Zo ging ik van AI-scepticus naar agent builder!

Fase 0: scepticisme

Lang hield ik AI op afstand. Ons A/B-testproces liep goed en was helder. Elke test doorliep dezelfde stappen:

• Inzichten verzamelen

• Prioriteren welke inzichten het meest opleveren

• Hypothese en testplan uitschrijven

• Testvarianten maken, samen met een designer en developer

• A/B-test live zetten en analyseren

• Rapporteren en learnings delen met het team

Waarom zou ik iets veranderen dat werkt? Er zat wel een keerzijde aan: het kostte veel tijd. Vooral inzichten verzamelen en testvarianten laten maken door een designer. Honderden open antwoorden uit een exit-survey las ik één voor één door, en daar ging zomaar een middag in zitten. En voor een simpele A/B-test wachtte ik vaak weken tot een designer en developer tijd hadden. Efficiënt? Niet echt. Maar ik wist precies wat er in mijn spreadsheet stond.

Fase 1: ontdekking

Toch bleef het knagen. Iedereen om me heen was er enthousiast over, dus wilde ik het in elk geval zelf geprobeerd hebben. Ik begon klein: ik vroeg ChatGPT om een kort mailtje aan mijn collega Jelle. Drie zinnen, gewoon zeggen dat ik 3 van de 5 hoofdstukken van onze presentatie af had.

Ik kreeg een formele brief terug, vol “uiterste toewijding” en “strategische synergie”. Volgens ChatGPT had ik trouwens 4 van de 5 hoofdstukken af. Ik vroeg om iets korters en informelers, en kreeg als aanhef: “Hooikoorts Jelle!”

Ik voelde me even flink bevestigd. Maar toen ik er nog eens naar keek, zag ik ook iets anders. De opzet klopte wel, het ging mis in de details. En details controleren is precies mijn werk.

Fase 2: routine

Dus bleef ik oefenen. Steeds probeerde ik iets nieuws, en hoe vaker ik met AI werkte, hoe beter ik aanvoelde wat het goed kan en waar ik moet opletten. Zo werd het langzaam een routine.

Toen ik daarna naar ons A/B-testproces keek, zag ik het ineens: in verschillende stappen kon AI het voorwerk doen, terwijl ik de details controleer. Zo zette ik AI in bij vier stappen van het proces:

1. Van rauwe data naar inzichten
Weet je nog, die honderden survey-antwoorden? Die gaan nu in de Customer Insight Synthesizer, een project dat ik in Claude bouwde. Binnen een paar minuten krijg ik persona’s, pijnpunten en kansen terug. Dat scheelt gemiddeld 4 tot 8 uur per analyse.

2. Rapportages die zichzelf schrijven
Een koppeling tussen Make en Markifact stuurt elke week automatisch een update met wat opvalt in GA4, Google Ads en Meta. Zo gaat de meeting over strategie in plaats van over cijfers voorlezen. Dat scheelt 2 tot 4 uur per rapportage.

3. Designvarianten zonder wachten
In Claude Design voeg ik het huisstijldocument van de klant toe. Vanuit mijn hypothese maakt Claude meerdere varianten binnen de huisstijl, en de designer checkt en verfijnt. Dat scheelt 2 tot 4 uur per design.

4. Testcode in een handomdraai
Voor de code gebruiken we een eigen Google Gem. Ik geef de hypothese en het design, en krijg werkende testcode terug. Er kijkt altijd een mens mee voordat iets live gaat. Dat scheelt 2 tot 3 uur per test.

Fase 3: architectuur

Na een tijdje had ik een flinke verzameling prompts en tools. Mijn teamgenoten ook. Alleen stond alles verspreid over chatgeschiedenissen, losse documenten en onze eigen hoofden.

Daarom zetten we alles in één gedeeld document. Per stap in het A/B-testproces staat erin welke AI-tool we gebruiken, wie de eigenaar is, welke prompt werkt en welke kennis je nodig hebt. Al snel bleek dat veel prompts hetzelfde deden. Uit al die losse prompts haalden we het beste en maakten we er één van. Zo werkt het hele team nu met dezelfde, betere versie.

Fase 4: constructie

Het document hielp, maar ik merkte ook de grens. Ik moest nog steeds zelf bepalen welke prompt ik wanneer gebruikte, en resultaten van de ene tool naar de andere kopiëren. Eigenlijk was ík de schakel tussen alle stappen van het testproces.

Die schakel wilden we automatiseren met een AI-agent: een systeem dat zelf uitzoekt welke stappen nodig zijn en welke tools het daarvoor inzet.

Je kunt het vergelijken met een nieuwe collega inwerken. Stel, je team heeft iemand nodig die data-analyses doet. Je neemt iemand aan met precies dat specialisme, geeft haar toegang tot systemen als GA4 en Airtable, en een welkomstboekje over hoe jullie werken. Een agent bouw je op dezelfde manier: een specialisme, de juiste tools en instructies.

Dat deden we voor zes specialismen: data, CRO, online marketing, design, growth en strategie. Samen vormen ze onze CRO-agent. Geven we hem een opdracht, dan bepaalt hij zelf welke specialismen hij inzet.

Fase 5: regie

Hier zuhb we nog niet helemaal, maar het doel is duidelijk. Nu werkt de CRO-agent nog alleen. Straks werkt hij samen met andere agents, bijvoorbeeld voor SEO en copy. Heeft hij nieuwe teksten nodig voor een test? Dan vraagt hij die zelf aan de copy-agent.

Mijn rol verschuift daarmee van uitvoerder naar regisseur. Ik bepaal wat we willen bereiken, de agents zoeken uit hoe, en ik controleer wat eruit komt.

In welke fase zit jij?

Misschien zit je nog waar ik ooit zat: sceptisch en liever alles zelf doen. Of je experimenteert al volop. Dit had ik zelf graag eerder geweten:

1. Begin bij wat je het meest tegenstaat
Voor mij waren dat die honderden survey-antwoorden. Juist daar maakt AI het grootste verschil.

2. Doe het niet alleen
Collega’s hebben prompts waar jij nooit op komt. Pas toen we alles deelden, kwamen we echt verder.

3. Plan het in
“Ik probeer het wel als ik tijd heb” werkt niet. Die tijd komt namelijk nooit.

4. Blijf een beetje sceptisch
AI levert snel resultaat, maar niet altijd het goede. Jij houdt het stuur.

Liever niet alles zelf uitzoeken? Snap ik. Stuur me een berichtje, dan helpen we je op weg naar je eigen agent!