Wat ChatGPT agent mode is en hoe het werkt

Wat ChatGPT agent mode is, komt neer op een verschuiving van vraag-en-antwoord naar zelfstandige uitvoering. In plaats van één reactie in de chat te geven, opent agent mode een tijdelijke, virtuele werkomgeving waarin ChatGPT websites bezoekt, gegevens verzamelt, spreadsheets bewerkt of een rapport opstelt.

Je kunt bijvoorbeeld vragen om drie concurrenten te vergelijken, de resultaten in een tabel te zetten en die samen te vatten. ChatGPT plant de stappen zelf, voert ze uit in de virtuele browser, en komt na verloop van tijd terug met het resultaat. Je kunt intussen meekijken, bijsturen of de taak stopzetten.

ChatGPT agent mode activeren

ChatGPT agent mode activeren doe je via het Tools-menu in het chatvenster, of door /agent te typen in je bericht. Zodra je de modus activeert, verandert de interface en beschrijf je in gewone taal wat de agent moet bereiken.

Een duidelijke, afgebakende opdracht werkt het best. Begin met iets kleins en controleerbaars, bijvoorbeeld een vergelijking van een paar opties met een tabel als resultaat, voordat je een grotere, meerstaps taak uitbesteedt.

Wat ChatGPT agent mode wel en niet zelfstandig mag doen

Wat ChatGPT agent mode wel en niet zelfstandig mag doen, ligt vast in een aantal ingebouwde grenzen. De agent weigert automatisch risicovolle acties zoals een betaling doen of een wachtwoord invoeren.

Bij gevoelige websites schakelt agent mode over naar een watch mode, waarbij jij elke actie eerst goedkeurt voordat de agent verdergaat. Kom je een login, betaling of ander gevoelig moment tegen, dan neem je op dat moment zelf de browser over. Een lopende taak kun je altijd annuleren.

Voorbeelden van taken voor ChatGPT agent mode

Voorbeelden van taken voor ChatGPT agent mode liggen vooral bij werk met meerdere stappen dat normaal handmatig zoekwerk en verwerking vraagt. Denk aan marktonderzoek waarbij meerdere bronnen doorzocht en samengevat worden, een vergelijking van aanbieders met prijzen en kenmerken in een tabel, of het voorbereiden van een rapportage op basis van meerdere documenten.

Ook planningstaken zijn een geschikte toepassing: agendagegevens naast beschikbare opties leggen en op basis daarvan een voorstel opstellen. De gemeenschappelijke factor is een taak die uit meerdere, herhaalbare stappen bestaat, in plaats van één simpele vraag.

Beperkingen van ChatGPT agent mode

Beperkingen van ChatGPT agent mode zijn er ondanks de zelfstandige uitvoering wel degelijk. Een taak duurt vaak tien tot dertig minuten, en de sessie moet actief blijven zolang de agent werkt.

Bij complexe opdrachten kunnen fouten optreden, bijvoorbeeld wanneer een website anders werkt dan verwacht of een verbinding wegvalt tijdens een langere taak. Hallucinaties komen minder vaak voor dan bij een gewoon gesprek, maar zijn niet volledig uitgesloten. Voor taken met gevoelige data of belangrijke beslissingen blijft een controle van het eindresultaat nodig.

Welke abonnementen toegang geven tot ChatGPT agent mode

Welke abonnementen toegang geven tot ChatGPT agent mode is duidelijker dan bij sommige andere functies: agent mode staat open voor Plus, Pro, Business, Enterprise en Edu. Gratis gebruikers hebben op dit moment geen toegang. Nederland en België staan beide op de lijst met ondersteunde landen. De actuele prijzen en verschillen tussen deze abonnementen staan in wat kost ChatGPT.

Agent mode is niet hetzelfde als ChatGPT canvas of een ChatGPT project. Canvas is een werkruimte om samen aan een document of code te schrijven, een project bundelt bestanden en instructies rond een onderwerp, en agent mode voert een taak zelfstandig uit buiten de chat om. De drie functies zijn eerder aanvullend dan vervangend voor elkaar.

Dit artikel is onderdeel van de bredere chatgpt handleiding van LearnLLM. Wil je niet alleen agent mode beheersen maar het bredere gebruik van ChatGPT onder de knie krijgen, inclusief prompttechnieken en workflow-opbouw, dan is de ChatGPT cursus van LearnLLM een logische vervolgstap.

Het bericht ChatGPT agent mode, wat is het en hoe werkt het? verscheen eerst op LearnLLM.

Wat ChatGPT geheugen precies onthoudt

ChatGPT geheugen onthoudt korte, relevante stukjes informatie uit je gesprekken: je functie, terugkerende projecten, schrijfvoorkeuren of vaste taken. Dat is iets anders dan gewone gespreksgeschiedenis, want geheugen werkt gesprek-overstijgend en wordt actief meegenomen in nieuwe chats, ook als je een compleet nieuwe chat start.

ChatGPT kent daarbij twee aparte instellingen die vaak door elkaar worden gehaald. Opgeslagen geheugen bevat losse, expliciete herinneringen die ChatGPT zelf heeft vastgelegd of die je zelf hebt meegegeven. Verwijzen naar eerdere chats is een bredere instelling waarmee ChatGPT ook kan teruggrijpen op de inhoud van oudere gesprekken, zonder dat die als losse herinnering is opgeslagen.

Het geheugensysteem werkt herinneringen automatisch bij en bepaalt zelf welke details het belangrijkst vindt, zodat het kan voortbouwen op de context die je al hebt gedeeld. Dit artikel is onderdeel van de bredere chatgpt handleiding van LearnLLM, waarin losse functies zoals geheugen, projecten en canvas apart worden uitgelegd.

ChatGPT geheugen aanzetten en uitzetten

ChatGPT geheugen aanzetten en uitzetten doe je via Instellingen, onder Personalisatie. Daar vind je losse schakelaars voor opgeslagen geheugen en voor verwijzen naar eerdere chats, die je onafhankelijk van elkaar aan of uit kunt zetten.

1. Open Instellingen via je profiel.
2. Ga naar Personalisatie of Persoonlijke gegevens.
3. Zet Opgeslagen geheugen en Verwijzen naar eerdere chats afzonderlijk aan of uit.
4. Typ desgewenst “Wat onthoud je over mij?” in een chat om te zien wat er is opgeslagen.

Zet je beide instellingen uit, dan gedraagt ChatGPT zich weer als een chatbot zonder gesprek-overstijgend geheugen: elke nieuwe chat begint dan vanaf nul, net als vóór de introductie van deze functie.

ChatGPT geheugen wissen of aanpassen

ChatGPT geheugen wissen of aanpassen kan op twee niveaus: één losse herinnering verwijderen, of het volledige geheugen in één keer wissen. Beide acties vind je terug onder Beheer geheugen in dezelfde instellingensectie.

Voor een losse herinnering open je het overzicht van opgeslagen items en verwijder je alleen wat niet meer relevant is, bijvoorbeeld een afgerond project. Wil je alles in één keer kwijt, dan kies je de optie om het volledige geheugen te wissen. Dat is definitief: eenmaal gewiste herinneringen worden niet automatisch opnieuw opgebouwd.

Binnen een lopend gesprek werkt ook een directe instructie: vraag ChatGPT om iets niet langer te onthouden, en de bijbehorende herinnering verdwijnt.

ChatGPT geheugen gebruiken met tijdelijke chats

ChatGPT geheugen gebruiken met tijdelijke chats is de manier om één specifiek gesprek buiten het geheugen te houden, zonder de instelling zelf te wijzigen. Een tijdelijke chat verschijnt niet in je gespreksgeschiedenis, voedt het geheugen niet en verdwijnt na afloop.

Dat is bruikbaar zodra je informatie deelt die je niet wilt laten meewegen in toekomstige antwoorden, bijvoorbeeld een eenmalige, gevoelige vraag over een lopend dossier of een onderwerp dat losstaat van je gebruikelijke werk. Je hoeft er geen structurele instelling voor aan te passen, je kiest het per gesprek.

Voor werk met herleidbare klant- of bedrijfsgegevens is dit een eenvoudige manier om te voorkomen dat die informatie in het geheugen van je account terechtkomt.

Verschil in ChatGPT geheugen tussen abonnementen

Verschil in ChatGPT geheugen tussen abonnementen zit vooral in diepte en omvang, niet in de aanwezigheid van de functie zelf. De gratis versie heeft toegang tot een lichtere vorm van geheugen, gebaseerd op recente gesprekken en een kleiner aantal opgeslagen herinneringen.

Bij Plus en Pro werkt geheugen dieper en houdt het meer context vast over langere tijd, wat vooral merkbaar is bij terugkerende projecten. De actuele prijzen en volledige verschillen tussen de abonnementen staan in wat kost ChatGPT.

Voor Business-, Enterprise- en Edu-gebruikers geldt daarnaast dat er standaard niet wordt getraind op content die binnen het account wordt gedeeld, inclusief eerdere chats en opgeslagen herinneringen.

ChatGPT geheugen inzetten in je werk

ChatGPT geheugen inzetten in je werk werkt het best bij taken die je regelmatig terugziet: een vaste rapportagestructuur, een klant waarvoor je telkens dezelfde toon aanhoudt, of een project dat zich over meerdere weken uitstrekt.

De grens ligt bij gevoelige informatie. Klantdata, herleidbare persoonsgegevens of vertrouwelijke bedrijfsinformatie horen niet zomaar in het geheugen van een individueel account, ook niet omdat het gemak oplevert. Een tijdelijke chat of een expliciete instructie om iets niet te onthouden is dan de veiligere route.

Voor werk dat verder gaat dan losse herinneringen, met eigen bestanden en instructies, is een ChatGPT project vaak een steviger alternatief dan op geheugen alleen te vertrouwen. Ook Claude kent een vergelijkbare geheugenfunctie, met net andere keuzes rond wat wordt opgeslagen en hoe je dat beheert.

Wil je niet alleen geheugen beheersen maar het bredere gebruik van ChatGPT onder de knie krijgen, dan is de ChatGPT cursus van LearnLLM een logische vervolgstap.

Het bericht ChatGPT geheugen, wat onthoudt het en hoe werkt het? verscheen eerst op LearnLLM.

Een ChatGPT project aanmaken in vijf stappen

Je maakt een ChatGPT project aan door in het linkermenu op Projecten te klikken en een nieuwe werkruimte te starten. Geef het project een naam die het onderwerp dekt, voeg bestanden en instructies toe, en elke chat die je binnen die werkruimte start gebruikt automatisch dezelfde context.

1. Open het linkermenu en klik op Projecten, zowel in de webversie als in de app beschikbaar.
2. Klik op Nieuw project en geef het een herkenbare naam, bijvoorbeeld naar een klant, onderwerp of lopend traject.
3. Voeg bronnen toe: pdf’s, spreadsheets, documenten of afbeeldingen, of plak tekst rechtstreeks in het project.
4. Stel project-instructies in via de drie puntjes rechtsboven, zodat ChatGPT weet welke rol, toon of aanpak binnen dit project verwacht wordt.
5. Start een chat binnen het project. Die chat heeft automatisch toegang tot de toegevoegde bestanden en instructies.

Een project is niet hetzelfde als een custom GPT, dat is een apart soort chatbot met eigen instructies die je los kunt delen met anderen. Een project is een werkruimte voor je eigen chats, een custom GPT is een herbruikbare assistent. Dit artikel maakt deel uit van de bredere chatgpt handleiding van LearnLLM, waarin losse functies zoals projecten, geheugen en canvas apart worden uitgelegd.

Bestanden toevoegen aan je ChatGPT project

Bestanden toevoegen aan je ChatGPT project kan op verschillende manieren: los uploaden vanuit de projectomgeving, tekst plakken, of een bestand toevoegen tijdens een lopende chat binnen het project. Ondersteunde formaten zijn onder meer pdf, spreadsheets, tekstdocumenten en afbeeldingen.

Upload je een bestand met dezelfde naam als een bestaand projectbestand, dan kies je tussen het bestaande bestand behouden of vervangen. Bij een upload van meerdere bestanden tegelijk slaat ChatGPT alleen het conflicterende bestand over, de rest van de upload gaat gewoon door.

Eenmaal toegevoegd open je een bestand via de bronnenlijst om het te bekijken, downloaden of verwijderen. In een gedeeld project verwijdert dat het bestand voor iedereen in het project, al kan het later opnieuw worden toegevoegd.

Project-instructies instellen in je ChatGPT project

Project-instructies instellen in je ChatGPT project doe je via de drie puntjes rechtsboven in de projectomgeving, onder projectinstellingen. Deze instructies gelden alleen binnen dat ene project en krijgen voorrang op je algemene, globale instructies zodra je in die werkruimte chat.

Het verschil met je gewone instructies zit in het bereik. Een globale instructie geldt overal, in elk gesprek. Een project-instructie geldt alleen binnen dat project en laat je per onderwerp een andere rol of toon instellen, zonder dat je dat telkens opnieuw hoeft te formuleren. Denk aan “reageer kort en met bullet points” voor een projectmanagement-project, tegenover een uitgebreidere, analytische toon voor een onderzoeksproject.

Bestaande chats verplaatsen naar een ChatGPT project

Bestaande chats verplaatsen naar een ChatGPT project kan via het menu naast een gesprek: kies Verplaats naar project en selecteer de juiste werkruimte. Een andere manier is de chat vanuit je gespreksoverzicht naar het project slepen.

Dit is vooral nuttig als je pas achteraf besluit dat een los gesprek eigenlijk bij een lopend project hoort. Het gesprek en de eerder gegenereerde antwoorden blijven intact, alleen de locatie verandert, waarna het gesprek ook toegang krijgt tot de overige bestanden en instructies in dat project.

Welke abonnementen toegang geven tot een ChatGPT project

Welke abonnementen toegang geven tot een ChatGPT project is inmiddels simpel te beantwoorden: alle abonnementen. De functie zelf is beschikbaar voor zowel de gratis versie als alle betaalde individuele abonnementen. Sinds 22 oktober 2025 is ook het delen van een project met anderen voor iedereen opengesteld, inclusief gratis gebruikers, waar dat eerder was voorbehouden aan Business-, Enterprise- en Edu-accounts.

Wat wel per abonnement verschilt, is de schaal: het aantal bestanden dat je per project mag uploaden en het aantal mensen dat je aan een gedeeld project kunt toevoegen, hangt af van het abonnement van de eigenaar. De prijzen en volledige verschillen tussen de abonnementen staan in wat kost ChatGPT.

Een gedeeld project geeft teamgenoten toegang tot dezelfde chats, bestanden en instructies, en laat iedereen verdergaan waar een ander is gebleven. De eigenaar van het project bepaalt of het delen beperkt blijft tot genodigden of openstaat voor iedereen met de link.

ChatGPT projects gebruiken in je dagelijkse werkwijze

ChatGPT projects gebruiken in je dagelijkse werkwijze werkt het best zodra je ze niet als eenmalige oplossing behandelt, maar als vaste plek voor terugkerend werk: een lopende klantopdracht, een onderzoek dat weken duurt, of een contentproces dat je elke maand herhaalt.

Een vuistregel: is een taak eenmalig en op zichzelf staand, dan volstaat een gewone chat. Werk je langer aan hetzelfde onderwerp, met dezelfde bronnen en dezelfde toon, dan bespaart een project je de herhaling van context bij elke nieuwe chat.

In herhaalbare workflows denken, in plaats van in losse prompts, levert op de langere termijn meer op dan elke keer opnieuw beginnen. Een project is daarvoor een van de eenvoudigste bouwstenen binnen ChatGPT: de bestanden en instructies staan vast, jij hoeft alleen de vraag van dat moment nog te stellen. Ook Claude kent een vergelijkbare werkruimte, voor wie met meerdere AI-tools naast elkaar werkt.

Wil je niet alleen deze functie beheersen maar het bredere gebruik van ChatGPT onder de knie krijgen, inclusief prompttechnieken en workflow-opbouw, dan is de ChatGPT cursus van LearnLLM een logische vervolgstap.

Het bericht ChatGPT project: hoe richt je dit goed in? verscheen eerst op LearnLLM.

Wat AI data readiness betekent

AI data readiness is de mate waarin je data bruikbaar, betrouwbaar en toegankelijk genoeg is om AI zinvol in te zetten. Het gaat om twee dingen tegelijk: is je data goed genoeg als input, en mag deze data er met het oog op privacy en geheimhouding überhaupt in. Zonder dat fundament levert AI plausibele maar onbetrouwbare resultaten.

Die twee kanten worden vaak door elkaar gehaald. Kwaliteit gaat over de vraag of de data klopt en compleet is. Toelaatbaarheid gaat over de vraag of je deze specifieke informatie mag verwerken in een externe tool. Allebei bepalen ze of je AI kunt vertrouwen.

Waarom AI-projecten stranden op data

Gebrekkige data readiness is de belangrijkste reden dat AI-trajecten vastlopen, niet de techniek. De modellen zijn krachtig genoeg. Het probleem zit in versnipperde, verouderde of ontoegankelijke data die verspreid staat over losse systemen, mappen en mailboxen, met verschillende versies van dezelfde waarheid.

Onderzoek van adviesbureaus en techbedrijven wijst steevast dezelfde oorzaak aan: niet het algoritme, maar de datakwaliteit. Bij het gebruik van taalmodellen vertaalt dat zich naar een specifiek risico. Geef je een model rommelige of onvolledige input, dan krijg je output die overtuigend klinkt maar inhoudelijk afwijkt van de werkelijkheid.

In mijn werk als SEO-specialist met AI-content zie ik dat de kwaliteit van de input direct de output bepaalt. Dat is precies waarom data readiness geen technische bijzaak is, maar de eerste voorwaarde voor betrouwbaar resultaat.

Data readiness voor eigen modellen versus bestaande AI-tools

Data readiness betekent iets anders als je een eigen model traint dan wanneer je een bestaande AI-tool gebruikt. Wie zelf een model bouwt, heeft grote, gestructureerde en gelabelde datasets nodig. Dat is het scenario waar de meeste artikelen over dit onderwerp van uitgaan, met data lakes en maandenlange datavoorbereiding.

Een kantoor van vijf tot vijftig medewerkers traint zelden een eigen model. Het voert per opdracht documenten, dossiers of cijfers in ChatGPT of Claude en verwacht daar een bruikbaar antwoord op. Data readiness verschuift dan van je hele databerg naar de kwaliteit van de context die je per keer meegeeft.

Vanuit zowel de gebruikers- als de developer-kant van taalmodellen valt me op dat dit onderscheid vaak wordt overgeslagen. Goed context geven aan een LLM is voor de meeste dienstverleners belangrijker dan de omvang van hun datavoorraad. Het grote data-infrastructuurverhaal is voor deze groep grotendeels niet aan de orde.

Welke data mag in een AI-tool

Welke data in een AI-tool mag, is een even belangrijk onderdeel van data readiness als de kwaliteit ervan. Readiness is niet alleen de vraag of je data goed genoeg is, maar ook of deze data hier terecht mag komen. Voor kantoren die met cliëntgegevens en vertrouwelijke dossiers werken, is dat de zwaarste weging.

Het compliance-denken uit mijn jaren bij grootbanken vertaalt zich naar drie concrete vragen bij elke AI-taak: welke data, welke claims, welke verantwoordelijkheid. Die eerste vraag, welke data, is waar data readiness en geheimhouding elkaar raken.

Het accounttype maakt daarbij verschil. Voor een gratis consumentenaccount gelden andere voorwaarden dan voor een zakelijke variant met verwerkersovereenkomst, en bij sommige accounttypes kan ingevoerde informatie worden gebruikt om modellen te verbeteren. De regels voor verantwoord AI gebruik bepalen per situatie welke informatie je wel en niet mag invoeren.

Hoe je aan data readiness werkt zonder groot dataproject

Aan data readiness werken hoeft geen dataproject van maanden te zijn. Je hoeft geen data lake te bouwen of een governance-programma op te tuigen voordat je begint. De praktische route loopt andersom: begin bij één afgebakend proces en kijk welke data dat proces echt nodig heeft.

Die aanpak bestaat uit drie stappen die je per use-case doorloopt. Bepaal welke data het proces nodig heeft en welke daarvan mag worden gebruikt. Schoon op wat dat ene proces raakt, niet je hele archief. Zet een controlepunt op de output voordat er iets naar buiten gaat.

De aanpak die ik hanteer is bewust klein: één tot drie processen als startpunt, niet een organisatiebrede AI-strategie. AI implementatie voor het MKB start meestal bij één concreet proces, niet bij een brede strategie die maanden voorbereiding vraagt. Zo wordt data readiness behapbaar in plaats van een blokkade.

Data readiness als onderdeel van AI-implementatie

Data readiness is geen los IT-project maar de eerste laag van een bredere AI-implementatie. Voordat een team met AI aan de slag gaat, moet per proces duidelijk zijn welke data nodig is, welke daarvan mag worden gebruikt en waar de controle op de output zit. Het is één van de bouwstenen waarmee AI voor bedrijven verandert van experiment naar vaste werkwijze.

Het four-eyes-principe uit de bankenpraktijk vertaal ik in elke implementatie naar AI-controlepunten op MKB-schaal: geen output naar buiten zonder tweede controle. Een nulmeting brengt per tool en per proces in kaart wat kan en wat mag, als afgebakende eerste stap voordat je een heel team laat werken met AI.

Wil je data readiness als onderdeel van een gestructureerde AI implementatie aanpakken, dan is dat precies waar zo’n traject mee begint. De datavraag wordt niet vooruitgeschoven, maar is de basis waarop de rest van de werkwijze wordt gebouwd.

Het bericht AI data readiness: is jouw data klaar voor AI? verscheen eerst op LearnLLM.

Wat is Claude Science?

Claude Science is een desktop-app waarmee onderzoekers wetenschappelijk werk in één omgeving uitvoeren, van literatuuranalyse tot code-uitvoering en het genereren van publicatieklare figuren. Anthropic benadrukt expliciet dat het geen nieuw model is en ook geen krachtigere versie van Claude voor biologie. De app draait op de bestaande Claude-modellen, waaronder Opus 4.8, zonder aparte toegang of gating.

De app bouwt voort op Claude for Life Sciences, dat Anthropic in oktober 2025 uitbracht als set plug-ins voor wetenschappelijke software en databases. Claude Science tilt dat naar een eigen werkomgeving, beschikbaar in beta voor macOS en Linux, en toegankelijk voor Pro, Max, Team en Enterprise-abonnees.

Wie meer wil weten over Claude als taalmodel zelf, vindt de basis in het artikel over wat Claude precies is.

Hoe werkt Claude Science?

Claude Science werkt met een coördinerende agent die je onderzoeksvraag in gewone taal opneemt en bepaalt welke gespecialiseerde tools nodig zijn. Die agent heeft toegang tot meer dan zestig curated skills en connectors, voorgeconfigureerd voor genomics, single-cell analyse, proteomics, structural biology en cheminformatica.

De coördinerende agent kan zelf specialistische subagents inschakelen, of werken met agents die de gebruiker eerder zelf heeft opgebouwd. Dat werkt vergelijkbaar met de aanpak achter Claude skills, waar een taak wordt opgedeeld in herbruikbare bouwstenen in plaats van één lange instructie.

Een reviewer-agent draait parallel mee en controleert of citaten, berekeningen en figuren daadwerkelijk terug te herleiden zijn naar de onderliggende data en code. Dat is een directe reactie op een bekend probleem: AI-gegenereerde tekst die overtuigend klinkt maar feitelijk niet klopt.

Welke functies heeft Claude Science?

De belangrijkste functie van Claude Science is reproduceerbaarheid. Elke figuur of tabel die de app produceert, wordt geleverd met de exacte code en omgeving waarmee die is gemaakt, een beschrijving in gewone taal, en de volledige gespreksgeschiedenis. Maanden later kan een andere onderzoeker dezelfde stappen precies terughalen.

Op het gebied van rekenkracht regelt Claude Science het beheer van compute-taken. De app draait lokaal op een laptop of Linux-machine, kan een taak via SSH naar een HPC-cluster met Slurm sturen, of gebruikmaken van on-demand rekenkracht via Modal. Grote datasets blijven op de eigen infrastructuur staan; alleen de context die een stap nodig heeft, gaat naar Claude.

Claude Science is vanaf de start voorbereid op specifieke vakgebieden. De app koppelt met meer dan zestig wetenschappelijke databases, waaronder UniProt, PDB en ClinVar, en integreert met de BioNeMo Agent Toolkit van NVIDIA voor modellen als Evo 2, Boltz-2 en OpenFold3. Dat maakt de app direct bruikbaar voor eiwitvouwing, genoomanalyse en vergelijkbare taken zonder dat een lab zelf integraties hoeft te bouwen.

Voor wie is Claude Science bedoeld?

Claude Science is bedoeld voor onderzoekers en wetenschappelijke labs, met een focus op life sciences: biomedisch onderzoek, chemie, en aanverwante hardere wetenschappen. Academische instellingen en non-profit onderzoeksorganisaties komen in aanmerking voor een afgeprijsd Team-abonnement, geverifieerd via de hoofdonderzoeker van het lab. Commerciële partijen, zoals contract research organisaties, vallen onder de reguliere Team- en Enterprise-abonnementen.

Bij een Team- of Enterprise-abonnement moet een beheerder Claude Science eerst voor de organisatie inschakelen voordat teamleden de app kunnen gebruiken.

Anthropic ondersteunt daarnaast tot vijftig Claude Science-projecten met een budget van maximaal 30.000 dollar per project, gericht op promovendi en onderzoekers die vakgebieden overstijgen binnen het biomedisch onderzoek. Aanmelden kan tot 15 juli 2026, met toekenning eind juli en een looptijd van september tot december 2026.

Bij vroege gebruikers gaat het vooral om concrete onderzoekstaken: een neurowetenschapper bij het Allen Institute bouwde met Claude Science een multi-agent pipeline voor computationele review, en een onderzoeksgroep aan UCSF versnelde met de app een germline-analyse van glioomdata. Dat past bij het beeld dat Anthropic zelf schetst: een werktuig voor specifieke, code-gedreven analyses, niet een algemene assistent.

Voor wie buiten de wetenschap werkt, marketing, financieel advies of juridische dienstverlening bijvoorbeeld, voegt Claude Science weinig toe. Het is geen productiviteitsapp voor tekst, spreadsheets of klantwerk, maar een gespecialiseerde onderzoeksomgeving. Wie zelf beter wil leren werken met Claude in een ander vakgebied, heeft meer aan de Claude cursus dan aan deze specifieke app.

Hoe combineer je Claude Science met andere Claude tools?

Je combineert Claude Science met andere Claude tools door te kijken naar wat elke tool oplost: Claude Science is voor onderzoek, niet voor softwareontwikkeling of samenwerking op documenten. Voor programmeerwerk blijft Claude Code de aangewezen tool, met dezelfde onderliggende logica van agents en skills maar dan gericht op codebases in plaats van laboratoriumdata.

Voor teamwerk buiten een puur wetenschappelijke context past Claude Cowork beter: die tool is gebouwd voor samenwerking op bredere kantoortaken, niet voor genomics-pipelines. En de output van een sessie, of dat nu een figuur of een rapport is, komt in beide gevallen terug als een op zichzelf staand resultaat, vergelijkbaar met hoe Claude artifacts werken in de reguliere Claude-interface.

Het patroon achter al deze tools is hetzelfde: een coördinerende agent die specialistische skills inzet voor een specifieke context. Claude Science is de wetenschappelijke uitwerking van dat patroon, geen apart product met een eigen logica.

Hoe leer je zelf werken met Claude?

Claude Science is voorbehouden aan onderzoekers, maar de vaardigheden om zelf goed met Claude te werken in je eigen vakgebied leer je los van dit specifieke product. Claude is mijn primaire dagelijkse tool, zowel via de interface als via de API, en die praktijkervaring vertaal ik naar de manier waarop de Claude cursus is opgebouwd.

De cursus behandelt geen wetenschappelijke workbenches zoals Claude Science, maar wel de basisvaardigheden die je in elk vakgebied verder helpen: hoe je prompts opbouwt, documenten laat verwerken, en Claude inzet in een herhaalbare werkwijze in plaats van losse pogingen.

Het bericht Wat is Claude Science en voor wie is het bedoeld? verscheen eerst op LearnLLM.

De term bestaat al langer, maar is de laatste jaren urgenter geworden. Clouddiensten en gratis AI-tools zijn met een paar klikken in gebruik, zonder installatie of goedkeuring. Bijna altijd gaat het om goedbedoeld gedrag: iemand wil sneller werken en grijpt naar een tool die binnen dertig seconden resultaat geeft. Het probleem zit niet in de intentie, maar in het ontbreken van afspraken en overzicht.

Voorbeelden van shadow IT

Shadow IT ziet er zelden spannend uit. Het gaat om alledaagse tools die medewerkers erbij pakken omdat ze handig zijn. Een prive-account bij een clouddienst om werkbestanden met een klant te delen. Een gratis online tool die een PDF omzet of een tekst vertaalt. Een WhatsApp-groep met klanten omdat dat sneller voelt dan de officiele mail. Een AI-chatbot die een verslag samenvat.

Wat deze voorbeelden delen: degene die in een klein kantoor de IT-rol vervult, weet er niets van. Daardoor kan niemand beoordelen of de tool veilig is, waar de data terechtkomt, of het abonnement via een automatische verlenging blijft doorlopen. De tool zelf is meestal niet het probleem. Het gebrek aan zicht erop is dat wel.

Waarom shadow IT ontstaat

Shadow IT ontstaat zelden uit onwil. Medewerkers ervaren tijdsdruk, zien een tool die hun werk versnelt, en gebruiken die zonder erbij stil te staan dat er geen beleid voor is.

Drie dingen versterken dat. De meeste tools zijn gratis en werken direct in de browser, zonder installatie of aanvraag. Er is vaak geen goedgekeurd alternatief, dus de medewerker zoekt er zelf een. En omdat veel organisaties nog bezig zijn hun AI-beleid te vormen, handelen mensen voordat er richtlijnen liggen.

Dat maakt shadow IT eerder een structureel gat dan een disciplineprobleem. Wie het als ongehoorzaamheid behandelt, pakt de verkeerde oorzaak aan. De vraag is niet hoe je medewerkers strenger houdt, maar waarom het goedgekeurde pad ontbrak.

Welke risico’s shadow IT met zich meebrengt

De risico’s van shadow IT draaien om een ding: je kunt niet beschermen wat je niet ziet. Zodra data buiten het zicht van de organisatie beweegt, komen de veiligheid, de naleving van regels en de grip op kosten onder druk. Voor kennisintensieve dienstverleners weegt dat zwaar, omdat ze werken met vertrouwelijke klantgegevens.

De compliance-kant is voor dienstverleners het meest concreet. Een medewerker die een vertrouwelijk dossier in een gratis tool plakt, verwerkt persoonsgegevens buiten elke verwerkersafspraak om, wat botst met de AVG. Grip op tools weegt bovendien zwaarder sinds de EU AI Act voor bedrijven ook eisen stelt aan de AI-geletterdheid van medewerkers.

Verlies van zicht op bedrijfsdata

Verlies van zicht op bedrijfsdata is het kernrisico van shadow IT. Zodra een bestand in een ongoedgekeurde clouddienst of chatbot belandt, weet de organisatie niet meer waar het staat, wie erbij kan, of het na gebruik wordt bewaard.

Bij een datalek betekent dat vertraging op het slechtst mogelijke moment. Je kunt een incident niet indammen in een tool waarvan je het bestaan niet kende. Voor een kantoor dat draait op vertrouwelijkheid is dat een reeel aansprakelijkheidsrisico richting klanten.

Dubbele softwarekosten

Dubbele softwarekosten zijn de minder zichtbare kant van shadow IT. Als drie teamleden los een eigen abonnement afsluiten op vergelijkbare tools, betaalt het kantoor meerdere keren voor hetzelfde zonder dat iemand het overziet.

Die uitgaven lopen via declaraties of persoonlijke creditcards en duiken nergens gebundeld op. Naast verspilling maakt dat het contractbeheer lastig, want niemand houdt bij welke abonnementen automatisch verlengen.

Shadow AI als scherpste vorm van shadow IT vandaag

De snelst groeiende vorm van shadow IT is op dit moment ongecontroleerd AI-gebruik. Gratis AI-chatbots zijn overal, werken direct in de browser en leveren binnen seconden resultaat. Dat maakt ze laagdrempelig, onzichtbaar en direct gevoed met bedrijfsdata.

Uit onderzoek van beveiligingsbedrijf Vanta uit 2026 bleek dat 70 procent van de bedrijven met shadow IT te maken heeft, vaak doordat medewerkers AI-tools inzetten zonder beveiligingscontrole of toezicht. Bij ongecontroleerd gebruik brengt shadow AI bovenop de gewone datarisico’s ook outputrisico’s mee, zoals verzonnen feiten die onopgemerkt in klantwerk belanden.

De aanpak blijft dezelfde als bij elke andere vorm van shadow IT: niet verbieden, maar zichtbaar maken en er afspraken omheen bouwen.

Shadow IT bij kantoren zonder IT-afdeling

Shadow IT bij kantoren zonder IT-afdeling vraagt een ander antwoord dan de securityvendors geven. De adviezen van partijen als IBM of Cisco draaien om detectiesoftware die voortdurend het netwerk scant, en dat veronderstelt een IT-team dat een kantoor van vijftien mensen simpelweg niet heeft.

Bij een accountantskantoor, notariskantoor of marketingbureau is er geen CISO die tools blokkeert. Er is een partner of eigenaar die het er druk mee heeft, en een handvol mensen die zelf hun tools kiezen. De oplossing zit daar niet in dure software, maar in een gedeelde werkwijze.

De aanpak is daarom bewust klein. In plaats van een complete compliance-afdeling werk ik met een interne champion en een werkbaar governance-document dat past bij de schaal van het kantoor. Bij kleine kantoren draait AI voor het MKB om een paar processen goed inrichten in plaats van een brede uitrol. Bij kleine kennisorganisaties hoort die grip op tools bij de bredere vraag hoe je AI voor bedrijven verantwoord in een team inzet.

Hoe je shadow IT beheersbaar maakt

Shadow IT beheersbaar maken begint niet met een verbod, maar met zicht. Een verbod op AI-tools werkt averechts: medewerkers gebruiken ze dan alsnog, alleen stiekem, waardoor je nog minder overzicht houdt.

De eerste stap is inventariseren welke tools nu al in gebruik zijn, zonder er een afrekening van te maken. Daarna stel je een korte lijst met goedgekeurde tools samen, zodat er een legaal en makkelijk pad is. Vervolgens maak je afspraken over welke data wel en niet in een externe tool mag, want dat onderscheid is voor dienstverleners het belangrijkste.

Niet elke taak heeft hetzelfde risicoprofiel. Een interne memo vraagt minder controle dan een klantadvies dat de deur uitgaat, en daar zou de controle-intensiteit op mee moeten bewegen. Op dat soort high-stakes output pas ik het four-eyes-principe uit de bankenpraktijk toe: niets gepubliceerd of verstuurd zonder een tweede blik.

Het vastleggen van die afspraken is de kern van verantwoord AI-gebruik binnen een organisatie. Voor een kantoor dat dit gestructureerd wil aanpakken, bouwt een traject voor AI implementatie voor bedrijven die werkwijze in enkele weken op, inclusief toolkeuze en de bijbehorende controlepunten.

Shadow IT verdwijnt niet door het te verbieden, maar door er een gedeelde werkwijze omheen te bouwen die je team ook echt volhoudt. Wil je weten hoe je ongecontroleerd tool- en AI-gebruik binnen jouw kantoor omzet in een controleerbare aanpak? Vraag een offerte aan of plan een kennismaking voor een implementatietraject.

Het bericht Wat is shadow IT? verscheen eerst op LearnLLM.

Het gaat bijna altijd om goedbedoeld gedrag. Medewerkers willen sneller werken en grijpen naar een tool die binnen dertig seconden resultaat geeft. Het probleem zit niet in de intentie, maar in het ontbreken van zicht en afspraken.

Hoe ontstaat shadow AI?

Shadow AI ontstaat zelden uit kwade wil. Medewerkers ervaren tijdsdruk, zien een AI-tool die hun werk versnelt, en gebruiken die zonder erbij stil te staan dat er geen beleid voor bestaat.

Drie dingen versterken dat gedrag. De meeste tools zijn gratis en werken direct in de browser, zonder installatie of goedkeuring. Er is vaak geen goedgekeurd alternatief, dus de medewerker zoekt er zelf een. En omdat organisaties nog druk zijn met het vormen van hun AI-beleid, handelen mensen voordat er richtlijnen zijn.

Dat maakt shadow AI eerder een structureel gat dan een discipline-probleem. Wie het als ongehoorzaamheid behandelt, mist de echte oorzaak.

Het verschil tussen shadow AI en shadow IT

Shadow AI is een specifieke vorm van shadow IT, het bredere fenomeen waarbij medewerkers software of diensten gebruiken die de organisatie niet heeft goedgekeurd. Waar shadow IT gaat over elke ongeautoriseerde app of dienst, gaat shadow AI specifiek over tools die op kunstmatige intelligentie draaien.

Het verschil is meer dan een categorie. Een ongeautoriseerde bestandsdienst slaat data op; een AI-tool verwerkt die data en genereert er nieuwe output uit. De informatie die je invoert kan bovendien bewaard blijven en gebruikt worden om het onderliggende model te trainen, waardoor gevoelige gegevens buiten de organisatie kunnen belanden. Dat maakt shadow AI moeilijker te overzien en riskanter dan klassieke shadow IT.

Welke risico’s brengt shadow AI met zich mee?

De risico’s van shadow AI vallen uiteen in drie categorieën die elkaar versterken. Ze lopen van direct dataverlies tot juridische aansprakelijkheid.

Datalekken en verlies van vertrouwelijke informatie

Het grootste risico van shadow AI is dat vertrouwelijke informatie het kantoor verlaat zonder dat iemand het merkt. Zodra een medewerker klantgegevens, broncode of een strategiedocument in een ongecontroleerde tool plakt, verdwijnt die data buiten het bereik van de organisatie.

Internationale cijfers geven een indruk van de schaal. Uit een IDC-onderzoek uit 2025 blijkt dat 56 procent van de medewerkers ongeautoriseerde AI-tools op het werk gebruikt, terwijl maar 23 procent werkt met tools die de organisatie zelf aanbiedt en beheert. De Amerikaanse National Cybersecurity Alliance vond dat ruim een derde van de medewerkers gevoelige werkinformatie met AI-tools deelt zonder toestemming van de werkgever.

AVG en compliance

Shadow AI botst direct met de AVG zodra er persoonsgegevens in een ongecontroleerde tool terechtkomen. Zonder verwerkersovereenkomst met de aanbieder, en zonder zicht op waar de data wordt opgeslagen, is dat in de meeste gevallen een overtreding.

Vanuit mijn jaren bij grootbanken vertaal ik compliance naar drie concrete vragen: welke data mag in een AI-tool, welke claims kun je verantwoorden, en wie is aansprakelijk voor de output. Bij shadow AI is het antwoord op alle drie onduidelijk, en dat is precies het probleem. AI Act compliance vraagt daarnaast dat organisaties de AI Act compliance op orde brengen, waaronder de AI-geletterdheid van medewerkers, een verplichting die sinds februari 2025 geldt.

Beroepsverantwoordelijkheid en aansprakelijkheid

Voor gereguleerde beroepen voegt shadow AI een laag toe die zwaarder weegt dan een datalek. Accountants, notarissen en advocaten werken onder een wettelijke geheimhoudingsplicht en vallen onder tuchtrecht.

De kern is simpel: AI is nooit verantwoordelijk, jij wel. Een verzonnen bronvermelding of een onjuiste samenvatting die via AI in een advies belandt, blijft de verantwoordelijkheid van de professional die het advies ondertekent. Een tool die niemand heeft goedgekeurd, verandert daar niets aan.

Shadow AI bij kennisintensieve dienstverleners

Shadow AI is juist bij kennisintensieve dienstverleners lastig te zien, omdat een kantoor van vijf tot vijftig medewerkers zelden een aparte IT- of securityfunctie heeft. Bij AI voor het MKB ontbreekt vaak iemand die systematisch bijhoudt welke tools in gebruik zijn, waardoor het gebruik onzichtbaar blijft tot er iets misgaat.

Tegelijk is de data bij deze kantoren per definitie gevoelig. Bij AI in de accountancy gaat het om jaarcijfers, klantdossiers en fiscale gegevens die onder geheimhouding vallen. Bij een notaris of advocaat geldt hetzelfde voor akten, contracten en zaakdossiers.

Niet elke taak heeft daarbij hetzelfde risicoprofiel, en daar zou de controle op mee moeten bewegen. Een interne notitie laten samenvatten is iets anders dan een compleet klantdossier door een externe tool halen. Dat onderscheid expliciet maken is de eerste stap naar grip.

Waarom een AI-verbod shadow AI niet oplost

Een verbod op AI lost shadow AI zelden op en maakt het vaak erger. Wie AI-tools blokkeert, verplaatst het gebruik naar privéaccounts en privételefoons, waar helemaal geen zicht meer op is.

De onderliggende behoefte blijft namelijk bestaan. Medewerkers gebruikten die tools omdat ze hun werk versnellen, en een verbod neemt die druk niet weg. Bovendien signaleert een blokkade dat de organisatie niet meebeweegt, terwijl de omgeving juist steeds meer AI verwacht.

Het alternatief is verantwoord AI-gebruik binnen duidelijke kaders. Niets doen is geen optie, maar alles verbieden ook niet.

Hoe je shadow AI onder controle krijgt?

Shadow AI onder controle krijgen begint niet bij een verbod, maar bij zicht op wat er al gebeurt. Vraag medewerkers zonder sanctie welke tools ze gebruiken en waarvoor; dat levert vrijwel altijd een langere lijst op dan verwacht.

Wie AI voor bedrijven serieus inzet, legt daarna vast welke tools zijn toegestaan en welke data erin mag. Zo’n AI voor bedrijven richtlijn benoemt een goedgekeurde toolset, een duidelijke datagrens en een vast aanspreekpunt voor nieuwe tools. Daarmee krijgen medewerkers een veilig alternatief in plaats van een dichte deur.

Het four-eyes-principe uit de bankenpraktijk vertaal ik naar AI-controlepunten op de schaal van een MKB-kantoor: geen compliance-afdeling, wel een intern aanspreekpunt en een werkbaar richtlijn-document. De aanpak is bewust klein, met één tot drie processen als startpunt in plaats van een organisatiebrede AI-strategie die maanden voorbereiding vraagt.

Shadow AI verdwijnt niet door strenger te controleren, maar door medewerkers een veilige, goedgekeurde manier van werken te geven. Dat is precies wat een AI implementatie traject oplevert: een AI-richtlijn, een goedgekeurde toolset en een team dat in zes tot acht weken volgens dezelfde werkwijze werkt. Wil je weten hoe dat er voor jouw kantoor uitziet, vraag dan een offerte of een vrijblijvende kennismaking aan.

Het bericht Wat is shadow AI? verscheen eerst op LearnLLM.

Waarom AI hallucineert

AI hallucineert omdat een taalmodel geen feiten opzoekt, maar het meest waarschijnlijke volgende woord voorspelt op basis van patronen in zijn trainingsdata. Er zit geen ingebouwde toets aan de werkelijkheid tussen. Het resultaat is tekst die past bij het patroon, niet tekst die per definitie klopt.

Dit voorspellende mechanisme zit in de kern van generatieve AI, die tekst genereert op basis van kansberekening in plaats van een feitelijke bron. De onderliggende mechaniek van hoe AI werkt draait om waarschijnlijkheid, niet om een controle of iets waar is.

Twee factoren vergroten de kans op een hallucinatie. Als de trainingsdata een onderwerp niet of onvolledig dekt, vult het model de gaten op met aannames. En hoe vager je vraag, hoe meer ruimte het model krijgt om te gokken.

Lange gesprekken en grote documenten spelen ook mee. Bij veel context tegelijk raakt een model eerder de draad kwijt, waardoor het informatie van eerder verwisselt of verkeerd terugciteert. Een hallucinatie ontstaat dan niet uit onwetendheid, maar uit een overvol venster.

Welke soorten AI hallucinaties er zijn

AI hallucinaties komen in verschillende vormen voor, maar in professioneel werk zijn er drie die het vaakst schade aanrichten. Het gaat om verzonnen verwijzingen, verzonnen cijfers en verzonnen technische output. Ze delen hetzelfde probleem, want alle drie ogen ze plausibel.

Verzonnen bronnen en citaten

Een verzonnen bron is de hallucinatie die het vertrouwen het snelst ondermijnt. In de periode dat ik ChatGPT intensief gebruikte, noemde het regelmatig onderzoeken, rapporten en citaten die bij controle niet bleken te bestaan. Voor elk type tekst waarin je autoriteit opbouwt met externe verwijzingen is dat een reëel risico.

Verzonnen cijfers en feiten

Verzonnen cijfers zijn een hallucinatie die extra gevaarlijk is, omdat een getal betrouwbaar oogt. Een terugkerend patroon dat ik bij ChatGPT zag, was dat het bij een ingevoerd zoekwoord ongevraagd een zoekvolume plaatste, terwijl er geen koppeling met een keyword-tool als Ahrefs of SEMrush bestaat. Wie zelf geen toegang tot die data heeft, neemt zo’n cijfer al snel voor waar aan.

Ook simpele feiten gaan mis. Vraag naar de hoofdstad van Australië en een model kan met stelligheid Sydney noemen, terwijl het Canberra is.

Verzonnen code en technische details

Bij programmeren levert een hallucinatie code op die op het oog klopt, maar niet werkt. Niet-bestaande Python-functies, WordPress-hooks die nergens gedocumenteerd staan en verzonnen CSS-eigenschappen kwam ik regelmatig tegen. Vaak blijkt het pas als je de code draait, wat tijd kost in het ontwikkelproces.

Hoe je een AI hallucinatie herkent

Je herkent een AI hallucinatie zelden aan de vorm, want de toon is even zelfverzekerd als bij een correct antwoord. De enige betrouwbare check is de inhoud terugleggen tegen een onafhankelijke bron. Ik kijk naar AI-output met de vraag of ik dit onder mijn eigen naam zou publiceren, en die bril legt hallucinaties sneller bloot.

Let extra op samenvattingen. In de periode dat ik ChatGPT gebruikte, vatte het documenten soms samen op een manier die plausibel klonk maar inhoudelijk afweek van de bron. Wie alleen de samenvatting leest en niet teruggaat naar het origineel, krijgt onjuiste informatie zonder het te merken.

Een tweede signaal is een antwoord dat precies past bij wat je hoopte te horen. Taalmodellen zijn getraind om behulpzaam te zijn, en bij twijfel tussen erkennen dat het antwoord ontbreekt of alsnog iets produceren, wint vaak het antwoord. Als iets te mooi of te compleet klinkt, is dat reden om beter te controleren, niet minder.

Niet elk model hallucineert even vaak, en het verschil tussen Claude en ChatGPT komt ook hierin terug. In mijn eigen overstap van ChatGPT naar Claude viel me op dat Claude minder snel bronnen en cijfers verzint, al blijft controle bij beide nodig.

Wil je ChatGPT leren inzetten met vaste controlestappen zodat hallucinaties niet in je werk sluipen, dan bouwt de ChatGPT cursus die werkwijze stap voor stap op.

Hoe je AI hallucinaties voorkomt

AI hallucinaties voorkom je niet volledig, maar je verkleint de kans en vangt de rest op met een paar vaste controles. De eerste zit al in je vraag. Een scherpe, afgebakende vraag geeft het model minder ruimte om te gokken, en daarmee zijn goede vragen stellen aan AI je eerste controle nog voor je de output leest.

De tweede controle komt na de output. Het four-eyes-principe uit mijn jaren bij grootbanken neem ik mee naar AI-werk, want niets gaat de deur uit zonder tweede controle. Soms zet ik Claude in als tweede lezer van ChatGPT-output, of andersom, zodat een tweede model de eerste toetst.

De derde is de feitencheck, en dat is meteen de stap die het vaakst wordt overgeslagen. Feitencheck op bronnen en cijfers is iets waar ik zelf scherper in kan worden, en ik zie veel professionals tegen dezelfde valkuil aanlopen. Het besef dat een model overtuigend kan klinken zonder te kloppen is er wel, de bijbehorende werkstap moet alleen consequent worden ingebouwd.

Wanneer een hallucinatie het grootste risico vormt

Een AI hallucinatie is niet overal even schadelijk, want het risico hangt af van wat je met de output doet. Uit de bankenpraktijk neem ik mee dat niet elke taak hetzelfde risicoprofiel heeft. Een interne notitie die je zelf nog naleest vraagt minder controle dan een gepubliceerd artikel of een advies dat rechtstreeks naar een klant gaat.

Die hiërarchie bepaalt hoeveel controle een taak verdient. Hoe hoger de inzet, hoe strakker de check erop. De verantwoordelijkheid voor de output ligt bij jou, niet bij het model, en dat blijft zo ongeacht hoe overtuigend het antwoord klinkt.

Dit inzicht hoort bij de AI-basiskennis die je nodig hebt voordat je AI op echt werk loslaat. Wie ChatGPT gestructureerd wil leren inzetten, met promptopbouw en outputcontrole als één werkwijze, kan terecht bij de ChatGPT e-learning van LearnLLM.

Het bericht Wat is AI hallucinatie? verscheen eerst op LearnLLM.

Het draait op hetzelfde onderliggende model als de losse chat, dus wat Claude is als AI-assistent verandert niet, alleen de manier waarop een team het inzet. Wie het model zelf nog niet kent, leest los na wat Claude is voordat de teamkant aan bod komt.

Wat Claude Tag is

Claude Tag is geen chatbot die je in een apart venster opent, maar een agent die als vast lid van een Slack-kanaal meedraait. Iedereen in dat kanaal werkt met dezelfde Claude, niet met een eigen sessie.

Onder de motorkap draait Claude Tag op Claude Opus 4.8, op dit moment het krachtigste van de Claude-modellen. Het product vervangt de bestaande Claude in Slack-app, die per gebruiker werkte.

Anthropic beschrijft Claude Tag als een evolutie van Claude Code, de agentic tool die codeertaken vanaf de opdrachtregel afhandelt. Het idee is hetzelfde, maar dan zichtbaar voor een heel team in plaats van voor één persoon in een terminal.

Hoe Claude Tag werkt in Slack

Claude Tag werkt in Slack via één handeling: je tagt @Claude met een verzoek in gewone taal. Denk aan het ophalen van cijfers, het analyseren van een dataset of het opstellen van een concept.

Claude hakt zo’n verzoek in fases en werkt die één voor één af met de tools en databronnen waar het toegang toe heeft. De voortgang staat zichtbaar in de thread, zodat iedereen in het kanaal kan volgen wat er gebeurt.

Grotere taken lopen asynchroon. Claude kan uren of zelfs dagen aan iets doorwerken en tussentijds updates in de thread plaatsen, terwijl de rest van het team met ander werk bezig is.

Wat Claude Tag anders maakt dan een gewone Slack-bot

Wat Claude Tag anders maakt dan een gewone Slack-bot, zijn vier eigenschappen die zelden in één tool samenkomen. Het is gedeeld, het onthoudt, het werkt asynchroon en het kan uit zichzelf iets melden.

De eerste is het gedeelde karakter. Claude Cowork en de losse chat zijn single-player: jouw sessie, jouw context, jouw scherm. In een Claude Tag-kanaal is er één Claude die iedereen ziet en kan overnemen, precies waar de vorige persoon stopte.

De tweede is geheugen. Het geheugen dat Claude in een kanaal opbouwt lijkt op de Claude memory-functie in de chat, maar dan gedeeld, zodat het team context niet telkens opnieuw hoeft uit te leggen.

De derde is asynchroon werken. Je geeft een taak en komt terug wanneer die klaar is, zonder dat je erbij hoeft te blijven zitten.

De vierde is ambient gedrag, oftewel proactief meedraaien. Staat dat aan, dan houdt Claude de kanalen in de gaten, meldt uit zichzelf zaken die relevant kunnen zijn en volgt openstaande taken op die zijn blijven liggen.

Het identiteitsmodel van Claude Tag

Het identiteitsmodel van Claude Tag is de reden dat een gedeelde agent überhaupt kan werken. Zodra meerdere mensen dezelfde Claude taggen, ontstaat de vraag onder wiens rechten het model werkt.

Anthropic lost dat op door Claude een eigen identiteit te geven, wat het bedrijf agent-identiteit noemt. Claude post in Slack als de Claude-app, opent pull requests, oftewel voorgestelde codewijzigingen, als de Claude GitHub-app en bevraagt een datawarehouse via een apart serviceaccount. Er komen geen persoonlijke inloggegevens aan te pas.

De rechten hangen daardoor aan het kanaal, niet aan de persoon. Een beheerder stelt op werkruimteniveau een basis in en kan die per kanaal aanpassen, zodat het engineering-kanaal toegang krijgt tot de codebase en het saleskanaal tot het CRM.

Belangrijk voor de gemoedsrust: Claude rapporteert niet uit privékanalen. Wat in een besloten kanaal staat, blijft daar.

Voordat een team zo’n gedeelde agent breed inzet, helpt het als de mensen die hem aansturen weten hoe je Claude betrouwbaar instrueert. Teams die daar eerst in willen investeren, halen meer uit een Claude AI cursus dan uit het model meteen op grote schaal loslaten.

Voor welke teams Claude Tag beschikbaar is

Claude Tag is beschikbaar voor teams op een Claude Enterprise- of Team-abonnement, voorlopig alleen in Slack. Het is een beta, geen algemene release, en dus niet beschikbaar op de gratis of Pro-versie.

Omdat Claude Tag de oude Claude in Slack-app vervangt, is dit voor veel werkruimtes een migratiebeslissing. Beheerders kunnen binnen dertig dagen kiezen om over te stappen, en alleen een eigenaar van de werkruimte kan de koppeling instellen.

De facturatie loopt op organisatieniveau en is gebruiksafhankelijk, met een instelbaar maandbudget. Anthropic geeft in aanmerking komende organisaties een startkrediet om het uit te proberen.

Waar je op moet letten voordat je Claude Tag inzet

Waar je op moet letten voordat je Claude Tag inzet, is de vraag die geen enkele productpagina beantwoordt: wie is verantwoordelijk voor wat de agent doet? Een gedeelde, deels autonome agent met eigen rechten verschuift die vraag niet naar de tool. AI is nooit verantwoordelijk voor de output, de professional die het gebruikt wel.

Uit mijn jaren bij Rabobank, ABN Amro en Van Lanschot neem ik het vier-ogen-principe mee naar AI-werk: niets high-stakes gaat de deur uit zonder tweede controle. Bij Claude Tag betekent dat concreet dat een pull request, een klantrapport of een advies uit het kanaal dezelfde review verdient als werk van een menselijke collega, voordat het ergens terechtkomt.

Niet elke taak heeft hetzelfde risicoprofiel, en daar zou de controle-intensiteit op moeten meebewegen. Een interne samenvatting mag met minder controle door dan een concept dat onder beroepsverantwoordelijkheid valt. Dat onderscheid maak je vooraf, per kanaal en per taaktype, niet achteraf.

Compliance-denken uit de bankensector vertaalt zich naar drie concrete vragen: welke data mag in het model, welke claims kun je verantwoorden en wie is aansprakelijk voor de uitkomst. Voor accountants en notarissen is die eerste vraag scherp, want klantdata in een kanaal waar Claude meeleest raakt aan beroepsgeheim en AVG.

Voor notariskantoren die hier structuur in willen brengen, legt een AI implementatie notariaat vast welke taken met AI mogen en welke controle daarop volgt. De ambient-modus, waarin Claude uit zichzelf meepraat, is iets om per kanaal bewust aan of uit te zetten in plaats van standaard te laten staan.

In mijn eigen werkwijze is menselijke eindredactie geen optionele stap maar onderdeel van het proces, en dat principe verandert niet omdat de output nu uit een Slack-thread komt.

Claude Tag laat zien waar teambrede AI naartoe gaat: één agent die iedereen ziet en kan aansturen. De winst zit niet in de tool zelf, maar in de werkwijze eromheen, de controlepunten die bepalen wanneer je de output kunt vertrouwen en wanneer niet.

Dat is precies wat een AI implementatie traject opbouwt: samen met je team één tot drie processen inrichten, met een prompt-bibliotheek, een AI-richtlijn en vaste controlepunten die eigendom blijven van je kantoor. LearnLLM begeleidt kennisintensieve dienstverleners daarbij, persoonlijk en op MKB-schaal.

Het bericht Wat is Claude Tag? verscheen eerst op LearnLLM.

Een taalmodel leest een contract door, vat een dossier samen of stelt een conceptbrief op, maar de juridische beoordeling blijft mensenwerk. De vraag is dus niet of je AI inzet, maar welke controle daarna komt en welke informatie je erin zet.

Wat AI verandert in het werk van juristen

AI verandert voor juristen vooral het tempo waarin routinematig werk afgaat. Een taalmodel leest grote hoeveelheden tekst in seconden, herkent patronen in contracten en zet een eerste tekstversie neer. Dat geldt voor de advocaat, de notaris, de bedrijfsjurist en de juridisch adviseur, want hun werk is voor een groot deel lezen, analyseren en schrijven.

Wat niet verandert, is wie verantwoordelijk is voor de uitkomst. Een model dat een clausule samenvat of een termijn signaleert, levert een voorstel, geen oordeel.

De juridische weging, de afweging van belangen en de eindbeslissing blijven bij de jurist. Die scheiding tussen voorwerk en verantwoordelijkheid is het uitgangspunt voor elk verstandig AI-gebruik in de juridische praktijk.

Toepassingen van AI in de juridische praktijk

De toepassingen van AI in de juridische praktijk zitten vooral in werk dat veel tekst en weinig discretie vraagt. Contractanalyse is een voor de hand liggend voorbeeld, waarbij een model afwijkende clausules, ontbrekende bepalingen en risico’s ten opzichte van een standaard markeert en jij beoordeelt wat klopt.

Bij legal research kan AI helpen om een rechtsvraag te ontleden en zoekrichtingen voor te stellen, op voorwaarde dat je elke bron zelf naloopt in een betrouwbare databank.

Daarnaast is AI sterk in samenvatten en herschrijven. Een lang dossier terugbrengen tot de kern, een conceptbrief opstellen of een tekst naar een passende toon brengen, het zijn taken die je voorbereidingstijd verkorten.

Een goede prompt is daarbij bepalend. Je stuurt de output veel preciezer door het model context en een duidelijke rol te geven, en juist het rollen toewijzen in een prompt werkt het best als die rol concreet aansluit bij de juridische taak.

Voor veel van dit werk volstaat een algemeen taalmodel zoals ChatGPT of Claude. Gespecialiseerde juridische AI-tools, getraind op jurisprudentie en wetgeving, kunnen meerwaarde hebben bij diepgaand bronnenonderzoek, maar rechtvaardigen niet altijd de extra kosten.

Die afweging hangt af van het type werk, niet van de marketing eromheen.

Waar AI de fout in gaat bij juridisch werk

Waar AI de fout in gaat bij juridisch werk, gaat het zelden om grammatica en bijna altijd om feiten. Het bekendste risico is verzonnen jurisprudentie, waarbij een model een uitspraak, een artikelnummer of een bron noemt die bij controle niet blijkt te bestaan.

In de periode dat ik intensief met ChatGPT werkte, kwam ik dit patroon consistent tegen; het noemde onderzoeken en bronnen die plausibel klonken maar niet bestonden.

Een tweede risico is subtieler. Een samenvatting kan vlot en overtuigend zijn en toch op een belangrijk punt afwijken van het oorspronkelijke document, en wie alleen die samenvatting leest, mist dat.

In mijn eigen werk met Claude valt me op dat het vaker aangeeft wanneer iets onzeker is en minder snel bronnen verzint dan ik gewend was, maar ook dan blijft controle nodig.

De gemene deler is schijnzekerheid. Een taalmodel genereert tekst die klopt qua vorm, niet per definitie qua waarheid, en dat onderscheid is in juridisch werk het hele verschil.

Feitencheck op bronnen en cijfers is precies de stap die er vaak bij inschiet, een valkuil die ik bij veel professionals terugzie. Bij juridisch werk is die check geen luxe maar de kern van de zorgvuldigheid die je beroep van je vraagt.

Vertrouwelijkheid van cliëntgegevens bij AI-gebruik

Vertrouwelijkheid van cliëntgegevens is bij AI-gebruik een harde grens. Dossierstukken en persoonsgegevens horen niet ongecontroleerd in een willekeurige AI-tool, omdat je geheimhoudingsplicht en de AVG onverkort blijven gelden.

Het account waarmee je werkt bepaalt voor een groot deel wat is toegestaan. Consumentenversies kunnen ingevoerde gegevens onder hun voorwaarden gebruiken om het model te verbeteren, terwijl zakelijke omgevingen met verwerkersafspraken daar juist op zijn ingericht om dat uit te sluiten.

Wie AI structureel inzet, regelt daarom het juiste accounttype, legt verwerkersafspraken vast en anonimiseert documenten waar dat kan, want verantwoord AI-gebruik begint bij die keuzes en niet bij de prompt.

Wat de beroepsregels van juristen vragen

De beroepsregels van juristen leggen de verantwoordelijkheid voor AI-output ondubbelzinnig bij de mens. Tuchtrecht maakt geen onderscheid tussen een fout die je zelf maakt en een fout die je van een model overneemt zonder te controleren.

Een verzonnen uitspraak die in een processtuk belandt, blijft jouw verantwoordelijkheid.

Per beroepsgroep krijgt dat een eigen invulling. Voor de advocatuur vormen de NOvA Gedragsregels het kader, en bovenop de algemene zorgvuldigheid vraagt AI voor advocaten om eigen afspraken rond geheimhouding en dossiergebruik.

Voor het notariaat is de KNB AI-weegschaal het vertrekpunt, waarbij AI in het notariaat direct raakt aan de zorgvuldigheidsnorm van artikel 17 Wna en de poortwachtersrol van de notaris.

Boven al deze regels staat sinds februari 2025 de EU AI Act met artikel 4, dat AI-geletterdheid verplicht stelt voor iedereen die binnen een organisatie met AI werkt. Dat geldt ook voor medewerkers die zelf geen AI gebruiken maar wel met de output te maken krijgen.

Voor een juridisch kantoor betekent het dat aantoonbare kennis van de mogelijkheden en de risico’s geen vrijblijvende keuze meer is.

AI verantwoord inrichten op een juridisch kantoor

AI verantwoord inrichten op een juridisch kantoor betekent de stap maken van losse prompttips naar een gedeelde werkwijze. Een individuele jurist die handig prompt, levert tijdwinst op zichzelf op, maar pas als het hele kantoor volgens dezelfde afspraken werkt, wordt het resultaat controleerbaar en herhaalbaar.

Dezelfde logica die geldt voor AI voor het MKB in het algemeen, een werkwijze die past bij teamgrootte en budget, geldt voor een juridisch kantoor.

Het four-eyes-principe uit mijn jaren bij grootbanken vertaalt zich hier direct naar AI-controlepunten op kantoorschaal. Niets met juridische gevolgen gaat de deur uit zonder tweede controle, en die controle is zwaarder naarmate de inzet hoger is.

Een interne notitie heeft een ander risicoprofiel dan een processtuk of een cliëntadvies, en je controle-intensiteit hoort daarop mee te bewegen.

Concreet komt het neer op drie dingen. Een AI-richtlijn die vastlegt welke tools zijn toegestaan, welke data erin mag en welke controle per taaktype geldt, een interne verantwoordelijke die het overzicht houdt, en een afgebakende start met een tot drie processen.

Klein beginnen en uitbreiden wat werkt, is betrouwbaarder dan een organisatiebrede strategie die maanden voorbereiding vraagt.

Wil je dat AI op je kantoor een aantoonbare werkwijze wordt in plaats van losse experimenten, dan is een begeleide AI implementatie de logische stap. Samen met je team bouw je een prompt-bibliotheek, een AI-richtlijn en de controlepunten die je beroep van je vraagt, met de verantwoordelijkheid waar die hoort, bij de jurist.

Het bericht AI voor juristen: waar het je werk versterkt en waar je moet oppassen verscheen eerst op LearnLLM.