AI is niet middelmatig: hoe je het gebruikt wel
In dit artikel:
Marketeers zetten AI steeds vaker in voor copy, campagnes, doelgroepanalyses en strategie, maar de uitkomst teleurstelt vaak: correct en bruikbaar, maar zelden onderscheidend. De gebruikelijke conclusie — dat AI overschat is — mist volgens het artikel de kern van het probleem. De beperking ligt niet primair bij het model, maar bij de manier waarop mensen AI aansturen.
Veel professionals gebruiken AI als een junior-collega: een korte briefing en de verwachting dat het systeem iets kant-en-klaars levert. Dat leidt vaak tot generieke output. Daniel Kahnemans onderscheid tussen Systeem 1 (snel, intuïtief) en Systeem 2 (langzamer, analytisch) helpt dit te verklaren: mensen versimpelen complexe vraagstukken zodra er te veel variabelen meespelen. Daarom hanteren marketeers doorgaans één of twee modellen tegelijk (bijv. Cialdini, Kahneman, Fogg), maar haken af zodra je meerdere gedragsframeworks (COM-B, SCARF e.d.) tegelijk probeert toe te passen.
AI heeft daarentegen kracht in het verwerken en combineren van veel factoren tegelijk — het is minder een ‘copywriter’ en meer een integratiemachine. Waar een mens realistisch gezien drie frameworks kan combineren, kan AI er tien of vijftien meenemen, mits het genoeg context en relevante constraints krijgt. Omdat marketeers die context vaak niet expliciteren — ze vertrouwen op hun impliciete, ervaringgedragen ‘passieve geheugen’ — mist AI veel van de achtergrondkennis die mensen onbewust gebruiken. Het gevolg: AI baseert zich op gemiddelden en levert middelmatige resultaten.
Het artikel illustreert dit met storytelling-frameworks: StoryBrand is overzichtelijk en hanteerbaar voor mensen, terwijl complexere, adaptieve systemen (zoals een 19-elementenmodel) voor mensen snel onwerkbaar worden. Voor AI is dit soort complexiteit juist een voordeel: het kan binnen korte tijd uitgebreide profielen en richtlijnen opstellen die meerdere frameworks combineren en daardoor strategischer zijn dan louter tekstproductie.
Kernpunt: de meeste klachten over AI zijn prompt- en contextproblemen, niet fundamentele tekortkomingen van de modellen. Meer datapunten, expliciete gedragsparameters en een combinatie van frameworks verhogen de kwaliteit van output substantieel — niet omdat AI plots creatief wordt, maar omdat de voorspellingen robuuster worden.
Praktische implicaties voor marketeers:
- Zie AI als integratiemachine, niet alleen als snellere tekstgenerator.
- Maak impliciete kennis expliciet: markthypotheses, merkgeschiedenis, interne politiek en eerdere testresultaten in de prompt opnemen.
- Geef duidelijke constraints en wát je wilt testen (KPIs, doelgroepsegmenten, tone-of-voice, verboden framing).
- Laat AI meerdere gedrags- en storytellingmodellen tegelijk verwerken en toets de uitkomst iteratief.
- Verander de rol van maker naar curator: bepaal richting en selectie, laat AI complexiteit verwerken.
Kortom: middelmaat komt vaak voort uit menselijke beperkingen in denken en briefing, niet uit AI zelf. Wie leert AI te gebruiken als tool om complexiteit te managen — en zijn eigen impliciete kennis systematisch toevoegt — kan substantieel betere, onderscheidende marketingstrategieën en -content laten ontwikkelen.