AI is niet middelmatig: hoe je het gebruikt wel

AI wordt door marketeers steeds vaker ingezet voor copy, campagnes, doelgroepanalyses en strategie. De verwachtingen zijn hoog, maar de teleurstelling groeit ook. Veel professionals herkennen hetzelfde patroon: de output van AI is vaak correct, maar zelden onderscheidend. Het voelt generiek, vlak en soms zelfs cliché.

Al snel ontstaat de conclusie dat AI overschat wordt. Toch is dat waarschijnlijk de verkeerde diagnose. Niet omdat AI altijd briljant is, maar omdat veel marketeers AI gebruiken op een manier die automatisch leidt tot middelmaat. De beperking zit namelijk niet in het model, maar in het menselijke denkkader waarmee we het systeem aansturen.

Waarom AI vaak middelmatige marketing oplevert

De meeste marketeers gebruiken AI zoals ze een stagiair of junior copywriter zouden gebruiken. We geven een opdracht, een korte briefing en verwachten dat het systeem er iets bruikbaars van maakt. Bijvoorbeeld: ‘Schrijf een LinkedIn-post over dit onderwerp’ of ‘Maak een campagneconcept voor doelgroep X’.

Het resultaat is meestal acceptabel, maar zelden verrassend.

Dat komt omdat we AI behandelen alsof het op dezelfde manier denkt als wij. Terwijl AI juist krachtig is op een punt waar wij als mens beperkt zijn: het verwerken van complexiteit.

Kahneman verklaart het probleem

Daniel Kahneman beschrijft in zijn werk het verschil tussen Systeem 1 en Systeem 2. Systeem 1 is snel, intuïtief en automatisch. Het is efficiënt, maar het heeft ook een nadeel: het kan slecht omgaan met veel variabelen tegelijk.

Zodra een probleem te complex wordt, gaat ons brein versimpelen. Niet omdat we dat willen, maar omdat het nodig is om überhaupt te kunnen handelen.

Dat zie je dagelijks terug in marketing. Een professional kan prima werken met een paar modellen tegelijk: bijvoorbeeld Cialdini voor beïnvloeding, Kahneman voor gedrag, en misschien BJ Fogg’s B=MAP om activatie te begrijpen.

Maar zodra je daar COM-B (Capability, Opportunity, Motivation), SCARF (Status, Certainty, Autonomy, Relatedness, and Fairness) of andere gedragspsychologische frameworks aan toevoegt, wordt het snel onoverzichtelijk.

Niet omdat de modellen niet kloppen, maar omdat het menselijk gezien veel mentale energie kost om ze tegelijk toe te passen. En tijd is precies wat marketeers zelden hebben.

Daarom reduceren we complexiteit automatisch tot iets werkbaars. We kiezen één model, één perspectief of één invalshoek. Het gevolg: we bouwen campagnes op basis van een beperkt aantal variabelen.

AI kan dat anders. AI is geen copywriter, maar een integratiemachine.

AI is niet bijzonder omdat het ‘mooie’ teksten kan maken. AI is bijzonder omdat het verbanden kan leggen tussen veel factoren tegelijk. Waar mensen vaak lineair denken, kan AI multidimensionaal combineren.

Een marketeer kan realistisch gezien misschien drie frameworks tegelijk meenemen in een analyse. AI kan er tien, vijftien of meer integreren, zolang je het systeem maar voldoende context geeft. En dat is precies waar het misgaat: we geven AI vaak te weinig input, omdat we zelf al vastlopen in de hoeveelheid informatie.

We beperken het systeem tot de eenvoud die wij aankunnen. Daarna zijn we verbaasd dat de output generiek wordt.

Het vergeten element: jouw passieve geheugen

Een ander verschil tussen mens en AI zit in geheugen. Mensen werken niet alleen met expliciete kennis (‘Ik pas nu Cialdini toe’), maar ook met een enorme hoeveelheid impliciete kennis. Denk aan ervaring, intuïtie, eerdere campagnes, onderbuikgevoel, aannames over doelgroepen, interne politieke gevoeligheden of merkgeschiedenis.

Dit is het passieve geheugen: het beïnvloedt continu onze beslissingen, maar we kunnen het vaak niet goed onder woorden brengen.

Vraag een marketeer waarom een bepaalde boodschap werkt en het antwoord is lang niet altijd rationeel of modelmatig. Het is vaak een combinatie van ervaring en gevoel. Juist dat maakt professionals sterk. AI heeft dat niet.

Als je prompt zonder die achtergrond, krijgt AI alleen je actieve informatie: de briefing, het product en een paar kenmerken van de doelgroep. Het mist alles wat jij automatisch meeneemt. Het gevolg is logisch: AI produceert een gemiddeld antwoord, gebaseerd op gemiddelden.

Niet omdat AI ‘dom’ is, maar omdat jij het systeem onvoldoende context geeft om beter te kunnen denken.

Frameworks combineren: waarom wij het niet doen (en AI wel)

In theorie zou je marketingcommunicatie veel sterker kunnen maken door meerdere gedragsmodellen tegelijk toe te passen. Bijvoorbeeld: Cialdini’s beïnvloedingsprincipes combineren met Kahnemans biases, aangevuld met COM-B en Fogg’s B=MAP.

In de praktijk doen we dat nauwelijks. Het kost te veel tijd en concentratie. Je verliest overzicht, en dus versimpel je opnieuw.

AI kan die combinatie wel maken. Niet omdat AI ‘snapt’ wat psychologie is zoals een mens dat snapt, maar omdat het razendsnel kan rekenen met patronen en relaties tussen concepten. AI kan een output genereren waarin meerdere modellen tegelijk verwerkt zijn, mits je het systeem de juiste instructies en context geeft.

Het verschil is essentieel: waar mensen frameworks vaak naast elkaar gebruiken, kan AI ze geïntegreerd toepassen.

StoryBrand versus adaptieve storytelling

StoryBrand is populair omdat het overzichtelijk is. Het werkt met zeven heldere elementen om een verhaal te structureren. Dat is goed te begrijpen en goed te controleren. Een marketeer kan het framework snel toepassen en beoordelen.

Maar er bestaan ook storytelling-systemen met veel meer variabelen, bijvoorbeeld SYNARAD; een adaptief story systeem dat werkt met 19 elementen en 7 lektypes. Voor een mens wordt dat snel te complex. Je bent uren bezig om een profiel te bouwen, laat staan om het consistent door te vertalen naar content.

AI kan dit wél. Binnen een minuut kan het systeem, op basis van de juiste context, een profiel opstellen met: wat je wél moet zeggen, wat je moet vermijden, welke motivaties je moet triggeren en welke framing het meest effectief is. Dit systeem werkt dan bovenop StoryBrand en andere frameworks als AIDA, POS of PAS.

En juist daar zit het verschil tussen AI als ’teksttool’ en AI als ‘marketingstrategie-tool’.

Middelmaat is vaak een promptprobleem

De meeste klachten over AI-output zijn in de kern geen AI-probleem, maar een contextprobleem. We geven AI te weinig informatie, te weinig constraints en te weinig gedragsmatige diepgang. Daardoor krijgt het systeem ruimte om te generaliseren, en generalisatie is per definitie middelmaat.

Als je AI daarentegen voedt met meer datapunten, meer psychologische parameters en meerdere frameworks tegelijk, neemt de kwaliteit vaak drastisch toe.

Niet omdat AI dan ineens creatief wordt, maar omdat de voorspelling robuuster wordt. Meer variabelen betekent simpelweg een hogere kans op een beter antwoord. Waar een mens bij meer variabelen de draad kwijtraakt, wordt AI juist sterker.

Wat betekent dit voor marketeers?

De belangrijkste verschuiving is dat marketeers anders moeten leren denken over AI. Niet als ‘sneller schrijven’, maar als een systeem dat complexiteit kan verwerken waar wij als mens op vastlopen.

Dat vraagt om een andere werkwijze:

• Meer context geven (inclusief doelgroep, merkstrategie, eerdere learnings).
• Meerdere gedragsmodellen tegelijk laten toepassen.
• AI gebruiken voor analyse en integratie, niet alleen voor copy.
• Zelf de rol pakken van beoordelaar en regisseur.

De rol van de marketeer verandert daarmee van maker naar curator: jij bepaalt de richting, AI verwerkt de complexiteit.

AI vraagt geen betere tool, maar een beter denkmodel

AI is niet automatisch middelmatig. Middelmaat ontstaat wanneer we AI gebruiken binnen de grenzen van ons eigen Systeem 1-denken: snel, simpel en beperkt. Wie AI inzet alsof het een menselijke collega is, krijgt menselijke beperkingen terug in de output.

Wie AI leert gebruiken als integratiemachine, krijgt een nieuw niveau van strategische mogelijkheden. De vraag is dus niet of AI goed genoeg is, de vraag is of wij bereid zijn om anders te gaan denken.