Hoe je AI stap voor stap succesvol inzet (van prompt tot Agentic AI)

Stel, jij besluit dat je wil gaan beginnen met hardlopen om wat stress en vetjes kwijt te raken. Goed plan! Maar is dat het moment om je meteen in te schrijven voor de marathon van Rotterdam of New York? Misschien ook niet. Toch is dit iets wat je regelmatig tegenkomt als het over AI gaat. Veel mensen vinden het nog lastig om een goede prompt te schrijven. Maar omdat de media erover blijven roeptoeteren, lijkt het alsof AI-agents en Agentic AI de eerste stap zijn. Logisch dat 95% van de projecten op een teleurstelling uitdraait. Het kan ook anders. Gewoon door eerst te leren lopen, voordat je gaat rennen. Laten we stap voor stap (…) uitleggen hoe het wel kan lukken. Wie weet kun jij dan zelfs meedraaien in een succesvolle estafetteploeg van AI-agents.

Laten we de ‘hardloopanalogie’ maar als houvast gebruiken. Oftewel: ‘Learn to walk before you can run’. Voorzichtig beginnen dus. Eerst wat wandelen, korte stukjes joggen, kijken hoe je lichaam reageert. Je bouwt conditie op, leert je tempo en cadans kennen en ontdekt waar je grenzen liggen. Pas als die basis er is, ga je nadenken over schema’s, wedstrijden en misschien ooit die estafette.

Stap 1: leer professioneel prompten

In AI-termen is deze fase vergelijkbaar met goed leren prompten. Voor sommigen lijkt prompting een soort goocheltruc, waarbij zowel de input als de uitkomst een gok is. Maar strikt beschouwd is een prompt een duidelijke instructie. Vergelijkbaar met een briefing die een marketeer aan een reclamebureau geeft. Als die briefing vaag is, komt er van het project meestal niet veel terecht. Net als de communicatiecollega die aan de chatbot vraagt: “Schrijf een persbericht”. Beter geef je context. Zoals met een professionele prompt in de geest van: “Schrijf een persbericht voor de vakmedia, waarin je de USP van ons nieuwe softwarepakket voor HR-managers toelicht en ze uitnodigt om contact op te nemen, gebruikmakend van onze tone of voice”.

In deze fase gebruik je tools als ChatGPT, Claude of Gemini vaak nog als chatbot: je stelt een losse vraag en krijgt een antwoord terug. Dat is niet verkeerd. Net als wandelen is het laagdrempelig en nuttig, maar het blijft beperkt.

Realiseer je bij elke prompt: wat vraag ik eigenlijk? Wat krijg ik terug? En waarom? Wie deze basisvaardigheid beheerst, legt het fundament voor álle verdere vormen van AI-gebruik.

Stap 2: werken met AI-assistenten

Na een tijdje wandelen durf je kleine stukjes te joggen. Niet ver, niet snel, maar genoeg om te voelen: hé, dit werkt. In AI-termen is dit het moment waarop je AI-assistenten bewust inzet voor terugkerende taken. Je merkt dat je met dezelfde tools meer kunt dan alleen losse vragen stellen. Je gaat context meegeven, bouwt voort op eerdere antwoorden en verbetert het resultaat stap voor stap. Dezelfde tools (zoals ChatGPT, Claude of Gemini) gebruik je nu niet meer alleen als chatbot, maar als AI-assistent.

Het verschil zit niet in de technologie, maar in het gebruik. Waar een chatbot reageert op één vraag, denkt een AI-assistent mee over structuur, aanpak en vervolgstappen. Dat is het moment waarop wandelen overgaat in joggen: je gebruikt dezelfde benen, maar met meer doel, ritme en bewustzijn. Joggen staat hier niet voor zwaarder werk, maar voor ritme: AI wordt onderdeel van je vaste beweging.

Op een communicatieafdeling wordt zo’n assistent bijvoorbeeld standaard gebruikt om teksten te herschrijven naar verschillende kanalen. In marketingteams voor het maken van varianten voor A/B-tests. Managers gebruiken hem om rapportages of beleidsnotities te structureren voordat ze verder worden uitgewerkt. Je opent de assistent bewust, met een duidelijk doel. Niet omdat hij toevallig in een tool zit, maar omdat hij een vaste plek heeft gekregen in je workflow.

Stap 3: een co-piloot als loopmaatje

Na verloop van tijd wordt joggen routine. Je hebt vaste rondjes, een vast tempo. In AI-termen is dit het moment waarop je gaat werken met copilots: AI’s die zijn ingebed in de tools die je al dagelijks gebruikt, zoals mail, documenten, spreadsheets of projectsoftware. Daarmee bedoelen we niet alleen de bekendste: Copilot (met een hoofdletter, van Microsoft). Ook in CRM-systemen, zoals Salesforce, zit Einstein – deze kan veel, waaronder opereren als copilot. En er zijn er nog veel meer.

Deze copilots nemen het werk niet over, maar bereiden het voor, suggereren en versnellen, terwijl jij de regie houdt. Ze ondersteunen je tijdens het werken, niet als aparte stap.

Een HR-manager laat een copilot vacatureteksten herschrijven voor verschillende doelgroepen. Een marketeer gebruikt er een om van een ruw campagne-idee een eerste opzet te maken. Een communicatieadviseur laat vergaderingen notuleren en samenvatten tot actiepunten.

Je loopt nog geen lange afstanden, maar merkt wel dat het werk lichter wordt. De copilot loopt naast je, niet vóór je. En belangrijk: jij bepaalt het tempo.

Stap 4: Custom GPT’s zorgen voor consistentie

Wie serieus wil lopen en wil opschalen, gaat trainen met een schema. Niet elke dag hetzelfde rondje, maar afgestemd op doel, niveau en herstel. Kijkend naar wat AI voor je kan betekenen, is dit het moment van Custom GPT’s. Zo worden ze althans door OpenAI genoemd. Binnen Gemini heb je Gems en in Claude heten ze ‘Projecten’.

Een dergelijke ‘gecustomizede’ GPT is te vergelijken met een persoonlijk trainingsplan dat niet elke keer opnieuw uitgelegd hoeft te worden. Je configureert één keer de organisatie-specifieke kennis en werkwijze, en vanaf dat moment werkt elke interactie volgens die uitgangspunten.

Het verschil met een standaard AI-assistent? Je hoeft niet in elke prompt opnieuw uit te leggen: “Schrijf in onze tone of voice; gebruik deze terminologie; houd rekening met onze doelgroep”. Bij een Custom GPT configureer je dit eenmalig, als instructie. Vanaf dat moment is het getraind om jouw specifieke instructies te volgen. Je hoeft die dan niet bij elke prompt te herhalen.

Niet elke organisatie heeft deze stap nodig, maar voor consistentie en schaalbaarheid is dit vaak een logisch moment. Als marketeer ontwikkel je campagnes dan steeds vanuit dezelfde uitgangspunten. Voor organisaties betekent dit dat berichten automatisch binnen afgesproken kaders blijven. Wordt de Custom GPT gedeeld tussen medewerkers en afdelingen, dan ontstaat er rust en herkenbaarheid in communicatie.

Stap 5: werken met AI-agents

Op een gegeven moment ga je samen serieus trainen. Iemand loopt vooruit, een ander bewaakt het tempo, een derde let op de techniek. In AI is dit de fase van AI-agents: gespecialiseerde AI’s met elk een eigen taak.

Als onderzoeker kun je bijvoorbeeld werken met een research-agent die trends verzamelt en rapporten samenvat. En met een andere agent die de validiteit van onderzoeken beoordeelt. Je geeft taken uit handen, maar blijft zelf degene die aan het eind beoordeelt of het werk goed is gedaan. In AI-termen heet dit human-in-the-loop: het werk wordt gedelegeerd, maar de mens blijft eindverantwoordelijk.

In hardlooptermen: je loopt niet meer naast elke loper mee, maar staat bij de finish om te controleren of iedereen zijn deel goed heeft gelopen. Omdat taken verdeeld zijn, is afstemming cruciaal. Zonder afspraken wordt het chaos.

De finale stap: van AI-agents naar Agentic AI

De marathon waar we het in het begin over hadden, is niet per se het eindpunt. Veel professionele lopers lopen estafettes. Een estafette vraagt om vertrouwen, timing en duidelijke overdrachtsmomenten. Dat is vergelijkbaar met Agentic AI.

Bij Agentic AI werken meerdere AI-agents samen onder regie van een AI-orkestleider. Het verschil met de vorige stap is dat het AI-systeem, binnen vooraf vastgestelde kaders, zelf beslissingen neemt over de workflow en de inzet van agents.

In de estafette-metafoor: bij AI-agents bepaal jij wie wanneer start. Bij Agentic AI is er een AI-coach die tijdens de race beslist wie het stokje overneemt, gebaseerd op tempo, omstandigheden en doelstellingen.

Ook hier blijft de mens onderdeel van de keten. Niet als loper, en niet meer als dirigent van elke agent, maar als technisch directeur. Degene die het speelveld bepaalt, de grenzen stelt en vastlegt welke beslissingen altijd menselijk blijven, zoals publicatie, strategie en financiële verplichtingen. In AI-termen: je monitort dashboards, controleert uitschieters en behoudt het laatste woord bij alles wat risico met zich meebrengt.

Organisaties die deze fase te vroeg ingaan, merken dat fouten sneller gaan en grotere gevolgen hebben. Organisaties die de training zorgvuldig hebben doorlopen, merken juist dat complex werk beheersbaar wordt.

Als finishing touch: ambitie is goed, opbouw is beter

De vraag is niet of je ooit agentic AI moet willen inzetten. De vraag is of je vandaag bereid bent om te beginnen met wandelen. Door eerst grip te krijgen op hoe mensen met AI werken, voordat je het laat samenwerken.

Net als bij hardlopen geldt: wie zijn training serieus neemt, komt verder. Niet sneller, maar duurzamer. En dat is uiteindelijk waar AI in organisaties over zou moeten gaan.

Nog een paar ’trainings’-tips tot slot:

• AI en AI-agents zijn hongerig. Net als voor hardlopers is goede voeding essentieel. Voor AI is data de belangrijkste voedingsbron. Zorg dus als organisatie dat de data op orde is. Compleet en correct.
• Blessurepreventie is ook cruciaal. Weet waar je wel en niet mag of moet wandelen of lopen. Zorg voor een goede warming-up. In bedrijfscontext: zorg voor een verantwoorde aanpak. Voor veiligheid en privacy. Daarmee voorkom je onnodige schade.
• De juiste techniek: laat de AI-agents voor je lopen, maar bepaal zelf de koers. Oftewel: vertrouw nooit blind op de resultaten of output van de tools. Jij bent de professional en jij bent de eindverantwoordelijke voor de inhoud.

Succes met jouw trainingsschema!

De afbeeldingen in dit artikel zijn gegenereerd met Gemini / Nano Banana