🛠 Every geeft iedere medewerker een eigen AI-agent (Plus One)

Kernargument

Every (het media/softwarebedrijf van Dan Shipper) heeft iedere medewerker een persoonlijke AI-agent gegeven — een 'Plus One' — met eigen naam, baas en functieomschrijving. Dat creëert een soort parallelle organisatiestructuur waarin mens en agent samenwerken. Het werkt, maar dwingt iedereen om manager te worden van zijn eigen AI.

Sleutel-inzichten

• Plus Ones zijn getrainde assistenten per rol. Voorbeeld: R2-C2 rapporteert aan Dan en handelt bugreports + pull requests af voor Proof (hun collaboratieve document-editor). Vuistregel: als het om een bestaand proces/tool gaat → vraag de agent, niet de mens.
• Credibiliteit bouw je in het openbaar op. Austin (head of growth) laat zijn Plus One 'Montaigne' campagne-scorecards en YouTube keyword-analyses maken in de team-Slack. Collega's zien het werken → gaan zelf ook meer delegeren aan hun agent.
• Iedereen is nu manager. Je moet je agent onboarden, taken delegeren, output evalueren en feedback geven zodat fouten niet herhaald worden. Voor mensen zonder eerdere direct reports is dat een leercurve.
• Etiquette ontstaat al doende. Wanneer stuur je iets naar de mens vs. de agent? Wordt een agent een collega of een tool? Die vragen beantwoordt Every nu in real-time.
• Paywall-teasers: er wordt ook gesproken over wat er gebeurt als je een AI laat 'dromen', en een prompt om te gebruiken als je agent blijft praten in plaats van doen.

What to Build — Je eigen 'Plus One' voor Stooker

Wat: Een persoonlijke AI-agent met naam, duidelijke rol en toegang tot jouw tools (Supabase-data, Slack, inbox, roostering). Begin met één rol die echt pijn doet — bijvoorbeeld 'Ops Assistent' die voorraad/bestellingen monitort, of 'Growth Assistent' die wholesale-leads opvolgt.

Hoe:

1. Kies één concrete rol met 3-5 terugkerende taken (geen generieke 'AI assistent').
2. Schrijf een job description als systeem-prompt: wie rapporteert hij aan, wat zijn z'n verantwoordelijkheden, waar moet hij NIET aankomen.
3. Geef hem een naam zodat het team ernaar kan verwijzen in Slack ('vraag Bean').
4. Bouw in Next.js een simpele chat-interface die praat met Claude/GPT + tools via MCP (Model Context Protocol — Anthropic's standaard waarmee agents veilig met externe systemen zoals Supabase of Slack kunnen praten).
5. Laat 'm taken in het openbaar doen in een Slack-kanaal, zodat het team z'n capaciteiten ziet.

Web research: Kijk naar Claude Agent SDK, OpenAI's Agents SDK, en hoe Every's eigen 'OpenClaw' is opgebouwd (ze beschrijven het in eerdere Context Window-edities).

Analyse: De grootste valkuil is een agent met te vage scope. Every's trick: elke agent heeft een manager (mens) en een afgebakend domein. Dat maakt evalueren mogelijk.

Stappenplan:

• Week 1: kies de rol + schrijf job description. Test handmatig met Claude in de browser.
• Week 2: bouw minimale Next.js + Supabase interface, één tool-integratie (bijv. voorraad lezen).
• Week 3: zet 'm in een Slack-kanaal, laat team 'm publiekelijk gebruiken.
• Week 4: evalueer output, verfijn prompt, voeg tweede tool toe.

Praktisch voor Onno

Bij ~10 man is 'iedereen een agent' overkill, maar het idee van één goed-afgebakende Plus One per kernproces is gouden schaal voor jou. Denk: één agent die wholesale-mails triëert en concept-antwoorden maakt, één die de barista-roostering-vragen afhandelt, één die productie/voorraad-anomalieën spot in Supabase. Belangrijkste les uit Every: naam geven + publiek laten werken + iemand als manager aanwijzen. Zonder die drie wordt het weer een tool die niemand gebruikt.