Mijn artikelen over AI in productie, agents, governance en vindbaarheid voor het MKB.
Een AI-werkstation van 84.999 dollar onder je bureau. De prijs is niet het punt. De vraag is van wie jouw AI-model en je data zijn. Over data-soevereiniteit voor het MKB.
Op 2 augustus 2026 worden de high-risk regels van de EU AI Act bindend. Veel MKB-bedrijven weten niet dat ze als gebruiker verplichtingen hebben. Dit moet je nu regelen.
Een lokaal LLM draaien op je eigen Mac houdt je data binnen en je kosten voorspelbaar. Ik testte 8 modellen op 18 echte MKB-taken. Dit zijn de cijfers en het beslismodel.
Op 12 juni dwong de Amerikaanse overheid Anthropic om twee topmodellen wereldwijd uit te zetten. Wie alles op één externe AI-provider bouwt, kan op dezelfde manier worden uitgezet. Dit is hoe het anders kan.
Een complete walkthrough van mijn productie-Claude-Code-setup. 38 skills, 11 sub-agents, persistent memory, en de governance-laag eromheen. Geen abstractie, concrete file-paths en patronen voor AI peers en hobbyisten.
Niet alle MCP-servers zijn veilig. Sterker: sommige worden veelvuldig gebruikt en zijn structureel onveilig. Een eerlijke lijst van 7 patronen die ik in 2026 niet meer zou installeren, en wat de alternatieven zijn.
Een AI-systeem dat suggesties doet die je negeert is alleen maar ruis. Een AI-systeem dat patronen herkent en suggesties doet die je vaker wel dan niet aanneemt, dat is een leerloop. Hoe je die bouwt zonder volledige autonomie weg te geven.
Prompt engineering is dood. Context engineering heeft het overgenomen. Het verschil, en hoe je voorkomt dat je AI-assistent verzandt in ruis. Voor AI peers en hobbyisten die voorbij de eerste experimenten zijn.
Een AI-assistent zonder state is een goudvis. Iedere sessie begint hij opnieuw. Hier is hoe je dat oplost, concrete patronen voor AI peers en hobbyisten, met code-voorbeelden voor Claude Code.
Without instruction provenance, you cannot verify that a receipt corresponds to the prompt that ran. PR #309 added a SHA-256 hash of the literal instruction text to every dispatch manifest and receipt. One line of Python. Permanent forensic value.
A year ago I bolted a small helper onto another project. The bottleneck was never whether the AI could write code. It was knowing what it did, who reviewed it, and whether I could reconstruct that later. Today VNX is open source: 1.0.
Thirty-one days. Thirty-two blogs published. One SaaS launch. Multi-AI pipeline running autonomously. Here is the honest May build log, what shipped, what slipped, and what the receipt ledger actually shows.