,75 lager |
| 80% | € 324,44 | € 71,86 lager |
| 100% | € 403,70 | € 7,40 hoger |
Download de vergelijking als JPG.
Bekijk alle vier rekenscenario’s
Scroll zijwaarts voor alle kolommen.
| Hoeveel verzoeken hebben na de beslisstap alsnog de volledige bestaande route nodig? | Totale modelkosten per maand | Verschil met €396,30 |
|---|---|---|
| 20% | €86,66 | €309,64 lager |
| 50% | €205,55 | €190,75 lager |
| 80% | €324,44 | €71,86 lager |
| 100% | €403,70 | €7,40 hoger |
Bij het eerste scenario betaal je €7,40 voor de beslisstap plus 20% van de bestaande kosten: samen €86,66. Als ieder verzoek de volledige bestaande route blijft gebruiken, stijgen de kosten juist met die €7,40.
Deze som gaat alleen over de afgebakende beslissingen. Het schrijven van de LinkedIn-post, menselijke correcties en overige uitvoering vallen erbuiten. De vraag die ik per taak moet beantwoorden is hoeveel bestaand werk echt kan vervallen terwijl de kwaliteit behouden blijft.
Bij welke bedrijven ik hiermee zou beginnen
Ik zie vooral mogelijke toepassingen bij bedrijven met terugkerende verzoeken en bruikbare gegevens over de klant, bestelling of opdracht. De voorbeelden hieronder zijn toepassingen die ik afleid uit de aanpak, geen bewezen sectorresultaten. TypeSafe beschrijft vergelijkbare patronen voor vraagherkenning en het doorzetten van werk. Bron: TypeSafe-architectuurpatronen.
Scroll zijwaarts voor alle kolommen.
| Type bedrijf | Voorbeeld van een beslissing | Mogelijke waarde en wat je moet meten |
|---|---|---|
| Webshops en D2C-merken | Hoort een bericht bij bezorging, een retour of productadvies, en bij welke bestelling? | Minder uitzoekwerk. Meet of het verzoek met de juiste bestelgegevens bij de juiste afhandeling komt. |
| SaaS-bedrijven | Is een bericht een gebruiksvraag, een foutmelding of een productwens? | Support kan gericht verder. Meet verkeerde doorverwijzingen en hoeveel aanvulling een medewerker nog moet vragen. |
| Zakelijke dienstverleners | Welke informatie ontbreekt om een aanvraag te beoordelen? | Een completer dossier voor het eerste inhoudelijke gesprek. Meet onnodige vervolgvragen en correctietijd. |
| Fitnessketens, horeca en andere bedrijven met meerdere vestigingen | Welke lokale gegevens en goedkeuringen horen bij een campagne? | Minder herhaald zoekwerk en minder verwisselde aanbiedingen. Controleer of vestiging, prijs en akkoord bij elkaar horen. |
| Marketingbureaus en contentteams | Gaat feedback over dit concept of over volgende opdrachten? | Preciezere revisies en bruikbare merkafspraken. Meet geaccepteerde revisies en onterecht opgeslagen voorkeuren. |
In al deze voorbeelden blijft uitvoering een afzonderlijke stap. Een retour herkennen geeft nog geen recht om geld terug te betalen. Een productwens herkennen zegt niets over wanneer die wordt gebouwd.
Begin waar voldoende herhaling is om de aansluiting en het onderhoud terug te verdienen. Zijn de gegevens onbetrouwbaar of is onduidelijk wie akkoord mag geven, dan moet dat eerst worden opgelost. Voor een uniek strategisch vraagstuk blijft uitgebreid denkwerk nodig.
Meer ruimte voor het werk van de ondernemer
Als founder zie ik een bruikbare basis ontstaan. Ik kan dezelfde onderdelen voor context, taakverdeling en voortgang in meerdere producten onderzoeken. Per taak kan ik kiezen of code volstaat, een lokaal model bruikbaar is of een andere behandeling nodig blijft.
Voor de marketeer verschuift daarmee een deel van het werk naar het expliciet maken van vakkennis: welke bronnen mogen mee, wanneer is een revisie goed en welke afspraak geldt voor een volgend stuk? Dat bepaalt of het systeem de klant helpt of extra correctiewerk veroorzaakt.
De kans voor ondernemers zit in het verminderen van dat terugkerende werk. Als een gewone revisie minder uitleg en herstel vraagt, blijft meer ruimte over om een boodschap te verbeteren of een nieuw aanbod te testen. De meting moet laten zien of die ruimte werkelijk ontstaat.
Mijn volgende stap is één bevestigde opdracht door de volledige keten volgen, inclusief de uitvoering en het resultaat. De klant houdt de richting in handen. De software moet steeds meer van de afspraken en het vervolgwerk kunnen dragen.
Pak één terugkerend verzoek uit je eigen marketingproces. Schrijf op welke gegevens nodig zijn, wie akkoord geeft en waaraan je ziet dat het klaar is. Daarmee heb je een eerste taak die je gericht kunt ontwerpen en toetsen.
Aannames en berekening
Een token is een stukje tekst waarmee een model rekent. In dit scenario krijgt iedere beslissing 2.000 invoertokens. De bestaande route levert daarnaast 500 uitvoertokens op. Het maandvolume is 100.000 beslissingen; dit zijn gekozen rekenwaarden.
Scroll zijwaarts voor alle kolommen.
| Tarief per miljoen tokens | Bedrag in euro | Herkomst |
|---|---|---|
| Bestaande route, invoer | €0,880669 | Aanname uit het oorspronkelijke kostenvoorbeeld, omgerekend. |
| Bestaande route, uitvoer | €4,403347 | Aanname uit het oorspronkelijke kostenvoorbeeld, omgerekend. |
| Jev, invoer | €0,036988 | Gepubliceerd providertarief, omgerekend. |
| Jev, uitvoer | €0,00 | TypeSafe rekent geen uitvoertokens af. |
Het Jev-tarief is gecontroleerd op 30 september 2026. Voor de omrekening is de ECB-referentiekoers van 30 september 2026 gebruikt (USD/EUR: 1,1355). De bronbedragen zijn gedeeld door 1,1355. De tabel en formules tonen afgeronde tarieven; de uitkomsten zijn met ongeronde waarden berekend.
- Bestaande route: 100.000 × (2.000 × €0,880669 + 500 × €4,403347) / 1.000.000 ≈ €396,30.
- Jev-beslisstap: 100.000 × 2.000 × €0,036988 / 1.000.000 ≈ €7,40.
- Combinatie bij 20% aanvullende behandeling: besliskosten + 0,20 × bestaande kosten ≈ €86,66.
De invoer voor Jev omvat in deze aanname ook de vraag. Iedere uitzondering krijgt de volledige bestaande behandeling. Gelijke uiteindelijke kwaliteit is aangenomen; eventuele kosten om uitzonderingen te herkennen of antwoorden extra te beoordelen zijn niet apart begroot. Hardware, stroom, beheer, menselijk werk, schrijfwerk en de rest van het product vallen buiten deze modelsom.