Lauren McHugh Olende van IBM gaat in deze video in op de verschillende rollen als het gaat om AI-agents. In de video leer je hoe  het ReAct-patroon een actiestap (toolbediener), redeneerstap (planner) en observatiestap (criticus) combineert tot een antwoord (presentator).

Bri Kopecki van IBM bespreekt in deze video de zeven vaardigheden (‘skills’) op die je nodig hebt om van prompt- engineering de ontwikkeling te maken naar agent-engineering. En als je het nog niet wist: agent-engineering is het nieuwe vibe-coding, maar dan voor grote mensen.

Goed ook om je te realiseren waar OpenAi en Anthropic zich wat dat betreft bevinden.

Leer er meer over via zijn interessante video. Ook deze video komt uit het bericht van afgelopen dinsdag over AI-agents.

De moeite van het bekijken waard en sluit ook aan bij de video die ik morgen zal delen over Gemma 4. Al deze video’s komen uit het bericht van afgelopen dinsdag over AI-agents.

Dit is een van de video’s die ik afgelopen dinsdag noemde bij mijn verzamelbericht over AI-Agents en die ik te waardevol vond om niet ook een eigen blogpost te geven.

In deze BBC-documentaire bouwt wiskundige Hannah Fry samen met software-ingenieur Brendan een eigen AI-agent met de open-source tool OpenClaw van Peter Steinberger. Ze noemen het* Cass (kort voor Cassandra) en test Cass twee weken lang in de echte wereld. Een toegankelijk uitgelegd verhaal, beetje de grenzen opgezocht, het model uitgedaagd, niet te wetenschappelijk allemaal.

* het LLM-model heeft het over hem, zo staat het op de interactieve pagina. Nou kun je zeggen dat ik ten onrechte veronderstellen dat Cassandra een zij zou moeten zijn en geen hij, maar eigenlijk gaat het om een tool, dus dan zijn beiden toch niet correct eigenlijk?

AI is meer dan wat je in een browser doet. In dit bericht bespreek ik mijn ervaringen met het zelf samenstellen van een AI-stack: OpenCode als harnas, Qwen3.6:35b als open source model, draaiend op de NOLAI Ollama-server. Doel: met één prompt een interactieve webpagina + zelftest genereren vanuit een willekeurige YouTube-video.  Het werkt,  maar niet vanzelf. De kwaliteit hangt sterk af van het samenspel tussen model, context (skills/instructies), harnas en hardware. Qwen3.6 twijfelt regelmatig, wijt fouten soms aan de gebruiker, en volgt instructies minder consequent dan Anthropic-modellen. Zodra ik in dezelfde OpenCode-omgeving overschakelde naar Claude Sonnet, werden dezelfde taken razendsnel en zonder aarzelen uitgevoerd.

Conclusies:

• Open source modellen zijn nu nog grotendeels een principiële keuze; de praktische resultaten blijven achter bij closed source.
• Harnas, model én instructies (context) moeten alle drie kloppen — een goed model in een slecht harnas (of andersom) levert suboptimale resultaten.
• De skills en het eerste werkende voorbeeld kwamen via Claude Code, daarna doorvertaald naar OpenCode/Qwen3.6.
• Beide skills (interactieve YouTube-pagina én Zotero-samenvattingen) staan op GitHub.

De lange versie (ongeveer 10 minuten leestijd)

Zoals je waarschijnlijk weet als je mijn blog volgt, doe ik nog steeds pogingen om enigszins hands-on de verschillende ontwikkelingen rond (generatieve) AI bij te benen. Daarbij ben ik dan steeds op zoek naar praktische toepassingen, niet alleen de dingen “omdat het kan” (soms ook heel interessant) maar toch ook “wanneer heeft het meerwaarde?”. Twee deelvragen die ik daarbij de afgelopen tijd in wat meer in detail aan het uitzoeken ben geweest hebben te maken met het beheer van de ruim 3.000 bronnen die ik inmiddels in Zotero verzameld heb (3.045 om precies te zijn, waarvan – zo weet Claude Code te vertellen 24% (730) zonder bijlage en 76% (2.315) met bijlage; de oudste bron is Democracy and Education — John Dewey uit 1916 en de meest recente GOOD PRACTICE in AI for EDUCATION: Spotlight on EU case studies and insights uit 2026). Met 233 bronnen met het label AI, 86 voor digitale geletterdheid van studenten (29 voor die van docenten), 76 bronnen gericht op DigComp 3.0, 36 specifiek voor NOLAI docentprofessionalisering is het een goede afspiegeling van waar ik me mee bezig hou.

Dat project kom ik nog wel een andere keer op terug, in deze blogpost wil ik wat langer stilstaan bij het maken van interactieve weergaves van YouTube-video’s. Als je op deze pagina kijkt, dan zie je dat ik daar al langer mee experimenteer. Eerst via AI-Studio van Google. Dat was namelijk de eerste (en tot nu toe enige?) site die de inhoud van YouTube-video’s daadwerkelijk mee kon nemen bij het beoordelen van de inhoud en daarna maken van een ondersteunende navigatiestructuur.

Maar de tijd van ‘alleen’ alles in een browser typen is al lang voorbij. Ik heb hier al vaker over vibecoding geschreven, maar Antigravity is van Google, Claude Code van Anthropic. Zolang als ik al met AI, kijk ik ook steeds naar de open source mogelijkheden (zie bv mijn PizzAI Presentation 22-02-2024),  dus nu ook. Daarom ben ik aan de slag gegaan met de combinatie van OpenCode met Qwen3.6:35b-A3B op de NOLAI Ollama-server.
Uitdaging: op basis van 1 prompt een werkende interactieve pagina met zelftest laten genereren van een willekeurige YouTube-video.

Hoe dat eruit ziet? Nou zo:

De vier voorbeelden doen al vermoeden dat het inmiddels werkt, maar het ging niet vanzelf. En de reden daarvoor is het samenspel van model, context en harnas waar ik in de titel naar verwijs. Dan sla ik “hardware” even over,  maar die is ook relevant.

Terminologie

Om te voorkomen van 90% nu afhaakt, heel kort even wat terminologie. Zoals je wellicht weet is generatieve AI niet 1 ding. Als jij bv naar chatgpt.com gaat of naar gemini.google.com dan maak je gebruik van een combinatie van componenten. Je logt in bij de webapplicatie (het harnas) die gebruik maakt van een bepaald LLM-model (bv GPT 5.5 of Claude Sonnet 4.7 of Gemini 3.1 Pro) om bepaalde functionaliteit te bieden. OpenCode is een voorbeeld van een ander harnas, net zoals Claude Desktop, Claude CLI, OpenClaw etc.
Die modellen zijn closed source (zoals die van OpenAI, Anthropic, Google) of open source (zoals bijvoorbeeld Qwen3.6) en kunnen ergens in de cloud draaien op een combinatie van stevige hardware, thuis op een hardwerkende desktop met 1 GPU of zoals bij NOLAI op een cluster dat krachtiger is dan wat ik thuis heb staan, maar verbleekt bij de infrastructuur die bedrijven als Google en Anthropic hebben.

Vaak zul je ‘gewoon’ gebruiker zijn en een door één leverancier aangeboden combinatie van lagen gebruiken (de lijntjes in de afbeelding hiernaast kloppen overigens niet allemaal, maar het ging om de illustratie van de lagen). In andere gevallen, zoals ik gedaan heb afgelopen week, kies je je combinatie van lagen bewust.

Laatste term die handig is om te kennen is Agent Skills. Bedacht door Anthropic, inmiddels door veel partijen geadopteerd. Zijn eigenlijk gewoon tekstbestandjes in Markdown formaat die de agent vertellen hoe een bepaalde taak aan te pakken. Bijvoorbeeld “hoe maak je een interactieve pagina op basis van de url van een YouTube video?”

Waarom kiezen?

Een belangrijke reden om bewust te willen kiezen voor een eigen combinatie van lagen is privacy. Als ik een document in ChatGPT upload dan deel ik dat met OpenAI, het bedrijf achter ChatGPT. Afhankelijk van de inhoud van het document kan zijn dat ik dat niet wil (bv omdat het privé-informatie is ) of dat ik dat niet mag (omdat het interne informatie van de HAN of NOLAI is of omdat het studentinformatie bevat). Dan helpt het als het LLM-model op hardware draait die lokaal is (dus gewoon bij mij thuis) of bij de organisatie zelf (zoals bij NOLAI die haar eigen testserver heeft). Dan weet je 100% zeker dat de data niet ergens in de cloud terecht komt.
Keerzijde is, zo heb ik ook deze week geconstateerd dat die modellen en hardware ook nu nog lang niet altijd er in slaagt om opdrachten uit te voeren waarvoor met name de modellen van Anthropic glansrijk slagen.
De keuze voor een ‘harnas’ (de toepassing waar het model in draait) heeft weer gevolgen voor wat een model daadwerkelijk kan doen of niet. Als ik in de browser bij AI-Studio vraag om een HTML-pagina te maken dan krijg ik de HTML-code die ik dan in een bestand moet opslaan om te kunnen openen. Kan best met 1 bestand. Maar in het voorbeeld van Zotero wil ik dat informatie ín Zotero zelf wordt aangepast. Ook dat kan vanuit de browser, maar is soms wat omslachtiger. Met bv Claude CLI open ik een projectmap en start daar de client en voer opdrachten uit. Dat maakt het geheel enerzijds krachtig, maar ook eenvoudiger te overzien als het gaat om de vraag waar de AI toegang toe heeft.
En als het overzichtelijkheid gaat, dan laat Claude Desktop op dit moment wel zien dat je als bedrijf perfecte LLM-modellen kunt maken, maar toch een zooitje kunt maken van het harnas dat je aan je gebruikers aanbiedt. De afbeelding van een Raspberry Pi in de infographic is er omdat Gemini dacht dat ik het daar over had, maar ik het het over het Pi Harness. Als je meer wilt weten over OpenClaw kijk dan zeker even naar de video van Hanna Fry. Maar dat is iets voor een andere keer.

Samenvattend

Dus toen ik zei: “de combinatie van OpenCode met Qwen3.6:35b-A3B op de NOLAI Ollama-server”, had ik het qua hardware over de Ollama-server van NOLAI (okay, dat is hardware + software – maar de ‘onderste’ laag dus),  qua model over het open source Qwen3.6:35b-A3B model dat daarop draait en over OpenCode als harnas van de agent.

…om het toch nog even ingewikkeld te maken….OpenCode is een harnas dat een versie voor de Mac, Linux en Windows heeft. Op Windows kun je het gewoon op Windows installeren, als webserver zodat je in de browser kunt werken én op WSL2 (het Linux subsystem op Windows) draaien. Dat laatste wordt geadviseerd op de OpenCode website, maar blijkt in de praktijk voor heel wat uitdagingen te kunnen zorgen. Zo ‘spraken’ de client op WSL2 en Zotero op Windows initieel niet met elkaar. Daar stond tegenover dat het installeren en gebruiken van een aantal van de ondersteunende toepassingen op WSL2 een stuk gemakkelijker was dan op Windows. Kortom, beide oplossingen hadden zo hun voordelen en nadelen.

Een aantal ervaringen in de vorm van voorbeelden

Ik zal het toelichten aan de hand van een aantal screenshots, die op mijn verzoek door Qwen3.6 zelf ook van toelichting voorzien zijn (de cursieve omschrijving). Klik even op de afbeelding​ voor een grotere versie.

	Qwen3.6 aarzelt tussen meerdere benaderingen voor het genereren van VTT-ondertitelfiles in plaats van direct te handelen. Qwen 3.6 twijfelt veel en vaak. En dat is soms best onhandig als je wilt dat hij een bepaalde serie van stappen achter elkaar zet en dat dan altijd op dezelfde manier doet. Dat is heel complex. Andere modellen (zoals die van Anthropic) zijn daar veel beter in, maar niet allemaal. Google Gemini 3 Flash bijvoorbeeld is wat dat betreft een ramp. Die doet vaak maar wat.
	Gebruiker reageert boos op AI die de fout afschuift op een Chrome-extensie; AI onderkent later dat het een YT Player API-probleem was. Haha, mooie beschrijving. Ja, dat kwam ook wel voor met Qwen 3.6 tijdens de eerdere versies van het ontwikkelen van de Skill. In dit geval werd de video niet getoond. Als ik dan een screenshot van de foutmeldingen in de browser toonde, dan zat daar ook een melding tussen van de plugin die reclames in de YouTube video’s probeert te skippen. De oplossing (versie van de pagina) die door Claude Code gemaakt werd had daar geen problemen mee. Dus ik wist dat het wel kon ook zonder de plugin te de-activeren. De versie die Qwen 3.6 maakte had er in het begin wel problemen. Maar Qwen wilde dan nog wel eens het probleem bij mij neerleggen. Zelfs terwijl ik het model in de projectmap 2 voorbeelden van uitwerkingen had gegeven met de juiste code.
	AI merkt op dat de NL-vertaling per ongeluk is gewist tijdens het opruimen van temp-bestanden, zodat NL VTT nu dezelfde Engelse tekst bevat. Soms vroeg ik me af wat het model gedronken had, want dan sloegen antwoorden echt nergens op. Zoals hier waar de blije conclusie was dat het probleem opgelost was, en oh ja, de agent had de tijdelijke bestanden van de vertaling naar het Nederlands verwijderd voordat de vertaling af was en nu maar gewoon de Engelse ondertiteling over de Nederlandse heen geschreven. Was niet erg toch?
	Qwen3.6 twijfelt of het 3 of 4 subagents parallel mag starten, neigt toch naar 4 ondanks de richtlijn om max 3 te gebruiken. Soms was het model juist weer heel streng voor zichzelf. In de instructies stond dat er niet meer dan 3 subagents tegelijkertijd opgestart mochten worden. Ik had gevraagd om de volgende 4 items te verwerken. Maar mocht dat wel?
	Subagent verwerkt Zotero-item BM8WQLLVH succesvol: titel, samenvatting van scoping review over AI in medische studie, tag toegevoegd. Hier zie je hoe dat dan in de main agent eruit kon zien. Bovenin bij “General Task….” de aanroep voor de subagent, dan de terugrapportage en omdat ik gevraagd had 1 item te verwerken, stopte de verwerking daarna.
	AI bevestigt dat de pipeline volledig werkt op Windows zonder WSL2, met notitie dat subagent efficiënter was dan verwacht (~54 seconden). De oorspronkelijke pipeline was ontwikkeld op WSL2, dan zijn de paden naar bestanden en mappen anders én heb je andere Python modules. Het proces was er daarnaast best traag, dus was ook het taalmodel positief verrast toen het op Windows een stuk sneller ging.
	Gebruiker schrijft in hoofdletters dat AI een subagent had moeten gebruiken in plaats van de commando’s direct uit te voeren. Gevalletje van “AI probeert zelf na te denken” waarbij OpenCode besloten had dat hij helemaal geen subagent nodig had voor 1 item terwijl ik dat juist deed om te testen of hij ook bij 50 items subagents zou gebruiken.
	Subagent verwerkt T2RPAA75 in 10 minuten 56 seconden met 6 toolcalls; AI merkt op dat hij had moeten stoppen na één item, zoals gevraagd. Dit was er eentje die ik niet helemaal opgelost kreeg. De subagent was zelf 4,5 minuut bezig, maar het complete proces was ruim 6 minuten langer bezig. Veel overhead dus.
	AI beschrijft de juiste subagent-workflow voor het verwerken van Zotero-items: –dry run, markdown lezen, samenvatting schrijven, volledige pipeline. Als OpenCode gebruikt maakte van subagents, dan was het cruciaal dat de juiste instructies werden doorgestuurd. Zo’n subagent had namelijk de rest van de context niet. Alles kwam van die opstartinstructie. Als dat goed ging dan was dat eigenlijk heel erg mooi.
	Claude Sonnet 4.5 plant het kopiëren van README.md, VTT-files en een PDF naar de pakketstructuur, met 27.236 tokens verbruikt. Zoals gezegd zit je bij OpenCode niet vast aan 1 provider. Hier had ik het project voor de YouTube-video’s geopend in OpenCode, via Github Copilot gekoppeld, daar Claude Sonnet 4.5 gekozen en de opdrachten die voor Qwen 3.6 een uitdaging waren, werden razendsnel en zonder aarzelen uitgevoerd. Gewoon met 1 opdracht een interactieve webpagina, met quiz en (uitbreiding) een pdf met een samenvatting. Mooi voorbeeld van hoe harnas, model, context en infrastructuur goed samenwerken.
	VS Code met create_summary.py script en Claude Code-chat die plant 3 Zotero-items parallel te verwerken volgens de les uit de vorige sessie. Je kunt OpenCode (wat je ziet is anders dan het taalmodel dacht namelijk niet Claude Code) ook in Visual Studio Code (VSCode) draaien. Dan heb je dus het ene harnas in het andere. Handig als je bijvoorbeeld werkt aan tekstdocumenten of als je gemakkelijk ook visueel overzicht wilt houden over de code. Dat werkt in zoiets als VSCode dan toch net weer wat prettiger. Zeker ook als je een combinatie wilt houden van dingen die jij zelf doet en waar je de agent bij inzet.

Conclusies

Ha, je bent tot hieronder gekomen. Super. Dat toch wat conclusies (n=1, tijdperiode=2 weken) op een rij voor de ervaringen tot nu toe:

AI is meer dan wat je in de browser kunt doen

Als je beeld van AI nog is ChatGPT of zelfs “Custom GPTs” in de browser, realiseer je dan dat een deel van de wereld inmiddels al een paar stappen verder is. De manier waarop ik hier nu agents gebruik is nog heel braaf. Claude Desktop biedt een onderdeel Cowork met de mogelijkheid om scheduled tasks te gebruiken. Dus dat bepaalde opdrachten voor je agent (die in het geval van Claude Cowork, als jij daar toestemming voor geeft, ook je mails, je agenda en de documenten die je in de cloud hebt staan kan benaderen) ook uitgevoerd kunnen worden als jij niet achter je computer zit. Open source alternatieven zoals OpenClaw en Agent Zero kunnen dat ook.

Optimalisatie van alle onderdelen is noodzakelijk

Er wordt best veel op Anthropic gemopperd online. Voornamelijk omdat veel mensen steeds weer tegen de grenzen van wat ze mogen met hun abonnement van €23,- per maand. En ook mensen die tegen de grenzen van het 100 of 200 dollar account aanlopen. Deels moet het bedrijf wel, ik schreef al eerder over het piepen en kraken van het onderliggende businessmodel. En dat ging zeker niet alleen over Anthropic. Maar een belangrijke reden om toch te blijven voor veel mensen is dat het bedrijf veel van de onderdelen aanbiedt in een best okay combinatie. De manier waarop de modellen instructies opvolgen of antwoorden geven is gewoon prettiger en beter. Probeer maar eens bronnen te zoeken met een APA7-verwijzing erbij op claude.ai versus ChatGPT of Gemini. De kans is groot dat je daar wél bestaande literatuur retour krijgt terwijl de anderen nog steeds heftig hallucineren op zo’n vraag. Het bedrijf probeert als een gek om sneller de gewenste features op de markt te krijgen dan concurrenten OpenAI (die ze qua theoretische marktwaarde ingehaald lijken te hebben) en Google (die ze uiteraard nog lang niet ingehaald hebben).

Ervaren gebruikers willen niet zo’n “gericht op de gemiddelde gebruiker” oplossing en stellen hun eigen combinatie van onderdelen samen. Dat zal ongetwijfeld een minderheid blijven die dat doet. Simpelweg al omdat het complex is en de meeste mensen daar gewoon geen trek in hebben. Of ook gewoon de kennis niet.

Open Source modellen zijn nu nog een principiële keuze

Een open source harness zoals OpenCode gebruiken is gemakkelijk. Open source modellen zijn nog wat meer een principiële keuze. In de meeste gevallen is de hardware waar die modellen op draaien dusdanig minder krachtig dat ook als het model zelf heel erg goed is, de resultaten simpelweg nog lang niet.

Gelukkig is het ook niet persé een kwestie van of het ene of het andere. Tenminste, in een ideale situatie niet. Zo heb ik meer dan eens Claude Code om hulp gevraagd bij het verbeteren van de setup voor OpenCode. Als het ging om optimalisatie van de skills en prompts. Het eerste werkende voorbeeld van de interactieve YouTube-pagina kwam van Claude Code en is daarna doorvertaald naar OpenCode die er in combinatie met Qwen3.6 meestal prima mee overweg kon (mits de video niet té lang was).

This not the end

Dit bericht is een “stand van zaken op 5 mei 2026”. Afhankelijk van hoe ver in de toekomst je dit leest (weken, maanden) zal de werkelijke situatie weer gewijzigd zijn. Helaas zitten we nog wel even in de periode dat grafische kaarten en geheugen belachelijk duur zijn omdat de hele wereld datacentra voor AI aan het bouwen is. Maar de ontwikkelingen rond open source modellen is stevig ondanks al dat geweld. De Asian Boss-video legt uit waarom we daar deels ook China voor te danken hebben. Maar Gemma 4 van Google is een voorbeeld van hoe ook een groot bedrijf meerdere lijnen volgt als het gaat om haar strategie op dit vlak. Zie bijvoorbeeld deze video van Ali Salam waarin dat haarfijn uitgelegd wordt.

Je kunt ook wel concluderen dat op dit moment de interactive video skill in OpenCode er eentje is die ik zelf in ieder geval een absolute toevoeging vindt als het gaat om de hulpmiddelen die ik ter beschikking heb om iets uit te leggen. En zoals het hoort (vind ik) staat die skill natuurlijk ook netjes ingepakt op Github zodat jij er ook gebruik van kunt maken als je wilt. De skill voor het maken van samenvattingen met Zotero is daar ook aan toegevoegd. Ontworpen initieel in OpenCode, verbeterd met behulp van Claude Code (maar nog steeds voor OpenCode), daarna toegevoegd aan de repository met behulp van Google Antigravity.

Cognitive offloading is niet altijd een slecht ding. Ja, als je je werkstuk door ChatGPT laat maken is dat onverstandig. Maar in toenemende mate merk ik dat ik met behulp van AI dingen aan het doen ben die ik zónder helemaal nooit gedaan zou hebben. Omdat het te complex was, te veel werk, te veel stappen. En dan is cognitive offloading heel nuttig. Nou dit bericht plaatsen en er een samenvatting van laten maken. Voor iedereen die geen tijd heeft om dit helemaal te lezen.

Gewoon omdat het een logisch uitgangspunt is. Vanaf de derde keer en vaker wordt iets herhaling en als je dan echt hetzelfde doet is het zonde van de tijd en energie (een hele waslijst uitzonderingen daar gelaten van dingen die je gewoon doet omdat ze leuk zijn, voldoening geven etc).

En soms ook gewoon omdat de “oude” manier van dingen doen lang niet altijd werkt.
Zo ook vandaag toen ik op zoek was naar een oplossing om YouTube video’s hier op het weblog niet automatisch te laten laden (dus de embed niet meteen aanmaken) maar om net als in de e-learning die ik aangemaakt had eerst een afbeelding te laten zien en pas na klikken de player te embedden. Het voordeel daarvan is dat er nog geen YouTube cookies geplaatst worden en een afbeelding laden is ‘lichter’ dan een hele player die mogelijk niet gebruikt wordt.

Zoeken naar een plugin

Uiteraard (?) ging ik eerst op zoek naar een WordPress plugin. Ik zeg uiteraard omdat dat de manier is waarop ik dit soort problemen altijd aanpakte. Maar ik heb daar pagina na pagina met plugins doorgebladerd in de hoop eentje te vinden die beschreef wat ik wilde hebben, maar ik kwam er geen tegen. En sowieso leek het me niet handig om een plugin te installeren die veronderstelde dat ik alle shortcodes voor de YouTube video’s zou moeten aanpassen. Want dat zijn er simpelweg te veel.

Claude.ai

Optie 2 was claude.ai (gewoon de gratis versie is al voldoende) en de vraag/prompt: Ik heb heel veel WordPress blogposts met YouTube links erin (zie screenshot). Op dit moment worden ze tijdens tonen meteen in een embed omgezet. Nou wil ik dat eigenlijk liever niet, in plaats daarvan zou ik willen dat er zoiets getoond wordt als bij de 2e screenshot waarbij de gebruiker de thumbnail van YT ziet, een link-optie om de video extern te bekijken en pas bij klikken de embed (inclusief start afspelen) daadwerkelijk geladen wordt. Een aparte plugin waarbij ik dan een shortcode moet gebruiken is niet handig vanwege de grote installed base. Wat kan ik doen?

Je kunt het hele gesprek en de antwoorden hier nalezen, de afbeeldingen worden niet getoond, die zie je niet hierboven.

Zoals je kunt zien, komt Claude meteen met een antwoord, uitleg en code. Ik heb de map en het bestand aangemaakt, de code ingeplakt, cache van de site leeggemaakt en het werkte gewoon. Nou ja, nog niet perfect, de lay-out zag er nog niet 100% zo uit als ik zou willen, dus nog even screenshot gemaakt, vervolgvraag gesteld en de wijzigingen in de code doorgevoerd.

Daarom vibecode ik!

Ik bouw geen applicaties waar ik geld mee ga verdienen, ik offload niet al mijn denkwerk, ik maak ruimte voor denkwerk of ruimte voor privétijd. Ik los uitdagingen of problemen op die me anders meer tijd zouden kosten, of waar ik gewoon niet aan toe zou komen. En probeer ondertussen te leren hoe ik dat veilig doe (en niet bv een block van LinkedIn krijg omdat een AI-tool namens mij de site aan het scrapen was zonder me te realiseren dat dat niet mag), zodat ik dat ook weer aan anderen kan leren.

Ik zag een bericht op Linkedin over AI in het onderwijs. Het triggerde wat, ik vond het onzin (=emotie), dacht er wat langer over na, vond toen dat de redenering niet klopte (=inhoud). Wilde reageren, realiseerde me dat de auteur een bepaald publiek had, bedacht me dat ik dat ik de reactie dan natuurlijk wel ook goed moest formuleren. Claude Sonnet 4.6 is goed in het sparren over zulke formuleringen, dus legde ik een paar formuleringen voor, afwegingen waarom ik delen van het betoog wel of niet vond kloppen. En vroeg uiteindelijk om een inschatting van de complete reactie die ik wilde plaatsen.

Claude begon positief:

Dat is een sterke reactie. Helder, eerlijk, en niet aanvallend.

Maar (er kwamen veel meer details over de inhoud van de reactie die ik hier niet ga delen), ook:

Het grote probleem voor jouw reactie: de LinkedIn-dynamiek.

en nadat ik het hele oorspronkelijke bericht met Claude gedeeld had:

[…] is geen uitnodiging tot gesprek. Hij speelt voor een publiek en heeft zich alvast ingedekt tegen kritiek. Wie hem tegenspreekt, is automatisch de naïeveling die de praktijk niet kent.

Jouw reactie is inhoudelijk sterk, maar op LinkedIn kan die overkomen als precies de “beleidsdenker met mooie woorden” die hij al heeft weggezet.

Waarop mijn conclusie was dat ik voor een zaterdagochtend het komen tot een antwoord eigenlijk veel belangrijker vond dan het daadwerkelijk plaatsen ervan. En Claude (zie de screenshot hierboven) was het daarmee eens.

Ik begrijp dat er meerdere kanten aan zitten. Je zou kunnen stellen dat ik me nou onttrek aan het gesprek uit angst voor de reacties. Het tegenargument is dat het waarschijnlijk veel beter zou zijn als mensen op Linkedin, Facebook en andere sociale media niet altijd datgene schrijven wat ze initieel vinden. De inschatting dat de auteur van het bericht waar ik op wilde reageren waarschijnlijk helemaal niet zit te wachten op een gesprek is er eentje waar ik me namelijk heel wat bij kan voorstellen. En dan heeft die reactie daar ook geen nut.

Hoe dan ook, heel wat bijgeleerd op een zaterdagochtend. En dat is altijd winst!

p.s. een gesprek is hier zeker wél mogelijk, ook als ik het met je oneens ben, zolang we het over inhoud hebben zou ik zeggen: laat je horen!

p.p.s. ik lees na het posten van deze blogpost in een ander bericht op Linkedin dat ik me eigenlijk heel erg moet schamen dat ik niet met pen en papier mijn blogposts maak. Want AI gebruiken bij het schrijven leidt tot ‘slob’ en inhoudsloze verzinsels. Zucht. Een wereld waar het leven lekker binair, goed-slecht is. Gelukkig dat dat blijkbaar alleen op Linkedin zo is en niet in de werkelijkheid. Ik ga even offline in de rij staan met iedereen die Paasboodschappen aan het doen is.

Het is eigenlijk een belachelijke hoeveelheid werk, want het onderwerp is super veranderlijk en vanzelfsprekend is het bijwerken niet iets waar de opleiding me uren voor vrijmaakt, dit doe ik in de avonduren, in het weekend, zoals elke docent.

En waarom dan toch? Nou, omdat het ook voor mezelf een enorm behulpzame activiteit is. Mijn hoofd vindt het namelijk geen enkel probleem dat het vakgebied enorm complex is. In mijn hoofd (zo stel ik me even voor) liggen er ook kriskras allemaal verbindingen tussen onderwerpen, op verschillende niveaus, met veel en minder detail. Prima allemaal voor mij. Maar niet voor 99% van de mensen waar ik mee in aanraking kom. Waarvan ik het juist heel relevant vind dat ze dit leren, hier over nadenken, ermee aan de slag kunnen (privé of in hun eigen organisatie).

Daarom moet ik proberen er structuur in aan te brengen. En daar helpt de online module ook bij. Dit jaar was dat complexer dan ooit, de iteratie van de module die nu (3-4–2026) online staat is omvangrijker dan ooit. En dus ook met een nog groter risico dat hij er uit gaat zien als de inhoud van mijn hoofd. In plaats van een gestructureerd verhaal dat de lezer meeneemt in de interessante wereld van AI in het onderwijs.

Dus laat het vooral weten in de reacties hieronder: Heb jij er wat aan? Wat leer je ervan? Verdwaal je? Zet het je aan het denken? Wat zou er in de 2027-versie moeten/kunnen?

Je kunt de module hier online bekijken en de bronbestanden via github downloaden.

Blok 1, 16.00 – 16.45 uur l AI in de praktijk en op school : wat is de invloed van AI op het leerproces?

• Felienne Hermans (hoogleraar Informatica-didactiek en informaticadocent, Vrije Universiteit Amsterdam)
• Nadira Saab (hoogleraar Onderwijswetenschappen, Universiteit Leiden)
• Barend Last (leraar en auteur)
• Emily Jacometti (medeoprichter (co-founder) van HackShield Future Cyber Heroes)

Blok 2, 16.45 – 17.30 uur l Big Tech en het onderwijs: moet Big Tech buiten de deur worden gehouden en zo ja, hoe?

• Inge Molenaar (hoogleraar Onderwijs en AI en wetenschappelijk directeur Nationaal Onderwijs Lab AI, Radboud Universiteit)
• Guido de Moor (senior onderzoeker en adviseur Dialogic)
• Paul Zevenbergen (voorzitter Sivon)
• Gerdinand Bosch (programmaregisseur Npuls)

Blok 3, 17.30 – 18.15 uur l Sturing op AI in het onderwijs: wie is er verantwoordelijk voor goed gebruik van AI?  

• Larissa Zegveld (algemeen directeur Kennisnet)
• Tijmen Smit (lid College van Bestuur Kalsbeek College)
• Annet Dries (vicevoorzitter PO-Raad)
• Erika van Lier (vertegenwoordiger Vereniging Digitale Onderwijs Dienstverleners)

Lees je dit bericht op 1 april, je kunt live meekijken en luisteren.
De deelnemers krijgen de vraag om vooraf een position paper in te dienen, die staan hier online.

Volgende week zie ik de studenten van de HAN Master Ontwerpen Van Eigentijds Leren (MOVEL) voor een uitgebreide les over AI in het onderwijs. Mede ook voor hen, besloot ik de beschikbare informatie op twee manieren te ontsluiten:

De ene route is die waarbij ze zelf de diepte in gaan, de 11 position papers lezen en voor zichzelf op een rijtje zetten wat de deelnemers vinden.

De andere route is het voorbewerkte pad dat NotebookLM biedt. Ik heb de 11 position papers daarin toegevoegd en een aantal producten laten genereren: een infographic, een audio-debat, een presentatie, een video, een tabel met verschillen en overeenkomsten tussen de deelnemers, een visie-samenvatting.

Doel van de twee opties is het gesprek met hun als aanstaande masterdocenten (niet alleen uit het funderend onderwijs, maar het vraagstuk is universeel). Want het zal je niet verbazen dat de lijn van de agency van docenten, het zorgen dat ze stuurkracht hebben, digitaal geletterd zijn, weten hoe ze digitale technologie (en AI) optimaal kunnen benutten ook een van mijn uitgangspunten is. En ja, daar moet je de benodigde ondersteuning bij bieden, in infrastructuur, in professionalisering, in organisatie van het onderwijs, in de vorm van keuze voor technologieën die veilig en verantwoord zijn.

Voor de duidelijkheid: de samenvattingen zijn die van NotebookLM, gemaakt door AI (door taalmodellen). Daar kunnen nuances die de auteurs voor ogen hadden in verloren gaan. Soms zitten daar zaken in waarvan ook ik denk “huh, dat had ik zo zelf niet uit de stukken gehaald”. Het blijft een fundamenteel discussiepunt bij deze werkwijze: 95% leest als heel logisch, er zit 4-5% onjuistheid in, is dat meer/minder dan wanneer een mens dat gedaan had? Zorgt dat ervoor dat je de hele boodschap wantrouwt? Is het geen probleem? Moet je het daarom per definitie niet doen?

En ook: zo’n rondetafelgesprek is mooi, het brengt visies en opinies bij elkaar. Het is gewoon heel belangrijk om inhoudelijke gesprekken en discussies over onderwerpen te blijven voeren juist ook als er verschillen van inzichten zijn. Ik kan de livestream zelf niet volgen vanmiddag, maar als je de kans hebt zou ik het zeker doen.

[update] de opname (2 uur) van het gesprek is hier te bekijken/beluisteren.

Klik om af te spelen

Bekijk op YouTube

Ik kijk geen live-tv, en standaard al zeker geen afleveringen van Lubach. Maar soms heeft hij rake items, de vorige over de AI bubbel was er zo een, en deze over AI in het onderwijs ook. Zijn team heeft goed uitzoekwerk gedaan, veel van de deelitems had ik afgelopen tijd al eens voorbij zien komen, inclusief de ongelukkige opmerking van paar van van mijn collega’s en het verhaal is tamelijk compleet:

Het wordt gewoon al gebruikt

In het primair onderwijs al en daarna wordt het gebruik in het voortgezet onderwijs en later alleen maar meer. Een aantal van de clips die ze daarvoor gebruiken zijn overigens al wat ouder (eind 2022, begin 2023), het is ook niet alsof het gisteren opeens allemaal fout was, maar 3,5 jaar tijd is ook weer niet echt kort.

Worstelende docenten

Zijn plaatje over worstelende docenten zou zo uit een van mijn eerdere presentaties genomen kunnen zijn. Daar laat ik ook vaak zien dat het onderwijs er “opeens” veel moeite mee heeft. Het was wat flauw hoe hij de docenten die wel voor de camera aan het woord komen neerzet, die mensen worden voor een item gevraagd wat te zeggen, zijn niet zo welbespraakt als dat Lubach zelf is.

Goed dat hij de wapenwedloop tussen studenten en docenten laat zien. Ook standaard onderdeel van mijn boodschap: zinloos!

Dat een diploma inmiddels niets meer waard is, is een veel te kort door de bocht uitspraak, maar ja, die stond in de krant en dus ook nu weer bij Lubach.

Offloading

Het stukje wetenschap was wat kort voor nuances. Ja, onderzoek laat zien dat het uitbesteden van schrijfwerk aan AI de hersenen minder stimuleert. De vergelijking met Google Maps versus kaartlezen in de auto, denk ook maar aan de mensen die een fietskelder inrijden of onlangs een vrachtauto die zich klem reed op een fietsbrug, omdat de navigatie dat zegt, laten zien wat praktische risico’s kunnen zijn. Dat is erger dan niet meer weten hoe een passer werkt!

Het “sneller klaar” voorbeeld maakt wel ook meteen duidelijk dat het geen eenvoudige opdracht wordt, want lang niet alle leerlingen/studenten hebben altijd die intrinsieke motivatie van de leerlingen in het clipje. Ook niet altijd de luxe van de keuze tussen “even lekker leren” of snel klaar. Dat ik het filmpje van Lubach op mijn gemak kan bekijken, er een blogpost over kan schrijven op een zaterdagochtend, is omdat ik niet hoef te werken vandaag en geen andere activiteiten heb die persé eerst moeten.

En wetenschap laat ook zien dat AI in het onderwijs, indien goed toegepast, meerwaarde heeft.

Denkschool Slim Fit

De parodie van de denkschool Slim Fit is flauw, maar waardevol in dit geval. Je kunt er op rekenen dat er dit soort aanbieders gaan komen. Ook in het onderwijs gaan we straks de “hier leer je nog echt zelf nadenken zonder AI” scholen krijgen.

Maar…

Wat ik nu mis is de call to action. Daar waagt ook Lubach zich niet aan. Nee, dat past dan weer niet in 3 zinnen of 10 seconden. En dat is dan wel weer een beetje jammer. Want uit zichzelf komt ons onderwijs namelijk niet snel in beweging. Bij crisis vallen we eerder terug op oud en vertrouwd. Dus ook dit filmpje gaat er niet zomaar voor zorgen dat een school zegt “wij gaan nu (vandaag/morgen) kijken wat leerlingen *echt* nog moeten weten en hoe we onderwijs zo inrichten dat ze alleen dat doen wat wij denken dat zinvol is om hen optimaal voor te bereiden voor een toekomst waarbij ze voldoende inhoudelijke kennis hebben, metacognitieve vaardigheden én ze digitaal (AI) geletterd zijn” met daarachter dan “en dan zorgen wij ook wel dat we het aan de inspectie, ouders en werkveld kunnen uitleggen“.
Want dat is wel wat nodig is. AI is geen mobieltje dat je straks kunt gaan verbieden op school omdat aangetoond is dat het schadelijk is voor leerlingen. Vergeet die “oplossing” maar alvast.

** Zal ik dit keer nog maar eens expliciet benadrukken dat alle berichten op dit weblog op persoonlijke titel geschreven worden? Dan bij deze.

Klik om af te spelen

Bekijk op YouTube

“Bioscoopbezoekers komen in opstand tegen AI-film” was de kop die nu.nl koos naar aanleiding van een bericht in de Volkskrant. En ze waren zeker niet de enige die erover schreven.

Het verhaal is eigenlijk gewoon heel sneu. De korte animatiefilm was blijkbaar vorige maand gekozen als winnaar van het net opgerichte Frame Forward Animated AI Film Festival. Igor Alferov maakte de korte video met (o.a.) Gemini 3.1 en Nano Banana Pro en won. De prijs zou zijn dat zijn film 2 weken lang in bioscopen in de VS te zien zou zijn. Maar vanwege het protest online en van kijkers heeft de keten die daar aan zou meewerken zich genoodzaakt gezien dat toch niet te doen. Sneu voor Igor, want ik kan me helemaal voorstellen dat het voor hem gewoon super mooi was geweest.

Natuurlijk mag je van alles vinden van het principe van het met AI maken van films/video. Dat het technisch kan is wat mij betreft al heel bijzonder. Dat dit er niet automatisch voor zorgt dat de resultaten leuk zijn, iedereen aanspreken, dat laat deze winnende clip ook zien. Want je kunt heb wel nog gewoon op YouTube bekijken. En ja, hij is best wel erg. Vind ik dan. Maar mijn mening doet er gelukkig wat dat betreft niet toe. Dat is persoonlijke smaak. En er zijn genoeg dingen die ik wel mooi vind waar andere mensen op hun beurt weer van gruwelen (neem ik aan).

Maar om dit nou te koppelen aan het gegeven dat voor deze clip gebruik gemaakt van AI is net zo kortzichtig als al die “No CGI” onzin die zich tegen het gebruik van visual effects in films richt (en waar de filmmakers soms keihard in meegaan en keihard over liegen).
Dan krijgen we straks dus “No AI is really just UNVISIBLE AI” voor films?

Nou ja, dan zorg ik er maar gewoon voor dat de video online wat meer views krijgt. Want ondanks de ophef valt dat nog tegen. Maar wees gewaarschuwd: het is niet veel.

Achter elk gratis AI-account of abonnement van twintig euro per maand schuilen enorme datacenters, GPU-clusters en stijgende energiekosten. De ogenschijnlijk steeds strenger wordende quota en limieten laten zien dat de rekensom nog niet vanzelf klopt. De vraag is daarom niet alleen welke prijsstrategie het best past, maar ook of dit economisch en maatschappelijk houdbaar is. Grote spelers als Microsoft en Google kunnen verliezen tijdelijk absorberen dankzij hun winsten elders, maar voor pure AI-bedrijven tikt de klok harder. Ondertussen leren bedrijven ons gedrag aan dat efficiëntie ondermijnt, zoals elke simpele zoekvraag door een zwaar taalmodel jagen in plaats van structurele oplossingen bouwen. Hoe houdbaar is dat? Ik greep terug naar Philip Kotler om te kijken of die hier uitleg bij kon geven.

Het lange verhaal

Als je enthousiast aan de slag gaat met zaken als Google Nano Banana, Antigravity, maar ook het betaalde Claude Code of simpelweg een gratis ChatGPT-account, dan krijg je er vanzelf mee te maken: quota’s en limieten. De bedrijven stellen grenzen aan het aantal vragen dat je kunt stellen, afbeeldingen die je kunt maken, modellen die je kunt gebruiken.

Logisch toch ook? Je krijgt waar je voor betaald. Dat de vraag Wat kost iets? Of: Wat zou het moeten kosten? niet altijd hetzelfde is, was al bekend ruim voordat deze AI-veldslag van start ging. En of het nou over een kopje koffie gaat (daar betaal je niet overal en altijd hetzelfde voor) of een stochastische papagaai, bedrijven maken daar om verschillende redenen verschillende keuzes in. Ik moest meteen weer terugdenken aan de marketinglessen in Tilburg aan de universiteit en aan Philip Kotler. Hij kwam indertijd (in eerste instantie) met een matrix van 9 keuzes, gebaseerd op kwaliteit en prijs. De keuze hing er vanaf. Wilde je eerst je ontwikkelkosten terugverdienen, wat het een heel concurrerende markt waar je je plekje in moest zien te vinden, ging je voor winstmaximalisatie of juist omzetmaximalisatie (bv omdat de vaste kosten heel hoog zijn en je veel omzet nodig hebt om winst te maken).

Er staat een “kennisdocument” online bij studeersnel.nl waarin een student een uitgebreide samenvatting geeft, mocht je nog nooit van prijsstrategieën gehoord hebben. Uiteraard heeft de site ook een chatbot die je kunt gebruiken en ik vroeg:
Geef een compact overzicht (tabel) van de pricing strategieën en wanneer je die voor een AI-product zou toepassen.

Dit is het resultaat:

Ik vind die derde kolom waarbij het taalmodel een poging gedaan heeft om er een AI-gerelateerde beoordeling aan te hangen wel grappig. Met name de “Moet worden vermeden” uitspraken. Ik weet niet helemaal of het hier een advies richting een leverancier of juist richting een klant betreft.

Wat je op dit moment ziet, is dat de grote spelers (OpenAI, Antropic, Google, Microsoft) en daaromheen een veelvoud aan andere aanbieders die diensten gebaseerd op de verschillende modellen aanbieden. Want AI is niet alleen B2C (business to consumer) maar uiteraard is het meeste geld te verdienen via B2B (business to business).

Wat vindt AI van prijsmodellen?

Natuurlijk heb ik ook AI ingeschakeld om te kijken in hoeverre mijn gevoel te onderbouwen was. Ik weet het, discutabel als je serieus onderzoeker bent, maar dit is een blogpost bij het ontbijt op maandagochtend, geen serieuze wetenschappelijke publicatie.

Ik zal zo laten zien waar Google Gemini (Plus-account) mee kwam. ChatGPT 5.2 kwam met een heel goed leesbaar verhaal. Je kunt het hier als pdf downloaden en bekijken. Disclaimer: ik heb niet elke link voor wat betreft bronnen voor omzet, kosten etc. gevolgd, voor mij was het voldoende dat de grote lijn van het verhaal aansloot bij en aanvulde op wat ik wist en dacht.

De stroomschema’s in de pdf zien er wat complex uit, ChatGPT laat ze in de webinterface wel netjes als afbeelding zien, in de export naar pdf komt de technische structuur alleen mee. Hierboven zie je wat ChatGPT zelf na een prompt “converteer naar afbeelding” deed met de eerste.
Twee opmerkingen uit de ChatGPT-analyse die ik hier wil uitlichten:
De [Kotler-] categorieën zijn historisch product‑/marktgericht. Cloud‑ en SaaS‑literatuur laat zien dat digitale diensten in de praktijk vaak juist worden geprijsd als variabele kostenmodellen met veel opties (pay‑as‑you‑go, reserveringen, etc.)

Met andere woorden: het gaat hier al helemaal niet om een kopje koffie, maar om een wirwar van verschillende diensten die je kunt afnemen waarbij het enerzijds lijkt alsof je heel veel maatwerk hebt, maar anderzijds ook nooit weet of je bij je huidige aanbieder te veel betaald.
Dat blijkt ook wel uit het tweede citaat dat ik wil aanhalen:
Kernobservatie: hoewel “$ per 1M tokens” een ogenschijnlijk uniforme meeteenheid is, blijken de échte strategische verschillen te zitten in (i) welke tokens worden geteld (raw vs billed, cached vs non‑cached), (ii) hoe prijs verandert met contextlengte en latency‑eisen, en (iii) hoe sterk abonnementen/credits/capaciteitsreserveringen de marginale prijs dempen of juist escaleren

En waar het mij vooral om ging, de reden waarom ik aan deze blogpost begonnen ben, is dit:

Die paar minuten van Google, duren inmiddels al meer dan een half uur. En niet op een gratis account, maar een Plus-account. En voor Antigravity vind je online heel veel verontwaardigde berichten. Want ook daar lijkt Google zwaar last te hebben van zijn eigen succes.

Google heeft de tokenlimieten en de tijd die je moet wachten voordat deze weer aangevuld worden de afgelopen tijd van enkele uren moeten oprekken naar enkele dagen. Ook hier zowel voor gratis als voor betaalde accounts, en zo te lezen dus ook voor mensen die bv al een jaar vooruit betaald hadden voor een betaald account onder de veronderstelling dat de limiet die op dat moment golden ook voor het hele jaar zouden blijven gelden (niet dus). En geloof me, Gemini 3 Flash wil je niet gebruiken om dingen te programmeren. Die werkt prima als je gewoon wat vragen wilt stellen, maar als je code wilt debuggen dan wordt je er helemaal gek van.

Wie valt er het eerst om?

Dat is een goede vraag waar ikzelf nog geen antwoord op heb. Microsoft en Google niet. Met een winst van zo’n 30 miljard dollar per jaar hebben ze wel wat speelruimte. Voor OpenAI en Antropic met een *omzet* van zo’n 10-15 miljard dollar per jaar maar voor beiden nog geen geregistreerde jaarwinst, tikt de klok wat harder. Als dan je kostprijs per eenheid hoger ligt dan de opbrengsten, weet je dat je het lek in ieder geval nog niet boven hebt.

Google heeft een vreselijke reputatie als het gaat om het in de markt gooien van nieuwe producten, er dan slecht voor zorgen en ze daarna dan ook weer de nek omdraaien. Dus wat dat betreft past het er ook allemaal wel een beetje bij. Maar ik kan me toch bijna ook niet voorstellen dat Sundar Pichai hier nu echt zo blij mee is.

En hoe duurzaam is dit?

Ik wil het toch even aangestipt hebben. Traditioneel gaan bedrijven in een winner takes all markt over lijken. Toen Zalando een voet tussen de deur probeerde te krijgen als het ging om online verkoop van kleding, gingen ze uit van gratis verzenden en terugsturen. Dat is iets wat je niet oneindig lang vol kunt houden. Maar het leert consumenten heel slechte eigenschappen aan. Het versturen van fysieke producten kost gewoon geld. En terugsturen kost meer dan nóg een keer verzendkosten, want of een product dan ooit nog een keer verkocht kan worden hangt van een heleboel dingen af. En anders gaat het op de afvalberg.

Bij AI zie je vergelijkbare dingen gebeuren. Bedrijven bouwen massaal datacentra, kopen alle geheugen en processingcapaciteit in die geproduceerd kan worden om aan de enorm groeiende vraag te voldoen. Als consument betalen we “gewoon” voor AI: vaak 20 euro (excl. BTW) of 200 euro per maand. Het eerste kost zoveel als een maand Netflix, het tweede betaal je waarschijnlijk alleen als je er zelf ook weer geld mee verdiend. Maar de daadwerkelijke kosten zijn hoger. Als ik ChatGPT een vraag stel die Google ook zonder AI-modus had kunnen beantwoorden, dan ben ik niet kostenefficiënt bezig. Voor mij maakt het wellicht niks uit, maar de ene zoekopdracht kost meer verwerkingskracht dan de andere.
Als ik “lui” ben en AI een complexe applicatie voor me laat installeren en dat dan meteen gebruik om feedback naar de ontwikkelaars te sturen, dan is dat wellicht nog te verantwoorden op de langere termijn? Maar voor andere zaken is het vaak handiger om AI één keer (bv) een Pythonscript te laten ontwikkelen en dat voortaan te laten draaien ipv elke keer een taalmodel het wiel opnieuw te laten uitvinden. Maar dan moet je wel weten hoe je ervoor zorgt dat dat gedaan wordt. With great power en zo.

Goed, genoeg geprocrastineerd op de maandagochtend. Tijd voor wat echt handmatig denkwerk. En dan in de auto naar mijn werk (sorry, 60km enkele reis is te ver met de fiets, geen zelfrijdende auto en geen goed aansluitend OV). Er is nog winst te behalen.

Nou heb ik wel eens applicaties vanaf github aan de praat gekregen, maar deze leek me op basis van de README niet meteen eentje die heel gemakkelijk uitzag. Er moest een environment geïnstalleerd worden en dan kon je kiezen uit trainen of runnen. Maar inmiddels, na een week of twee gebruik van Google Antigravity, ben ik luier aan het worden. In plaats van zelf gaan puzzelen maakte ik een map ngt-spellen-demo aan, opende die map in Antigravity en gaf de opdracht: kloon deze repository: https://github.com/NOLAI/NGT-spellen-demo en installeer de app in een venv.

Het ging niet vanzelf, de eerste installatie lukte niet meteen, Antigravity sloeg aan het debuggen, maar ik hoefde uiteindelijk niet meer te doen dan een aantal keren het runnen van commando’s goed te keuren en uiteindelijk opende de app, de app opende mijn webcam, ik typte mijn naam in als test en hij deed het gewoon.
Nadat ik een screenshot gemaakt had als “bewijs” dat ik de app aan het draaien had, vroeg ik aan Antigravity: Mooi! Maak een uitgebreid rapport voor de ontwikkelaar in INSTALL-REPORT.md met de stappen die je allemaal hebt moeten nemen om de repository aan de praat te krijgen. Het resultaat was een net overzicht van wat er aan de hand was, de gevolgen van mijn net wat andere Pythonversie en hoe dat op te lossen.
Ik dacht “dan gaan we er helemaal voor” en vroeg: Is het ook mogelijk om de app in te pakken naar een executable zodat deze op Windows werkt zonder deze hele installatie?.
Dat bleek mogelijk, maar wat ingewikkelder, na een poging of 3-4 kwam er een .exe bestand uit dat compleet met submap in totaal 372MB groot was. Niet schokkend tegen moderne maatstaven én dit was inclusief het model dat Raf getraind had om de handgebaren te herkennen. Best okay dus.
Tot slot vroeg ik nog om de .md te converteren naar .pdf en het resultaat kun je hier bekijken/downloaden (pdf).

Leuk, zowel de ervaring met Antigravity, die soms heel erg tegenvalt en nu heel erg positief uitviel, als de app zelf. Geen API-keys of bestaande accounts nodig, het werkt gewoon.

Op zichzelf niet zo verrassend, ook het onderzoek van iXperium laat zien dat het percentage docenten dat gebruik maakt van AI veel groter is dan het percentage dat zichzelf competent voelt voor wat betreft het gebruik ervan. Bij het interpreteren van de resultaten van dit onderzoek is belangrijk om te bedenken dat het rapport is geschreven door Coursera, dat zelf AI-producten verkoopt. En er ligt de nodige nadruk op Coursera-tools en partners. De Methodology sectie vertelt dat de sample bestaat uit 4.261 docenten aan universiteiten (professoren, docenten en seminar-/discussieleiders) en universiteitsstudenten (18+) in het Verenigd Koninkrijk (VK), de Verenigde Staten van Amerika (VS), India, Mexico en Saoedi-Arabië. De gegevens werden verzameld tussen 15 en 23 oktober 2025 met behulp van een online enquête. Er wordt geen inzicht gegeven in hoe de steekproef opgebouwd is, de verdeling over de landen, hoe representatief de data is voor deze groepen. Een online survey bevat de mogelijkheid van bias door self-selection, zelfrapportage van gebruik van technologie door studenten is lang niet altijd betrouwbaar (lees: komt niet altijd met de realiteit overeen). En er wordt geen/nauwelijks uitsplitsing gemaakt naar meningen per vakgebied.

Los daarvan gaat het om een grote groep respondenten uit vijf landen, dus hoe dan ook interessant om naar te kijken. Uit de resultaten blijkt dat 95% al AI‑tools gebruikt in studie of werk. De houding is opvallend positief: 81% ziet AI als een verbetering van het onderwijs, en 80% van de studenten zegt betere cijfers te halen dankzij AI. Toch groeit tegelijk de behoefte aan duidelijke kaders en verantwoord gebruik.
Studenten en docenten noemen vier grote voordelen:

• Gepersonaliseerd leren: AI legt uit, herhaalt en past zich aan het niveau van de student aan.
• Hogere productiviteit: van literatuuronderzoek tot lesplanning, AI versnelt veel taken.
• Betere ondersteuning: 24/7 hulp via chatbots en assistenten.
• Directe feedback: AI geeft snelle, concrete aanwijzingen om werk te verbeteren.

Studenten gebruiken AI vooral voor onderzoek, schrijven, oefentoetsen en tijdmanagement. Docenten zetten het in voor lesvoorbereiding, beoordeling en communicatie.
Naast enthousiasme zijn er duidelijke zorgen. 37% vreest dat AI menselijke interactie verdringt. Evenveel respondenten maken zich zorgen over fraude en plagiaat, zeker omdat één op de vier studenten toegeeft weleens AI‑werk zonder vermelding te hebben ingeleverd. Ook privacy en de impact op kritisch denken komen terug als aandachtspunten.
Ook hier lopen de instellingen achter op het daadwerkelijk gebruik: slechts 26% heeft een formeel AI‑beleid en maar 28% integreert AI‑geletterdheid in het curriculum.

Het rapport geeft aanbevelingen voor drie richtingen:

• Investeer in AI‑geletterdheid voor studenten én docenten.
• Ontwikkel helder beleid rond gebruik, disclosure, privacy en integriteit.
• Zorg voor gelijke toegang tot AI‑tools en ondersteunende infrastructuur.

Daarnaast benadrukt het rapport het belang van onderzoek naar de impact van AI op leren, kritisch denken en vaardigheden. En uiteraard kan Coursera bij al die richtingen helpen.
Al met al dus nog genoeg vragen naar aanleiding van dit rapport. Mij lijkt dat het echt noodzakelijk is om ook op andere manieren dan met een vragenlijst het gebruik van AI en de gevolgen ervan te meten. Anders krijgen we teveel wenselijke antwoorden. En zo’n rapport in opdracht van een commerciële leverancier zonder stevige verantwoording van de aanpak blijft problematisch.

Ik zocht op Google Maps het gebouw op om in dit bericht goed te beschrijven wat je ziet. Bleek op Google Streetview een foto te staan van 2025 toen het gebouw helemaal in de steigers stond en er nog flink aan gewerkt werd. Je ziet de screenshot hier bij het bericht. Ik had hem willen toevoegen aan het bericht als een “maar gelukkig weet AI hier nog niet iets van te maken”. En dat klopt. Gelukkig gaat hier ook nog de regel op dat Gemini geen enkele mogelijkheid heeft om te bepalen wat er achter zat en dus moet raden. Dat levert een plaatje op dat realistisch uitziet (als je niet weet hoe het gebouw er echt uitziet), maar voor geen meter klopt. En dat lijkt toch een beetje het terugkerend thema te zijn/blijven met AI…zouden we ooit een situatie krijgen waarbij Gemini dan zegt “oh wacht, dit is een foto die daar en daar gemaakt is, dan weet ik dat dit en dit gebouw er zo en zo uitziet…” of is dat allemaal te positief gedacht?

Probleem 1: Het facsimile-probleem

Taalmodellen zijn ontworpen als next-token voorspellers. Dat betekent dat correcte antwoorden niet noodzakelijk voortkomen uit een intern redeneerproces dat structureel lijkt op menselijke redenering. Een model kan patronen reproduceren, betrouwbaar klinkende redeneringen genereren en ook redeneerstappen simuleren zonder bewijs dat de onderliggende mechanismen daadwerkelijk morele afwegingen representeren.
Daarom pleiten de auteurs voor adversarial testing: scenario’s die lijken op bekende morele casussen, maar waarin de normatieve structuur subtiel verandert. Zulke tests kunnen blootleggen of een model abstraheert of slechts herkent.

Probleem 2: Morele multidimensionaliteit + model-brittleness

Menselijke morele oordelen zijn contextgevoelig en afhankelijk van veel factoren tegelijk: principes, gevolgen, intenties, sociale rollen, maar ook irrelevante invloeden. Taalmodellen voegen daar een extra complicatie aan toe: “brittleness” (sorry, weet geen goede vertaling). Het betekent dat kleine wijzigingen in prompts (formulering, volgorde, labels, vraagtype) kunnen leiden tot andere morele conclusies, inconsistentie of soms zelfs tegengestelde antwoorden. Dit maakt traditionele goed/fout-evaluaties ontoereikend.
De voorgestelde oplossing van de auteurs is om parametrische evaluaties te gebruiken en te werken met acceptabele antwoord-ranges in plaats van binaire scores.

Probleem 3: Moreel pluralisme op wereldschaal

Er bestaat geen universeel moreel kader. Normen verschillen per cultuur, domein en waardensysteem. Van mensen verwachten we interne consistentie. Voor wereldwijd gebruikte AI-systemen is de eis anders: modellen moeten kunnen functioneren binnen meerdere legitieme morele kaders.
De publicatie introduceert daarom twee sleutelconcepten:

• Overton pluralism: meerdere redelijke antwoorden expliciteren
• Steerable pluralism: modelgedrag conditioneren op perspectief of waarden

Kernboodschap

De kernboodschap van het artikel is dat de vraag of een model werkelijk moreel redeneert een nieuw type benchmarks vereist.

Maar…

Dit gaat nog steeds uit van de veronderstelling dat het wellicht mogelijk is, dat het echt kan, dus niet uit van de aanname dat het taalmodellen zijn en simpelweg never nooit niet in staat zullen worden om echt moreel te redeneren.  Want als dát je startpunt is, dan is dit hele onderzoek onzin en verspilling van middelen. Dan is de vraag namelijk niet hebben we wel de juiste meetinstrumenten om dat robuust te testen?

Het Ecosysteem

Ik wilde NotebookLM vragen om te helpen bij het schematisch in beeld brengen van de verschillende begrippen en tools. Dat lukte (ook nu) gedeeltelijk. Grappig is dat er zo te zien in de documentatie die gevonden werd wel (deels op basis van mijn prompt) openClaw en Moltbook voorbij kwamen,  Antigravity niet bij de professionele IDE’s staat en AI-studio bij Consumenten tools naast ChatGPT.

Hoe dan ook, de afbeelding helpt wel, ook al is er hier en daar wat op af te dingen. Laten we linksboven starten. Veel mensen kennen generatieve AI als iets waarbij je naar een website gaat (bv chatgpt.com), een prompt intypt en dan een antwoord, afbeelding of zelf video retour krijgt. Agentic AI gaat een stap verder en voert ook (proactief) taken uit, bijvoorbeeld het aanpassen van bestanden, beantwoorden van mails etc. Of dat proactief is of niet hangt een beetje af van de context. Binnen Claude Code, VSCode of Antigravity zal dat hoe dan ook alleen zijn als jouw computer/laptop/Macbook aan staat en de agent op de achtergrond kan draaien. Als je openClaw op een systeem hebt draaien, dan is dat een voorbeeld van een agent die dus wél 24/7 actief is en dan acties uit kan voeren.

Model Context Protocol (MCP)

Die agent, of dat nu openClaw is of gewoon Antigravity waar je een commando geeft, maakt vaak verbinding met andere servers. In mijn geval bijvoorbeeld met mijn N8N server op het lokale netwerk, of Home Assistent (andere server). Maar je kunt je voorstellen dat het ook om bijvoorbeeld toegang tot een WhatsApp of Signal server is, een databaseserver etc.

Veel van die servers hebben wel een API, een interface waarmee je er programmatisch tegen kunt praten, maar het zou heel onhandig zijn als je in elke agent, of elke prompt moet gaan uitleggen hoe de agent daar verbinding mee kan maken. MCP is een manier om dat op te lossen. Als je de agent vertelt waar de MCP server te vinden is dan is het protocol (de manier waarmee de agent met de MCP server praat) hetzelfde en dan kan de agent dus met al die verschillende servers en diensten praten.

Een voorbeeld van zo’n MCP-server is de N8N-MPC-Server die je hier kunt vinden.

Agent Skills

Waar de MCP server de universele toegang regelt tot bijvoorbeeld N8N, is het ook handig als de agent weet *hoe* die het beste (bv) N8N workflows aan kan maken, een README bestand kan formuleren, een Worddocument maakt, je mails schrijft, etc.
Die informatie leg je vast in Skills voor de agent. Om bij het N8N voorbeeld te blijven, hier kun je een uitgebreide Skills-beschrijving vinden. Je kunt ook je eigen Skills maken, er is uiteraard ook een Skill voor het maken van Skills zodat je je agent kunt vragen een Skill voor je te maken.

Skills zijn ook handig als je bijvoorbeeld documentatie of huisstijlregels beschikbaar wilt maken aan agents. Die worden geladen op het moment dat ze nodig zijn en niet elke keer bij het starten van de agent.

Agent2Agent Protocol (A2A)

Het stukje A2A in het schema was het moeilijkste om zelf te testen. Ik had geen zin om openClaw op een los systeem te installeren (die maakt gebruik van A2A), in N8N speelt het niet (is ook geen agent in de zin van dit netwerk), in Antigravity ook niet. Deze gratis online training van deeplearning.ai is goed als je comfortabel bent met het gebruik van Python en Jupyterlabs, niet persé beginners dus. De deeplearning.ai cursus is gratis te volgen, als je de afsluitende quiz wilt doen en een certificaat wilt krijgen moet je een abonnement nemen. Dat heb ik niet gedaan.

Ik kan de structuur en denkwijze volgen, maar op basis hiervan verwacht ik niet snel zelf A2A Servers of Clients te hebben draaien. Maar wellicht wel een veiligere versie van openClaw tzt.

The Good, the bad and the ugly

Goed, na die veel te lange les over Agents, MCP, Skills en A2A, wat was er dan goed of minder goed voor wat mijn ervaringen met Antigravity betrof? Met de beperking dan dat ik dus geen zelfstandige agents had draaien die A2A gebruikten.

Gratis kent grenzen

Het is zeker geen kritiek op Google, maar er zitten grenzen aan het gebruik van de verschillende modellen binnen Antigravity als je gebruik maakt van de gratis optie.

Daar kwam ik, na mijn eerste enthousiaste gebruik al snel achter en daarmee waren Claude Sonnet 4.5 en 4.6 voor de rest van de week niet meer toegankelijk en werd ik teruggezet naar Gemini 3 Pro en Flash. Die horen ook niet slecht te zijn, maar de antwoorden zijn toch minder gestructureerd, duidelijk en volledig als je aan het programmeren bent. Of dat voelt slechts zo. Dat kan natuurlijk ook.

N8N versus Antigravity

In tegenstelling tot wat op YouTube wel beweerd wordt, is Antigravity voor mij zeker geen vervanger van N8N. De reden hiervoor is dat mijn desktop/laptop niet altijd aan staat en er workflows zijn die ik ’s nachts wil laten draaien zoals het dagelijks updaten van verbruiksdata of het periodiek controleren of er nieuwe literatuuraanbevelingen via de mail zijn binnengekomen. Deze YouTuber (Jono Catliff) vertelt in een half uur hoe je dat wat je in N8N doet ook in Antigravity voor elkaar kunt krijgen. Als het niet meteen werkt, dan is dat niet erg zegt hij, dat is gewoon een kwestie van uitproberen. Nou, dat is wat kort door de bocht wat mij betreft.

Klik om af te spelen

Bekijk op YouTube

Veel trial and error

Ik heb, na de eerste initiële test, de afgelopen dagen een paar andere projecten geprobeerd in Antigravity (maar dan dus niet met de Claude modellen):

Gaslicht prijsvergelijker

Van het eerste, uitgebreide, project kan ik de code niet openbaar delen. En wel om de simpele reden dat ik niet 100% weet in hoeverre deze binnen de gebruiksvoorwaarden van Gaslicht.com valt. Maar goed, beschrijven wat de app doet kan ik wel.
Ik stap jaarlijks over naar een nieuwe aanbieder voor gas en electra. Ik neem een jaarcontract met vaste prijzen omdat ik redelijk risico-avers ben maar de welkombonussen die je op het moment weer krijgt zorgen er per definitie voor dat blijven bij mijn huidige aanbieder meer geld kost. Heel dom marktmechanisme, maar ik heb het niet verzonnen.
Afgelopen jaar was vergelijken al tamelijk ingewikkeld vanwege de terugleverboete die nu alle energieleveranciers hanteren als je stroom terug levert aan het net. Belachelijk dat ze het mogelijk, feitelijk heeft de regering zo toegestaan dat zij verdienen van de investering die particulieren doen. Maar goed, ook dit is niet anders. Sommige aanbieders hanteren (ook in 2026) staffels met boetes per range van teruglevering, anderen hanteren een vast bedrag per kWh. Dit jaar wordt het nog wat ingewikkelder omdat per 1-1-2027 het salderen volledig ophoudt te bestaan. De terugleverboete blijft overigens in de meeste gevallen gewoon, maar het bedrag dat je per teruggeleverde kWh krijgt is zo laag dat terugleveren eigenlijk simpelweg niks meer oplevert. De leveranciers die in mijn vergelijking naar voren kwamen zitten heel slim wel net boven de nul, zodat ook onze regering kan volhouden dat groene energie opwekken “geen geld kost” (haha). Mijn contract loopt tot juni 2026, dus ben ik op zoek naar een nieuw jaarcontract dat deels in 2026 en deels in 2027.

Deze blogpost is niet bedoeld als rant richting dit hele systeem, ik wilde kijken of ik met Antigravity in staat was om automatisch prijzen te vergelijken in 2 scenario’s. De kans bestaat namelijk ook dat we in de loop van 2026 een warmtepomp laten installeren. Dan zou ons verbruik in kWh vanzelfsprekend stijgen ten opzichte van afgelopen jaar en het aantal m3 gas zou dan dalen. Met andere woorden, het zou ook voor kunnen komen dat in het ene scenario een andere aanbieder het voordeligst is en in het tweede scenario een andere (spoiler: dat is ook zo).

Ik wilde de app zo “eerlijk” mogelijk houden. En dat was idd wel meteen een voordeel van het gebruik van Antigravity boven bijvoorbeeld AI Studio. Antigravity is in staat om code te schrijven die een browservenster opent, naar de Gaslicht.com website te gaan, die ziet een normale browser, schiet dus ook niet in bot/AI-beveiliging, voert daar de gegevens in die ik in een input.md bestandje gezet heb, kijkt dan naar de resultaten, haalt de data uit de pagina en slaat die lokaal op. Dat gaat uiteraard niet in één keer goed, maar hier kun je samen met de tool aan de slag en debuggen. De tool installeert Playwright, op het moment dat ik vroeg of de output ook als pdf beschikbaar kon komen werd netjes Markdown to PDF geïnstalleerd etc.

Wat zeker niet vanzelf ging was het begrijpen van de informatie op de pagina’s van Gaslicht.com. Daar had Antigravity (eigenlijk een beetje verrassend) nog best veel moeite mee. En dan ging het bijvoorbeeld om zaken als het herkennen dat sommige aanbieders staffels hanteren voor de terugleverboete en anderen een bedrag per kWh. Dat dat na 1-1-2027 bij iedereen anders is, dat sommige aanbieders nog niet de prijzen op dat vlak voor 2027 bekend gemaakt hebben aan Gaslicht.com etc.

Wat ik daarbij nu deed was aan ChatGPT (5.2 betaalde versie) advies vragen voor prompts die ik dan aan Antigravity kon geven. En ik liet ChatGPT de ruwe data + overkoepelend rapport analyseren en beoordelen om te ontdekken waar mogelijke fouten in de berekeningen van Antigravity zaten en dan op basis daarvan weer nieuwe prompts genereren. Ik speelde hier dus de Agent2Agent broker die ze met elkaar in gesprek liet gaan. Ik snap dat het idd handiger was als ik 2 agents had die autonoom zo een aantal iteraties zouden kunnen doorlopen.

N8N workflows voor Home Assistant

Door zowel de MCP-server voor Home Assistant als de MCP-server voor N8N te installeren, kun je complexe zaken voor elkaar krijgen. Want je kunt Antigravity vragen om een N8N workflow te maken die bv de status van Zigbee apparaten in Home Assistant opvraagt.

Uiteindelijk werkte het, maar niet met dank aan Antigravity want die bleef in cirkeltjes ronddraaien met het maken van de workflow omdat de tool waarschijnlijk niet echt kon overzien hoe groot de Home Assistant installatie was, steeds weer probeerde om *alle* objecten op te halen waarop de workflow geen foutmelding gaf maar gewoon bleef hangen.
Of het op te lossen was geweest met betere Skills? Ik weet het niet. Maar duidelijk is dat workflows vaker tot zo’n 80% komen. Ook een andere workflow die ik liet maken was het net niet helemaal. Dus het blijft zelf nadenken en snappen wat er gebeurt (of moet gebeuren).

Hulp bij gebruik github en releases

Waar de AI in Antigravity zeker ook deze week in uitblonk was het gegeven dat github opeens een stuk gemakkelijker was om te gebruiken. Natuurlijk, ik kan daar prima via de commando-prompt mee overweg, maar nu was het een kwestie van vragen of  er een github repository aangemaakt kon worden, het geheel toegevoegd, zelf het produceren van een release werd stap voor stap ondersteund.

En daarbij schitterde sowieso het maken van Readme bestanden, die noem ik daarom even als apart item:

Readme’s genereren

Er zal niemand zijn die het documenteren van code leuk vindt. Ik ook niet. Toen ik de nieuwe github repository aan liet maken, maakt Antigravity ook als vanzelf een Readme erbij aan.  En dus vroeg ik of dat ook kon voor een aantal van de zaken die ik al op github had staan. En dat kon!

• Readme bij de n8n workflows (nieuw en bestaand)
• Gegenereerde uitleg over de n8n workflow over de Energie Update
• Readme’s bij alle AI-studio-projecten (met verwijzingen naar blogposts waar beschikbaar)

En dat vragen om documentatie voor zaken die gedaan zijn, werkt prima. Ik had een workflow laten maken van de Gaslicht app en daarna gevraagd om de info over die workflow ook aan de github repository toe te voegen. En dan komt er dus een mooi md-bestand met instructies voor later gebruik.

Samenvattend

Wauw, je bent er nog?
Het was een wat lange blogpost om heel veel dingen van de afgelopen dagen even vast te leggen. Nee, nog geen tijd gewonnen deze week met AI. De blogpost laat ook wel zien dat het gewoon nog heel wat kennis en vaardigheden vraagt om e.e.a. aan de praat te krijgen en te houden. Geen Samantha dus ook hier nog.

Maar, deze combinatie maakte de belofte echt meer dan waar. En ik moet bekennen dat ik niet 100% zeker weet waar het aan gelegen heeft: was het Antigravity, was het Claude Opus 4.6 (thinking) in plaats van Claude Opus 4.5 gisteren, was het de toevoeging van de Skills? De combinatie?

Die N8N Skills wist Antigravity eerst niet wat mee te doen:

Toen verwees ik hem naar de skills pagina bij Antigravity self: Check https://antigravity.google/docs/skills. Het resultaat was dat Antigravity constateerde dat de skills wel binnen zijn omgeving zouden werken, hij beschreef hoe installatie werkte en stelde voor dat voor mij te doen met een keuze voor A) installatie centraal (had de voorkeur) of B) alleen voor deze workspace (of C – ergens anders). Na een keuze voor A werd ik stap voor stap door het downloaden en installeren geleidt. Klaar.
Daarop vroeg ik Can you help me install https://github.com/modelcontextprotocol/servers/tree/main/src/sequentialthinking?

Jazeker kon dat. Na het invullen van de credentials in de config voor de MCP-server kon ik met mijn N8N server aan de slag:

Antigravity kende de workflow die ik met veel moeite en VSCode gemaakt had niet, dus gaf ik het een beetje info en 4 issues die ik aangepast wilde hebben:

Claude Opus ging aan de slag en kwam eerst met een analyse en implementatieplan voor de wijzigingen.

Ik zag dat het voorstel om ontbrekende metadata voor de artikelen te vinden bestond uit het ophalen van info bij semanticscholar.org. Ik wilde dat even uitproberen en kreeg meteen een “Too Many Requests…” fout. Dat was feedback die ik gaf en daarop besloot de bot om OpenAlex te gebruiken in plaats daarvan. Nadat de wijzigingen waren doorgevoerd, kreeg ik een Walkthrough van de aanpassingen in de vorm van een uitgebreide rapportage met uitleg:

Je hoeft die uitleg niet persé te lezen, maar het is wel handig en leerzaam. Maar minstens zo belangrijk: de workflow werkte daarna zonder fouten.
Ik ga niet de hele sessie hier in tekst uitschrijven, er zaten een paar artikelen tussen waarbij ook via OpenAlex niet te ontdekken was uit welk jaar ze kwamen, daar werden alternatieve oplossingen voor gecodeerd (én toegelicht), op het einde heb ik hem met één vraag de hoofdletters van de titels laten aanpassen:

Ook hier, duidelijk uitleg, voorbeelden van wat je mag verwachten, goede afhandeling van afkortingen, dit is tijdwinst. Dit is herleidbaar code aanpassen. Indrukwekkend.

Natuurlijk staat ook deze workflow op Github.

Volgende stap…. Home Assistant MCP?
Jammer dat er (nog) geen Xerte Online Toolkist MCP server is.