Begrippen

Elke term die het programma gebruikt, in gewone taal.

Nieuw hier? Lees de eerste les. Geen account nodig.

AI-concepten

Agent: Een AI-systeem dat zelf meerdere stappen zet richting een doel: het kiest tools en stuurt onderweg bij.
AGI: Artificial general intelligence: een hypothetische AI die in bijna alle taken even goed is als een mens. Er wordt veel over gediscussieerd en hij is er nog niet.
Beeldmodellen: Modellen die beelden maken op basis van een tekstbeschrijving, zoals DALL-E, Midjourney of Stable Diffusion.
Broncorpus: Waar de waarheid staat in een RAG-opzet: de pagina's, documenten, contracten of oude tickets waaruit je ophaalt.
Closed model: Een model van één aanbieder, dat je alleen via zijn API of app kunt gebruiken.
Coding agent: Een AI-assistent met handen. Hij leest bestanden, past ze aan en voert commando's uit, en kijkt onderweg naar het resultaat.
Compaction: Het eerdere deel van een gesprek samenvatten om ruimte vrij te maken in het context window.
Completion / response: Wat het model terugstuurt na jouw prompt.
Context: Alles wat het model op dit moment kan zien: je prompt, het gesprek, bijlagen en alles wat er verder is ingeschoven.
Context rot: Een faalpatroon in de loop: de geschiedenis groeit tot het signaal erin verdrinkt. Vat oude beurten samen en zet het doel er opnieuw bij.
Context window: Het maximale aantal tokens dat een model in één keer kan vasthouden: je prompt plus alles wat het al gelezen heeft.
Embedding: Een weergave van tekst in getallen, waarmee een systeem op betekenis kan zoeken in plaats van op exacte woorden.
Embedding models: Modellen die tekst omzetten in getallen, zodat tools erop kunnen zoeken op betekenis. Ze draaien onder de motorkap van assistenten die aan je documenten hangen.
Fine-tuning: Extra, gespecialiseerde training bovenop een basismodel, om het af te stemmen op één specifiek gebruik.
Frontier model: Het grootste, nieuwste en sterkste model dat een aanbieder heeft.
Generation: De laatste stap van RAG: de gevonden stukken in de prompt zetten en de AI daarmee laten antwoorden.
Gradient descent: Het trainingsproces waarin een model miljarden interne parameters stukje bij stukje bijstelt tot het het volgende woord goed voorspelt.
Inference: Elke keer dat je het model echt gebruikt. Je stuurt een prompt, die loopt door de vastgezette parameters en er komt output uit.
LLM: Large language model: de techniek achter chatassistenten als ChatGPT, Gemini en Claude.
Long context: Hoeveel een assistent in één gesprek kan vasthouden. Bij een long context past er in één keer zoiets als een kleine bibliotheek in.
MCP (Model Context Protocol): Een standaard manier om AI-apps te koppelen aan tools, data en diensten buiten de app. Zie het als USB voor AI.
Memory: Een functie die bepaalde feiten over jou opslaat en ze aan het begin van volgende gesprekken weer in de context zet.
Multimodal: Modellen die meer aankunnen dan tekst, zoals beeld en soms audio of video.
Open weights: Een model waarvan je de parameters kunt downloaden en zelf kunt draaien.
RAG (Retrieval-Augmented Generation): Het systeem zoekt eerst in je documenten of op het web, en het model antwoordt daarna op basis van wat het gevonden heeft.
Session: Eén aaneengesloten uitwisseling met een assistent, van je eerste prompt tot je laatste. Een nieuwe chat begint met lege context.
Spraakmodellen: Modellen die spraak omzetten naar tekst en terug, zoals Whisper voor transcriptie en ElevenLabs voor stemsynthese.
System prompt: Instructies die aan het begin van een gesprek de rol en de regels van de AI vastleggen.
Token: De kleine stukjes tekst die een assistent leest en schrijft, elk ongeveer driekwart woord. Lengte en kosten worden in tokens geteld.
Tool: Een koppeling waarmee AI meer kan dan tekst schrijven: zoeken, rekenen of een ander systeem aanspreken.
Training: Het dure, eenmalige proces waarin een model patronen leert uit enorme hoeveelheden tekst. Dat doen de aanbieders, jij niet.
Training cutoff: De datum waarna het model niets meer uit training weet. Alles van daarna mist het, tenzij je die informatie zelf meegeeft.
Voorspellen van het volgende woord: Hoe een LLM in de kern werkt: steeds opnieuw het waarschijnlijkste volgende woord voorspellen, tot er een bruikbaar antwoord staat.

Prompten en technieken

AI-stap: Een processtap die oordeel vraagt en per input anders uitpakt. Hier zet je je AI-budget in.
Always-on-laag: Het kleine setje dat elke beurt wordt meegelezen: harde eisen, huisregels en de taak van nu.
Chain (prompt chaining): Een reeks prompts waarbij elke output de volgende input wordt. Jij houdt de chain in de hand; de AI doet per stap zijn werk.
Chain of thought: Het model vragen om stap voor stap te redeneren voordat het antwoordt. Dat maakt het nauwkeuriger bij problemen met meerdere stappen.
Chunking: Een corpus in hapklare stukken knippen (256 tot 512 tokens, met 10 tot 20% overlap) zodat ze op te halen zijn.
Determinisme versus oordeel: Determinisme betekent dat een stap altijd hetzelfde teruggeeft. Oordeel betekent dat een stap terecht kan variëren. Zet er per stap een label bij.
Deterministische stap: Een processtap die vaste logica afhandelt: een formule, een veld uit een database of een script.
Eerst plannen, dan uitvoeren: Het model eerst een plan laten maken en gaten laten benoemen, en pas daarna het stuk laten opleveren. Zo vult het de gaten niet met gokwerk.
Few-shot: Het model een paar voorbeelden geven van het patroon van input naar output dat je wilt. Dat maakt het merkbaar betrouwbaarder.
Gouden regel: Geef de AI altijd zoveel context als je kunt. Betere input levert betrouwbaar betere output.
Itereren en bijschaven: AI als een gesprek behandelen en de output in een paar rondes beter maken, in plaats van te verwachten dat de eerste versie meteen klopt.
Meta-prompting: De AI vragen om je prompt kritisch door te nemen en te herschrijven, zodat hij betrouwbaardere output oplevert.
Negatieve beperkingen: De AI vertellen wat hij niet moet doen. Dat duwt tegen zijn standaardgedrag in en is vaak makkelijker dan beschrijven wat je wel wilt.
On-demand laden: Schema's, specs, runbooks of documentatie pas inladen als een taak ze nodig heeft, opgevraagd op naam.
Outputopmaak: Tussenresultaten machineleesbaar houden: tabellen, JSON, vaste velden. Vrije lopende tekst breekt chains.
Overdracht (de naad): Het moment waarop de output van de ene stap de input van de volgende wordt. Hier begeven chains het, dus zet je controle op de naad.
Persona: Het model een rol geven om de lat hoger te leggen. Het verandert de manier waarop het model antwoordt; of het antwoord klopt, blijft hetzelfde.
Persona prompts: Geef elke stap een rol: een juridisch medewerker, een compliance officer. De persona verschuift woordkeuze, diepgang en toon.
Proces opdelen: Een proces dat over meerdere teams loopt in stappen knippen, en per stap bepalen of hij AI is, deterministisch, of een mens nodig heeft.
Progressive disclosure: Altijd een klein beetje inladen en de rest alleen als het relevant is. Houd de always-on-laag klein.
Prompt: Wat je een assistent intypt. Prompten is het vak van goed vragen.
Prompten in meerdere stappen: Werk opsplitsen in stappen in plaats van één grote prompt. Elke stap levert een schone output met een naam, die de volgende gebruikt.
Promptlogboek: Een verzameling prompts die werkten, die je in de loop van de tijd opbouwt tot herbruikbare templates voor je eigen werk.
Retrieval: De juiste stukken bij een opdracht ophalen. Hybride retrieval (op betekenis plus op trefwoord) met een reranker is de standaard in productie.
Rollen stapelen: De AI iets laten bekijken vanuit meerdere expertblikken op rij, en er daarna één advies van laten maken.
Structured outputs: Om een vast schema vragen, zoals JSON of een tabel, zodat de output helder is en andere tools er direct mee verder kunnen.
Vier-elementenframework: De betrouwbare promptstructuur: rol, context, taak, format (ook wel CRAFT of RCTF).
Voorinvullen van het antwoord: Het antwoord van de AI voor hem beginnen. Dat zet format en toon vast en beperkt het afdwalen.
Zero-shot: Het model een taak laten doen zonder voorbeelden. Prima voor eenvoudige, bekende klussen.

Bouwen en live zetten

Agent loop: De cyclus tijdens het draaien: context lezen, besluiten, een tool aanroepen, het resultaat lezen, opnieuw besluiten, tot de taak klaar is.
AGENTS.md: Het instructiebestand dat over tools heen werkt. Zet je afspraken hier, als enige bron van waarheid.
Anatomie van een briefing: Wat er in een goede agentbriefing hoort: rol, trigger, inputs, stappen, outputformat en guardrails.
Beperking van het model: Een fout waarbij de AI de taak simpelweg niet betrouwbaar genoeg doet. De oplossing is een deterministische controle of een strakkere HITL gate.
Branch: Een parallel spoor van werk in dezelfde repo. Je experimenteert op een branch zonder de main-branch te verstoren.
Bruikbaar versus correct: Bruikbaar betekent dat volgende stappen de output kunnen lezen. Correct betekent dat de inhoud klopt. Je hebt beide nodig.
Budgetplafond: Een stopvoorwaarde die een harde bovengrens zet op beurten, tokens of tool-aanroepen.
Changelog: Een kort lopend lijstje onderaan een briefing waarin per versie staat wat er veranderd is, zodat anderen zien hoe hij gegroeid is.
Checkout: Je werkmap omzetten naar een bepaalde branch of commit. Zelfde repo, ander beeld.
CLAUDE.md: Het instructiebestand van Claude Code, in de projectmap of in ~/.claude voor globaal. Vaak niet meer dan een verwijzing naar AGENTS.md.
Commit: Eén opgeslagen wijziging, met een notitie over wat en waarom. De geschiedenis van een repo is een keten van commits.
Context budget: Het context window behandelen als een budget dat je bewust verdeelt, met het grootste deel voor wat het antwoord echt verandert.
De 50-inputsregel: Test een agent op 50 verschillende echte inputs voordat je hem onbewaakt laat draaien. Zet elke fout in een categorie.
De bouwregel: Merk je dat je hetzelfde werk voor de tweede keer doet, bouw het dan als agent, zodat het de derde keer zichzelf draait.
Deferred tools: Tools alleen op naam noemen en het model de volledige definitie laten opvragen als het die nodig heeft. Zo blijft de context slank.
Dekking: Een van de krachten in harnessontwerp: het model genoeg geven om goed te handelen. Te weinig, en het gaat gokken of verzint een API.
Doeltest: Een stopvoorwaarde die de agent echt uitvoert in plaats van beweert: de build slaagt, of het endpoint geeft 200 terug.
Edge cases: Inputs die geldig zijn maar ongebruikelijk. In een briefing hoort te staan wat er moet gebeuren bij ontbrekende velden, tegenstrijdigheden en gevoelige data.
Forking: De gedeelde agent of assistent van iemand anders kopiëren en aanpassen. Je erft de lessen die de oorspronkelijke bouwer al geleerd heeft.
Format drift: De AI geeft output terug in een iets andere vorm dan afgesproken, waardoor alles verderop dat het exacte format verwachtte breekt.
Frontmatter: Een klein YAML-blok helemaal bovenaan een bestand, met gegevens over het bestand zelf.
Harness: Alles wat je om een model heen bouwt: de context die het model krijgt, de tools die het kan aanroepen en de loop waarin het draait.
Idempotency: Een agent is idempotent als je hem veilig twee keer op dezelfde input kunt laten lopen. Hij geeft hetzelfde resultaat of slaat het over.
Infrastructuur (versus een tool): Iets waar veel mensen op leunen. Op die schaal heeft het een eigenaar met naam nodig, gedocumenteerd gedrag, HITL gates en een onderhoudsplan.
Instructiebestand: Een bestand met staande regels dat een agent leest voordat hij begint. AGENTS.md is de gangbare naam.
Klaar voor productie: Een workflow die op echte inputs getest is, met faalpatronen en HITL gates in de briefing, gedocumenteerd, met een eigenaar, en met logging om drift te zien.
Kosten: Wat elk token kost: in geld, in wachttijd en in verwaterde aandacht.
Kosten per bruikbare output: Totale kosten gedeeld door de outputs die niet over hoefden. Dit is het getal om in je hoofd te hebben.
Merge: De wijzigingen van een branch samenvoegen met de main-branch zodra ze klaar zijn.
Naad: Het punt waar informatie van de ene persoon, het ene team of het ene systeem naar het volgende gaat. Bij naden lekken tijd en kwaliteit weg.
Naadkaart: Een kaart van de overdrachten in een proces: wie geeft over, wie pakt op, wat gaat verloren, wat kost het aan tijd, en waar zou AI passen.
Onderhoudsplan: Een kort document met de eigenaar, een achtervang, hoe vaak je het nakijkt, de bekende faalpatronen en hoe je wijzigingen test.
Ontwerpfout: Een fout die in de architectuur van de workflow zit. De oplossing is opnieuw indelen of herontwerpen.
Output schema: Een precieze beschrijving van de velden en types van een output, opgeschreven voordat je de prompt schrijft.
Outputdominantie: Outputtokens kosten meestal 3 tot 5 keer zoveel als inputtokens, dus een breedsprakige standaard laat de kosten snel oplopen.
Pull request: Een bundel commits die je ter beoordeling aanbiedt voordat hij gemerged wordt.
Recall: Hoe betrouwbaar het model een bepaalde regel echt oppakt. Regels die middenin een long context staan, worden gemist.
Referentiebestanden: Stabiele documenten (regelgeving, stijlgidsen, begrippenlijsten) die je aan een eigen assistent hangt, zodat hij er consequent mee redeneert.
Repository (repo): Een projectmap met een geheugen. Hij houdt bestanden, tests en een logboek van elke wijziging bij, dus niets is ooit echt weg.
Rijpheidsniveaus: Labels voor gedeelde workflows: op eigen risico, uitgelicht (nagekeken) en officieel (onderhouden, klaar voor productie).
Skill: Een bundel instructies en referentiemateriaal die een assistent één klus goed leert doen, herbruikbaar in elk volgend gesprek.
SKILL.md: Het enige verplichte bestand van een skill: bovenaan YAML-frontmatter (naam en beschrijving), daaronder de procedure.
Symlink: Een snelkoppeling die naar een ander bestand wijst, zodat één echte kopie op meerdere plekken kan staan.
Templates met variabelen: Briefings in productie zijn templates met benoemde variabelen. Daardoor kun je ze nakijken, versioneren en forken.
Terminal (shell): Het tekstvenster waarin je commando's typt in plaats van op knoppen te klikken. Hier wonen coding agents.
Test suite: De zelfcontroles van een project, die je met één commando draait en die slaagt of faalt.
Triggers: Hoe een agent begint: op een schema, op aanvraag, of op een gebeurtenis zoals een nieuwe rij in een database.
Validatiestap: De eerste stap in de chain, die nakijkt of elk verplicht veld aanwezig en geldig is. Faalt een controle, dan stopt hij en haalt hij een mens erbij.
Verborgen context: System prompts, referentiebestanden, de gespreksgeschiedenis en opgehaalde stukken kosten allemaal tokens, bij elke run.
Vertrouwde input: Input die stroomopwaarts al gecontroleerd is, zoals een rij in een database met een afgedwongen schema. Daar kun je op handelen.
Vibe coding: Iets bouwen door in gewone woorden te beschrijven wat je wilt en de AI de code te laten schrijven, terwijl je op gevoel bijstuurt.
Worktree: Een tweede werkkopie van dezelfde repo in zijn eigen map, met zijn eigen branch, zodat twee klussen elkaar nooit in de weg zitten.
YAML: Instellingen als regels met een label, zoals name: pdf-export. Lees het als een formulier in plaats van als code.

Risico en veiligheid

Adversarial testing: Een agent tijdens het testen bewust lastige, tegenstrijdige, incomplete of kwaadwillende input voeren, om te zien waar hij stukloopt.
Adversarial verification: Maken en beoordelen scheiden. De ene ronde maakt iets, de andere valt het aan met de opdracht om het onderuit te halen, en alleen wat overblijft gaat live.
AI slop: Massaal geproduceerde AI-tekst of -beelden waar geen aandacht in zit. Precies wat goed prompten voorkomt.
Altijd-HITL-acties: Dingen waar altijd een mens voor moet aftekenen: geld, gezondheid, veiligheid, contracten, juridische voorwaarden, aangiftes bij de overheid, iemands rechtspositie.
Audit logs: Een vastlegging van elke MCP-tool-aanroep, met tijdstip, aanroeper, scope en resultaat. Hier kijk je om te zien wat de AI gedaan heeft.
Auto-pause: Een noodrem die een agent stilzet als de nauwkeurigheid in een steekproef onder een vastgestelde grens zakt, tot een mens hem weer aanzet.
Blast radius: Hoe ver een agent kan reiken als er iets misgaat. Een agent die aan systemen hangt heeft strakkere controlepunten nodig.
Confidence calibration: De AI zijn eigen zekerheid laten inschatten (hoog, midden, laag) met een reden erbij, zodat je weet welke output nagekeken moet worden.
Datahygiëne: Gewoontes voor hoe je met privégegevens omgaat bij AI. Laat gevoelige data staan waar ze staat, in plaats van ze in een tool te plakken die je niet in de hand hebt.
De harde regel: Zet nooit bankgegevens, inloggegevens, overheids-ID's of iets anders dat privé is en niet van jou, in een algemene AI-tool.
Drift: Wanneer de output van een model langzaam slechter wordt omdat het patroon in de input verschoven is. Stil, en alleen te zien over veel outputs heen.
Drift (loop): Een faalpatroon in de loop: de agent vergeet het doel en optimaliseert een deeltaak. Zet het doel opnieuw neer, tegen het eind van de context.
Escalatiepad: De vastgelegde route voor een geval dat gemarkeerd is: wie krijgt bericht, hoe, en met welke context. Elke HITL gate heeft er een nodig.
Geen voortgang: Een faalpatroon in de loop: de agent probeert dezelfde mislukte actie steeds opnieuw. Houd bij wat al geprobeerd is en zet een maximum op het aantal pogingen.
Guardrails: Regels en controles die voorkomen dat AI riskante dingen doet.
Hallucination: Wanneer een assistent iets onwaars met volle overtuiging beweert. Altijd even natrekken.
HITL gate: Een controlepunt waar een mens meekijkt voordat de agent handelt. Verplicht bij onomkeerbare acties en bij acties met lage zekerheid.
Human-in-the-loop (HITL): Een mens kijkt de output van AI na of keurt hem goed voordat er iets gebeurt, vooral bij stappen die onder toezicht staan, onomkeerbaar zijn of veel impact hebben.
Jailbreak: Een prompt die erop gemaakt is om de veiligheidsregels van een AI te omzeilen. Probeer het niet: die regels beschermen jou en anderen.
Met volle overtuiging fout: Een antwoord dat gezaghebbend klinkt maar op een subtiel punt fout is, in precies dezelfde toon als de goede antwoorden.
Prompt injection: Kwaadwillende instructies die verstopt zitten in content die de AI leest, met als doel te kapen wat hij doet.
Revocation: De scopes van een MCP-koppeling weghalen als een workflow uit dienst gaat, zodat er geen slapende koppelingen blijven liggen.
Scopes: Rechten per actie die een MCP-server aanbiedt, bijvoorbeeld read_employees los van update_employee. Geef alleen het minimum.
Steekproeven: Een deel van de output van een workflow pakken (zeg 10%) en dat zelf nakijken.
Verkeerd stoppen: Een faalpatroon in de loop: de agent stopt te vroeg of stopt nooit. Los het op met een expliciete stoptest.
Zekerheidsondergrens: Een grens waaronder de agent stopt en het aan een mens doorgeeft in plaats van zelf te handelen.

Tools en assistenten

Agent in je workspace: Een agent die in een tool als Notion woont en de pagina's en databases daarvan leest en schrijft.
AI agent: Een opgeslagen briefing die een terugkerende klus zelf uitvoert: op een schema, op aanvraag of op een gebeurtenis.
AI-assistent: Je losse chattool (ChatGPT, Gemini, Claude of Grok). Reactief: jij vraagt, hij antwoordt.
Artifacts: Een functie van Claude die code, documenten, slides en interactieve output maakt in een apart paneel dat je kunt aanpassen.
Automatiseringsplatform: Een no-codetool (Zapier, Make) die op een schema data tussen apps heen en weer zet.
ChatGPT: De assistent van OpenAI, gratis op chatgpt.com. Een betrouwbare allrounder met de grootste gebruikersgroep.
Claude: De assistent van Anthropic, gratis op claude.ai. Sterk in langere teksten, zwaar documentwerk en moeilijk redeneren.
Claude Projects: Vaste workspaces in Claude met referentiedocumenten die Claude in elk gesprek erbij houdt.
Co-pilot: AI die naast je meewerkt in een tool en onderweg suggesties doet, terwijl jij aan het stuur blijft.
Connectors: Koppelingen waarmee Claude, met jouw toestemming, bij tools als Drive, Gmail, Slack, GitHub en Linear kan.
Custom GPTs: De opgeslagen, herbruikbare assistenten van ChatGPT: één keer instellen en daarna steeds opnieuw gebruiken.
Deep Research: Een modus die een uitgebreid onderzoek over meerdere bronnen doet en een geschreven rapport met bronvermelding teruggeeft.
Gemini: De assistent van Google, gratis op gemini.google.com. Het sterkst als de input groot, gemengd of visueel is, en hij draait binnen Google Workspace.
Gems: De opgeslagen, herbruikbare eigen assistenten van Gemini: één keer instellen en daarna steeds opnieuw gebruiken.
Grok: De assistent van xAI, gratis op grok.com. Hangt aan X en het live web, en is het sterkst op actualiteit.
Ingebouwde (in-app) assistent: AI die in een app zit die je al gebruikt, zoals Gmail, Notion of Word. Hij werkt op de pagina die open staat.
Opgeslagen (herbruikbare) assistent: Een eigen assistent die je één keer instelt en daarna hergebruikt, zoals een Custom GPT, een Gem of een Claude Project.

Werken met AI

AI eerst als standaard: Bij elke nieuwe taak eerst 30 seconden nadenken over hoe AI kan helpen, voordat je het met de hand doet.
AI-pilled: Overtuigd geraakt door AI. Zodra het bij één taak klikt, ga je er overal naar grijpen. Meestal met een knipoog gezegd.
AI-vaardigheid: Met AI kunnen werken, erop kunnen voortbouwen en ermee kunnen denken. De vaardigheid met het hoogste rendement van dit decennium.
De 100x-mindset: Het nieuwe tempo: maanden worden dagen, dagen worden uren. Zakken de kosten honderd keer, dan worden er dingen mogelijk die dat eerder niet waren.
De 80%-regel: Begin voor alles bij je AI-assistent. De tool in de app is een handige snelkoppeling die je kunt overslaan.
Dubbelchecken: Dezelfde belangrijke vraag door twee tools halen en de antwoorden vergelijken. Zijn ze het eens, dan groeit je vertrouwen; verschillen ze, dan weet je waar je moet kijken.
Iedereen kan nu bouwen: Wie met AI een workflow bouwt, is een bouwer, wat er ook op zijn visitekaartje staat.
Opnieuw leren leren: De metavaardigheid om te blijven leren terwijl oude expertise geautomatiseerd wordt. De nieuwe voorsprong.
Werk moet verdwijnen: De houding dat AI hele categorieën werk moet wegvagen en taken helemaal moet laten verdwijnen.