Wat een leider bouwt om AI te begrijpen: een leerlijn in acht repositories

Het betoog

Van leiders wordt verwacht dat ze een mening over AI hebben. De meesten lenen er een. Ik heb er ook geleend, maar de meningen die ik vertrouw kwamen uit het bouwen van iets dat klein genoeg was om af te maken en eerlijk genoeg om te mislukken. Dit is de reeks, in de volgorde waarin het gebeurde, met wat elk onderdeel me werkelijk leerde. De repositories zijn openbaar waar ze van mij zijn.

1995: een jaar AI, voordat het werkte

Ik studeerde een jaar kunstmatige intelligentie aan de Universiteit van Amsterdam en stapte daarna over naar informatica. Expertsystemen, logica, vroege neurale netwerken: het was een vakgebied met prachtige theorie en niets wat je kon opleveren. Dertig jaar later is het vreemde hoeveel van het vocabulaire is overgebleven en hoe weinig van de bescheidenheid.

2000 tot 2016: platforms, geen modellen

Niets in deze periode is AI. Het is een ticketingplatform voor theaters, een decennium SharePoint- en .NET-architectuur, en een compleet clubplatform gebouwd in eigen tijd. Ik neem het op omdat ik hier leerde wat nu het meest telt voor AI: dat het moeilijke deel nooit de slimme component is. Het is identiteit, integratie, beheer en de organisatie eromheen. Elk AI-governancebesluit dat ik sindsdien heb genomen, is een vermomd platformbesluit.

2018 tot 2021: een dataplatform gebouwd als weg naar machine learning

Bij een laboratoriumgroep leidde ik de migratie van on-premises rapportage en BI naar één clouddataplatform. Het expliciete langetermijndoel was machine learning voor bedrijfsinzicht. Aan de modellen kwamen we in mijn tijd daar nooit toe. Wat we wel kregen, was de les dat het datafundament jaren kost en het model weken, en dat elke AI-roadmap die ze andersom plant, fictie is.

Zomer 2025: zeven kleine repositories in een week

In juli 2025 bouwde ik een reeks bewust kleine dingen in C#: een consolechatbot op de OpenAI API, een sentimentanalyser en een beeldclassifier op ML.NET, een spraakassistent op de Windows speech-API’s, een opzet voor objectdetectie via de webcam, een code-review-bot voor pull requests, en een bundel .NET 10-voorbeelden. Geen ervan is indrukwekkend. Elk kostte een middag. Samen deden ze iets wat honderd artikelen niet hadden gedaan: ze lieten me voelen waar de naden zitten. Waar het model zelfverzekerd en fout is. Waar de API simpel is en het beheer niet. Waar “voeg gewoon AI toe” een webcam tegenkomt die frames in het verkeerde tempo aanlevert.

Ik raad dit elke leider aan die ik ontmoet. Bouw vijf triviale dingen. Je meningen zullen veranderen.

Richard Hamming vroeg onderzoekers wat de belangrijke problemen in hun vakgebied waren, en waarom ze er niet aan werkten. De kleine-repositoryversie van die vraag is: wat geloof je over AI dat je nog nooit hebt geprobeerd te draaien?

Voorjaar 2026: een framework voor een vraag die ik steeds kreeg

Welke taal moet een team kiezen nu AI-agents een groot deel van de code schrijven? Ik hoorde steeds stellige antwoorden en geen bewijs. Dus bouwde ik een bewijs-traceerbaar framework: tien talen, elf gewogen dimensies, ongeveer 390 claims met primaire bronnen, validators in continuous integration, en acht falsifieerbare voorspellingen die in mei 2027 worden beoordeeld. De methode deed er meer toe dan de ranglijst. Het is de eerste keer dat ik iets publiceerde dat ontworpen is om volgens schema weerlegd te worden.

Zomer 2026: het agentframework, daarna het platform

In mei 2026 begon ik met het ontwerp van een zelf-gehost platform voor het besturen van AI-agents, voor Nederlandse gemeenten, op de premisse dat agents alleen bestuurbaar zijn als elke grensoverschrijding wordt bestuurd. De architectuur kwam eerst: arc42-documentatie, een besluitenregister, een dreigingsmodel dat de eigen agents van het platform als tegenstanders behandelt. Vanaf juli de bouw: duizenden commits in drie maanden, een gesuperviseerde pijplijn van AI-codeeragents die onder geschreven regels werken, evaluatiesuites, een demonstrator op een Kubernetes-cluster.

Parallel daaraan evalueerde ik meer dan honderd agentframeworks en gateways, waarvan verschillende op broncodeniveau, en zette ik het resultaat om in een bewijsgrootboek dat streng genoeg is om mijn eigen claims af te waarderen. Dat grootboek en die evaluaties zijn het materiaal achter de acht veldnotities op deze site.

Waar de leerlijn voor dient

Niets hiervan maakt mij een machine-learning-engineer, en dat claim ik ook niet. Wat het me wel maakt, is een product- en technologieleider die elke laag tussen een strategieslide en een draaiende agent heeft aangeraakt, recent, met zijn eigen handen. Als ik zeg dat een plan het contact met de organisatie niet overleeft, is dat omdat ik het mijne niet heb zien overleven, in code, en het heb gerepareerd.

Als je een team leidt dat op het punt staat op AI in te zetten, heb ik één advies uit deze leerlijn. Bouw iets, vóór de strategie. Klein, af, een beetje gênant. Het kost een week en bespaart een jaar.

De TARDIS is vanbinnen groter dan vanbuiten. Dat geldt, zo blijkt, ook voor een weekend met zeven kleine repositories.

Verwijzingen

De knipogen en citaten in dit stuk, met hun herkomst:

• Richard Hamming, “You and Your Research”, Bell Labs talk (1986): what are the important problems in your field, and why aren’t you working on them?
• Doctor Who (BBC, since 1963): the TARDIS, “it’s bigger on the inside”.