Hoe haal je meer uit een krachtig AI-model zoals Fable?

Er komt weer een nieuw AI-model uit, sterker dan het vorige, en in je team verandert er bijna niets. Dezelfde prompts, dezelfde taken, hooguit een iets sneller antwoord. Herkenbaar? Dat ligt zelden aan het model. Het ligt aan de aannames waarmee je het gebruikt. Thariq, engineer bij Anthropic, hield er een scherpe keynote over. Zijn boodschap in het kort: haal de rem eraf, ga op zoek naar wat je nog niet weet, en durf ambitieuzer te zijn. Ik vertaal zijn aanpak hier naar iets waar je maandag mee aan de slag kunt.

Waarom een beter model vaak weinig oplevert

Als er een sterker model verschijnt, blijven de meeste mensen het gebruiken zoals ze het vorige gebruikten. Je houdt vast aan wat een jaar geleden waar was: dit kan AI wel, dat niet. Maar die grenzen zaten vaak niet in het model, ze zaten in de manier waarop je het aanstuurde. Thariq noemt dat het harnas waar we het model in stoppen.

Neem opmaak. Veel mensen vragen AI standaard om platte tekst, omdat dat vroeger het veiligst was. Een model dat structuur aankan, geeft je veel bruikbaardere antwoorden als je het de ruimte geeft: een tabel, een formulier, een klein interactief overzichtje. We schreven eerder over hoe AI-chats van platte tekst naar interactieve interfaces bewegen. Diezelfde beweging geldt breder. Veel van wat je gewend bent te vragen, is een gewoonte uit een vorige generatie.

De eerste stap is dus geen nieuwe truc. Het is een oude aanname loslaten. Pak een taak die je vaak aan AI geeft en vraag jezelf af: waarom doe ik dit eigenlijk zo? Zit die reden in het model van vandaag, of in dat van vorig jaar?

Zoek naar wat je niet weet dat je niet weet

De grootste winst zit niet in de taken die je al aan AI geeft. Die zit in de dingen waarvan je niet doorhad dat ze konden. Vergelijk het met een nieuwe collega die veel meer in huis heeft dan op zijn cv staat. Zolang jij hem alleen vraagt om te doen wat je zelf al kunt, kom je daar nooit achter. Je moet hem laten zien wat hij nog meer kan.

Thariq draait daarom de rollen om: laat het model jóu helpen ontdekken waar je blinde vlekken zitten. Een paar dingen die goed werken, en die je letterlijk zo kunt intypen:

• Vraag om een blindspot-check. Leg je plan voor en vraag: waar zitten mijn aannames en wat mis ik waarschijnlijk? Je krijgt terug wat je zelf over het hoofd zag.

• Vraag om radicaal andere richtingen. Niet één uitwerking, maar een paar die echt van elkaar verschillen. Zo zie je opties die je zelf niet had bedacht.

• Laat je interviewen. Vraag de AI om jóu te bevragen, belangrijkste vragen eerst. Dat legt bloot wat je nog niet scherp hebt.

• Laat keuzes bijhouden. Vraag het model een logje te maken van de beslissingen die het namens jou nam toen iets onduidelijk was. Achteraf zie je precies waar je specifieker had moeten zijn.

• Laat jezelf overhoren. Vraag de AI je te quizzen over het onderwerp. Niet om het model te testen, maar om te checken of jij het zelf echt snapt.

De rode draad: gebruik AI niet alleen om antwoorden te krijgen, maar om betere vragen te stellen. Dat sluit aan bij iets waar we het eerder over hadden, namelijk dat je AI beter om afwegingen dan om aanbevelingen kunt vragen.

Wen aan de verschuiving in wat werk kost

Er zit ook een menselijke kant aan, en die is minder comfortabel. Werk waar je vroeger weken over deed, is nu soms in een paar uur klaar. Dat voelt goed. Maar het schuurt ook, want een vaardigheid waar je trots op was, telt ineens minder zwaar. Thariq is daar eerlijk over. Hij noemt het een vorm van verlies waar je even doorheen moet.

Voor een team is dat geen bijzaak. Als het werk dat mensen jarenlang onderscheidde deels automatisch gaat, verschuift de vraag waar iemand van waarde is. Dat gesprek voer je beter openlijk dan dat je het laat sudderen. De medewerker die zijn ambacht ziet veranderen, heeft een nieuw verhaal nodig over wat hij bijdraagt. Dat verhaal ontstaat niet vanzelf.

Durf ambitieuzer te zijn

De laatste stap is een houding. We accepteren van alles aan afwegingen zonder erbij na te denken: goed óf snel, grondig óf goedkoop. Stel dat een deel van die afwegingen gewoon verdwijnt. Stel dat wat eerst een keuze was tussen kwaliteit en tempo, ineens allebei kan. Dan blijf je toch niet uit gewoonte het oude compromis sluiten? Thariq's advies: toets of die compromissen nog wel gelden, in plaats van ze klakkeloos te blijven maken.

Daar zet hij meteen een nuchtere waarschuwing tegenover, in zijn eigen woorden: "Building is easy, generating value is still hard." Iets bouwen met AI is makkelijker dan ooit. Er waarde uit halen voor je organisatie blijft het echte werk. Even snel een prototype in elkaar klikken is iets anders dan een probleem oplossen waar je klant wakker van ligt.

En dat is precies waar de winst van een sterker model verdampt of beklijft. Dat jij individueel sneller werkt, telt nog niet op tot resultaat voor de organisatie. We schreven eerder over de twee AI-bewegingen die in veel organisaties naast elkaar lopen: medewerkers die zelf zitten te experimenteren en de organisatie die sturing wil houden. Een capabeler model maakt die spanning groter, niet kleiner.

Meteen aan de slag

Je hoeft niet op een volgend model te wachten om dit toe te passen. De meeste teams zitten nu al vol aannames uit een vorige generatie. Drie dingen om deze week mee te beginnen: pak één terugkerende AI-taak en kijk of je die nog op de oude manier aanstuurt. Laat de AI bij een lopend project een blindspot-check doen. En als je merkt dat werk sneller gaat dan vroeger, voer dan het gesprek in je team over wat dat betekent voor ieders rol. Meer is er om te starten niet nodig.

Benieuwd hoe zo'n aanpak eruitziet in de workflows van jouw organisatie? Plan een kennismaking in, we denken graag mee.