Kijk lang genoeg naar de beste mensen in een team en je ziet dat ze allemaal patronen hebben. Een senior salesmedewerker stapt niet koud een belangrijk gesprek in. Die heeft het laatste gesprek al uit de CRM gehaald, weet wie de echte beslisser aan de andere kant is en herinnert zich de belofte die iemand drie weken geleden deed en die nooit in de notities terechtkwam. Een sterke support lead leest een escalatie anders dan een junior dat doet. Die pikt de toon op, de accountwaarde, de versiegeschiedenis van het productprobleem, en het kleine signaal dat dit ticket op het punt staat een veel groter probleem te worden. Een finance lead kijkt niet naar de cijfers zoals het dashboard hem voorschrijft. Die weet welke bewegingen ertoe doen, welke ruis zijn, en welke een verhaal nodig hebben voordat de boardmeeting begint.
De meeste bedrijven leunen elke dag op werk dat er precies zo uitziet. Ze noemen het ervaring, gevoel, smaak, institutionele kennis. In de praktijk is het een methode, een specifieke manier van werken die de beste mensen in het team consistent toepassen en die de rest van het team slechts benadert. De AI-bedrijven noemen het inmiddels een skill, en dat woord dekt de lading goed.
Ik bouw nu ongeveer een jaar aan de dingen die tegenwoordig skills worden genoemd. Soms was het artefact een map met markdown-bestanden. Soms was het een per-klant intelligence/-directory in een Git-repo met drie lagen (best practices, de manier van het bureau, businesscontext). Soms was het één CLAUDE.md-bestand bovenaan een project dat Claude Code vertelde welke conventies het moest respecteren. Soms was het een brain_feed.md-bestand dat in de system prompt van elke agent binnen een bepaalde scope werd geïnjecteerd. Elke keer zag het artefact er anders uit, terwijl de functie identiek was. Ik verpakte de methode, los van de agent en los van de data, zodat dezelfde methode consistent toegepast kon worden, ongeacht welk model er op dat moment draaide.
Die ervaring vormt de basis voor iets specifieks dat ik wil beargumenteren. De eerste echte AI-strategie van elk bedrijf zou een skill library moeten zijn. Eerder dan een modelkeuze, een vendorpartnerschap of een chatbot op de website: een bibliotheek van de methodes die jouw beste mensen gebruiken, goed genoeg opgeschreven zodat elke agent ze kan laden en toepassen. Dat is het bezit dat zich opstapelt. Bijna al de rest is infrastructuur die je morgen kunt vervangen: nodig om te draaien, zonder dat het je onderscheidt.
Toegang is de makkelijke helft
De meeste teams beginnen hun AI-traject op de toegangslaag. De CRM koppelen. Drive aansluiten. Het warehouse blootleggen. Een Slack-bot toevoegen. GitHub erbij pluggen. Een koppellaag opzetten waarmee agents op je systemen aansluiten; in het vak heet die standaard MCP, voluit Model Context Protocol. De vendors verkopen je dit onderdeel graag, want het is wat zij leveren. En het doet ertoe: een agent zonder toegang gokt maar wat.
Makkelijk is overigens relatief. In Nederland is die toegangslaag regelmatig al een klus op zich, omdat een deel van de softwareleveranciers hier nog geen behoorlijke API, webhooks of documentatie heeft. Maar dat is oplosbaar werk, werk dat een integratiepartij of vendor voor je kan doen. Het is niet het deel waarin jouw bedrijf zich onderscheidt.
Want toegang zonder methode levert een heel specifiek soort mislukking op: het soort dat het lastigst te herkennen is en het snelst ongemerkt de deur uitgaat. De agent leest elke salesnotitie in Salesforce en mist toch de kern van de deal. Hij doorzoekt elk supportticket en kan toch niet zeggen welk account op het punt staat te churnen. Hij opent elk productdocument en produceert een productplan dat goed klinkt maar de eigenlijke beslissing mist. De output ziet er competent uit. Het is ook het meest voorspelbare antwoord dat er is: het patroon dat in de trainingsdata het vaakst bij dit soort vragen hoort. Daar valt een model op terug zolang je het geen methode meegeeft, ook als je om vakwerk vraagt.
De skill library dicht dat gat. Het is het deel van je bedrijf dat uitlegt hoe je dit soort werk doet, los van de data die het voedt en los van het model dat het draait.
Van prompt naar herhaalbare methode
Een prompt geldt voor één moment: het is wat je de agent nu vertelt. Een skill geldt voor elke keer dat dit soort werk langskomt. Het is een vastgelegde methode die de agent erbij pakt zodra hij de taak herkent.
De vorm van een skill staat niet vast. In de versie van Anthropic is het een map met een SKILL.md-bestand erin, plus optionele ondersteunende bestanden (checklists, templates, scripts, voorbeelden). Bovenaan dat SKILL.md-bestand staat een korte beschrijving, en daaraan herkent de agent wanneer hij de skill moet laden. Andere systemen komen op andere vormen uit, terwijl de inhoud hetzelfde blijft. Een skill bundelt instructies, voorbeelden, templates, de checklist die een senior zou doorlopen, de vuistregels die iedereen op de harde manier leert, de edge cases waar de ervaren persoon op let, en de kwaliteitslat die ze aan het einde verwachten.
De Google Ads brain feed die ik vorige maand voor een klant bouwde, was in feite een skill, ook al heette hij zo niet. Een brain feed is een kennisbestand dat elke agent binnen een afgebakend werkgebied als eerste laadt, nog voordat hij aan de slag gaat. Deze bundelde de catalogussamenvatting, de tabel met het aandeel per merk, het overzicht van welke productspecificaties gevuld waren, de launch-ready percentages per asset group, en de vuistregels over welke merken in Performance Max-campagnes konden en welke uitgesloten moesten worden. Elke agent die binnen de SEA-scope van dat project opereert, laadt die brain feed voordat hij iets anders doet. Het eerste wat de agent doet, nog voor hij een enkele headline schrijft, is checken wat de data zegt over welke USP's claim-safe zijn. Dat is de skill in actie. Het model bedacht dat niet zelf, en kan dat ook niet: het weet niet welke feedvelden in die specifieke catalogus leeg zijn.
Wat een connector levert en wat een skill toevoegt
Zodra je de twee lagen splitst, wordt de juiste strategie een stuk duidelijker. Connectoren geven de agent context. Skills geven de agent beoordelingsvermogen.
Een connector kan de hele Salesforce-instantie blootleggen. Hij kan de agent niet leren hoe jouw team een forecast review draait. Een Drive-integratie kan elk document op de gedeelde drive teruggeven. Die integratie weet niet welk oud boarddeck de moeite waard is om te kopiëren, en welk deck de versie is waarin de CFO het jaar fout had en die het bedrijf daarna nooit meer gebruikt heeft. De MCP-server die je voor je product levert, geeft een agent de mogelijkheid om je tool aan te roepen. Daarmee weet de agent nog niet wanneer hij die tool moet aanroepen, welke van de mogelijkheden hij dan gebruikt, en hoe hij moet lezen wat er terugkomt.
| De connector geeft (context) | De skill geeft (beoordelingsvermogen) |
|---|---|
| Alle salesnotities van het account | De volgorde waarin jouw beste accountmanager een renewal voorbereidt, en het risico dat hij als eerste checkt |
| Elk document op de gedeelde drive | Welk boarddeck als voorbeeld dient en welke versie nooit meer gebruikt wordt |
| Elk supportticket met volledige historie | De escalatielogica die bepaalt welk ticket vandaag nog aandacht verdient |
| Toegang tot je tool via een MCP-server | Wanneer de agent die tool aanroept, met welke opties, en hoe hij het antwoord interpreteert |
Skills zitten tussen de connector en de actie. Zij zijn het deel dat zegt: "als je dit soort werk doet, volg dan deze volgorde, check dit eerst, let op dit faalpatroon dat ons al drie keer heeft betrapt, en zo hoort de output eruit te zien." Dat stuk staat bij de meeste bedrijven nergens opgeschreven. Wie het wel opschrijft, bouwt maand na maand aan een operationeel voordeel dat een concurrent niet kopieert door hetzelfde model af te nemen.
Het patroon is ouder dan AI
Deze vorm is niet nieuw. Software klimt al een halve eeuw hoger op de abstractieladder, en elke generatie verpakte een andere laag expertise in iets herbruikbaars.
Unix-commando's maakten nuttige bewerkingen herbruikbaar. Shell scripts maakten reeksen herbruikbaar. Libraries maakten code herbruikbaar. API's maakten services herbruikbaar. Workflows maakten bedrijfsprocessen herbruikbaar. Skills maken beoordelingsvermogen herbruikbaar. De progressie is logisch. Elke stap verpakte een laag menselijk werk en maakte die laadbaar in wat er dan ook draaide.
Nieuw in deze laatste stap is de uitvoerder. Tientallen jaren lang moest een mens het draaiboek nog steeds lezen, interpreteren en toepassen, ook nadat je het had opgeschreven. Dat knelpunt valt nu weg. Een agent kan het draaiboek laden, tools aanroepen, bestanden inspecteren, scripts draaien en zijn eigen werk controleren. Het draaiboek blijft daardoor geen document dat ligt te wachten tot iemand het openslaat; het gaat zelf draaien.
De beste skills blijven privé
Publieke skill marketplaces zijn in opkomst. Een deel van wat ze aanbieden zal nuttig zijn, vooral het generieke werk: "hoe schrijf je een tweet", "hoe formatteer je een CSV", "hoe leg je een regex uit". De meeste van die skills zijn inwisselbaar, en het ligt voor de hand dat de labs daar gratis versies van uitbrengen.
De skills die er echt toe doen voor jouw bedrijf zijn de skills die niemand anders je kan leveren, omdat ze jouw specifieke manier van werken vastleggen. De precieze lens die jouw salesteam gebruikt om deals te kwalificeren. De escalatielogica die jouw supportmanager toepast en die niemand anders op de vloer heeft geïnternaliseerd. De stem die jouw merk gebruikt, de toon van jouw boardupdates, het format dat je gebruikt voor incident postmortems, de juridische fallbackposities die je in vijf jaar contractreviews hebt uitonderhandeld. Niets daarvan staat in de publieke skill marketplace, en het is onwaarschijnlijk dat dat ooit gebeurt, want het is juist het deel dat een concurrent niet kan downloaden.
Een generieke agent komt bij jouw bedrijf aan met brede kennis van sales, support, finance en engineering. Wat hem tot een nuttige collega maakt, is het leren van de specifieke zaken: het proces, de beslissingen, de lessen die jouw team heeft opgebouwd. Die specifieke zaken zijn jouw skill library, of je ze nu al hebt opgeschreven of niet.
Wanneer dit rendeert, en bij welke bedrijven nog niet
De vraag van een directeur is hier terecht wat dit oplevert en wanneer. Het eerlijke antwoord hangt af van hoe jouw kenniswerk georganiseerd is.
Een skill library loont nu al voor bedrijven waar meerdere mensen hetzelfde soort kenniswerk doen en de beste aantoonbaar beter presteert dan de rest. Denk aan B2B-salesteams, supportorganisaties, bureaus, financeteams, softwarebedrijven, e-commerceteams die wekelijks dezelfde analyses draaien. Overal waar een senior een junior nog moet inwerken, ligt materiaal voor een skill. De winst zit in consistentie: het werk dat vroeger alleen goed ging als die ene drukbezette persoon ernaar keek, kan vaker en op een constanter niveau draaien.
Voor een zzp'er of een bedrijf van vijf man waar alle kennis in één hoofd zit en diegene het werk zelf uitvoert, is dit minder urgent. Niet zinloos, want een opgeschreven methode is ook gewoon je inwerkdocument voor de eerste nieuwe collega, maar het rendement is kleiner zolang er niemand anders is die de methode hoeft toe te passen.
En voor Nederlandse bedrijven specifiek: de AI-adoptie loopt hier achter op de Amerikaanse markt, en dat is in dit geval geen reden om te wachten. Een skill library bouwen vraagt geen toegang tot het allernieuwste model en geen groot implementatietraject. Het is vooral opschrijven, testen en bijschaven, en het resultaat wordt waardevoller naarmate de agents om je heen beter worden. Het is een van de weinige AI-investeringen die je nu kunt doen zonder te gokken op welke vendor er over twee jaar wint.
Waar je begint: het werk in kaart brengen
Als ik met een team zou zitten dat dit serieus wil aanpakken, begint het niet bij een vendor, een model of een MCP-server. De eerste zet is het werk in kaart brengen.
Zoek de vijf of zes workflows waarin ervaren mensen in jouw team consistent beter presteren dan de rest. Voorbereiding van een salesgesprek. Synthese van klantonderzoek. Triage van supportescalaties. Productplannen schrijven. Incident postmortems. Contractreview. Forecast review. Launch briefs. Concurrentieanalyse. Release notes. Geen van deze workflows is de functie zelf. Het is het werk eromheen, en juist daar valt de beslissing of het resultaat goed of uitstekend wordt.
Ga dan in gesprek met de persoon in het team die elk van deze workflows het best beheerst, en stel de saaie vragen. Waar kijk je als eerste naar? Wat zien anderen over het hoofd? Welke voorbeelden vormen jouw aanpak? Welke fouten probeer je specifiek te vermijden? Hoe ziet succes er uiteindelijk uit?
De antwoorden zijn het ruwe materiaal voor een skill. Zet ze om in een markdown-bestand. Laat de skill een paar echte taken uitvoeren. Itereer erop. Houd de oorspronkelijke eigenaar dicht bij het werk zodat de skill accuraat blijft naarmate het bedrijf verandert. Drie of vier skills die op deze manier gebouwd zijn, zijn meer waard dan 50 generieke die van een marketplace zijn geplukt.
Wat de strategie eigenlijk is
Mijn inschatting is dat veel bedrijven de komende twee jaar vooral bezig zullen zijn met het vergelijken van modelbenchmarks en het overstappen naar een nieuwe vendor zodra die bovenaan de leaderboard staat. Dat is de verkeerde graadmeter om op te sturen. Het model is de ondergrond, en die wordt beter of je nu iets doet of niet.
Het bezit dat zich binnen jouw bedrijf opstapelt, is de bibliotheek van methodes die je goed genoeg hebt opgeschreven zodat elke agent ze kan laden en toepassen. Daardoor levert een agent die op dinsdagochtend op Claude draait de call brief op die jouw beste accountmanager geschreven zou hebben, in plaats van de algemene salesbrief die een model zonder methode produceert. Een junior medewerker die jouw supportescalatie-skill gebruikt, triageert tickets zoals de senior die de skill heeft opgesteld dat zou hebben gedaan. En de boardupdate van een finance analist klinkt als de update die de CFO de afgelopen zes kwartalen heeft goedgekeurd.
Elk bedrijf heeft een manier van werken. Het grootste deel daarvan is onzichtbaar: het zit in hoofden van mensen, verspreid over Slack, oude decks en onboardinggesprekken. Een skill zet die manier van werken op papier, een skill library maakt hem herbruikbaar. Jouw bedrijf heeft die methodes al, ze zijn alleen nog niet verpakt.
Wil je een tweede paar ogen op welke methodes van jouw team het eerst de moeite waard zijn om te verpakken, stuur me dan een bericht. Mail info@jermayads.nl of gebruik jermayads.nl/contact.