Social Rocket
Wie AI gebruikt voor social content, campagnes of klantcommunicatie, hoeft de eigen merkstem niet alleen in promptregels te beschrijven. Echte transcripties van meetings, adviesgesprekken en brainstorms kunnen ook laten zien hoe een team werkelijk redeneert, beslist en formuleert. Een framework dat Social Media Examiner presenteert, noemt deze verdichte kennisbank een „Cognitive Fingerprint“.
De term klinkt als modeltraining, technisch gaat het bij deze aanpak meestal om iets anders: de bestaande modellen worden niet opnieuw getraind. In plaats daarvan wordt uit geselecteerde gesprekken een gestructureerd contextbestand gemaakt dat je kunt laden in projecten, custom workflows of andere AI-werkomgevingen.
Waarom een styleguide alleen vaak niet genoeg is
Een klassieke brand-voice-gids beschrijft meestal zichtbare regels: toon, voorkeurstermen, verboden formuleringen, zinslengte of voorbeelden van goede posts. Dat helpt bij consistente output, maar vangt maar een deel van de werkelijke expertise op.
In een interview met Social Media Examiner verdeelt Max Bernstein die kennis in vier niveaus:
- Declaratief: wat we weten en hoe we ons werk beschrijven.
- Procedureel: hoe we een taak stap voor stap aanpakken.
- Conditioneel: wanneer we welke weg kiezen – dus de eigenlijke beslislogica.
- Metacognitief: welke mentale modellen en terugkerende denkpatronen achter beslissingen zitten.
Vooral de laatste twee niveaus komen in gewone styleguides zelden voor. Ze worden zichtbaarder wanneer mensen echte problemen bespreken, bezwaren beantwoorden of tussen meerdere opties afwegen.
Dat vult een aanpak aan die we eerder al bij de Claude-workflow als AI Creative Director beschreven hebben: goede AI-output ontstaat minder door een magische prompt dan door goed bronmateriaal, duidelijke regels en een herhaalbaar proces.
Welke transcripties geschikt zijn
Bernstein adviseert niet zoveel mogelijk bestanden te gebruiken, maar gesprekken uit verschillende situaties. Als startpunt noemt hij drie tot vijf transcripties uit verschillende contexten.
Bijzonder nuttig zijn bijvoorbeeld:
- campagne- of contentbrainstorms,
- klant- en adviesgesprekken,
- reviews waarin een concept wordt bekritiseerd en verbeterd,
- sales- of discovery-calls,
- interne beslissingen waarbij meerdere opties tegen elkaar worden afgewogen,
- en vrije spraakmemo's waarin een expert spontaan een probleem doordenkt.
Minder waardevol zijn sterk geschreven presentaties. Die tonen vooral al gepolijste uitspraken en minder van hoe een beslissing tot stand komt.
Een korte contextregel vóór elk transcript helpt bovendien, bijvoorbeeld „klantadvies“, „redactieplanning“ of „campagne-retrospectief“. Zo kan het model vergelijkbare uitspraken beter per situatie indelen.
Zo wordt een kennisbank voor AI uit gesprekken
De praktische workflow kun je relatief klein houden.
Eerst selecteer je alleen transcripten die echt relevante expertise bevatten. Daarna laat je het model niet simpelweg „een brand voice samenvatten“, maar zoek je afzonderlijk naar patronen: terugkerende uitspraken, processen, als-dan-regels, typische bezwaren, voorkeurs-argumentatielijnen en herkenbare uitzonderingen.
Daarna loont een tweede ronde met tegenvoorbeelden: Wanneer geldt de regel niet? Welke beslissing hangt af van het klanttype, kanaal, risico of doel? Juist die uitzonderingen maken het contextbestand bruikbaarder dan een statische prompt.
Het resultaat moet geen ongestructureerde 30-pagina-samenvatting zijn, maar een onderhouden werkbestand met duidelijke secties, zoals:
- toon en taalpatronen,
- beslisregels,
- terugkerende processen,
- kwaliteitscriteria,
- typische fouten,
- voorbeelden en tegenvoorbeelden,
- en open aannames die een mens nog moet controleren.
Zo kan dezelfde kennisbank later worden gebruikt bij het schrijven van social posts, briefings, antwoorden, landingspagina's of interne reviews. Wie hier later een eigen herhaalbaar product of tool van maakt, komt snel uit bij de aanpak die we in de gids over AI-tools op basis van eigen expertise hebben beschreven.
Het belangrijke verschil: context in plaats van echte training
Marketingteams moeten taalkundig zuiver blijven. Wanneer een bestand in een ChatGPT-project, een Claude-project of een vergelijkbare workspace wordt geladen, betekent dat normaal gesproken niet, dat het basismodel op die persoon of dat merk is bijgetraind.
In de praktijk gaat het eerder om een extra kennis- en contextlaag. Dat heeft een voordeel: het bestand blijft overdraagbaar en kan bij een modelwissel worden bijgewerkt of in een ander systeem verder worden gebruikt.
Het nadeel is dat ook dit contextbestand onderhouden moet worden. Beslissingen veranderen, producten ontwikkelen zich verder en teams passen hun positionering aan. Een zes maanden oude „fingerprint“ kan net zo verouderd zijn als een oude styleguide.
Gegevensbescherming is geen bijzaak
Meetingtranscripten kunnen persoonsgegevens, vertrouwelijke klantinformatie, interne cijfers of niet-gepubliceerde strategieën bevatten. Voordat zulke bestanden in een AI-systeem worden geladen, moeten teams daarom controleren of ze de gegevens überhaupt mogen gebruiken, welke toestemmingen of interne regels gelden en welke inhoud vooraf moet worden verwijderd of geanonimiseerd.
Ook de gebruikte productversie is relevant. OpenAI legt bijvoorbeeld uit dat inhoud uit ChatGPT Business, Enterprise en de API standaard niet wordt gebruikt om modellen te trainen. Bij persoonlijke ChatGPT-workspaces kan inhoud daarentegen worden gebruikt om het model te verbeteren, tenzij die gegevensdeling is uitgeschakeld.
Voor bedrijven is daarom een governancestap vóór het uploaden zinvoller dan later opruimen: Welke soorten gesprekken mogen worden gebruikt? Welke namen of klantgegevens worden verwijderd? Wie mag de resulterende kennisbank zien en bijwerken?
Hetzelfde principe geldt voor geautomatiseerde kwaliteitscontrole. Een AI kan patronen zichtbaar maken, maar mag niet de enige instantie zijn die beslist wat bij het merk past. Aanvullend kunnen bijvoorbeeld AI-persona's en feedbackloops helpen om concepten te toetsen aan vastgelegde doelgroep- en kwaliteitscriteria.
Wat social-teams eraan hebben
Het interessantste effect is niet dat AI ineens "denkt als een mens". Dat valt op basis van een paar transcripties niet serieus af te leiden. Praktischer is iets anders: impliciete teamkennis wordt gedocumenteerd en herbruikbaar.
Zo kan een social-team nieuwe medewerkers sneller inwerken, briefings consistenter formuleren en AI-workflows van veel meer context voorzien dan met één enkele systeemprompt. Tegelijk ontstaat een kennisbank die ook zonder AI waardevol is, omdat zichtbaar wordt welke regels en afwegingen tot nu toe alleen in hoofden of vergaderingen bestonden.
Voor merken is dat de eigenlijke hefboom: niet "AI moet ons nabootsen", maar goede beslissingen zo vastleggen dat mensen en AI ze betrouwbaarder kunnen toepassen.