Waarom zelfgebouwde AI-workflows beter werken

Teresa Torres, bekend van haar boeken over product discovery, publiceerde deze maand een uitgebreide tour door haar persoonlijke AI-workflow. Geen dashboard, geen dure tool, maar een combinatie van Claude Code, Obsidian en een map vol gewone Markdown-bestanden. Wat opvalt is niet de technische keuze, maar de filosofie erachter: ze bouwt haar eigen systeem omdat standaardtools te veel frictie opleveren en te weinig context meenemen. Haar aanpak laat drie dingen zien waar elke kenniswerker iets aan heeft. Context beheer je in kleine, gerichte bestanden. Reflectie laat je de AI zelf uitvoeren. En eigenaarschap van je workflow levert meer op dan een duur abonnement.

Wat Torres concreet doet

De kern van haar systeem is verrassend simpel. In plaats van één document met alle context over haar werk, deelt ze die context op in kleine Markdown-bestanden. Elk bestand beschrijft één aspect: een klantproject, een methodiek, een schrijfstijl, een workshopontwerp. Wanneer ze Claude vraagt om iets te doen, wijst ze bewust één of meer van die bestanden aan als context. De AI hoeft niet alles te weten, hij hoeft de juiste dingen te weten.

Ze gebruikt Claude Code, de opdrachtregelversie van Anthropic's model, in plaats van een chatvenster. Dat klinkt technischer dan het is. Het voordeel is dat Claude Code direct bestanden kan lezen en bewerken op haar Mac. Ze hoeft niets te knippen en plakken. De AI werkt met haar Obsidian-vault zoals zij er zelf mee werkt.

Het derde element is reflectie. Na elke sessie laat Torres Claude samenvatten wat hij heeft geleerd en die samenvatting opslaan in een apart bestand. Zo bouwt ze een cumulatief geheugen op, niet in de AI, maar in haar eigen map. De volgende keer kan ze dat geheugen weer meegeven. Het systeem wordt scherper naarmate ze het gebruikt.

Waarom dit belangrijker is dan het lijkt

Voor veel organisaties is de reflex bij AI-adoptie om een platform te kiezen. Een chatbot, een copilot, een agent. De belofte is dat de tool werk uit handen neemt. Torres laat zien dat de werkelijke winst zit in een andere plek: het ontwerp van je eigen workflow. Een standaardtool dwingt je in zijn structuur. Een zelfgebouwde workflow volgt jouw manier van denken.

Dat betekent niet dat iedereen Claude Code moet gaan gebruiken. Het gaat om het principe. De vraag is niet welke AI je kiest, maar hoe je je werk indeelt zodat AI er waarde aan kan toevoegen. Daar ligt ook het eerlijke antwoord op waarom veel AI-pilots stranden. Uit PwC-onderzoek blijkt dat 56 procent van de CEO's geen rendement ziet op AI. De modellen zijn niet het probleem. De integratie in dagelijks werk wel.

De drie lessen voor kenniswerkers

Torres haar aanpak kun je vertalen naar elk kennisgedreven werkveld. Drie lessen komen eruit naar voren.

De eerste: kleine context werkt beter dan grote context. Hoe meer je een AI in één keer voorschotelt, hoe meer ruis er in het antwoord komt. Wie zijn werkcontext opdeelt in heldere, kleine blokken, krijgt betere antwoorden. Dat klinkt contra-intuïtief, maar past bij hoe taalmodellen redeneren: ze wegen alles wat in de context zit. Irrelevante informatie drijft het antwoord weg van waar je het wilt hebben.

De tweede: laat AI reflecteren op zichzelf. De meeste mensen gebruiken AI alleen voorwaarts, voor het maken van dingen. Torres gebruikt AI ook achterwaarts, voor het terugkijken op wat er is gebeurd en wat daaruit leerbaar is. Die reflectieve stap is voor organisaties een onderschatte hefboom. Hij vraagt geen extra tool, alleen een gewoonte.

De derde: eigenaarschap over je workflow levert meer op dan de nieuwste tool. Torres heeft geen abonnement dat ze kan verliezen als een leverancier verdwijnt. Haar systeem bestaat uit bestanden op haar eigen laptop. Dat geeft voorspelbaarheid en veerkracht. Voor organisaties roept dat een ongemakkelijke vraag op: hoe afhankelijk zijn jouw AI-workflows van externe platforms, en wat gebeurt er als een van die platforms het morgen anders doet?

Wat dit betekent voor je organisatie

Je hoeft niemand te vragen om Markdown te leren, maar de onderliggende principes kun je direct toepassen. Begin met het opdelen van context. Welke kennis gebruikt een medewerker standaard in een bepaalde taak? Leg die in kleine, geordende blokken vast, niet in één generieke kennisbank. Dat maakt het werk overdraagbaar, ook zonder AI.

Bouw vervolgens een reflectieritme in. Laat medewerkers of AI aan het einde van een opdracht kort vastleggen wat werkte en wat niet. Die losse aantekeningen vormen de basis voor betere prompts, betere werkinstructies en uiteindelijk betere processen. Het is een methode die dichter bij hoe je AI überhaupt goed bevraagt ligt dan de meeste trainingen laten zien.

En maak een bewuste keuze over welk deel van je workflow afhankelijk is van welke leverancier. Een eigen taaksysteem op basis van lokale bestanden is niet voor iedere afdeling de juiste keuze, maar het laat zien dat er alternatieven zijn voor volledig platform-gebonden werken.

Van persoonlijke experimenten naar organisatieritme

Torres opereert solo, maar haar aanpak is niet alleen voor zelfstandigen. De principes werken ook in teams. Een project-vault met gedeelde contextbestanden. Een wekelijkse reflectieronde waarin AI helpt om patronen bloot te leggen. Afspraken over welke context bij welk type taak hoort. Dat vraagt geen grote investering in platforms, maar wel discipline in hoe je kennis ordent.

De belangrijkste les is misschien deze: wie zijn eigen workflow bouwt, begrijpt wat AI toevoegt. Wie een platform aanschaft in de hoop dat het iets oplost, blijft afhankelijk van wat de leverancier ervan maakt. Wil je helder krijgen hoe je in jouw organisatie van experimenten naar een eigen werkritme komt? Plan een kennismaking in, we denken graag mee.