Waarom zomaar prompten niet meer volstaat
In een recente Relevance Live-sessie laat Wei Li, RevOps Manager bij Relevance AI, zien dat de toekomst van AI niet draait om slimme prompts — maar om doordachte agent-architectuur.
Zijn centrale boodschap is confronterend: AI maakt je gemiddeld… tenzij je leert hoe je systemen bouwt die boven het gemiddelde uitstijgen.
In plaats van AI te behandelen als een chatpartner, pleit hij voor het bouwen van productie-klare agents die een specifieke taak consistent en meetbaar uitvoeren. Als case gebruikt hij hun virale “sales researcher agent”: een AI-agent die verkoopteams ondersteunt met diepgaande, gestructureerde prospectanalyse.
AI maakt je gemiddeld — tenzij je het anders aanpakt
Volgens Li zit het probleem niet in de technologie, maar in de manier waarop mensen ze gebruiken.
Wie AI enkel inzet via losse prompts, krijgt vaak generieke output. De reden? De meeste modellen zijn getraind op gemiddelde data. Zonder richting of context krijg je dus… gemiddelde antwoorden.
Het verschil zit in structuur:
- Een chatprompt is tijdelijk.
- Een agent is ontworpen.
- Een productiesysteem is geoptimaliseerd.
Dat vraagt een andere mindset.
Prompten versus Agents bouwen
Li maakt een scherp onderscheid tussen twee werelden:
1. Chat AI prompten: Snel, flexibel, maar inconsistent. Ideaal voor brainstorms of snelle teksten.
2. Productie-agents bouwen: Systematisch, herhaalbaar en doelgericht. Ontworpen rond workflows, tools en beslislogica.
Een sales researcher agent is geen losse vraag als:"Geef me info over bedrijf X."
Het is een systeem dat:
- Bedrijfsdata verzamelt
- Relevante signalen identificeert
- Kooptriggers analyseert
- Inzichten structureert voor sales
Dat verschil maakt het schaalbaar voor RevOps-teams en commerciële organisaties.
Meta-prompting: Denken over hoe je denkt
Een van de meest waardevolle onderdelen van de sessie is Li’s uitleg over meta-prompting — technieken om AI slimmer te sturen.
Hij bespreekt onder meer:
- Reverse prompting: eerst bepalen hoe een ideale output eruitziet, daarna de instructie formuleren.
- Recursive optimalisatie: output verbeteren via meerdere iteraties.
- Priming: het model in de juiste mentale context plaatsen vóór het antwoord.
Het gaat niet om mooiere prompts schrijven, maar om mentale modellen bouwen.
Domeinkennis is belangrijker dan prompt-hacks
Een opvallende stelling: subject matter experts bouwen betere agents dan pure prompt engineers.
Waarom?
Omdat een goede agent niet alleen taal begrijpt, maar het vakgebied moet snappen:
- Hoe denkt een topverkoper?
- Welke signalen wijzen op koopintentie?
- Welke data is ruis, welke is cruciaal?
Het extraheren van die domeinkennis en vertalen naar duidelijke agent-instructies is de echte hefboom.
Reasoning models of toolchains?
Niet elke taak vraagt dezelfde aanpak.
Li legt uit wanneer je beter een “reasoning model” gebruikt (dat diep nadenkt over complexe context) en wanneer een custom toolchain efficiënter is (API’s, databronnen, scraping, workflows).
De kracht zit in combineren:
- Redeneren waar nodig
- Automatiseren waar mogelijk
Wie AI-agents wil inzetten voor commerciële teams of marketingautomatisatie, moet leren architect denken in plaats van prompt denken.
Van experiment naar bedrijfswaarde
De sessie toont dat AI-agents geen hype zijn, maar een strategische verschuiving. Sales- en RevOps-teams die hun expertise systematisch in agents gieten, bouwen een digitale collega die schaalbaar werkt.
Niet om mensen te vervangen — maar om repetitief onderzoek, dataverzameling en analyse te versnellen.
En dat is precies waar veel organisaties vandaag worstelen: hoe vertaal je menselijke expertise naar reproduceerbare AI-logica?
Volgens Wei Li begint het bij één vraag: Bouw je een prompt, of bouw je een systeem?
