Je bent gewend AI heel precies te vertellen wat het moet doen. Stap voor stap, in de juiste volgorde, en als het misgaat schaaf je aan je instructie. Met de nieuwste modellen zoals Fable en GPT-5.6 kantelt dat. Je geeft de route niet meer, je geeft het doel. En dat vraagt om een andere afweging: hoeveel vrijheid geef je de AI, en wanneer houd je de teugels juist strak?
Waarom AI aansturen steeds minder op programmeren lijkt
De aanname is dat je met AI het beste resultaat krijgt door zo precies mogelijk te zijn. Alles dichttimmeren, geen ruimte voor misverstanden. Bij de oudere modellen klopte dat ook aardig. Je zei exact wat er moest gebeuren, de AI voerde het uit, en week het af dan stuurde je je instructie bij en probeerde je opnieuw. Jij was de architect, de AI het gereedschap.
Bij de nieuwe generatie modellen werkt dat andersom, en soms zelfs tegen je. Je geeft het doel en de gewenste uitkomst mee, en de agent bepaalt zelf hoe hij daar komt. Onderzoek van Anthropic naar het werken met Claude laat zien hoe ver die verschuiving inmiddels gaat: de mens bepaalt ongeveer zeventig procent van wat er gebouwd wordt, en de AI zo'n tachtig procent van hoe het gebouwd wordt [1]. Eén opdracht kan daarbij tientallen tussenstappen in gang zetten die je niet meer hoeft voor te schrijven.
Fable staat symbool voor die kanteling. Je vertelt de AI welke uitkomst je wilt bereiken en laat de invulling aan hem over. Dat lijkt een klein verschil in hoe je een opdracht formuleert, maar in de praktijk verschuift je werk van uitvoering voorschrijven naar iets heel anders.
Waarom meer vrijheid vaak een beter resultaat oplevert
Hier zit een logica onder die op het eerste gezicht de verkeerde kant op wijst. Naarmate een model slimmer wordt, leg je het met een dichtgetimmerde instructie vast op jouw route, terwijl het onderweg een betere weg had kunnen kiezen. Je dwingt een slim systeem in de mal van je eigen aannames, en die aannames kloppen niet altijd. Hoe minder je een goed model voorschrijft, hoe beter het resultaat vaak wordt.
Een voorbeeld maakt het concreet. Stel je vraagt een agent om een offerte op te stellen en je schrijft precies voor: haal eerst de klantgegevens op, dan de prijslijst, dan bereken je de marge, dan zet je het in het sjabloon. Werkt prima, tot een klant net iets afwijkt van het standaardgeval. Dan loopt je vaste route vast, omdat er een stap ontbreekt die jij niet had voorzien. Geef je diezelfde agent alleen het doel mee, een correcte offerte die aan jouw prijsregels voldoet, plus toegang tot de klantdata en de prijslijst, dan kiest hij zelf de volgorde en vangt hij dat afwijkende geval op. Hij past zich aan wat hij onderweg tegenkomt.
In de praktijk verschuift je werk daardoor naar drie dingen. Richting geven, oftewel expliciet maken wat er bereikt moet worden en waar een goed resultaat aan voldoet. Zorgen dat de agent toegang heeft tot de juiste data, systemen en tools, want zonder de goede informatie kan hij niets goed doen. En toetsen of wat eruit komt ook echt klopt. Dat lijkt op hoe je een goede medewerker aanstuurt: je legt uit wat er moet gebeuren en waarom, je geeft de spullen die nodig zijn, en je controleert het werk. Je gaat niet naast diegene zitten om elke handeling voor te kauwen.
Wanneer je die vrijheid juist niet moet geven
Meer vrijheid werkt lang niet overal, en dat is precies de afweging die je bewust moet maken. Voor werk waar de uitkomst tot op de komma moet kloppen of een proces dat aan strikte regels vastzit, wil je de teugels wél strak houden. Denk aan een btw-berekening die exact moet uitkomen, een acceptatiedossier dat aantoonbaar aan elke wettelijke eis voldoet, of een controle waar geen millimeter mag afwijken. Daar is een agent die zelf een route bedenkt een risico, want als hij een creatieve maar net verkeerde afslag neemt, betaal je dat vroeg of laat met een dure fout.
De vuistregel die wij hanteren: hoe beter jij zelf kunt beoordelen of een resultaat goed is, en hoe meer speelruimte er in de aanpak zit, hoe meer vrijheid je de agent kunt geven. Kun je de uitkomst niet goed nakijken, of moet elke stap aantoonbaar volgens het boekje, dan schrijf je meer voor en bouw je harde controles in. Per taak bepaal je waar het optimum ligt.
Die grens trekken is zelf een vaardigheid. Je leert het door het te doen, door te zien waar een agent uit zichzelf tot iets beters komt en waar hij juist ontspoort als je hem te veel ruimte geeft.
Hoe wij bij Repetive onze agents op deze manier bouwen
Wij bouwen onze agents precies volgens dit principe. We knopen geen honderden losse stappen aan elkaar en programmeren geen vaste route dicht. We geven een agent een helder doel, de juiste koppelingen naar de systemen van de klant, en scherpe criteria voor wat af is. Vervolgens bepaalt de agent zelf de route, binnen de grenzen die we voor die taak nodig achten.
Bij een klantvraag over de status van een order geven we de agent bijvoorbeeld toegang tot het ordersysteem en de track-en-tracegegevens, plus de criteria voor een goed antwoord, en laat hij zelf de juiste bron aanspreken. Bij een acceptatiedossier dat aan vaste voorwaarden moet voldoen bouwen we juist harde controlestappen in, zodat de agent nooit iets goedkeurt wat niet mag. Per taak wegen we af hoeveel we vastleggen en hoeveel we loslaten.
Dat is ook waarom we een werkende agent in weken kunnen opleveren in plaats van maanden. Hoe slimmer de modellen worden, hoe minder handwerk het kost om ze de goede kant op te sturen. En omdat we op doel en criteria sturen in plaats van op een dichtgeprogrammeerd script, is een agent makkelijker bij te stellen als de praktijk erom vraagt. Onderzoek van Anthropic laat bovendien zien dat agents bij ingewikkelde opdrachten ruim twee keer zo vaak een verhelderende vraag stellen als bij simpele taken [1]. Zodra een agent uit zichzelf zo'n vraag stelt, wordt het samenwerken meer een gesprek dan een eenrichtingsopdracht.
Waarom je elke paar maanden opnieuw moet kijken met een blanco blik
Er zit nog een valkuil in deze verschuiving. Je probeert een taak een keer met AI, het lukt niet goed genoeg, en je concludeert dat het dus niet kan. Dat oordeel klopte misschien op dat moment, maar het houdt geen stand. De modellen worden elke paar maanden merkbaar beter, en een taak die een half jaar geleden rammelde, draait nu vaak zonder problemen.
Daarom is het verstandig om af en toe te vergeten wat je denkt te weten over wat AI kan. Kijk met een blanco blik naar de dingen die je eerder hebt afgeschreven. Die offerte met technische bijlagen die de AI vorig jaar niet snapte, dat dossier dat te complex leek, die klantvraag die net te veel nuance vroeg. Een deel daarvan ligt inmiddels binnen bereik zonder dat je het doorhebt.
De grootste rem zit trouwens in ervaring, niet in de techniek. We spreken wekelijks met ondernemers die AI wel overwegen maar nog niet gebruiken, en bijna altijd gaat het over te weinig ervaring om in te schatten wat kan. Doelen leren formuleren waar een agent mee uit de voeten kan, en output leren beoordelen, is een vaardigheid die je opbouwt door het te doen. De praktische manier om dat vol te houden is simpel: houd een backlog bij met dingen die je graag door AI zou laten doen maar die nu nog niet lukken, en pak die lijst erbij zodra er een nieuw model uitkomt. Zo mis je het moment niet waarop iets van onhaalbaar naar haalbaar kantelt. En je vakkennis wordt hierdoor belangrijker, want een agent kan alleen de goede route kiezen als jij helder hebt wat een goed resultaat is.