Ik werk al een tijdje met AI-tools. ChatGPT, Gemini, Copilot: de meeste ondernemers en managers kennen ze ondertussen. Maar tien weken geleden ben ik gestart met iets wat fundamenteel anders aanvoelt. Geen chatvenster waar je vragen in typt, maar een werkomgeving waar AI als structurele laag onder al je werk zit. Claude Code.
Claude Code is geen webapplicatie. Het installeert op je computer en werkt vanuit een code-editor zoals VS Code of via de Claude Desktop-app. Claude krijgt zo rechtstreeks toegang tot je bestanden, je systemen en je tools, en kan autonoom handelen, niet alleen antwoorden.
En eerlijk gezegd heeft het mijn manier van werken zo grondig veranderd dat ik er niet meer omheen kan in gesprekken met klanten.
Wat er in mijn werkdag veranderde
Het begon pragmatisch. Ik wilde nog minder tijd verliezen aan operationele taken. Dat lukte. Maar wat er daarna gebeurde, had ik niet verwacht.
Ik bouwde gaandeweg een volledig digitaal team. Geen metafoor, letterlijk een set AI-medewerkers met eigen rollen, eigen kennis, eigen verantwoordelijkheden:
- Een researcher die elke week markttrends volgt, tools opspoort en AI-regelgeving monitort, als input voor mijn wekelijkse nieuwsbrief in het Frans en Nederlands.
- Een automation-builder die de bijbehorende workflows bouwt, test en alle API-koppelingen legt.
- Een content-creator die schrijft, opmaakt, illustraties genereert, presentaties bouwt en video’s produceert, altijd in mijn tone of voice.
- Een senior-strategist voor roadmaps en concurrentieanalyse.
- Een office-manager die de volledige facturatievoorbereiding op zich neemt, van tijdsregistraties verwerken tot dossiers klaarzetten, zodat ik enkel nog hoef te controleren en goed te keuren.
- Een developer voor al het programmeer- en uitrolwerk.
- Een personal-assistant voor mail- en agendabeheer.
Naast de agents zijn er ook skills. Een skill is geen agent, maar een werkwijze die in je werkomgeving geladen wordt: instructies stap voor stap, de nodige referentiedocumenten en de toegangen die nodig zijn om de taak uit te voeren. Je bouwt ze voor taken die je regelmatig herhaalt. Eens een skill bestaat, voer je die taak uit zonder opnieuw alles te moeten uitleggen. De context zit ingebakken.
Twee voorbeelden illustreren dit het best:
De website. De Wix-licentie moest verlengd worden. In plaats daarvan bouwden we de volledige site opnieuw, met een eigen codebase, live gezet via Vercel. Inclusief een beveiligd contactformulier en een volledige SEO-structuur. De developer-agent schreef de code. Ik las na en keurde goed.
De Campaign Hub. In plaats van een Mailchimp-licentie bouwden we een eigen platform, volledig op maat, met contactbeheer, segmentatie, automatische inschrijvingsflows vanuit de website en koppelingen met de nieuwsbrieftool en de automatiseringslaag. Elke nieuwe inschrijving krijgt automatisch de juiste context mee: taal, bron, tijdstip. Het werkt precies zoals ik het wil, niet zoals een kant-en-klare tool het toelaat.
Dit is het verschil dat tien weken Claude Code maakt: van gebruiker van platformen naar eigenaar van systemen.
Wat er technisch achter zit, en waarom dat ertoe doet
Halverwege de tien weken begon ik beter te begrijpen wat er onder de motorkap gebeurt. Dat begrip veranderde alles.
Een AI-agent is niet slim omdat hij een goed model is. Hij is slim omdat de omgeving rondom hem goed gebouwd is. De repository learn-claude-code legt dit helder uit in twaalf progressieve lessen: een agent heeft een harness nodig, de infrastructuur die bepaalt welke tools hij heeft, welke kennis hij krijgt, hoe hij plant en hoe hij samenwerkt met andere agenten.
Dit harness bestaat uit meerdere lagen:
Tools. Een agent kan niets doen zonder tools. Welke toegangen geef je hem? Leestoegang tot bestanden? Schrijftoegang? Externe API’s? Elke tool vergroot zijn autonomie, maar vergroot ook het risico op ongewenste acties. Je moet bewust kiezen.
Kennis en context. Een agent werkt alleen goed als hij de juiste kennis heeft, op het juiste moment, in de juiste vorm. In mijn geval zit er een volledige kennisarchitectuur achter, vergelijkbaar met een folderstructuur in je OneDrive: procesbeschrijvingen, klantprofielen, merkrichtlijnen, methodologieën, dagelijkse logs. De agent laadt enkel wat relevant is. Contextcompressie is geen luxe, het is een vereiste zodra het geheel complexer wordt.
Agent of skill. Herinner je het onderscheid uit het eerste deel: een skill is een recept met vaste stappen voor een voorspelbare taak. Een agent draait als apart subprocess, met eigen context, eigen tools en eigen geheugen. Je roept een agent aan wanneer een taak eigen redenering, parallellisatie of toegang tot externe systemen vereist. Dat onderscheid heeft directe organisatorische gevolgen: niet elke taak vraagt om dezelfde aanpak.
Planning. Een complexe opdracht voer je niet in één stap uit. Een goed gebouwde agent maakt eerst een plan, breekt het op in stappen, volgt zijn voortgang en markeert taken als afgerond. Dat is precies hoe een goede menselijke medewerker werkt, en precies wat de meeste AI-tools vandaag niet doen.
Orchestratie. Dit is het moeilijkste stuk, en het vergt ervaring. Wanneer roep je een skill aan, wanneer een agent? Wanneer doe je iets in de hoofdconversatie, wanneer als achtergrondproces? Die laag verdwijnt gemakkelijk in de achtergrond, terwijl ze de kern is van hoe het geheel functioneert. Wie er niet actief naar kijkt, beheert zijn systeem eigenlijk niet.
Wat ik meeneem na deze tien weken
Tien weken werken met Claude Code heeft mijn kijk op AI-adoptie bij klanten fundamenteel veranderd. Ik stel andere vragen, op een ander niveau.
1. Herteken je processen voor digitale medewerkers, automatiseer ze niet gewoon.
De meeste organisaties stellen de verkeerde vraag. Ze vragen: "Welk bestaand proces kunnen we automatiseren?" Maar agentic AI vraagt om een andere denkwijze. Je denkt niet meer in processen die je versnelt, je denkt in een operationeel geheel van digitale medewerkers dat in principe 24/7 kan draaien. Workflows worden harnassen waarbinnen die medewerkers kunnen bewegen, met de juiste kennis, de juiste tools en de juiste grenzen.
Wie doet wat? Waar ligt de grens tussen digitale autonomie en menselijk oordeel? Een klachtenbehandeling lijkt menselijk werk, maar intake, classificatie, routering en eerste respons zijn perfect te delegeren. Het gesprek dat erna volgt, niet. Die grens bewust trekken is de eigenlijke designopdracht.
2. Hoe codeer je bedrijfslogica in een systeem?
Een AI-agent voert uit wat je hem instrueert. Maar die instructies moeten de bedrijfslogica van je organisatie bevatten: hoe beoordeel je een klant, wat is de escalatieprocedure, welke uitzonderingen bestaan er, hoe klinkt je merk?
Die kennis zit vandaag in de hoofden van je mensen. Ze naar buiten halen, structureren en vertalen naar iets wat een systeem kan gebruiken, dat is geen technische taak. Dat is een organisatietaak. Het vraagt tijd, reflectie en de bereidheid om explicieter te zijn over hoe je eigenlijk werkt dan je ooit moest zijn.
3. Begrijp je de orchestratie, of gebruik je alleen de interface?
De meeste AI-tools verbergen de complexiteit achter een interface. Handig voor adoptie, maar gevaarlijk voor optimalisatie. Als je niet weet hoe kennis geladen wordt, hoe taken worden gepland, hoe agenten samenwerken, zie je niet waar het geheel inefficiënt is, waar het fouten maakt, waar het kan versnellen.
Die laag moet je actief gaan opzoeken. Agentic AI corrigeert zichzelf, repareert onderweg bugs en schrijft indien nodig fixes. Je krijgt je eindresultaat en hebt de neiging niet te veel wakker te liggen van hoe het daar is geraakt. Maar als het geheel inefficiënt te werk is gegaan, geen slimme orchestratie heeft toegepast of dezelfde stap tien keer heeft herhaald, dan vertaalt dat zich rechtstreeks in een torenhoge tokenfactuur. Begrijpen hoe je agents redeneren en samenwerken is dan ook de enige manier om het geheel echt te verbeteren.
Investeer daarom niet alleen in toegang tot AI-tools, maar in begrip van hoe ze werken. Train niet alleen eindgebruikers, maar ook de mensen die het geheel beheren en bijsturen. Dat zijn je AI Champions van morgen, niet mensen die goed prompts schrijven, maar mensen die het systeem doorgronden.