Een gesprek dat de regels herschrijft voor AI-productiviteit
In een diepgaand gesprek met Ras Mic legt ondernemer en creator Greg Isenberg haarfijn uit waarom zoveel gebruikers vandaag nog steeds worstelen met AI-agents. Niet omdat de technologie tekortschiet, maar omdat de aanpak verkeerd zit.
De centrale boodschap is helder: De modellen zijn krachtig genoeg. Het verschil zit in hoe je ze gebruikt.
De mythe van “betere modellen”
Volgens Ras Mic zijn moderne AI-modellen zoals GPT-5.4 en Claude Opus 4.6 vandaag uitzonderlijk capabel. De discussie over welk model “beter” is, wordt daardoor steeds minder relevant.
Wat écht telt, is de context die je aan het model geeft. Een slecht opgebouwde context leidt tot rommelige output. Een goed ontworpen context levert precisie, snelheid en consistentie.
Hoe een context window alles bepaalt
Elke AI-agent werkt binnen een zogenaamde context window. Dat is de ruimte waarin alle informatie wordt geladen:
- systeeminstructies
- bestanden zoals agent.md
- skills
- tools
- code
- en de volledige conversatie
Deze elementen worden allemaal omgezet in tokens en dat aantal is beperkt. Zodra die limiet bereikt wordt, begint de agent informatie te comprimeren, met kwaliteitsverlies als gevolg.
Het gevolg? Veel gebruikers saboteren hun eigen AI zonder het te beseffen.
Waarom traditionele agent-bestanden inefficiënt zijn
Een opvallende stelling van Ras Mic: De meeste mensen hebben helemaal geen uitgebreide agent.md-bestanden nodig.
Waarom?
Omdat die bestanden bij elke interactie opnieuw worden geladen. Dat betekent:
- onnodig veel tokens verbruiken
- tragere prestaties
- slechtere output na verloop van tijd
Voor naar schatting 95% van de gebruikers zijn ze eerder een last dan een voordeel.
De kracht van “skills” en slimme context
De echte gamechanger zit volgens Ras Mic in zogenaamde skills.
In tegenstelling tot klassieke agent-bestanden werken skills met een principe dat hij progressive disclosure noemt:
- Alleen naam en beschrijving worden standaard geladen
- De volledige instructies pas wanneer nodig
Het resultaat is spectaculair:
- tot 90% minder tokengebruik
- snellere reacties
- schaalbare workflows
Waar een klassiek bestand bijna 1000 tokens kan kosten per interactie, blijft een skill beperkt tot een fractie daarvan.
Zo bouw je skills die écht werken
In plaats van meteen documentatie te schrijven, stelt Ras Mic een verrassend eenvoudige methode voor:
1. Start met een echte workflow
Werk stap voor stap samen met de AI.
2. Corrigeer fouten in real time
Leer de agent wat wel en niet werkt.
3. Bereik een succesvol resultaat
Pas wanneer het proces werkt, leg je het vast.
4. Laat de AI de skill schrijven
Gebruik de echte ervaring als basis, niet theorie.
Deze aanpak zorgt ervoor dat skills gebaseerd zijn op realistische situaties, niet op aannames.
Iteratie als geheime wapen
Zelfs na het bouwen van een skill stopt het werk niet.
Ras Mic introduceert een krachtige strategie:
- detecteer fouten
- laat de AI zichzelf corrigeren
- update de skill automatisch
Door deze cyclus meerdere keren te herhalen, evolueren skills van “redelijk” naar bijna foutloos.
In één voorbeeld groeide een YouTube-analyse-agent uit tot een systeem dat acht databronnen verwerkt in slechts tien minuten, volledig autonoom.
Minder complexiteit, meer impact
Een andere valkuil in de AI-wereld is over-engineering.
Veel gebruikers springen meteen naar complexe multi-agent systemen of tools zoals OpenClaw, zonder eerst een solide basis te bouwen.
Ras Mic pleit voor het tegenovergestelde:
- begin met één agent
- bouw betrouwbare workflows
- voeg pas daarna extra lagen toe
Productiviteit wint het altijd van spektakel.
De toekomst: Van tools naar systemen
Wat dit gesprek duidelijk maakt, is dat AI evolueert van losse tools naar geïntegreerde systemen.
Niet de technologie zelf is nog de bottleneck, maar:
- hoe we context structureren
- hoe we workflows ontwerpen
- hoe we kennis laten evolueren
Wie dat begrijpt, haalt niet alleen betere resultaten, maar bouwt ook schaalbare AI-systemen die écht waarde creëren.
