Je opent ChatGPT. Je tikt een vraag in. Je krijgt een antwoord. Soms een goed antwoord. Soms een antwoord dat er goed uitziet maar feitelijk nergens op slaat. En morgen moet je opnieuw beginnen, want het gesprek is vergeten.
Dat is prima voor een snelle brainstorm of een email herschrijven. Maar als je serieus AI wilt inzetten voor je bedrijf — processen automatiseren, systemen bouwen, taken laten uitvoeren — dan loop je met een chatbot keihard tegen de muur.
Het probleem met een chatvenster
ChatGPT en Claude (de chatbot-versie) zijn in de kern hetzelfde: je stelt een vraag, je krijgt een antwoord. Dat is het. Ze weten niets over je bedrijf, je bestanden, je database, of wat je gisteren hebt gebouwd. Elke sessie begint op nul.
Vergelijk het met een freelancer die elke ochtend binnenkomt, niet weet wat het bedrijf doet, geen toegang heeft tot de systemen, en na elk gesprek alles weer vergeet. Je zou die freelancer na een week ontslaan.
Toch is dat precies hoe de meeste bedrijven AI "inzetten."
De concrete beperkingen:
- Geen geheugen: elk gesprek begint blanco. Context van vorige sessies is weg.
- Geen tools: de chatbot kan niet zelf bestanden openen, databases raadplegen, of APIs aanroepen.
- Geen verificatie: je krijgt een antwoord, maar of het klopt? Dat moet je zelf checken.
- Geen uitvoering: de chatbot vertelt je wat je moet doen. Maar het doet het niet.
Wat is een AI agent en waarom is het anders?
Een AI agent is geen slimmere chatbot. Het is een fundamenteel ander concept.
Een chatbot beantwoordt vragen. Een AI agent voert taken uit.
Het verschil zit in drie dingen:
1. Persistent context Een AI agent kent je project. Het leest je bestanden, begrijpt je codebase, en onthoudt beslissingen. Niet voor een gesprek — voor de hele levensduur van je project.
2. Tool gebruik Een AI agent kan zelf dingen doen: bestanden aanmaken en bewerken, commando's uitvoeren in de terminal, databases bevragen, websites crawlen, Git commits maken. Het gebruikt dezelfde tools als een menselijke developer.
3. Autonomie Je geeft een AI agent een taak ("bouw een login-pagina met Supabase auth") en het voert die uit: plant de aanpak, schrijft de code, test het, en levert het op. Niet stap-voor-stap handmatig — in een keer.
ChatGPT vs Claude Code: een eerlijke vergelijking
Ik gebruik beide dagelijks. ChatGPT voor snelle vragen en research. Claude Code voor al het echte werk. Dit is wat ik in de praktijk zie:
| Aspect | ChatGPT / Claude Chat | Claude Code (AI Agent) |
|---|---|---|
| Context | Gesprek vergeten na sessie | Kent je hele project, bestanden, git history |
| Uitvoering | Vertelt wat je moet doen | Doet het zelf (bestanden bewerken, tests draaien) |
| Tools | Geen directe toegang | Terminal, bestanden, databases, APIs via MCP |
| Geheugen | Per gesprek (max ~200 pagina's) | Per project + CLAUDE.md + MEMORY.md |
| Kosten | ~$20/maand (Pro) | ~$20/maand (Max) of API-based |
| Ideaal voor | Brainstorm, research, losse vragen | Bouwen, automatiseren, productiesystemen |
Claude scoort consistent als topscore op developer benchmarks — en dat verschil merk je direct zodra taken complexer worden dan een los code-snippet.
Maar het gaat niet om benchmarks. Het gaat om wat je ermee kunt doen.
Wat kun je met een AI agent dat een chatbot niet kan?
Concrete voorbeelden uit mijn eigen werk:
1. Een complete website bouwen en publiceren Mijn website (vincentvandeth.nl) is gebouwd met Claude Code. Niet "Claude gaf me tips die ik daarna zelf implementeerde." Claude Code schreef de React-componenten, maakte de Strapi-integratie, configureerde de deployment op Vercel, en maakt nu ook de blogposts (inclusief SEO-optimalisatie en afbeeldingen).
2. Een data-pipeline die zelfstandig draait Mijn LinkedIn Intelligence Engine — het systeem dat ik gebruik om te analyseren wat mijn doelgroep bezighoudt — draait volledig autonoom. Claude Code schreef de Python-code, de Supabase-queries, de Apify-integratie, en de cron-jobs. Elke nacht scrapt het nieuwe data, scoort profielen, en genereert rapporten. Zonder dat ik eraan hoef te denken.
3. Kwaliteitscontrole met 405 tests Mijn SEOcrawler heeft 405 geautomatiseerde tests. Claude Code schreef ze niet alleen — het voert ze ook uit bij elke wijziging en fixt fouten zelf. Probeer dat eens met een chatvenster.
4. Multi-agent orchestratie Het VNX Orchestration-systeem heeft 10+ AI agents die samenwerken. Eén agent plant, een ander bouwt, een derde reviewt. Dat orchestreer je niet via copy-paste uit ChatGPT.
MCP: de reden dat AI agents echt werken
MCP staat voor Model Context Protocol. In gewone taal: het is de manier waarop een AI agent tools kan gebruiken.
Zonder MCP is een AI-model een brein zonder handen. Het kan nadenken, maar niets aanraken. MCP geeft het handen:
- Filesystem: bestanden lezen en schrijven
- Supabase: databases bevragen en beheren
- GitHub: code pushen, PRs maken, issues aanmaken
- Brave Search: het web doorzoeken voor actuele informatie
- Playwright: websites bezoeken en testen
Ik heb op dit moment 8 MCP-servers geconfigureerd. Claude Code kan daardoor alles wat een senior developer kan — en meer, want het vergeet nooit een stap.
Lees ook: Hoe je een Claude MCP Server Installeert: Stap voor Stap
"Maar ik ben geen developer"
Dat hoeft ook niet. Het punt is dit:
Als je AI serieus wilt inzetten in je bedrijf, moet je begrijpen dat een chatvenster niet genoeg is. Je hebt twee opties:
Optie 1: Leer het zelf. Claude Code is toegankelijker dan je denkt. Je hoeft geen programmeertaal te kennen — je moet kunnen uitleggen wat je wilt. De rest doet de AI. Deze blogserie leert je precies hoe.
Optie 2: Laat het bouwen. Een AI-architect (zoals ik) zet het systeem op, documenteert alles, en draagt de kennis over aan je team. Na 8 weken heb je een werkend systeem en een team dat het begrijpt.
Wat je ook kiest: de eerste stap is dezelfde. Stop met AI behandelen als een chatvenster. Begin het te behandelen als een werkende collega met de juiste tools en context.
De progressie: van vibe coding naar productie
Er is een duidelijke leercurve. De meeste mensen zitten op stap 1 of 2. Het doel is stap 4.
Stap 1: ChatGPT als assistent Je stelt vragen, kopieert antwoorden, plakt ze ergens. Nuttig, maar niet schaalbaar.
Stap 2: Vibe coding Je gebruikt tools als Lovable, Bolt, of Cursor om snel prototypes te maken. "Ik beschrijf wat ik wil, de AI bouwt het." Krachtig voor demo's, maar de code is vaak een rommeltje dat niemand kan onderhouden.
Stap 3: Gestructureerd werken met Claude Code Je hebt een CLAUDE.md die je project beschrijft. Rules die per domein laden. Skills die herbruikbare workflows definiëren. Je AI kent je project en houdt zich aan je standaarden.
Stap 4: Agent orchestratie Meerdere AI agents die samenwerken. Eén plant, een ander bouwt, een derde valideert. Met quality gates ertussen zodat fouten niet doorstromen. Dit is waar ik nu zit met het VNX-systeem.
Volgende stap
Dit is deel 1 van een 5-delige serie over professioneel werken met Claude Code. In de volgende delen:
- Deel 2: Claude Code Instellen: Van Vibe Coding naar Productie-Workflow — installatie en de basis
- Deel 3: CLAUDE.md, Rules en Skills: Zo Configureer je AI die je Bedrijf Kent — het configuratiesysteem
- Deel 4: AI Skills Evalueren met de Skill Creator Plugin — kwaliteit meten
- Deel 5: Mijn AI Development Stack: Tools, Workflow en Wat het Kost — de complete stack met kosten
Wil je niet wachten? Plan een gratis kennismakingsgesprek en ik laat je zien hoe dit er voor jouw bedrijf uit kan zien.
Vincent van Deth
AI Strategy & Architecture
Met jarenlange ervaring in marketingstrategie en AI-architectuur help ik bedrijven om hun groeipotentieel te maximaliseren met data-gedreven inzichten en AI-automatisering.
Mijn expertise ligt in het ontwerpen van AI-agent workflows, het strategisch inzetten van multi-agent systemen en het verbeteren van processen door schaalbare, auditeerbare oplossingen.
Of het nu gaat om het verfijnen van je AI-strategie, het selecteren van de juiste modellen of het implementeren van governance voor AI-gestuurde processen — ik bied maatwerkadvies dat leidt tot meetbare resultaten.