Codex als delegatieloop: niet nóg een chatvenster, maar een werkproces dat je moet leren sturen
De valkuil: steeds meer tools, maar geen herhaalbaar werkproces
Veel AI-professionals herkennen het patroon. Er komt een nieuwe tool langs, je probeert een paar prompts, je ziet potentie en daarna verdwijnt de workflow weer in losse tabs, half afgemaakte experimenten en screenshots. Het probleem is dan niet dat je te weinig AI-nieuws volgt. Het probleem is dat je geen herhaalbare delegatieloop hebt.
Codex wordt interessant wanneer je het niet ziet als alleen een codehulp, maar als een manier om werk te delegeren in een concrete omgeving. Dat betekent niet dat de tool vanzelf betrouwbaar elk probleem oplost. Het betekent wel dat de gebruiker ander gedrag moet leren: taken kleiner maken, context voorbereiden, output laten onderbouwen en reviewen alsof je met een junior medewerker werkt die snel is, maar controle nodig heeft.
Voor Funnel Adviseur is dit de belangrijkste verschuiving. De bottleneck bij AI-agents zit vaak niet in nóg meer feiten over modellen. De bottleneck zit in setup. Wie geen goede opdracht kan formuleren, geen bestanden klaarzet en geen acceptatiecriteria definieert, krijgt ook met een krachtige agent wisselende resultaten. Delegatie is een werkproces, geen magische knop.
Wat een delegatieloop concreet inhoudt
Een delegatieloop begint met taakselectie. Kies geen vaag project zoals ‘verbeter onze website’ of ‘analyseer alle klantdata’. Kies een taak die klein genoeg is om te controleren: herschrijf deze documentatiepagina, vergelijk deze twee versies, maak een eerste opzet voor deze checklist, ruim deze mapstructuur op volgens deze regels of zoek inconsistenties in deze set bestanden.
Daarna komt context. Een agent heeft niet genoeg aan enthousiasme. Hij heeft bestanden, doelen, randvoorwaarden en voorbeelden nodig. Context kan bestaan uit een README, een korte briefing, bestaande tone-of-voice-voorbeelden, acceptatiecriteria en expliciete grenzen. Wat mag worden aangepast? Wat moet ongemoeid blijven? Waar moet de agent alleen voorstellen doen in plaats van wijzigingen uitvoeren?
Vervolgens laat je de agent werken in echte bestanden, niet alleen in een los gesprek. Dat is het verschil tussen chatten en delegeren. In een chat krijg je tekst terug die je zelf nog moet inpassen. In een delegatieloop geef je werk uit handen binnen een afgebakende omgeving en vraag je om een terugkoppeling met receipts: wat is aangepast, waarom, waar zitten onzekerheden en welke bestanden of onderdelen moet jij controleren?
Waarom ‘achterlopen op setup’ eigenlijk goed nieuws is
Veel professionals voelen dat ze achterlopen op AI omdat er elke week nieuwe modellen, tools en workflows verschijnen. Maar als het echte probleem setup is, wordt het praktischer. Feitenachterstand is eindeloos; setup kun je verbeteren. Je kunt een standaardmap maken, een opdrachttemplate schrijven, een reviewchecklist gebruiken en een eerste set veilige taken kiezen.
Dat maakt agentgebruik minder afhankelijk van hype. Je hoeft niet elke modelupdate te begrijpen voordat je waarde haalt uit AI. Je moet wel weten hoe je een taak overdraagbaar maakt. Een goede taak heeft een duidelijk doel, duidelijke input, duidelijke beperkingen en een definitie van ‘klaar’. Zonder die vier onderdelen blijft de agent gokken wat jij bedoelt.
Voor productteams is dit extra belangrijk. Een agent die in echte bestanden werkt, raakt sneller aan bestaande processen. Dat kan productiviteit opleveren, maar ook fouten verspreiden als review ontbreekt. Daarom hoort setup altijd samen te gaan met controle: versiebeheer, logging, diff-review, testcases of minimaal een menselijke check voordat output wordt gepubliceerd, verzonden of doorgevoerd.
Van prompten naar opdrachtgeven
Prompten is vaak reactief: je stelt een vraag en beoordeelt het antwoord. Opdrachtgeven is specifieker: je beschrijft de gewenste uitkomst, de beschikbare context, de beperkingen en de manier waarop de agent moet rapporteren. Die verschuiving lijkt klein, maar bepaalt of je AI gebruikt als sparringpartner of als uitvoerende laag.
Een bruikbare opdracht bevat vijf onderdelen. Eén: de rol van de agent, bijvoorbeeld reviewer, documentatie-assistent of refactor-hulp. Twee: het doel, geformuleerd als concrete output. Drie: de bestanden of bronnen binnen je eigen werkomgeving die gebruikt mogen worden. Vier: acceptatiecriteria, zoals stijl, lengte, technische beperkingen of foutmarges. Vijf: receipts, dus een samenvatting van acties, aannames en punten die menselijke review vragen.
Voor lichte technische gebruikers of niet-programmeurs is dat goed nieuws. Je hoeft niet meteen complexe softwareprojecten te automatiseren. Je kunt beginnen met copy-pastebare opdrachtformats voor documentatie, researchordening, contentcontrole, interne procesbeschrijvingen of eenvoudige bestandsvergelijkingen. De lat ligt niet bij ‘alles automatiseren’, maar bij één veilige taak herhaalbaar delegeren.
Een veilige eerste workflow voor Codex-achtig agentwerk
Begin met een kleine, omkeerbare taak. Bijvoorbeeld: laat de agent een bestaande instructiepagina controleren op inconsistenties en een voorstel doen in een apart bestand. Of laat hem een map met notities samenvatten en markeren welke punten onzeker zijn. Vermijd als eerste taak alles wat direct klantcommunicatie verstuurt, productiecode wijzigt zonder test of vertrouwelijke data breed verwerkt.
Gebruik daarna een vast opdrachtformat. Schrijf: ‘Doel: maak een conceptverbetering voor bestand X. Context: gebruik alleen bestanden A, B en C. Grenzen: wijzig niets buiten deze map. Acceptatiecriteria: behoud structuur, markeer aannames, voeg geen nieuwe claims toe zonder aanwijzing in de bestanden. Receipts: geef na afloop een lijst met wijzigingen, onzekerheden en reviewpunten.’ Zo maak je de opdracht controleerbaar.
Na de uitvoering komt de reviewlus. Lees niet alleen de eindtekst, maar ook de receipts. Controleer of de agent binnen scope bleef. Kijk naar verschillen in bestanden. Vraag zo nodig een tweede ronde met specifieke correcties. Pas wanneer de output voldoet aan je acceptatiecriteria, neem je het resultaat over. De delegatieloop eindigt dus niet bij output, maar bij gecontroleerde acceptatie.
Pascal’s take: agents belonen discipline, niet haast
De grootste misvatting rond agents is dat ze discipline overbodig maken. In werkelijkheid belonen ze discipline. Hoe beter jij scope, context en review organiseert, hoe bruikbaarder de output wordt. Wie vaag delegeert, krijgt vaag werk terug. Wie scherp delegeert, kan kleine taken sneller en consistenter laten uitvoeren.
Daarom zou ik AI-operators adviseren om niet te beginnen met de vraag: welke agent is het krachtigst? Begin met: welke taak durf ik morgen gecontroleerd uit handen te geven? Als je daarop geen antwoord hebt, is tooling niet je eerste probleem. Dan moet je eerst je processen, bestanden en acceptatiecriteria op orde brengen.
De praktische winst zit in herhaling. Eén goede delegatieloop wordt een template. Een template wordt een teamgewoonte. Een teamgewoonte wordt een productiviteitslaag die minder afhankelijk is van losse demo’s. Codex of een vergelijkbare agent kan dan onderdeel worden van knowledge work, maar alleen als jij het werkproces leert sturen.
