Niet één AI, maar een keten: zo richt ik AI in voor een grote klus

Eén vraag, honderden pagina’s

Sommige opdrachten passen niet in een chatvenster. Een recente klus van mij zag er zo uit: honderden pagina’s aan documenten, tientallen onderdelen die elk afzonderlijk beoordeeld moesten worden, verbanden tussen die onderdelen die niemand nog overzag — en één eindproduct waarin alles klopt én controleerbaar is.

De reflex is dan: neem een krachtig AI-model, geef het een goede opdracht en laat het lezen. Dat werkt niet. Niet omdat het model te zwak is, maar omdat één doorlopend gesprek geen geheugen, geen structuur en geen controle heeft. Halverwege weet niemand meer wat er al is beoordeeld, waarom iets ergens staat, of wat er gebeurt als je één stap opnieuw moet doen.

Wat wél werkt, is AI inrichten zoals je een team inricht: kleine rollen, duidelijke overdracht, en een vaste manier van vastleggen.

Niet één AI, maar een keten van rollen

In plaats van één AI die “alles doet”, staat er een keten van kleine AI-rollen, elk met één taak en één eigen instructie: één rol haalt de onderdelen uit de ruwe documenten, één sorteert ze langs vaste poorten, één beoordeelt elk onderdeel, één zoekt de verbanden, één stelt het eindstuk samen — en tussendoor controleert een aparte rol het werk van de anderen.

Dat klinkt misschien omslachtig, maar het is precies waarom het werkt. Een rol met één taak kun je scherp instrueren, apart verbeteren en apart testen. Gaat er iets mis in stap vier, dan repareer je stap vier — niet het hele systeem.

Alles gaat via bestanden

De rollen praten niet met elkaar in een gesprek; ze geven hun werk door via gestructureerde bestanden. Elke stap leest de bestanden van de vorige stap en schrijft er zelf één terug, in een vaste vorm: wat is er gevonden, welke score kreeg het, hoe zeker is dat oordeel.

Naast het volledige rapport per onderdeel schrijft elke beoordeling ook een klein signaal-bestand: een paar velden die zeggen waar dit onderdeel bij hoort — welke onderdelen elkaar beïnvloeden (een fout in het één werkt door in het ander), hoe zwaar iets weegt, welke aanpak erbij past. Een volgende rol groepeert op die signalen, en bepaalt de aanpak per samenhangende groep in plaats van per los stuk. Zo zie je dwarsverbanden die je bij stuk-voor-stuk lezen gegarandeerd mist.

Het bestandsprincipe levert nog twee dingen op. Herleidbaarheid: van elke conclusie in het eindproduct kun je terugbladeren naar het bestand, de stap en de bron waar hij vandaan komt. En herstartbaarheid: elke stap is opnieuw uit te voeren zonder de rest te raken, want alles wat de stap nodig heeft staat in bestanden — niet in het geheugen van een gesprek.

Dezelfde meetlat voor elk onderdeel

Elk onderdeel wordt beoordeeld langs dezelfde vaste invalshoeken, met een score en een zekerheidsniveau per invalshoek. Dat lijkt een detail, maar het is de stap die van losse oordelen een geheel maakt: onderdelen worden vergelijkbaar, prioriteiten worden zichtbaar (“dit eerst, dat kan wachten”), en het rapport per onderdeel benoemt precies wat er mist, wat elkaar tegenspreekt en wat niet klopt in de cijfers.

Zonder vaste meetlat krijg je wat je bij losse AI-antwoorden altijd krijgt: elk oordeel in een andere vorm, met een andere strengheid, onvergelijkbaar met de rest.

Kennis staat los van de uitvoering

De vakkennis die de beoordelingen voedt — de vragen die per onderdeel gesteld moeten worden, de referentiekennis waar oordelen op steunen — staat niet ín de instructies van de rollen, maar in aparte kennisbestanden die de rollen raadplegen.

Daardoor kun je de kennis bijwerken zonder aan de rollen te komen, en de rollen verbeteren zonder de kennis te raken. Het is hetzelfde principe als een goed team: de werkwijze en het naslagwerk zijn twee verschillende dingen, en je wilt ze allebei kunnen verbeteren.

De AI wordt zelf getest

Het deel dat het vaakst wordt overgeslagen: hoe wéét je dat zo’n keten goed werk levert? Antwoord: je test hem zoals je software test.

Voor elke rol bestaan testgevallen met een bekende uitkomst — documenten waarin bewust drie fouten verstopt zitten, bijvoorbeeld. Vindt de rol alle drie, dan scoort hij een 1,0; meldt hij een fout die er niet is, dan is dat een nul. Verander je een instructie, dan draai je de tests en zie je of het beter of slechter werd. En bovenop de tests kijkt bij de spannende stappen een mens mee, op vaste controlepunten — de keten bereidt beslissingen voor, mensen nemen ze.

Bekijk het modulaire AI-platform

Wat dit voor jouw klus betekent

De inrichting hierboven is niet gebonden aan één soort werk. Overal waar veel documenten, veel onderdelen en één controleerbaar eindproduct samenkomen — beoordelen, controleren, samenstellen — werkt hetzelfde patroon: kleine rollen, overdracht via gestructureerde bestanden, één meetlat, kennis apart, en tests die bewijzen dat het klopt.

Heb je zo’n klus liggen waarvan iedereen zegt “daar moet toch iets met AI kunnen”? Plan een gesprek via de knop bovenaan — of bekijk eerst de projecten om te zien hoe dit patroon er in werkende systemen uitziet.