We gaven onze social media aan AI.
Een mens zegt nog steeds ja tegen elke post.

1. Het uitgangspunt: geef het werk uit handen, houd het oordeel

Veel bedrijven praten over het gebruik van AI. Wij draaien delen van ons eigen bedrijf erop, en het meest zichtbare bewijs is waarschijnlijk de feed waardoor je hier terecht kwam.

Elke post op onze LinkedIn-kanalen wordt opgesteld door een systeem dat een onderzoeksarchief van meer dan vijftienduizend bronnen leest, schrijft in een van vier eigen stemmen, zichzelf inplant, meet wat aankwam, en de week erna bijstelt hoe het schrijft. Het hele geheel draaien kost ons tussen de twaalf en achttien euro per maand.

Er is precies één ding dat het systeem niet mag: publiceren. Een mens leest en keurt elke post goed voordat die live gaat. Die ene regel bevat de hele filosofie. Geef de machine het werk. Houd het oordeel bij een mens.

We hebben het zo gebouwd omdat de twee gebruikelijke uitkomsten allebei falen. De eerste is stilte: een bedrijf weet dat het zichtbaar moet zijn, niemand heeft tijd, en het account valt weken stil. De tweede is ruis: iemand richt een generieke AI-schrijver op de feed en die produceert zelfverzekerde, vergeetbare vulling die een lezer binnen een seconde als machinewerk herkent. Beide komen uit dezelfde denkfout, namelijk de hele klus als één ding behandelen. Driehonderd artikelen per week lezen is werk. Bepalen wat het waard is om onder je eigen naam te zeggen, is oordeel. Zodra je die twee scheidt, kun je bijna al het eerste automatiseren en al het tweede beschermen.

Wat hierna komt is de machine zelf, uitgelegd zoals we het aan een klant zouden vertellen die vroeg hoe het werkt. Wij vinden het ontwerp interessanter dan welke losse post het ook oplevert.

2. Tegen de ruis

Bijna elke "AI op social"-opzet maakt de scheiding verkeerd om. Die geeft de machine het oordeel en houdt het werk. Wij doen het andersom, en elke ontwerpkeuze hieronder volgt uit die ene omkering.

Kijk goed naar een typische geautomatiseerde feed en je ziet de machine beslissen wat er gezegd wordt, beslissen of de claim waar is, en beslissen om op publiceren te drukken, terwijl een mens links kopieert en beelden bijsnijdt. Dat is oordeel geautomatiseerd en werk behouden, precies verkeerd om. Ons systeem doet het lezen, opstellen, opmaken, inplannen en meten. Een mens beslist wat het waard is om te zeggen en of het eruit gaat. Het werk is het deel waar een machine goed in is. Het oordeel is het deel waar hij dat niet in is.

Ruis heeft een specifieke oorzaak, en dat is niet het model. Het is één ongedifferentieerde feed die alles tegelijk moet doen. Als één account bekendheid, autoriteit, bewijs en diepgang in dezelfde stroom najaagt, zakt elke post terug naar een vlak midden dat geen van die vier bedient. Dus weigeren we de enkele feed. We draaien vier stemmen, elk met een eigen taak, publiek, taal, cadans en meetlat. Niets hoeft naar generiek toe te middelen, want niets deelt een doel.

Het duidelijkste bewijs dat dit werkt, zit in de stem die we het zorgvuldigst afstemden. De Nederlandse specialistenstem is bewust niche en wordt gemeten op interactiegraad in plaats van bereik. Doordat hij geen volume najaagt, draait hij op ongeveer drie tot vier keer de interactie van de brede feed. Het publiek versmallen en het ijdelheidscijfer weigeren is wat het cijfer goed maakt.

Twee andere keuzes houden de output op peil. Het opstellen begint vanuit een archief van meer dan vijftienduizend bronnen, dus een post draagt een echt standpunt in plaats van een parafrase van de prompt. En de bedrijfspagina wordt bewust geremd, zodat bewijs mensen bereikt via een oprichter die er zijn naam aan verbindt in plaats van via een account dat in een lege ruimte schreeuwt. Terughoudendheid doet hier het meeste werk.

3. De loop, van begin tot eind

Vijf zelfstandige diensten vormen het systeem, en ze vormen een loop in plaats van een rechte lijn. Content wordt opgesteld, een mens keurt goed, publiceren en meten lopen op eigen kracht, en wat we leren stroomt terug in hoe de volgende reeks geschreven wordt. Het diagram hieronder toont het hele circuit, met de ene menselijke poort gemarkeerd waar hij hoort.

Op zichzelf is hier niets exotisch aan. Het archief is een doorzoekbare database van dingen die het waard zijn om te onthouden. De opstel-engine is een set prompts rond een goed taalmodel. De inplanner praat met een gewone publicatietool. De waarde zit in hoe de onderdelen aan elkaar hangen, en in het feit dat ze draaien of er nu iemand achter een bureau zit of niet. De opstel-taak vuurt een paar keer per dag. De meet-taak draait wekelijks. De strategie-review draait vier keer per jaar. Geen van drieën wacht op ons.

4. Vier stemmen, vier taken

We posten niet vanuit één account. We posten vanuit vier, omdat ze verschillende taken doen voor verschillende doelgroepen, en ze gelijk behandelen zou ze allemaal verspillen.

In het begin maakten we de klassieke fout om alles door één persoonlijke feed te duwen: Engelse opiniestukken, Nederlandse commerciële updates, bedrijfsnieuws, alles bij elkaar. Het volume verdunde het signaal en de doelgroep kon niet zien waar het account voor was. Het splitsen van de stemmen loste het op. Elke stem heeft nu één taak, een eigen doelgroep, en een eigen definitie van succes. Het figuur hieronder koppelt elke stem aan de taak die hij doet en het cijfer waar hij zich op verantwoordt.

De bedrijfspagina verdient een noot, want die laat zien hoeveel van dit loodgieterswerk is in plaats van magie. Bedrijfspagina's bereiken op eigen kracht bijna niemand, dus een paginapost is alleen zo goed als de oprichters die hem delen. In plaats van te hopen dat ze eraan denken, schrijft het systeem bij het opstellen twee reshare-teksten, één per oprichter, elk een frisse invalshoek in plaats van een herhaling, en zet een agenda-herinnering klaar met de tekst er al in. De reshare wordt een klus van tien seconden: open de post, plak, klaar. We haalden het excuus weg, niet de mens.

5. De ene regel: een mens keurt elke post goed

Het systeem kan schrijven, inplannen, meten en leren zonder ons. Publiceren kan het niet zonder ons. Elke draft blijft in een wel-of-niet-goedgekeurd-staat tot een mens hem vrijgeeft. Dit is de bewuste flessenhals, en we zouden hem niet weghalen, zelfs niet als de drafts perfect waren.

De reden is dat deze posts onder echte namen uitgaan, en een naam is het enige bezit dat de machine niet kan herbouwen. Een zwakke post kost een beetje aandacht. Een foute post, een verkeerd gelezen claim, een klant genoemd die er geen toestemming voor gaf, een overdreven getal, kost vertrouwen, en vertrouwen is waar ons hele bedrijf op draait. Goedkeuren is goedkoop. Het kost een paar minuten per dag. Het nadeel waar het tegen beschermt is dat helemaal niet.

De goedkeurstap houdt de mensen ook in contact met de output, wat de kwaliteit stilletjes bewaakt in de tijd. Doordat een mens elke draft leest, valt het op wanneer een stem afdrijft, wanneer een onderwerp verschraalt, wanneer het systeem te veel op één soort post leunt. Dat opmerken is precies wat de leer-loop voedt. Een operator die de drafts nooit leest, zou de machine niets te leren hebben.

6. Eerlijkheid, ingebouwd in de machine

Het lastigste was nooit het schrijven van tekst. Het was beeld maken waar we achter konden staan. Een grafiek is waar een geautomatiseerd systeem stilletjes kan liegen, door een getal af te ronden, een datapunt te verzinnen, of de verkeerde balk te benadrukken. Dus bouwden we eerlijkheid in de pijplijn in plaats van erop te hopen.

Veel van onze posts dragen een datagrafiek, en die grafieken bouwen we opnieuw op in onze eigen huisstijl in plaats van een wazige screenshot te posten. Een grafiek opnieuw opbouwen betekent zijn getallen lezen en ze opnieuw tekenen, en dat is precies waar fouten binnensluipen. Onze verdediging is een reeks scheidingen die het moeilijk maken voor één fout om de feed te bereiken. Het diagram hieronder toont de twee muren en de drie poorten die elk beeld moet passeren.

Twee muren die nooit bewegen

De eerste muur: het model dat een grafiek leest, is nooit het model dat het resultaat controleert. Het ene systeem haalt de data eruit, een ander verifieert die tegen het origineel. Een lezer die zijn eigen huiswerk nakijkt, keurt alles goed. Twee onafhankelijke lezers vangen wat één zou missen.

De tweede muur: het systeem dat een gebrekkige kaart repareert, is nooit het systeem dat hem beoordeelt. Als een kaart de controle niet haalt, stelt een apart model een begrensde correctie voor, een label verkleinen, marge toevoegen, de juiste reeks opnieuw markeren, en de beoordelaar checkt opnieuw. De reparateur is door code ingekaderd zodat hij dingen kan verschuiven, maar nooit een getal, een kleur, of de bronregel kan aanraken. Vrijheid over de opmaak, harde muren rond de feiten.

Drie vragen die elke kaart moet doorstaan

Wanneer alle drie de poorten niet eerlijk gehaald kunnen worden, is de terugval geen mooiere leugen. Het is de originele grafiek, bijgesneden op onze kaart met onze kop en de echte bron. Nul risico op vervorming. We sturen liever een simpele ware grafiek dan een mooie foute.

7. Wat er brak: de weg naar het systeem

Alles hierboven leest schoon omdat we de versie beschrijven die werkt. Zo begon het niet. De geloofwaardige manier om zo'n systeem uit te leggen, is vertellen wat we eerst verkeerd deden, want in elke fix zit een echte ontwerpbeslissing.

Het eerste dat brak, was de ene persoonlijke feed. Elk publiek vanuit één account bedienen voelde efficiënt en verdunde alles: de Engelse bekendheidsposts, de Nederlandse commerciële, het bedrijfsnieuws vochten allemaal om dezelfde aandacht en geen van allen won. De fix was splitsen in aparte stemmen met aparte taken en aparte meetlatten, wat de vier-stemmen-structuur is waar de rest van dit rapport op rust. Zodra elke stem zich op zijn eigen cijfer verantwoordde, hoefde geen van allen een compromis te sluiten.

Het tweede dat brak, was subtieler en gevaarlijker: te veel claimen. Zo'n systeem kan een machine stilletjes de eer laten opstrijken voor het werk van een mens, of een mensennaam een claim laten dragen die de machine verzon. Beide zijn vertrouwensbreuken, en zodra een lezer er één betrapt, telt hij al het andere af. We ontwierpen er direct tegen door geen enkel onderdeel twee petten te laten dragen. De extractor die een grafiek leest, is nooit de verifieerder die hem checkt. De maker die een kaart bouwt, is nooit de beoordelaar die hem doorlaat. Niemand kijkt zijn eigen werk na.

Het derde dat brak, was de media-stap. Niet elke post heeft een goed beeld klaarliggen, en de verleidelijke fout is om het systeem er een te laten verzinnen om de plek te vullen. Dat weigerden we. De media-stap heeft een terugval nodig die veilig faalt, dus als er geen eerlijk beeld bestaat, vlagt het systeem een mens om er een te exporteren in plaats van het te fabriceren. Het figuur hieronder toont de ladder die hij beklimt, en waarom de laatste tree bewust een mens is.

De ladder heeft vier treden en neemt de eerste die houdt. Tree één: gebruik een echt beeld rechtstreeks uit het archief, want een waar beeld verslaat elk gegenereerd beeld. Tree twee: is er geen archiefbeeld maar wel een dataverhaal, bouw dan de grafiek opnieuw op in huisstijl, door de drie poorten. Tree drie: is er ook geen grafiek, genereer dan een simpele statkaart die alleen getallen toont waar we achter kunnen staan. Tree vier: levert niets daarvan iets eerlijks op, vlag dan een mens om het echte beeld met de hand te exporteren. De laatste tree is bewust handmatig. Als de machine niet goedkoop eerlijk kan zijn, betalen we liever een menselijke minuut dan dat we een gefabriceerd beeld accepteren.

Het vierde dat brak, was de reshare. Bewijs van de bedrijfspagina reist alleen als een oprichter het versterkt, en onze eerste versie liet dat aan het geheugen over, wat een andere manier is om te zeggen dat het niet gebeurde. De cross-boost moest gebouwd worden, niet gehoopt. Paginaposts gaan nu met twee vooraf geschreven reshare-teksten eruit, één per oprichter, plus een agenda-herinnering met de tekst er al in. "Iemand deelt het wel" is geen plan. Een opgestelde tekst en een herinnering wel.

8. Hoe het leert: drie loops op drie klokken

Een systeem dat alleen publiceert, verschraalt. Het onze verbetert op drie aparte ritmes, omdat de vragen die het moet beantwoorden op verschillende snelheden bewegen. Het diagram hieronder legt de drie loops uit op hun drie klokken.

De stem-loop is de subtiele, en het is waar iemands aanpassingen ophouden losse ingrepen te zijn en lesmateriaal worden. Als een mens een draft herschrijft, gaat die aanpassing niet verloren. Als dezelfde soort verandering over meerdere posts opduikt, leest het systeem het als een voorkeur en stelt het voor om hem in de stem op te nemen, zodat de drafts opschuiven naar hoe wij echt schrijven. Een correctie die één keer gemaakt wordt, wordt stilletjes een correctie die de machine niet meer nodig heeft.

Geen van de drie loops verandert iets op eigen houtje. Elke loop stelt voor; een mens beschikt. Het prestatierapport landt in een inbox. De stem-update komt als een aanpassing om goed te keuren. De kwartaal-review is een memo, geen knop die hij omzet. Dezelfde regel als bij het publiceren, machine stelt voor, mens beslist, loopt door tot in de leerlaag.

9. Wat het opleverde: een half jaar, gemeten

Tot nu toe was het eerlijke antwoord op "werkt het" een beschrijving. Sinds juli 2026 is het een getal: de eigen analytics van LinkedIn voor de brede feed, 1 januari tot en met 6 juli, staan hieronder, onbewerkt en met de kanttekeningen erbij.

Consistentie kwam eerst, want dat is waar mensen betrouwbaar op afhaken. Drie posts per dag op de brede feed, weekenden inbegrepen. Een Nederlandse specialistenstem ongeveer een dozijn keer per maand. Een wekelijkse nieuwsbrief die nooit overslaat. Op toestemming gecheckt bewijs op de bedrijfspagina zodra een echt klantmoment de check haalt. Elk daarvan is makkelijk voor een week. Alle vier zes maanden volhouden is wat het systeem kocht, en de bereikdata laat zien waar consistentie zich toe opstapelt.

De kop is 694.527 impressies in de eerste helft van 2026, 429 procent meer dan de 187 dagen ervoor. De vorm van de curve telt zwaarder dan het totaal: hij wordt steiler, omdat het archief, het publiek en de stem allemaal opstapelen, waar een feed die af en toe post elke week op nul begint. Niets hiervan is gekocht. Er zit nergens advertentiebudget in het systeem.

Het cijfer waar we het scherpst naar kijken is het kleinste op dat paneel: 92 procent van de 369.307 bereikte mensen zat buiten ons eigen netwerk. Bereik binnen je netwerk is je connecties die beleefd zijn. Bereik erbuiten betekent dat het platform de content op eigen merites naar vreemden distribueerde, en dat is het mechanische tegendeel van wat er met generieke AI-vulling gebeurt. Het interactieprofiel wijst dezelfde kant op: van 4.654 interacties waren er 576 saves en 158 doorgestuurde posts. Ruis wordt niet opgeslagen en niet doorgestuurd.

Het klassement maakt de cirkel van deze dossierreeks zelf rond. De posts die dit jaar het verst reisden zijn robotica-analyses en verhalen over exponentiële groei, aangevoerd door een Boston Dynamics Atlas-post met 92.095 impressies, twee weken oud, ruim binnen het autonome tijdperk. Daarom gaan de twee zusterdossiers in deze reeks over humanoïde robotica en exponentiële technologie: de feed vertelde ons waar de nieuwsgierigheid van het publiek zit, en het bibliotheekwerk volgde de data.

Onder de posts bouwt het systeem een attributievlak, en dat is het deel dat telt voor een bedrijf in plaats van een volgersaantal. Keynote-aanvragen koppelen de brede feed aan echte pipeline, dus het account is geen kostenpost die naar zijn eigen waarde raadt. Nieuwsbrief-inschrijvingen zetten een gehuurd publiek om in een eigen, exporteerbare lijst, en dat is het verschil tussen aandacht lenen en aandacht houden. En het sterkste materiaal krijgt een tweede leven: de nieuwsbrief verschijnt opnieuw in de inzichten-bibliotheek op onze website in het Engels en het Nederlands, en een post die uitbreekt groeit uit tot een lang artikel op dezelfde plek. De feed doet zijn werk in een dag. De bibliotheek houdt dat werk vast, en dit dossier staat erin.

10. Wat het kost, wat het opbouwt

Het getal dat mensen verrast is de rekening. Het hele systeem draait op ongeveer twaalf tot achttien euro aan modelgebruik per maand.

Dat cijfer houdt stand omdat inspanning gaat waar het de uitkomst verandert, niet gelijk verdeeld. De zeldzame beslissingen met veel hefboom, kiezen welke verhalen het vertellen waard zijn, de stem bijwerken, de kwartaal-strategie lezen, draaien op de diepste, duurste redenering die we hebben. Het werk met veel volume en lage inzet, een grafiek lezen, een snelle leesbaarheidscheck, draait mager en snel. De kwartaal-strategie-review is de belangrijkste enkele beslissing in het systeem, en omdat die vier keer per jaar gebeurt, kost de diepste configuratie ervoor ongeveer een euro per jaar. Het figuur hieronder zet de maandkosten af tegen wat het systeem in diezelfde maand oplevert.

Zet de rekening af tegen de output die hij koopt: ruwweg honderd posts per maand over vier stemmen, gemeten, lerend, en goed voor twee derde miljoen impressies per half jaar. De vergelijkbare menselijke operatie, een contentmarketeer plus een designer plus een analist die die cadans zonder vrije weekenden volhouden, kost geen vijftien euro. Het punt is niet dat mensen vervangbaar zijn. Het punt is dat dit specifieke werk nooit een goede besteding van ze was, en dat het oordeel dat altijd al de echte klus was nu minuten aandacht per dag krijgt in plaats van geen.

We behandelen het geheel als een werkend voorbeeld van de manier waarop we klanten adviseren AI te adopteren. Zie wat het kan, begrijp waar het past, adopteer het dan op een manier waarbij een mens verantwoordelijk blijft voor de delen die risico dragen. Het social-systeem is dat advies, toegepast op onszelf, in het openbaar, elke dag.

11. De voor de hand liggende bezwaren

Zo'n systeem publiceren roept vier terechte vragen op. Die verdienen rechte antwoorden in plaats van een roadmap-slide.

12. De roadmap

Het systeem publiceert goed. De volgende stappen gaan over binnenhalen, het publiek dat het bereikt omzetten in gesprekken en pipeline waar het bedrijf iets mee kan.

Lead-capture is de volgende stap. De brede feed levert al keynote-aanvragen op; het werk is om dat pad korter en meetbaar te maken zodat we precies zien waar een aanvraag begon en hoe hij bewoog, in plaats van het achteraf af te leiden.

Comment-naar-DM-automatisering is de tweede stap. De lezers met de meeste intentie zijn degenen die reageren, dus een openbare reactie snel en zonder een mens die de inbox bewaakt omzetten in een privégesprek, is waar publieke interactie echt dialoog wordt.

Rijkere media-matching verlengt de ladder die we al draaien. Beter ophalen van een echt archiefbeeld, voordat het systeem ooit terugvalt op een herbouwde grafiek, betekent dat meer posts een waar beeld dragen en minder op een reconstructie leunen. De eerlijke tree wordt vaker gebruikt.

En de opbouwende assets worden dikker. De nieuwsbrief blijft de bibliotheek voeden, uitbrekende posts blijven uitgroeien tot artikelen, en elke cyclus voegt toe aan een geheel dat een lezer kan doorzoeken lang nadat de post uit beeld scrolde.

13. Ons eigen medicijn slikken

We zijn een AI-consultancy die precies het soort systeem publiceert dat we voor een klant zouden bouwen. Dat is het hele punt van het laten zien. De showcase is het bewijs, en het bewijs is de pitch. Je leest geen case study over de adoptie van iemand anders. Je leest de output van het ding dat beschreven wordt.

Het sluit ook aan op hoe we klanten adviseren te bewegen: Zien, dan Begrijpen, dan Adopteren. Een lezer ziet een draaiend systeem in de feed waardoor hij hier kwam. Hij begrijpt de ontwerpkeuzes in dit rapport: de scheiding van werk en oordeel, de vier stemmen, de eerlijkheidsarchitectuur, de menselijke poort. Daarna krijgt hij een bouw-je-eigen-draaiboek dat hij zelf kan uitvoeren. Elke stap is een stap verder in het doen, niet alleen het lezen erover.

De eerlijkheidsarchitectuur is ons standpunt, mechanisch gemaakt. Wij geloven dat een machine aan het werk nooit zijn eigen werk zou moeten kunnen nakijken, en dat schreven we niet op als een waarde, we bouwden het in code die de maker weg houdt van de beoordelaar en de extractor weg van de verifieerder. En omdat het systeem leert op drie loops op drie klokken, is het ding dat over AI-adoptie publiceert zelf voortdurend aan het adopteren. Het wordt beter in zijn eigen taak zoals we klanten vragen beter te worden in de hunne.

Je hebt onze precieze stack niet nodig om dit te doen. De onderdelen zijn gewoon en verwisselbaar. Wat overdraagbaar is, is de reeks keuzes eronder, die we aan iedereen zouden meegeven die begint.

De reden dat we dit publiceerden in plaats van het stil te houden, is simpel. Het interessante aan AI op het werk is zelden het model. Het is de bedrading eromheen: waar je het laat lopen, waar je het laat stoppen, en hoe je het eerlijk houdt. Wil je zien hoe dat er in de praktijk uitziet, de feed staat er, en een mens keurde elke post erop goed.

14. De cijfers, geverifieerd

Een dossier over een eerlijkheidsarchitectuur hoort zijn eigen huiswerk te laten zien. Elk cijfer in dit rapport, zijn bron, en de kanttekening die erbij hoort.

Grafieken met het label "BFF" zijn door ons getekend op basis van de bronnen die eronder staan. De bereik-, resultaten- en klassementgrafieken hertekenen de eigen analytics van LinkedIn zonder aanpassing.