Het lab

Voorheen

Maandrapporten die langer duren om te lezen dan om te maken.

Zo werkt het

Een lokaal Llama-model op de eigen server van BrandHub (opent in een nieuw tabblad)↗. Het krijgt niet de hele database. Het krijgt tools om PostgreSQL te bevragen en weet welke tabellen wat bevatten, dus het antwoordt in gewone taal.

Mijn rol

Ik bouw het: de tools die het mag gebruiken, welke tabellen het mag lezen en de checks op de antwoorden.

1. vraag
2. →Llama kiest een query
3. →PostgreSQL
4. →data terug
5. →gewoon antwoord

Voorheen

Zo'n 20 uur om een sprint klaar te zetten, en elke week dezelfde klusjes.

Zo werkt het

Claude-skills en een keten van agents die ik bouwde voor de trage delen van mijn eigen werk: concurrentieonderzoek, impact op git en datamodel, klantdocumenten opschonen, Jira-stories schrijven. Atlassian Rovo checkt elke story op gaten. Heeft jouw week ook zo’n deel, of een portaalflow die simpeler kan? Dan is dat precies mijn soort probleem.

Sprintvoorbereiding ging van zo'n 20 uur naar zo'n 6.

Mijn rol

Ik heb ze gebouwd en ik gebruik ze elke sprint.

1. klantdocument
2. →onderzoeksagent
3. →impactagent
4. →conceptstories
5. →Rovo-check
6. →Jira

Voorheen

Nu zit een verkoper 10 tot 15 minuten aan de telefoon, maakt aantekeningen, doorzoekt de catalogus en bouwt de order met de hand.

Zo werkt het

Gebouwd voor BrandHub (opent in een nieuw tabblad)↗: de AI legt het ordergesprek vast en zet de orderregels klaar. Gesprekken zijn in het Engels of Nederlands. Het haalt admin weg bij verkopers. Het vervangt ze niet.

Mijn rol

Ik heb de flow ontworpen en de spec voor BrandHub (opent in een nieuw tabblad)↗ geschreven.

1. gesprek
2. →live transcript
3. →model haalt producten en aantallen eruit
4. →match met de catalogus
5. →conceptorder
6. →verkoper checkt
7. →offerte

Voorheen

Een nieuwe klant kent geen catalogus met duizenden producten.

Zo werkt het

De assistent vraagt wat voor bedrijf ze hebben, waar, waarvoor en hoeveel, en stelt dan producten voor.

Mijn rol

Mijn concept. Tot nu toe op papier.

1. welk bedrijf?
2. →waar?
3. →waarvoor?
4. →hoeveel?
5. →zoeken in de catalogus
6. →voorgestelde mand

Voorheen

Drukmachines maken vaak een paar extra. Bestel 1.000, ontvang 1.050, en de leverancier factureert 1.050.

Zo werkt het

Eén keer is prima. Het magazijn scant elke doos, dus het systeem kan een patroon zien: +7%, +8%, +6% van dezelfde leverancier op hetzelfde artikel. Dan seint het productmanagement in, dat de standaardhoeveelheid, de tolerantie of het gesprek met de leverancier kan aanpassen.

Mijn rol

Mijn concept. Tot nu toe op papier.

1. doos gescand
2. →gekoppeld aan orderregel
3. →verschil vastgelegd
4. →patroon gezien
5. →melding

Voorheen

Zo'n 30 meldingen per dag, en de meeste waren vragen, geen bugs.

Zo werkt het

De incidentassistent uit dossier 03. Een LLM legt elke melding naast de datamodellen van het systeem en de code in git, en sorteert hem: een vraag die het kan beantwoorden, een echte bug of een idee voor de backlog.

Mijn rol

Ik heb het gespecificeerd, de prompt en de outputregels geschreven en de lancering geleid.

1. melding
2. →datamodellen + git
3. →vraag / bug / idee
4. →antwoord of Jira

Voorheen

Teams jongleren met factuurtools als Teamleader en Moneybird naast hun echte systeem.

Zo werkt het

Eén platform voor handmatige en door het systeem gemaakte facturen, van begin tot eind.

Mijn rol

Ik zet de OKR's en prioriteer de backlog, als onderdeel van mijn portfolio van vier producten.

1. order of handmatig
2. →concept
3. →controle
4. →geboekt

Requirements, designs, datamodellen, boards, docs en chat op één plek, zodat teams niet meer jongleren met Jira, Figma, Confluence en Teams. Verandert er iets, dan zoekt AI uit wat het nog meer raakt en helpt het bij te werken.

Mijn rol

Mijn idee. Ik ontwerp het en bouw het.

Vernoemd naar de vader van het pragmatisme. Dat volgen we.

peirce.app →