Waarom AI implementatie pas werkt als het je context kent: Ons ‘Second Brain’

Iedereen speelt met AI Implementatie. We laten ChatGPT mailtjes herschrijven of Midjourney plaatjes genereren. Leuk voor de vrijdagmiddagborrel, maar business-technisch vaak ‘Innovation Waste’. Het levert zelden structurele waarde op.

Waarom? Omdat de AI jouw bedrijf niet kent.

Bij Troop Digital hanteren we een AI-first strategie. Niet omdat het hip is, maar omdat we geloven in efficiëntie. Als ik een uur besteed aan het zoeken naar documenten, kan ik dat uur niet besteden aan strategie voor mijn klant. Daarom hebben we een ‘Second Brain’ gebouwd. Een systeem dat niet alleen slim is, maar ook ons begrijpt.

Het probleem dat ik bij veel corporate organisaties zie, is data-isolatie. Je projectdetails staan in Notion of Jira. Je klantafspraken staan in e-mail threads. Je presentaties en financiële kaders staan in Google Drive.

Als je een standaard AI-tool vraagt: “Schrijf een offerte voor Klant X”, krijg je een generiek verhaal. De AI weet niet wat er vorige week besproken is, kent de historie van het vorige project niet en weet niet wat de specifieke tone-of-voice is die wij bij deze klant hanteren. Het resultaat is een matige tekst die je alsnog volledig moet herschrijven. Dat is geen winst, dat is bezigheidstherapie.

Wij pakken dit anders aan. Wij brengen de silo’s samen in één centraal zenuwstelsel. De kern hiervan is verrassend simpel: Markdown (MD) files in GitHub.

Geen zware, logge databases, maar platte tekstbestanden die leesbaar zijn voor zowel mens als machine. In deze MD-files documenteren we alles. Onze werkwijze, projectkaders en klantprofielen. Omdat we werken met Google Workspace, koppelen we dit via Gemini direct aan onze live data (mail, drive, docs).

Dit is de technische vertaling van onze Strategic Adoption Design filosofie. We maken de techniek (Ease) dienstbaar aan de strategie (Fit). GitHub fungeert hier als het langetermijngeheugen, en Gemini als de processor die de verbindingen legt

Hoe ziet dit er in de praktijk uit? Stel, ik moet een offerte maken voor een bestaande relatie. Ik begin niet met een leeg scherm.

Ik geef onze AI-agent een instructie: “Stel een offerte op voor Klant X, gebaseerd op de e-mailconversatie van afgelopen dinsdag, met de tarieven uit onze standaard dienstverlening (GitHub) en de learnings uit hun vorige project (Notion).”

De AI zoekt de context bij elkaar. Hij ziet in de mail dat de klant bezorgd is over de timeline. Hij ziet in Notion dat we vorige keer iets uitliepen op design. Hij ziet in Drive onze huidige tarieven.

Het concept dat eruit rolt is 90% klaar. Het adresseert de zorgen van de klant en klopt cijfermatig. Ik hoef alleen nog de strategie te finetunen. Dit scheelt geen minuten, maar uren.

Betekent dit dat we alles blind automatiseren? Absoluut niet. Een systeem is zo goed als de data die je erin stopt. Als onze documentatie in GitHub veroudert, gaat de AI hallucineren.

Daarom houden we vast aan het Human-in-the-loop principe. We updaten onze Markdown files deels automatisch, maar er kijkt altijd een expert naar. Wij cureren onze eigen kennisbank. Zie het als tuinieren: je moet snoeien om het gezond te houden.

Een AI-first organisatie word je niet door een licentie op een tool te kopen. Je wordt het door je kennisstructuur op orde te brengen. Het gaat niet om de software, maar om de adoptie van een nieuwe werkwijze waarin documentatie en creatie hand in hand gaan.

Ons Second Brain zorgt ervoor dat wij ons niet druk hoeven te maken over randzaken, maar ons volledig kunnen focussen op waar we goed in zijn: digitale strategie en impact maken voor onze klanten.