🛠 Waarom AI-schrijven meer oordeel vraagt, niet minder

Hey Onno — korte Context Window deze week, maar er zit een interessante workflow in van Katie Parrott over hoe ze écht met AI schrijft. Niet 'prompt erin, tekst eruit', maar een heel proces met meerdere agents. Plus een stuk over AI-adoptie als people management ipv software-aankoop.

• Kernargument: Twee losse stukken. Eén: succesvol AI-schrijven vraagt méér oordeel, niet minder — je hebt een gelaagd proces nodig met meerdere AI-rollen. Twee: executives benaderen AI als software (evalueren, vergelijken, pluggen), maar het is eigenlijk people management — delegeren, output checken, oordeel toevoegen.

• Sleutel-inzichten:

  • Katie's workflow is niet één prompt maar een keten: een agent die háár eerst interviewt vóór ze begint, een discussie over structuur waar ze voor moet vechten (de AI duwt terug), een panel van AI-critici met personas (Hemingway, Hitchcock), en een finale check op 'AI-klinkende' zinnen.
  • De 'fight' met de AI over structuur is belangrijk — als je te snel akkoord gaat, krijg je middelmatigheid.
  • Voor leiders: AI-adoptie stokt niet op tooling maar op delegatie-skills. Als je niet kunt uitleggen wat goed werk is aan een mens, kun je het ook niet aan een model.
  • Personas geven AI-feedback meer bite dan 'geef kritiek op deze tekst' — je dwingt het model in een specifieke smaakrichting.

• What to Build — Multi-agent schrijf-pipeline à la Katie Parrott

  • Wat: Een vibe-coded tool (Next.js + Supabase) waarin jij een idee dropt en vervolgens door vier fases gaat: (1) interview-agent die je uitvraagt, (2) structuur-agent die terugduwt, (3) criticus-panel met personas, (4) AI-detector op de finale tekst.
  • Hoe: Elke fase is een Claude/GPT-call met een eigen system prompt. Sla tussenstappen op in Supabase zodat je een versie-historie hebt. UI kan simpel: chat per fase, 'volgende stap'-knop.
  • Web research: Zoek Katie Parrott's originele artikel op Working Overtime voor haar exacte prompts. Check ook of iemand dit al als open-source template heeft (GitHub: 'multi-agent writing pipeline').
  • Analyse: Voor Stooker-content (newsletter, blog over koffie-herkomst, B Corp-story) is dit goud. Jouw tone-of-voice is specifiek — een criticus-persona kan je eigen stem bewaken. Bijv. persona 'Onno-Stooker' die tegen marketing-taal en jargon duwt.
  • Stappenplan:
    1. Schrijf vier system prompts (interviewer, structuur-challenger, 2-3 critici met karakter, AI-detector).
    2. Bouw simpele Next.js-pagina met vier tabs/stappen, elk met een textarea en een 'run'-knop die naar Claude API gaat.
    3. Supabase-tabel drafts met kolommen voor elke fase-output.
    4. Test op een echte Stooker-newsletter: vergelijk output met je normale schrijfproces.
    5. Optioneel: voeg een 'stem-kalibratie' toe waarin je eerst 3 eigen teksten upload zodat critici je voice kennen.

• Praktisch voor Onno: Dit past precies bij hoe jij al werkt — vibe coding + AI in je dagelijkse flow. Bouw dit als een interne Stooker-tool voor alle content (newsletter, productteksten, B Corp-rapportage). Het 'fight voor je structuur'-idee is het belangrijkste inzicht: stop met te snel akkoord gaan met AI-output. En de executive-take is relevant als je binnen je team van ~10 AI breder wil inzetten — zie het niet als 'tool uitrollen' maar als 'leren delegeren aan een junior die snel maar oordeelloos is'.