Ik heb de afgelopen tijd veel gewerkt met AI-agents. Niet alleen om ermee te experimenteren, maar vooral om te ontdekken wat in de praktijk nu echt goed werkt. Want online zie je inmiddels allerlei methodes voorbij komen. De ene aanpak klinkt nog slimmer dan de andere. Maar als je er dagelijks mee werkt, merk je vrij snel dat er een verschil is tussen iets dat indrukwekkend klinkt en iets dat soepel werkt.
De afgelopen periode ben ik eigenlijk twee systemen tegengekomen. Het eerste systeem is de aanpak waarbij je één centrale agent hebt en daaromheen allerlei specialistische agents bouwt. Die agents geef je dan allemaal eigen skills, eigen informatie en eigen verantwoordelijkheden. Vervolgens laat je die verschillende agents met elkaar overleggen of samenwerken om tot een beter resultaat te komen.
Dat is een aanpak die je online veel ziet. En ik snap ook waarom. Het klinkt logisch. In een bedrijf werk je ook met specialisten. Je hebt iemand voor marketing, iemand voor finance, iemand voor sales, iemand voor techniek. Dus dan voelt het logisch om AI ook zo te organiseren. Eén centrale agent stuurt het team aan en haalt steeds de juiste specialist erbij.
Maar in de praktijk merk ik dat dit niet altijd het soepelst werkt.
Het probleem met een team van agents
Het probleem is dat je veel instructies moet blijven geven. Je moet uitleggen welke agent waarvoor bedoeld is. Je moet aangeven wanneer een agent gebruikt moet worden. Je moet zorgen dat de juiste context bij de juiste agent terechtkomt. En als je pech hebt, ben je vooral bezig met het managen van je AI-team in plaats van dat het werk vanzelf gaat lopen.
Dat klinkt misschien klein, maar het maakt veel uit. Want het hele punt van AI-agents is juist dat ze werk van je overnemen. Als jij voortdurend moet uitleggen welke agent iets moet doen, waar die agent staat, welke informatie hij mag gebruiken en hoe hij moet samenwerken met andere agents, dan voelt het al snel alsof je een extra managementlaag hebt gebouwd.
Ik zeg niet dat deze aanpak nooit werkt. Voor sommige taken kan een specialistische agent heel waardevol zijn. Maar als basis voor je dagelijkse werk merk ik dat het snel rommelig wordt. Je bouwt een soort organisatie naast je organisatie. En die moet je dan ook nog blijven aansturen.
De second brain-aanpak
De andere aanpak die ik ben gaan gebruiken, is de second brain-aanpak rond Andrej Karpathy's LLM Wiki. Die gedachte is eigenlijk veel simpeler. Je bouwt niet eerst een heel team van agents. Je zorgt eerst dat je kennis goed is georganiseerd in een structuur waar een agent vanzelf mee kan werken.
Die aanpak kun je vrij makkelijk zelf opzetten. Er zijn GitHub- en Gist-voorbeelden die je gewoon aan je AI-agent kunt geven. Vervolgens kan de agent de structuur voor je inrichten. Denk aan mappen met ruwe bronnen, markdown-bestanden, wiki-achtige pagina's en een instructiebestand waarin staat hoe de agent met die kennis moet omgaan.
Wat ik merk, is dat dit veel soepeler loopt. Ik hoef aan het begin veel minder instructies te geven over wat ik wil. De agent doorloopt automatisch een soort pad. Hij weet waar informatie staat. Hij weet hoe hij bronnen moet verwerken. Hij weet hoe hij bestaande kennis moet bijwerken. En hij hoeft niet steeds opnieuw te horen welke specialistische agent hij moet gebruiken.
Dat voelt veel natuurlijker.
Niet omdat er geen systeem achter zit. Juist wel. Maar het systeem zit vooral in de kennisstructuur, niet in een toneelstuk van agents die zogenaamd met elkaar vergaderen.
Waarom dit beter voelt
Voor mij werkt de second brain-aanpak beter omdat het dichter bij de echte vraag zit. De vraag is niet: hoeveel agents kan ik maken? De vraag is: heeft mijn AI toegang tot de juiste informatie, op de juiste plek, in een vorm waar hij goed mee kan werken?
Als dat goed staat, hoeft een agent veel minder te gokken. Hij hoeft minder aan mij te vragen. Hij hoeft minder lang te zoeken. En hij hoeft minder vaak opnieuw uitgelegd te krijgen hoe mijn wereld in elkaar zit.
Dat is volgens mij een belangrijk inzicht. Veel mensen proberen AI slimmer te maken door meer agents toe te voegen. Maar misschien moet je AI niet in eerste instantie slimmer organiseren. Misschien moet je vooral je informatie slimmer organiseren.
Want een agent zonder goede informatie blijft beperkt. Hoe slim het model ook is.
Wat betekent dit voor bedrijven?
Voor bedrijven wordt dit volgens mij heel belangrijk. Ik denk dat organisaties straks grofweg twee plekken krijgen waar informatie staat. Aan de ene kant heb je de gedeelde cloudopslag van het bedrijf. Daar staat alles wat voor de organisatie bedoeld is: strategie, klantinformatie, productinformatie, processen, templates, beslissingen, documentatie en beleid.
Aan de andere kant heb je de persoonlijke omgeving van de medewerker. Dat zijn mappen op je eigen computer of in je eigen account. Daar staat informatie die echt bij jou hoort: je agenda, persoonlijke voorkeuren, schrijfstijl, aantekeningen, lopende gesprekken, context over je manier van werken en dingen die niet automatisch voor het hele bedrijf bedoeld zijn.
Een goede AI-agent moet tussen die twee werelden kunnen bewegen. Soms heeft hij vooral bedrijfsinformatie nodig. Soms vooral persoonlijke informatie. En vaak juist een combinatie van allebei.
Daar ontstaat de echte waarde.
De e-mailagent als voorbeeld
Neem een e-mailagent. Stel dat er een e-mail binnenkomt van een klant. De agent moet dan niet alleen een algemeen antwoord kunnen geven. Hij moet weten wie jij bent, hoe jij praat, wat je agenda is en welke afspraken je al hebt gemaakt. Die informatie komt uit je persoonlijke second brain.
Maar hij moet ook weten wat het bedrijf heeft afgesproken. Welke diensten worden aangeboden? Wat is het beleid? Welke prijzen gelden? Welke informatie mag wel of niet worden gedeeld? Dat komt uit de gedeelde kennisomgeving van het bedrijf.
Pas als die twee bronnen goed gecombineerd worden, ontstaat een antwoord dat echt bruikbaar is. Dan krijg je niet zomaar een generieke AI-mail. Dan krijg je een mail in jouw stijl, met de juiste bedrijfsinformatie, afgestemd op de context van de klant.
En dan kun je kiezen hoe ver je wilt gaan. Misschien mag de agent sommige mails automatisch verzenden. Misschien zet hij andere mails klaar als concept. Misschien wil je bij belangrijke klanten altijd nog even zelf controleren. Dat maakt niet zoveel uit. De basis is dat de agent weet waar hij zijn informatie vandaan moet halen.
Datahuishouding wordt een strategisch onderwerp
Daarom denk ik dat datahuishouding een van de belangrijkste onderwerpen wordt voor bedrijven die serieus met AI aan de slag willen. Nu staat er bij veel organisaties van alles door elkaar. Bestanden op persoonlijke laptops. Documenten in gedeelde mappen. Oude versies in mailboxen. Presentaties in Teams. Notities in Google Docs. Klantinformatie in losse spreadsheets.
Voor mensen is dat al vervelend. Voor AI-agents is het nog erger.
Want als dezelfde informatie op vijf plekken staat, moet een agent veel meer werk doen. Hij moet bepalen welke versie klopt. Hij moet meer context lezen. Hij moet meer informatie verwerken. En dat kost tokens.
Een token is eigenlijk een klein stukje informatie dat een AI-model verwerkt. Hoe meer rommel, dubbele informatie en versnipperde data je hebt, hoe meer tokens je verbruikt. En hoe meer tokens je verbruikt, hoe duurder het wordt om AI goed te gebruiken.
Slechte datahuishouding wordt dus niet alleen een organisatorisch probleem. Het wordt ook gewoon een kostenprobleem.
Begin met opruimen
Gelukkig kan AI ook helpen om dit op te lossen. Je kunt agents juist inzetten om je informatie op te ruimen. Laat ze kijken welke documenten dubbel zijn. Laat ze oude versies herkennen. Laat ze informatie samenvatten. Laat ze mappen structureren. Laat ze aangeven welke informatie persoonlijk is en welke informatie eigenlijk in de gedeelde bedrijfsomgeving hoort.
Dat klinkt misschien saai, maar ik denk dat dit de basis wordt voor goed werken met AI. Niet meteen twintig agents bouwen. Niet meteen een ingewikkelde agent-organisatie optuigen. Eerst zorgen dat de kennis waar die agents op draaien goed georganiseerd is.
Want als je bedrijf zijn informatie niet op orde heeft, gaat AI vooral harder tegen de chaos aanlopen.
De onderscheidende factor
Ik denk dat veel organisaties zich dit nog totaal niet beseffen. Ze kijken naar AI alsof het een tool is die je ergens bovenop zet. Een chatbot erbij. Een agent erbij. Een automatisering erbij.
Maar AI werkt pas echt goed als de onderliggende informatie klopt. En dat vraagt om discipline. Om keuzes. Om duidelijke afspraken over waar informatie hoort te staan. Om onderscheid tussen persoonlijke kennis en bedrijfskritische kennis. Om een gedeeld brein voor de organisatie en persoonlijke second brains voor medewerkers.
Dat klinkt misschien minder spannend dan een team van twintig agents.
Maar ik denk dat het veel belangrijker is.
De organisaties die hun datahuishouding goed op orde krijgen, gaan veel beter met AI kunnen werken. Niet omdat ze per se de meeste tools hebben. Maar omdat hun agents weten waar ze moeten kijken, wat ze kunnen vertrouwen en hoe ze informatie moeten combineren.
Dat wordt volgens mij een van de onderscheidende factoren in het AI-tijdperk.
Niet alleen wie de slimste agent heeft.
Maar wie zijn kennis het beste heeft georganiseerd.