Ik heb de .com-boom, cloud, mobiel en nu AI meegemaakt. Er is een reden waarom Gartner hun Hype Cycle-framework heeft gemaakt. Elke technologische golf volgt het: 1. Innovatie-trigger (iedereen is enthousiast) 2. Piekniveau van opgeblazen verwachtingen (de hype gaat door het dak) 3. Daling van de desillusie (de realiteit komt binnen, mensen haken af) 4. Hellingsgraad van verlichting (echte gebruiksgevallen komen naar voren) 5. Plateau van productiviteit (mainstream adoptie) Om dit te vermijden en de volgende fase te overwinnen, moet je gewoon de saaie middenfase van constante iteratie doorstaan totdat dingen stabiliseren. Neem AI-video nu. Mensen laten alle coole functies zien, maar het enige dat viraal gaat, is een aap die een TED-talk geeft. Ja, het kan ook worden gebruikt voor B-roll en hooks, maar volledig bruikbare advertentiecreaties genereren die op grote schaal presteren, is er nog niet. Ik denk aan AI in drie categorieën: 1. Overgewaardeerd 2. In het lab 3. Echt nuttig. AI-video zit ergens tussen overgewaardeerd en in het lab. Ondertussen leveren tekstgebaseerde workflows en beeldgeneratie al enorme waarde, maar ze zijn niet sexy genoeg voor de feed. We hebben tests gedaan met merken waar ze zwoeren dat AI geen producttexturen of fijne details kon verwerken. We hebben ze ongelijk bewezen met Nana Banana. Ik zou er eigenlijk voor betalen om de blikken op hun gezichten weer te zien toen ze zich realiseerden dat ze het verschil niet konden zien. En daar ligt de echte waarde. In de praktische toepassingen die al het werk van mensen gemakkelijker maken of creatieve tests sneller maken. Echte adoptie gebeurt op twee manieren: 1. Nadat de hype is gaan liggen en operators echte resultaten beginnen te behalen. 2. Wanneer bedrijven vroeg door de hype snijden om betekenisvolle waarde te leveren (en de ruis van anderen te arbitreren). Ik besteed liever mijn tijd in het midden. Testen, leren, itereren om door de hype heen te snijden. Niet achter te jagen wat deze week trending is op X.

Tinkeren heeft me een betere operator gemaakt dan welke conferentie of MBA ooit zou kunnen. Een paar maanden geleden was onze prestatieworkflow bij Raleon een zware klus. Onderzoek kostte uren. Analyse kostte nog langer. Hoeken, koppen, creatieve notities, spreadsheets, alles verspreid over tien tabbladen. Je zou één cyclus afronden en al weten dat je met de volgende moest beginnen. Dus op een weekend opende ik Claude uit frustratie en stelde mezelf een simpele vraag: Kan dit ding daadwerkelijk een deel van de werklast overnemen, of is het gewoon weer een trendy tool? Dus begon ik te rommelen met Claude Skills, en alles begon eindelijk op zijn plaats te vallen. Ik bouwde een klein team van agenten die precies het werk konden doen waar ik steeds onder bedolven raakte: • Eén bedenkt ideeën • Eén beoordeelt • Eén voorspelt prestaties Ik hoefde geen enkele regel code te schrijven om ze te bouwen. Het is in wezen een geautomatiseerd creatief team voor prestaties dat achter de schermen samenwerkt. Wat ik het leukst vond, is leren hoe deze agenten daadwerkelijk opereren zodra je ze een beetje duwt. Ik denk dat te veel oprichters nieuwsgierigheid uitbesteden, en dat is een enorme gemiste kans. Ze denken dat ze voorbij de fase zijn om hun handen vuil te maken, maar je begrijpt pas echt hoe deze agentensystemen zich gedragen als je zelf iets kapotmaakt en kijkt wat er daarna gebeurt. Op dit punt in mijn carrière hoef ik niet in het weekend met AI te rommelen. Maar dat doe ik nog steeds, omdat het me op de hoogte houdt van hoe de modellen zich gedragen terwijl ze in real-time evolueren.

Gemini 3 is mijn nieuwe dagelijkse driver. Maar heeft iemand anders opgemerkt dat ze veel van het conversatie-aspect zijn kwijtgeraakt? Het is veel meer: stuur een chat in, en wacht dan 60+ seconden op het resultaat.