Een jaar geleden dacht ik nog vooral na over welk AI-model het beste was. GPT, Claude, Gemini: elke week verscheen er een nieuwe winnaar, en elke week voelde het alsof je iets miste als je niet overstapte. Inmiddels kijk ik daar anders naar. Het model huur ik per token. Mijn werkwijze, mijn geheugen en de kennis die mijn systemen over mijn klanten hebben opgebouwd, dat bezit ik zelf. Het model is de motor: je wisselt hem met één regel in een configuratiebestand, en alles wat de agent eromheen heeft opgebouwd blijft staan.
Om die reden draai ik al een paar maanden een team van zes AI-agents: één personal assistant waarmee ik praat, en vijf specialisten naar wie die assistant werk doorstuurt. De modellen achter die specialisten heb ik onderweg al meerdere keren gewisseld. Wat blijft staan, is de kennis die elke agent tijdens het werk heeft opgebouwd. Hieronder leg ik eerst uit waarom dat onderscheid voor elk bedrijf belangrijk wordt, en daarna loop ik mijn eigen setup door: wat waar draait, wat het kost en waarom ik gestopt ben met het kiezen van een vaste leverancier.
Waarom dit voor bedrijven belangrijk wordt
De meeste Nederlandse bedrijven zitten nu in de fase van de toolvraag. Welke AI-tool moeten we gebruiken? Is ChatGPT beter dan Claude? Moeten we Copilot nemen? Het is een logische vraag, alleen levert het antwoord weinig op. Iedereen krijgt toegang tot dezelfde modellen, voor ongeveer dezelfde prijs. Een abonnement op het beste model is geen voordeel als je concurrent hetzelfde abonnement heeft. Het verschil ontstaat in de laag eromheen: de werkwijzen, het opgebouwde geheugen, de koppelingen met je eigen systemen en de processen die je vastlegt. Kortom, de agentlaag.
Een bedrijf met tien jaar klantdata, eigen processen, een eigen tone of voice en vastgelegde workflows heeft een voordeel dat een concurrent niet even met een creditcard koopt. Dat voordeel is alleen bruikbaar als het ergens staat waar AI erbij kan: in kennisbestanden, in skills, in geheugen dat per rol wordt bijgehouden. Wie die laag bouwt, krijgt iets dat bij elke modelgeneratie meer waard wordt. Sluit je alleen een abonnement af, dan begin je elke chat opnieuw.
Voor wie al langer in SEO zit, is dit een bekende beweging in een nieuwe jas:
| Periode | Waar het verschil zat |
|---|---|
| 2005 | wie heeft de meeste keywords |
| 2015 | wie heeft de beste content |
| 2025 | wie heeft de beste AI-ready kennisstructuur |
De concurrentie verschuift van de vraag welke AI-tool je gebruikt naar de vraag hoe goed je je AI-collega's hebt ingericht.
Hoe dat eruitziet voor een Nederlandse webshop
Maak het even concreet. Een webshop draait straks geen losse marketingtool meer, maar heeft een klein team van digitale specialisten. Een marketing-agent die campagnes analyseert, nieuwe advertentiehoeken bedenkt en briefs schrijft. Een SEO/GEO-agent die AI Overviews monitort, concurrenten analyseert en productcontent optimaliseert. Een data-agent die naar marge kijkt en Shopify, Merchant Center en GA4 aan elkaar knoopt. Een CRO-agent die sessies analyseert, hypotheses opstelt en testvarianten schrijft. Elk van die agents onthoudt wat hij leert over jouw winkel, en dat geheugen blijft van jou, welk model er ook onder draait.
Mijn eigen team is daar de freelance-variant van, en het draait vandaag al. Zo ziet het eruit.
Eén stem, vijf collega's
Het dagelijks gebruik stelt weinig voor. Ik open een chatvenster, of ik stuur een Telegram-bericht vanaf mijn telefoon, of ik stuur mezelf een e-mail. Achter alle drie zit dezelfde personal assistant. Die assistant is de enige agent met wie ik ooit rechtstreeks praat. Alles wat daarna gebeurt, loopt via delegatie.
De assistant draait lokaal, op mijn eigen machine, via vLLM (een server die open modellen snel op eigen hardware draait). Hij haalt zo'n 180 tokens per seconde en hoeft mijn bericht niet over het internet te sturen voordat hij kan antwoorden. Hij kent mijn agenda, mijn inbox en mijn berichtenapps, en hij kent de bezetting van vijf specialisten naar wie hij werk kan doorsturen. Elke specialist heeft daarnaast zijn eigen koppelingen met systemen als GitHub, databases en Google-tools; in het vak heten die MCP-connectors.
De daadwerkelijke profielindeling ziet er vandaag zo uit. Zes kaarten, één actief (de standaard assistant), vijf in stand-by tot de assistant ze activeert.
De bezetting, op volgorde.
- Coder voor backend- en integratiewerk. Laravel en de TALL stack, plus Python voor de lijm tussen systemen. Draait op GLM 5.2, dat op mijn eigen codetests de beste verhouding tussen kwaliteit en tokenprijs haalt.
- Frontend designer voor Tailwind- en Alpine-mockups, redesigns, hero-art. Draait op Claude Opus 4.8. Op designsmaak scoort Claude in mijn evals nog steeds het best.
- Google-expert voor alles wat via Google's eigen platforms loopt. Search Console-eigenaardigheden, Merchant Center, edge cases bij indexering, discussies over structured data. Draait op Gemini 3.1 Pro, dat in mijn tests het meest thuis is in de documentatie en de productlogica van Google zelf.
- SEO/GEO-expert voor technische SEO plus generative-engine optimalisatie. Behalve Google ook ChatGPT, Copilot en Google AI Mode: elk platform dat vragen beantwoordt zonder de gebruiker via een blauwe link door te sturen. Draait op GPT 5.5, benaderd via Codex.
- Marketeer voor campagne-invalshoeken, social copy, activatie-ideeën. Ook op GPT 5.5. Gaat binnenkort volledig in rotatie.
Elk daarvan heeft zijn eigen /home/hermes/profiles/<role>/ map, zijn eigen skills-map, zijn eigen geheugenbestand, zijn eigen MCP-koppelingen. Skillaantallen vandaag: 83 op de standaard assistant, 26 op de coder, 34 op de designer, 29 op de Google-expert, 24 op de marketeer, 21 op de SEO/GEO-agent. Dat is 217 skills in totaal op schijf, geen daarvan gedeeld tussen rollen, allemaal opgebouwd door de agent die het werk doet.
Wat er blijft staan als het model wisselt
De reden om de specialisten gescheiden te houden is geheugen. Eén super-agent zou alles in hetzelfde geheugenbestand kwijt moeten: designvoorkeuren, stackdetails, SEO-taxonomie. Dat bestand groeit, de agent moet er per taak steeds meer van doorlezen, en wat er niet meer bij past wordt samengevat of valt weg. Meestal precies het detail dat je die dag nodig had.
Opgesplitst in rollen blijft elke agent doorbouwen. De coder leert welke van mijn repo's op Laravel 11 zitten en welke nog op 10. De designer leert welk motief we gebruiken voor hero-afbeeldingen en welk we hebben uitgefaseerd. De SEO-agent leert wat "money page" betekent in ons vocabulaire en wat de laatste technische audit heeft opgeleverd.
Het model dat de agent aandrijft, is bewust vervangbaar. De coder draait vandaag op GLM 5.2 omdat dat sterk is op mijn stack voor een prijs die me bevalt. Zodra iets anders beter scoort op dezelfde evals, wissel ik: dat kan Claude Opus 5 zijn, een nieuwe open-weights release, of een GPT 5.6 die er nu nog niet is. De skills-map, het geheugenbestand en de MCP-koppelingen van de coder blijven staan.
Een modelkeuze herzie ik elke paar maanden. De inrichting van een agent staat er al sinds het begin, en die bouw ik alleen maar verder uit.
Dit is ook waarom ik ben gestopt met het idee van "één skill-bibliotheek voor alles", zoals ik nog schreef in je eerste AI-strategie is een skill library. Die post blijft een goed startpunt, maar zodra je opsplitst in specialisten, splitst de bibliotheek zich mee. Elke specialist krijgt een uitgekiende set skills in plaats van de hele bibliotheek.
Bewust gespreid over leveranciers
Het rouleren van modellen had een bijeffect dat uiteindelijk meer bleek uit te maken dan de losse modelkeuzes zelf. Mijn team draait vandaag verspreid over vijf verschillende leveranciers.
- Lokale hardware voor de personal assistant (Qwen 3.6-35B-A3B van Alibaba, via vLLM)
- Chinees open-weights model voor code (GLM 5.2 van Zhipu)
- Amerikaans closed model voor design (Claude Opus 4.8 van Anthropic)
- Amerikaans zoekbedrijf voor Google-vormig werk (Gemini 3.1 Pro)
- Amerikaans closed model, andere leverancier, voor SEO en marketing (GPT 5.5 van OpenAI)
Als een van deze leveranciers morgen duurder wordt, een beleid invoert waar ik niet mee wil werken, of stilletjes slechter wordt, wissel ik het model van die ene rol zonder de andere vier aan te raken. Mijn kennisbasis verhuist niet mee en de werkwijze blijft dezelfde.
Los van het lokale LLM, dat een vaste hardwarekost met zich meebrengt, draait het hele cloud-team momenteel op zo'n 150 euro per maand aan API-uitgaven, verdeeld over de vijf specialisten. Vijf collega's met elk hun eigen geheugen en domein, voor ongeveer de prijs van het tooling-budget van één senior medewerker.
Er stroomt al echt werk doorheen
Dit weekend delegeerde ik twee klussen vanaf Telegram op mijn telefoon, zonder er zelf iets voor te hoeven routeren.
De eerste, een mockup voor een moderne webshop, ging naar de designer op Claude Opus 4.8, hero-art en productgrid inbegrepen, en kwam terug als link die ik op de desktop kon openen. De tweede, een SEO/GEO-rapport over een klantrepository, ging naar de SEO/GEO-specialist op GPT 5.5 en kwam terug als markdownbestand, gecommit naar de repo.
Allebei begonnen met een gewoon Telegram-bericht. De assistant las het, koos een specialist, riep de juiste skill aan en antwoordde vervolgens inline of opende een PR, afhankelijk van de omvang van het resultaat. Veel meer is de loop niet, en hij draait vandaag al. Als je stop met prompten, ontwerp de loop hebt gelezen, is dit dezelfde vorm, met een router ervoor.
Streng afgeschermd, en met reden
Zes agents die zelfstandig kunnen handelen, zijn ook zes agents die schade kunnen aanrichten. Daarom draait het geheel in een afgeschermde omgeving. Bij het inrichten ga ik ervan uit dat elk van deze agents morgen op een gecompromitteerd model draait, of op een model dat bij een slechte prompt onverwacht gedrag vertoont. De rechten van een agent horen dus krapper te zijn dan die van een externe kracht op zijn eerste werkdag.
- Alles draait binnen een geïsoleerde VM, niet op mijn host-OS.
- Strikte uitgaande firewallregels per profiel, geen onbeperkt internet.
- Geen sudo-rechten binnen de agent-gebruiker. Geen SSH-sleutels bereikbaar vanaf de VM naar een andere machine.
- Krappe GitHub-tokenscopes per agent, met zo min mogelijk repotoegang als praktisch haalbaar is.
- Elke PR die de loop opent gaat naar review. Geen directe pushes naar
main. - Extra GitHub-rulesets bovenop, zodat zelfs een gecompromitteerde token geen geschiedenis kan herschrijven of force-pushen.
Niets hiervan is spannend, en het kostte per profiel ongeveer tien minuten.
Waar dit op uitkomt
De kern is niet dat ik zes chatbots tegelijk open heb staan. De werkeenheid is verschoven, van het model naar de agent. Iedereen krijgt toegang tot dezelfde AI-modellen, dus het verschil ontstaat in de agentlaag eromheen, en die laag bouw je zelf op.
Daaruit volgen drie dingen.
Eén, afhankelijkheid van één leverancier weegt zwaarder dan vorig jaar. Zorg dat er voor elke specialist een tweede leverancier klaarstaat, voor het geval er een uitvalt, duurder wordt of zijn limieten aanscherpt.
Twee, de skill-bibliotheek per agent weegt zwaarder dan de vraag op welk model die agent deze week draait. Die bibliotheek groeit elke week door, ook als je aan je modelkeuze niets verandert.
Drie, de interfacelaag mag saai zijn. Eén stem, één contextvenster, één geheugen aan mijn kant, en de routing daarachter hoef ik zelf niet te onthouden. Als een Telegram-bericht genoeg is om een loop te starten die een PR oplevert, dan is de modelkeuze binnen die loop een implementatiedetail.
Voor bedrijven komt het hierop neer. Besteed minder tijd aan de zoektocht naar het beste model en meer tijd aan het vastleggen van wat jouw bedrijf uniek maakt, in een vorm waar agents mee kunnen werken. Ik breid de bezetting uit zodra een nieuwe rol voor de hand ligt, en ik roteer modellen per rol zodra het klassement verschuift. Wil je de daadwerkelijke profielindeling zien, of sparren over zo'n opbouw voor jouw bedrijf, mail dan info@jermayads.nl of gebruik jermayads.nl/contact.