Native zoals in native speaker. AI-native werken betekent dat AI de moedertaal van je team wordt. Dat is hoe wij naar werken met AI kijken, en het was het verhaal van Head of Strategy Daan Loohuis op AI Live 2026. Het event vulde op 17 november het World Trade Center in Rotterdam. Emerce zette één thema centraal: van AI-hype naar heldere keuzes. Wij waren er als partner bij en stonden twee keer op Stage 2.
Daan liet zien hoe je werk verandert als agents een deel van je taken overnemen. Daarna liet AI Architect Alfred Simon zien welk model je kiest als AI duizenden beslissingen moet nemen. Dit is onze kijk op beide vragen, met de voorbeelden die we op het podium lieten zien.
AI-native werken begint bij het proces
Bij AI-assisted werken volg je het proces zoals je het al jaren doet, met ChatGPT of Copilot als sidekick waarin je dingen knipt en plakt. AI-native werken draait dat om. Je ontwerpt je proces vanuit het gegeven dat AI-agents bestaan. Het is een opkomende term in organisatiedenken, en voor ons draait die nadrukkelijk om de rol van mensen. Het doel is mensen in hun kracht zetten in een wereld met LLM’s. Daan vatte het op het podium samen in één gedachte: “Een baan bestaat uit taken. Een deel daarvan geef je aan agents, en daardoor ontstaan er ook weer nieuwe taken voor mensen.”
De orchestrator bepaalt, de agents leveren
Die nieuwe rol noemen wij de AI-orchestrator, en Daans presentatie op AI Live is er zelf een voorbeeld van. Agents in de rol van webdeveloper, animator en redacteur maakten de presentatie en deden hun suggesties. De keuzes bleven bij de mens: hoe de presentatie eruitziet, welke Adwise-stijlrichtlijnen gelden, welke video- en muziekfragmenten wanneer terugkomen en in welke volgorde het verhaal loopt. Bekijk het resultaat.
De laatste 20 procent vraagt om menselijk oordeel
Bij doelgroep- en marktanalyses werkt het net zo. AI versnelt het onderzoek enorm, maar de strateeg bepaalt welke bronnen erin gaan. Denk aan de openbare bronnen, de ingekochte tools en databronnen, de reviewplatformen die in die markt echt tellen en de juiste concurrentieset. Onze ervaring is dat zo’n 80% van wat LLM’s en agents opleveren klopt, terwijl de overige 20% er flink naast zit. Bouw je daarop door, dan stapelt die fout zich op in elke analyse en conclusie. De strategische en tactische keuzes maakt AI niet voor je.
Op het podium lieten we beide kanten zien. Voor een industriële klant met duizenden producten en honderden varianten zette een AI-model het bronmateriaal om in een digitale productcatalogus waar je doorheen kunt navigeren. Onderweg vond het model ook fouten en ontbrekende vertalingen in dat bronmateriaal. Tegelijk toonden we een AI-analyse van 45 pagina’s die ongecheckt rondging, met het label “definitief” erop.
Duizenden beslissingen vragen om een ander model
AI maakt tot nu toe vooral content. De volgende vraag is wat je doet als AI niets hoeft te genereren en alleen duizenden slimme beslissingen moet nemen. Onze vuistregel is helder. Een script gebruik je om te rekenen, en een LLM als je tekst nodig hebt, zoals uitleg of advies. Een decision model zet je in als je een oordeel nodig hebt over elke rij van duizenden rijen: één label uit jouw eigen opties, plus hoe zeker het model daarvan is.
Neem een voorbeeld uit Google Ads. Een script ziet de zoekterm “noppenfolie 100m” met €92,71 besteding en nul conversies, en concludeert: uitsluiten. Terwijl het je kernproduct is. Een LLM snapt de betekenis wel, maar raakt met duizenden rijen in de prompt het overzicht kwijt en is bovendien traag en duur. Een decision model leest elke rij apart, kiest uit jouw opties en geeft aan hoe zeker het is. Die zekerheid maakt het verschil. Daarmee bepaal je wat code automatisch mag doen en wat een mens moet zien.
Duizenden oordelen voor een paar cent
In eigen tests met Jev van TypeSafe labelden we 3.000 zoektermen van een Nederlandse verpakkingenwebshop in 14,5 seconden, voor $0,05. Vier runs op dezelfde webshop, van zoektermen en PMax-plaatsingen tot de productfeed en zoekwoordintentie, verwerkten samen 8.062 rijen in 41,7 seconden voor $0,23. Volgens de maker is het model ruim 5 procentpunt minder nauwkeurig dan Claude Opus 5 (67,8% tegen 73,1%), maar 440 keer goedkoper.
Hoe betrouwbaar de labels zijn, verschilt per account. Op een SaaS-account klopte het label “irrelevant” in 95% van de gevallen vanaf een zekerheid van 0,7. Op de webshop haalde het model die 95% niet. Ons advies: kalibreer altijd op je eigen accountdata.
Begin klein en begin morgen
De meeste vragen uit de zaal gingen over fine-tuning en over waar je moet beginnen. Ons advies: maak het niet te groot. Gedeelde context, skills, connectoren en MCP’s voor je hele organisatie horen op je roadmap voor de komende één tot drie jaar. Maar je kunt morgen al kleiner beginnen.
Kies één taak of project, zoals een specifieke vorm van contentcreatie, een marktanalyse of een data-analyse, en maak die eerst AI-native. Zet daar alle context en skills voor klaar, met hooguit een paar connectoren die geen bedrijfskritische data, persoonsgegevens of security raken. De vaardigheden van je team groeien dan mee, en de nieuwe manier van werken ontstaat vanzelf, zonder dat het meteen een grote transformatie hoeft te zijn.
Ontdek welke taak in jouw team als eerste AI-native kan
Plan een vrijblijvende sparsessie met onze AI-strategen.