Ik viel deze week over een tweet van @Queen_primis die alleen maar zei: "Think about how much better it'd taste with some seasoning on it." Geen lange uitleg, geen drievoudige threads — alleen die zin, bij een plaatje. Ik weet niet precies waar het origineel op sloeg, maar de metafoor bleef bij me hangen omdat hij zo goed past bij wat ik steeds zie gebeuren rondom AI in het MKB. De ruwe output van een taalmodel is eetbaar, maar het is pas écht smakelijk als je er iets aan toevoegt.
Ik denk dat dat beeld van "kruiden" precies is wat veel ondernemers missen als ze voor het eerst met ChatGPT, Claude of Gemini aan de slag gaan. Ze typen een vraag, krijgen een correct maar bleek antwoord terug, en denken: dit is het dus? Wat mij betreft is dat hetzelfde als een ongezouten aardappel uit de pan scheppen en concluderen dat koken niks voorstelt.
Waarom kale AI-output vaak tegenvalt
Een groot taalmodel is getraind op een gigantische hoeveelheid algemene tekst. Als je er een losse vraag in gooit, krijg je een antwoord dat voor iedereen een beetje werkt — en dus voor niemand helemaal. De toon is generiek, de voorbeelden zijn internationaal, de aannames kloppen net niet bij jouw sector. Het is, om in de metafoor te blijven, de kipfilet zonder zout, peper, tijm of olie.
Wat mij hier opvalt is dat dit geen gebrek is van het model. Het is een gebrek aan informatie over jou. Het model weet niet of je een installateur bent in Twente, een accountantskantoor in Rotterdam of een webshop in tuinmeubels. Zonder die context doet het zijn best met wat het heeft — wat neerkomt op een gemiddelde van het hele internet.
Wat "kruiden" in de praktijk betekent
In AI-land noemen we dat kruiden met grote woorden: systeemprompt, context engineering, retrieval-augmented generation, fine-tuning. Voor een ondernemer komt het neer op drie heel praktische lagen die je bovenop zo'n model legt.
1. De systeemprompt: wie ben jij en wie ben ik?
Dit is de basisinstructie die je aan een assistent meegeeft voordat je klant of medewerker ermee praat. "Je bent de klantenservice-assistent van Bakkerij De Korenbloem in Utrecht. Je spreekt Nederlands, je bent vriendelijk maar bondig, en je verwijst altijd naar onze openingstijden als iemand wil langskomen." Dat zijn twee zinnen, maar ze veranderen de uitvoer totaal. Het is het verschil tussen een ober die "goedenavond" zegt en een ober die "leuk dat u er weer bent" zegt.
2. De context: wat mag het model weten?
De tweede laag is de kennis die je meegeeft. Je prijslijst, je algemene voorwaarden, de meest gestelde klantvragen, je productcatalogus. Als het model die mag lezen op het moment dat een vraag binnenkomt, geeft het opeens antwoorden die kloppen met jouw bedrijf in plaats van met een gemiddelde. Stel dat je als ondernemer een offerte-assistent bouwt: zonder context schrijft hij een algemene offerte, met context schrijft hij jouw offerte, met jouw marges en jouw voorwaarden.
3. De voorbeelden: hoe ziet goed eruit?
De derde laag zijn de voorbeelden van wat jij als ondernemer een goed antwoord vindt. Twee of drie mails die jij zelf hebt geschreven — in jouw toon, met jouw signatuur, met de manier waarop jij afscheid neemt. Modellen leren verrassend snel van een paar goede voorbeelden. Ik vind dat eerlijk gezegd nog steeds bijzonder: je hoeft geen data scientist te zijn om die laag aan te brengen, je hoeft alleen te weten hoe jouw ideale mail eruitziet.
De Nederlandse invalshoek
Voor een Nederlandse MKB-ondernemer zijn er twee kruiden die ik extra belangrijk vind.
Het eerste is taal. Modellen spreken prima Nederlands, maar ze vervallen snel in dat wat opgepoetste vertaald-uit-het-Engels-gevoel. "Wij streven ernaar om uw verwachtingen te overtreffen." Niemand praat zo in de Achterhoek of in Amsterdam-Noord. Als je in je systeemprompt zet "gebruik Nederlands zoals in een goede e-mail tussen collega's, geen marketingtaal", wordt de output direct menselijker. Een klein kruid, groot effect.
Het tweede is wet- en regelgeving. Een AVG-gevoelige mail, een vraag over een btw-tarief, iets rondom de nieuwe AI Act — het model weet er iets van, maar meestal op hoofdlijnen. Als je een korte samenvatting van jouw eigen AVG-beleid of een verwijzing naar de juiste Nederlandse bron meegeeft, krijg je antwoorden die je ook echt naar een klant durft te sturen. Zonder dat kruid blijft het een beetje internationaal en glibberig.
Waarom dit voor elke ondernemer relevant is
Ik denk dat de meeste ondernemers die zeggen "AI werkt niet voor mijn bedrijf" eigenlijk bedoelen: "de kale versie werkt niet voor mijn bedrijf." En daar hebben ze gelijk in. De kale versie is een demonstratie, geen product. Kun je je voorstellen wat het betekent als je klantenservice-assistent, offerte-schrijver of interne kennis-assistent in jouw toon praat, jouw prijzen kent en jouw werkwijze volgt? Dan heb je opeens iets dat er bij hoort, in plaats van iets dat ernaast staat.
Het goede nieuws: die drie lagen — systeemprompt, context, voorbeelden — zijn binnen een dag aan te brengen voor de meeste toepassingen. Je hebt er geen groot AI-project voor nodig. Je hebt een paar goede zinnen nodig, een paar documenten en een paar voorbeelden van wat jij goed vindt.
Tot slot
Voor mij is die tweet vooral een signaal dat het gesprek over AI langzaam verschuift van "welk model moet ik hebben" naar "hoe maak ik dit model van mij". Dat tweede gesprek vind ik een stuk interessanter, omdat het ondernemers weer de regie geeft. Het model is het basisproduct. De kruiden bepalen hoe het smaakt. En ik geloof dat dat het gedeelte is waar de meeste waarde wordt gemaakt — niet in het model zelf, maar in alles wat jij eromheen legt.