Hé Jamal, welkom bij deze speciale aflevering. Geen les vandaag, maar een overzicht, een soort 'state of the union' van alles wat we op 13 augustus boven water haalden. Dit is een bundeling van jouw reacties op de AI-School-podcast, de afleveringen 1 tot en met 7, én de storingen die we die dag zelf tegenkwamen. Het is nog geen plan van aanpak, zie het als de complete kaart, zodat we straks in één keer de juiste richting kunnen kiezen in plaats van los te blijven prutsen. De rest van de podcasts pakken we later mee.
Je gevoel klopt: het systeem is opgefokt. Dat komt niet door één grote fout, maar door twee jaar lang organisch aanbouwen. Alles werkt half, informatie staat op vier plekken tegelijk, en storingen zijn stil. Dat bleek overduidelijk uit de dagelijkse praktijk: drie sleutels die in de git-historie rondslingerden, bots op het verkeerde dure model, Paco's backup die twee weken kapot was zonder melding, of die server die negen uur uitlag zonder dat iemand het merkte. Dat is geen pech; dat is een systeem dat niemand meer in zijn geheel overziet.
We hebben vijf belangrijke thema's geïdentificeerd waar we ons op moeten richten.
Ten eerste: ons geheugen en alle kennis. Dat is nu een enorme kluwen. Jouw Obsidian-vault met duizenden notities, mapjes die dubbel zijn, en eigenlijk zit alles door elkaar: jouw menselijke kennis, bot-geheugen, logs en audio. Ook onze vijfhonderd zestig geheugenbestanden zijn verspreid over wel vier systemen, en goede 'supervragen' – die sterke prompts die werkten – worden nergens bewaard. De richting is duidelijk: jouw vault maken we weer puur van jou, het bot-geheugen gaat naar gbrain, we creëren één schone bibliotheek voor wat wel en niet werkt, en die supervragen leggen we vast. Het belangrijkste is: die lessen moeten we niet alleen kunnen opzoeken, maar echt inbouwen, als voorbeeld in een opdracht of als harde rem, zodat ze ons ook echt beter maken.
Ten tweede: zelfherstel en zichtbaarheid. Ons systeem leert wel, maar niet echt als machine learning. Het herstelt deels, maar de mislukkingen zijn nu vooral *stil*. Denk aan die backup die weken kapot was, die server die uren uitlag, of dode berichten die zich opstapelen. Dat moet anders. Stille storingen moeten zichtbaar worden, ze moeten vanzelf piepen en alarm slaan, niet pas als jij ze toevallig opmerkt. Een positieve noot: we zijn vandaag al gestart met een wachtrij-spiegel die vastlopers in Slack meldt.
Dan, ten derde: hoe jij werkt met de vloot. Je twijfelt of je alleen nog in de terminal moet werken met meerdere agents, omdat je dan het overzicht kwijt bent. Dat is een terecht punt. De podcast sprak over het geven van een rol aan AI, en hoewel onze bots persona's hebben, moet dit systematisch en consistent gebeuren. En ja, je wilt weten of jouw eigen manier van vragen stellen scherper kan. De oplossing? Eén helder overzicht, een cockpit, waar je in één blik ziet wat elke agent doet. We maken de rollen van de bots expliciet en consistent, en er komt een aparte analyse van jouw eigen prompting.
Als vierde punt: veiligheid en sleutels. De basis moet schoon. We vonden drie gevoelige sleutels in de git-historie. De Gemini-sleutel is al geroteerd, de andere moeten nog. Er is een dubbele gbrain-sleutel, en bots stonden op het verkeerde, dure model. Dit moet allemaal op orde: alle sleutels in één kluis, nergens in git, netjes roteerbaar. De gbrain-dubbeltoken wordt rechtgetrokken en de model-routering leggen we vast en bewaken we.
Tot slot, ten vijfde: de marketing-expert. Al twee jaar proberen we een AI te bouwen die de hele Haarvisie-marketing overneemt, en het lukt nog steeds niet. Hiervoor stellen we een aparte, uitgebreide research-klus voor: duiken in de archieven vanaf dag één dat je met Claude werkt, plus Obsidian, om in kaart te brengen wat we allemaal al geprobeerd hebben en waarom het telkens strandde. Pas als we dat weten, kunnen we het anders aanpakken.
Maar hoe pakken we dit aan? Ik stel een duidelijke volgorde voor. Eerst de basis veilig: de laatste sleutels roteren en de gbrain-dubbeltoken oplossen – dat heeft de meeste haast. Daarna ontwarren we het geheugen: de vault opschonen, bot-geheugen scheiden, en de bibliotheken voor 'goed/niet-goed' en 'supervragen' opzetten. En dan de zichtbaarheid: storingen laten piepen en dat ene overzicht bouwen. Parallel hieraan lopen twee losse research-klussen: die marketing-expert-geschiedenis en jouw prompting-analyse. Belangrijk: we doen dit één voor één, niet alles tegelijk, en telkens met een schoon token-budget.
Dus Jamal, de vraag aan jou: ben je het eens met deze vijf thema's en deze voorgestelde volgorde? En hoe willen we verder met de rest van de podcasts, aflevering 8 tot en met 16? Voegen we die toe aan dit verslag, of maken we er een deel twee van? Dit is dus Deel 1, nog niets is uitgevoerd. Het is de kaart, zodat we samen de juiste route kunnen kiezen. Laat het me weten!
Dit is de bundeling van alles wat op 13 augustus naar boven kwam: jouw reacties op de AI-School-podcast (aflevering 1 t/m 7) plus de storingen die we die dag zelf tegenkwamen. Het is nog geen plan om uit te voeren. Het is het totaalverhaal, zodat we straks in één keer beslissen in plaats van los te blijven prutsen. De rest van de podcasts komt later erbij.
Je gevoel klopt: het systeem is opgefokt. Niet door één fout, maar door twee jaar organisch aanbouwen. Alles werkt half, alles staat op vier plekken tegelijk, en de storingen zijn stil.
Op één dag vonden we het bewijs: 3 sleutels in git-historie, 2 bots op het verkeerde dure model, Paco's backup 2 weken kapot zonder melding, Paco die zichzelf brak met een krulletje, Lenovo 9 uur uit zonder dat iemand het zag, dode berichten die zich opstapelen. Dat is geen pech. Dat is een systeem dat niemand meer in zijn geheel overziet.
Wat er speelt:
- Je Obsidian: 4.414 notities, 576 MB, 332 mappen. De nummering is stuk (twee mappen 06, drie mappen 07, twee mappen 08).
- De vault doet dubbel werk: jouw menselijke kennis, bot-geheugen, logs en audio door elkaar. Dát is de bron van het te-groot-gevoel.
- We hebben 560 geheugen-bestanden: 129 lessen over wat misging, 146 over hoe het wel moet, 63 vaste regels. Verspreid over 4 systemen (lokaal geheugen, Supabase, gbrain, verslagen). Geen enkele plek heet "goed/niet-goed".
- Goede "supervragen" (sterke prompts die werkten) worden nergens bewaard. Elke keer opnieuw bedenken.
Waarom Obsidian de verbanden niet toont zoals AI: dat is de tool, geen vervuiling. Obsidian laat alleen zien wat je zélf koppelt. AI vindt verbanden die je nooit legde, op betekenis.
De richting:
- Jouw vault = alleen jóuw menselijke kennis, schoon. Bot-geheugen naar gbrain. Logs en audio eruit.
- Eén schone goed/niet-goed-bibliotheek, dubbelingen eruit.
- Een bibliotheek van bewezen supervragen, herbruikbaar.
- De belangrijkste lessen niet alleen opzoekbaar maken, maar INBOUWEN - als voorbeeld in de opdracht of als harde rem. Dat is het verschil tussen "we hebben 129 lessen" en "die lessen maken ons echt beter".
Wat er speelt:
- Doen wij aan machine learning? Nee, niet echt. De vloot traint geen model op zichzelf. Wat er is: fout, les, regel, toepassen. Dat is leren als team.
- Herstelt het systeem zichzelf? Gedeeltelijk. Er zijn wachthonden en retries. Maar de mislukkingen zijn STIL: Paco's backup faalde 2 weken, Lenovo lag 9 uur uit, dode berichten stapelen op. Niemand ziet het tot iemand vraagt.
De richting:
- Stille storingen zichtbaar maken. Een machine die uit ligt, een backup die faalt, een bericht dat blijft hangen - dat hoort vanzelf te piepen, niet pas als jij het merkt.
- (Vandaag al gestart: de wachtrij-spiegel meldt nu vastlopers in Slack, en herkent dode brieven.)
Wat er speelt:
- Je twijfelt of je alleen nog in de terminal moet werken met meerdere agents. Maar dan ben je het OVERZICHT kwijt. Dat is een terecht punt.
- De podcast heeft het over "geef de AI een rol". Doen wij dat? Deels: bots hebben persona's en souls. Maar of dat systematisch en goed gebeurt, moeten we nakijken.
- Je wilt weten of je eigen manier van vragen stellen scherper kan, om sneller to-the-point te komen.
De richting:
- Eén overzicht (dashboard/cockpit) waar je in één blik ziet wat elke agent doet, ook bij terminal-werk.
- De rollen van de bots expliciet en consistent maken.
- Een aparte analyse van jouw eigen prompting (dit is een losse taak voor later).
Wat er speelt:
- 3 sleutels leefden in git-historie (Gemini, Sanity, gbrain). De Gemini is vandaag geroteerd (nieuw en getest). Sanity en GitHub-token moeten nog.
- De gbrain-sleutel is dubbel: de server gebruikt de ene, de instellingen sturen de andere. Precies de rommel.
- Bots stonden op het verkeerde (dure) model. Sjakie en Paco staan nu op Sonnet, Conductor blijft Opus.
De richting:
- Alle sleutels schoon: één plek (de kluis), nergens in git, netjes roteerbaar.
- De gbrain-dubbeltoken rechttrekken.
- Model-routering vastleggen en bewaken.
Wat er speelt:
- We proberen al 2 jaar een AI te bouwen die de hele Haarvisie-marketing overneemt. Het lukt maar niet.
De richting (aparte research-klus):
- Duiken in de archieven vanaf dag 1 dat je met Claude werkt, plus Obsidian. In kaart brengen wat al geprobeerd is en waarom het telkens strandde. Pas als we dat weten, kunnen we het anders aanpakken. Dit is een echte research-klus voor een verse sessie.
Elk van deze vier is een eigen klus in een verse sessie. Niet alles tegelijk. We pakken ze één voor één, met een schoon token-budget.
Dit is deel 1. Er is niks uitgevoerd op basis van dit verslag. Het is de kaart, zodat we samen kunnen kiezen.
🎙️ Bespreek met Jarvis