Stop met losse AI-prompts: ontwerp eerst de terugkerende loop
Waarom betere prompts niet genoeg zijn
Veel AI-professionals herkennen het patroon: je schrijft een goede prompt, krijgt een bruikbaar antwoord en bent toch niet klaar. Je moet opnieuw context verzamelen, controleren wat er veranderd is, bepalen of het antwoord past bij de situatie en daarna de volgende stap handmatig uitvoeren. De prompt helpt, maar het terugkerende coördinatiewerk blijft bij jou liggen.
Dat is geen probleem van ‘slechte prompts’ alleen. Het is vooral een ontwerpvraag. Losse chats zijn sterk in éénmalige output: een samenvatting, een conceptmail, een lijst met opties of een analyse. Maar veel werk in teams bestaat niet uit één verzoek. Het bestaat uit taken die terugkomen, signalen die ergens opduiken, informatie die opnieuw moet worden opgehaald en beslissingen die niet volledig aan software moeten worden overgelaten.
Daarom is de nuttige stap van prompten naar agents niet: geef AI zo veel mogelijk autonomie. De nuttige stap is: ontwerp eerst de loop. Maak zichtbaar welk werk telkens terugkomt, welke context daarbij nodig is, welke onderdelen AI kan voorbereiden en waar de workflow moet stoppen omdat menselijk oordeel nodig blijft.
Voor Funnel Adviseur is dit een nuchtere manier om naar AI-adoptie te kijken. Niet beginnen bij een belofte dat een agent je bedrijf runt, maar bij één herhaalbaar werkpatroon dat nu mentale belasting veroorzaakt. Als je dat patroon scherp krijgt, wordt AI minder een losse tool en meer een onderdeel van je operationele systeem.
Het kernonderscheid: prompt, loop en loop of loops
Een prompt is één verzoek. Je vraagt bijvoorbeeld om een klantmail te herschrijven, een planning samen te vatten of een lijst met aandachtspunten te maken. Dat kan waardevol zijn, maar de prompt weet niet vanzelf wanneer hij opnieuw nodig is. Jij moet de aanleiding herkennen, de context aanleveren en beoordelen of de output klopt.
Een loop is een terugkerende taak met geheugen en context. De loop begint wanneer een herkenbaar signaal verschijnt. Daarna wordt de relevante informatie verzameld, wordt bekeken wat er is veranderd, wordt een output voorbereid en eindigt de workflow op een vooraf gekozen plek. Het verschil zit dus niet alleen in de tekst van de prompt, maar in de herhaling en de context eromheen.
Een loop of loops ontstaat wanneer meerdere terugkerende workflows met elkaar verbonden zijn. Denk aan een planningloop die ziet dat een afspraak wijzigt, een klantcommunicatieloop die een conceptbericht voorbereidt en een interne statusloop die het team op de hoogte brengt. Die workflows kunnen elkaar informeren, maar hoeven niet alles zelfstandig af te ronden.
Het belangrijkste woord in die laatste zin is ‘hoeven’. Een bruikbaar agent-ontwerp bepaalt niet alleen wat AI mag doen, maar ook wat AI niet mag doen. Een workflow kan prima een bericht voorbereiden en toch stoppen vóór verzending. Hij kan een conflict signaleren en toch stoppen voordat een afspraak wordt gewijzigd. Hij kan opties klaarzetten en toch wachten op iemand die de context begrijpt.
Een eenvoudig voorbeeld: van schoolreis naar klantupdate
Neem een alledaags voorbeeld: een schoolreis voorbereiden. Een losse prompt kan een paklijst maken. Maar de echte taak is groter. Iemand moet weten dat de reis eraan komt, de informatie uit de schoolmail vinden, het weer controleren, nagaan of er een eerdere afspraak botst en bepalen of er nog iets gekocht of geregeld moet worden. De prompt lost één stukje op; de loop beschrijft het hele terugkerende patroon.
Vertaal dat naar werkcontext. Een klantupdate lijkt misschien eenvoudig: schrijf een update over de voortgang. Maar de terugkerende taak bevat meer onderdelen. Welke klant moet een update krijgen? Welke projectinformatie is sinds de vorige update veranderd? Zijn er openstaande acties? Is er iets dat intern eerst moet worden afgestemd? Is de toon passend voor deze klantrelatie? Mag het bericht direct weg of moet iemand akkoord geven?
Als je dit als loop ontwerpt, ontstaat er een concretere workflow. Het startsignaal kan bijvoorbeeld zijn: iedere vrijdag om 10:00 uur, of wanneer een projectstatus wijzigt. De context kan bestaan uit notities, planning, open acties en eerdere communicatie. De AI-output kan een conceptupdate zijn met gemarkeerde onzekerheden. Het stopmoment ligt vóór verzending, zodat een verantwoordelijke medewerker de inhoud controleert.
Dat is een andere manier van denken dan ‘maak een betere prompt voor klantupdates’. De prompt blijft onderdeel van het systeem, maar is niet langer het hele systeem. Je ontwerpt de taak eromheen: signaal, geheugen, context, verandering, concept, controle en pas daarna actie.
De belangrijkste ontwerpvraag: waar moet de loop stoppen?
Bij agents gaat veel aandacht naar wat ze kunnen uitvoeren. In de praktijk is de betere ontwerpvraag vaak: waar moeten ze stoppen? Dat stopmoment bepaalt of een loop betrouwbaar voelt. Zonder stopmoment wordt een workflow snel onduidelijk: wie is verantwoordelijk, wat is gecontroleerd en welke actie is al uitgevoerd?
Voor AI-teams is dit extra belangrijk omdat veel terugkerende taken raken aan communicatie, planning, klantverwachtingen of interne prioriteiten. Een concept maken is iets anders dan namens iemand communiceren. Een conflict signaleren is iets anders dan een agenda wijzigen. Een aanbeveling geven is iets anders dan budget of capaciteit aanpassen.
Goede stopmomenten zijn concreet. Stop voordat een klant iets ontvangt. Stop voordat een afspraak wordt verplaatst. Stop voordat een prijs, planning of scope wordt aangepast. Stop wanneer informatie ontbreekt of tegenstrijdig is. Stop wanneer de output invloed heeft op vertrouwen, contractuele afspraken of reputatie.
Menselijke controle is in dit ontwerp geen rem op AI. Het is een onderdeel van de workflow. Juist door expliciet te maken waar oordeel nodig blijft, kun je AI eerder inzetten op de stukken die wél herhaalbaar genoeg zijn: informatie ophalen, verschillen markeren, concepten voorbereiden, opties structureren en risico’s onder de aandacht brengen.
Praktisch kader: kies je eerste AI-loop
Begin klein. Kies niet meteen de meest complexe workflow in je organisatie. Kies een taak die vaak terugkomt, genoeg structuur heeft en nu merkbaar coördinatiewerk vraagt. Denk aan meetingvoorbereiding, interne statusrapportage, klantupdates, leadopvolging, contentplanning, supporttriage of het verzamelen van input voor een wekelijkse review.
Schrijf vervolgens vijf dingen uit. Eén: welk signaal start de taak? Dat kan een moment in de week zijn, een nieuw bericht, een gewijzigde status of een binnenkomende aanvraag. Twee: welke context moet telkens worden verzameld? Denk aan eerdere communicatie, afspraken, documenten, notities of projectstatus. Drie: wat moet de loop herkennen als ‘veranderd’ sinds de vorige keer?
Vier: welke output mag AI voorbereiden? Dat kan een samenvatting zijn, een conceptmail, een lijst met open vragen, een conceptplanning of een waarschuwing dat informatie ontbreekt. Vijf: waar is menselijke goedkeuring verplicht? Dit is geen bijzaak, maar het anker van de loop. Zonder die grens blijft de workflow vaag.
Als je dit eenmaal hebt, kun je de prompt pas goed schrijven. Dan vraag je niet meer om een algemeen antwoord, maar om output binnen een ontworpen proces. De prompt krijgt taakcontext, bekende grenzen en een duidelijk format. Daardoor hoeft AI minder te gokken en hoeft het team minder vaak opnieuw uit te leggen wat de bedoeling is.
Agents als loopmanagers, niet als magie
De meest bruikbare manier om agents te benaderen is niet als digitale collega die alles zelfstandig oplost, maar als loopmanager. Een agent kan helpen om terugkerende taken te volgen, context te verzamelen, wijzigingen te signaleren en de juiste volgende stap voor te bereiden. Dat is al waardevol zonder te doen alsof volledige autonomie nodig of wenselijk is.
Deze benadering past beter bij hoe werk in echte teams loopt. Taken zijn zelden geïsoleerd. Een klantupdate raakt aan planning. Planning raakt aan capaciteit. Capaciteit raakt aan prioriteiten. Prioriteiten raken aan communicatie. Een loop of loops kan zulke verbanden zichtbaar maken, zolang de grenzen helder blijven.
Voor productteams, operators en AI-professionals is de les simpel: stop niet met prompten, maar stop met denken dat prompten het hele systeem is. De volgende stap zit in het expliciet maken van herhaalbare werkpatronen. Welke klus komt steeds terug? Welke context zoek je steeds opnieuw? Waar ontstaat mentale belasting? Waar mag AI voorbereiden, en waar moet een mens beslissen?
Wie zo ontwerpt, krijgt een houdbaarder AI-proces. Niet omdat elke taak automatisch verdwijnt, maar omdat het team beter ziet welke onderdelen herhaalbaar zijn en welke onderdelen bewust menselijk blijven. Dat is minder spectaculair dan agent-hype, maar veel bruikbaarder als je AI in echte workflows wilt laten landen.
