---
title: "Van betere prompts naar een écht AI-voordeel: de les van Satya Nadella voor serieuze AI-gebruikers"
date: 2026-06-14
author: "Sam"
categories:
  - name: "AI en strategie"
    url: "/category/ai-en-strategie.md"
---

# Van betere prompts naar een écht AI-voordeel: de les van Satya Nadella voor serieuze AI-gebruikers

**Door de redactie · 14 juni 2026**

**TL;DR** In een lang bericht op X legde Microsoft-CEO Satya Nadella uit waarom de huidige AI-transitie fundamenteel anders is dan eerdere platformverschuivingen. Bedrijven (en professionals) moeten niet alleen menselijk kapitaal beheren, maar ook “token capital”: de AI-capaciteit die je zelf bouwt en bezit. Voor iedereen die prompts, agents en AI-tools professioneel gebruikt, betekent dit een verschuiving. Betere prompts en slimmere modelkeuzes zijn nuttig, maar op den duur onvoldoende. De echte voorsprong komt van het systematisch vastleggen van je eigen expertise, oordelen en resultaten in systemen die blijven verbeteren — een leerlus die alleen van jou is.

## De aanleiding

Op 14 juni 2026 deelde Satya Nadella een uitgebreide reflectie op de toekomst van organisaties in een door AI gedreven economie. Het bericht is opvallend strategisch en waarschuwend van toon.

Hij beschrijft dat eerdere digitale transities vooral gingen over het versterken van menselijk kapitaal met tools. Deze transitie creëert een directe “cognitive loop” tussen mensen en digitale systemen. Dat verandert hoe kennis wordt vastgelegd, hoe organisaties leren en hoe waarde wordt verdeeld.

Het centrale nieuwe begrip: human capital (kennis, oordeel, relaties, patroonherkenning van mensen) én token capital (de AI-capaciteit die een organisatie of individu zelf bouwt en bezit). Mensen blijven de richting aangeven; zonder menselijke sturing draaien de systemen in het rond. Maar de organisaties die hun menselijke expertise omzetten in verbeterende AI-systemen, bouwen een compounding voordeel op.

Het risico dat hij noemt is scherp: als alle waarde naar een klein aantal frontier-modellen vloeit terwijl de rest van de economie haar kennis laat commoditiseren, ontstaat een situatie zonder maatschappelijk draagvlak — vergelijkbaar met de uitholling die globalisering en outsourcing in sommige sectoren veroorzaakten.

## Het grotere verhaal: prompts zijn geen strategie

Voor mensen die professioneel met AI werken — of dat nu als coach, consultant, power user, teamlead of ondernemer is — voelt dit als een bevestiging van iets wat al langer in de lucht hangt.

De eerste golf van AI-adoptie ging over toegang en prompting. Iedereen leerde hoe je betere instructies geeft, chain-of-thought toepast, few-shot voorbeelden gebruikt, rollen definieert en modellen vergelijkt. Dat leverde echte productiviteitswinsten op.

De tweede golf ging over agents en workflows: in plaats van een eenmalige vraag, bouw je multi-step systemen die tools aanroepen, context ophalen en acties uitvoeren.

Wat Nadella nu benadrukt, is de derde laag: de leerlus eromheen. Niet alleen wat je een model vraagt, maar wat je terugkrijgt, hoe je dat beoordeelt, hoe je je eigen correcties en domeinspecifieke kennis vastlegt, en hoe je dat alles gebruikt om het systeem de volgende keer beter te maken — specifiek voor jouw werk, jouw klanten, jouw domein.

Een betere prompt is een tactische verbetering. Een eigen leerlus is een strategisch asset.

Je kunt een taak of zelfs een hele job “offloaden” naar AI, maar je kunt je leren nooit offloaden. Dat is de kernzin uit het bericht. Wie alleen consumeert wat generieke modellen produceren, bouwt geen eigen vermogen op. Wie zijn eigen oordelen, correcties, klantcontext en resultaten structureel terugvoert in zijn systemen, bouwt iets op dat compoundeert.

## Van losse prompts naar een “hill climbing machine” voor je eigen expertise

Nadella noemt het beeld van een “hill climbing machine” die elke verbeterde workflow omzet in beter trainingssignaal, wat leidt tot snellere opbouw van unieke, taciete kennis.

Voor professionals en coaches die met AI werken, ziet dat er in de praktijk ongeveer zo uit:

- Je legt niet alleen de prompts vast, maar ook de context die je meegeeft (klantdata, eerdere beslissingen, domeinspecifieke regels, toonvoorkeuren).
- Je definieert evaluatiecriteria die écht voor jouw werk tellen (niet alleen “is het grammaticaal correct en klinkt het aardig”, maar “past dit bij de specifieke situatie van deze klant en levert het het gewenste resultaat op?”).
- Je registreert systematisch waar het model goed presteert en waar het faalt of hallucineert, en je gebruikt die informatie om instructies, retrieval of agent-logica aan te passen.
- Je bouwt een groeiende, eigen kennisbank van “hoe wij dit doen” die je agenten en prompts steeds sterker maakt, onafhankelijk van welk onderliggend model je op dat moment gebruikt.

Dit is precies de “company veteran” expertise die je niet wilt verliezen als je van model wisselt. Het is ook de reden waarom veel serieuze gebruikers al experimenteren met memory, vector stores, custom instructions die evolueren, en feedbackmechanismen in hun tools.

De verschuiving is van “ik ben goed in prompts” naar “ik bouw en bezit een systeem dat mijn expertise elke week beter maakt en dat ik kan meenemen”.

## Wat we (nog) niet zeker weten

- Hoe toegankelijk deze vorm van “private evals en feedbacklussen” wordt voor individuen en kleine teams versus grote organisaties met eigen engineering resources.
- Welke tooling het snelst volwassen wordt voor niet-technische professionals (eenvoudige interfaces voor memory, eval en feedback versus full developer stacks).
- Hoe sterk de grote providers hun enterprise-oplossingen (Copilot Studio, custom agents, etc.) positioneren als “jouw leerlus” terwijl ze toch grotendeels op hun infrastructuur en modellen draaien.
- Wat de werkelijke kosten en baten zijn voor een solo-professional of klein team om dit serieus op te zetten versus blijven werken met de beste beschikbare consumententools.

## Wat dit voor jou betekent als je professioneel met AI werkt

De meeste mensen die nu “promptcoaching” of geavanceerd AI-gebruik doen, helpen anderen om beter te worden in het stellen van vragen en het structureren van interacties. Dat blijft waardevol. Maar de volgende laag is minstens zo belangrijk: helpen (of zelf) de stap maken van losse, herhaalbare prompts naar een systeem dat je eigen expertise compoundeert.

Praktische richtingen die passen bij hoe veel power users en coaches al werken:

1. 1. Behandel je eigen prompts, correcties en klantcases als data. Bouw (of begin klein) een persoonlijke of team-kennisbank waarin je vastlegt wat werkte, wat niet werkte, welke context cruciaal was en welke uitzonderingen je tegenkwam.

1. 2. Definieer private evaluatiecriteria. Maak een set van 10-30 concrete scenario’s uit je eigen praktijk met een duidelijke “goede” uitkomst volgens jouw standaarden. Gebruik die regelmatig om te testen of je prompts, agents of retrieval beter worden.

1. 3. Sluit de feedbacklus expliciet. Wanneer je een output beoordeelt, corrigeert of aanpast, zorg dat die correctie ergens terechtkomt waar je systeem er de volgende keer iets aan heeft — in een memory-laag, een updated instruction set, een retrieval document of een trainingssignaal.

1. 4. Test model-onafhankelijkheid. Kijk of je de kern van je werk (de context, de evaluatiecriteria, de feedback) kunt verplaatsen naar een ander model of een ander platform zonder dat je alles opnieuw moet opbouwen. Dat is een sterke test voor of je écht token capital aan het opbouwen bent.

Werk je eerst aan betere modelinstructies, begin dan met [Claude prompting best practices](/claude-prompting-best-practices/) of de [promptgidsen per model](/promptgidsen/). Gebruik die gidsen als opstap, niet als eindpunt.

## Mijn oordeel

De boodschap van Nadella is ongemakkelijk maar gezond. De meeste waarde in de AI-economie zal niet zitten in wie op dit moment de beste prompts schrijft of het populairste model gebruikt. Die voorsprong is tijdelijk en makkelijk in te halen.

De blijvende waarde zit bij wie erin slaagt zijn eigen expertise, oordelen en resultaten om te zetten in systemen die blijven leren en die alleen hij of zij echt bezit. Dat geldt voor grote bedrijven, maar net zo goed voor professionals, coaches, consultants en kleine teams.

Prompt engineering was de eerste, noodzakelijke vaardigheid. Het opbouwen en onderhouden van een eigen leerlus is de volgende. Wie daar nu serieus mee begint — hoe klein ook — legt de basis voor een voordeel dat compoundeert in plaats van elke paar maanden opnieuw te moeten bevechten.

Dat is wat Nadella bedoelt met human capital en token capital die elkaar versterken. En dat is de reden waarom “gewoon beter prompten” op den duur niet genoeg is.

**Bron:** dit artikel is geschreven naar aanleiding van [het bericht van Satya Nadella op X van 14 juni 2026](https://x.com/satyanadella/status/2066182223213293753). De duiding en praktische vertaling zijn eigen redactionele analyse.

## Verder lezen

Prompt engineering wordt pas nuttig als je de fout kunt aanwijzen: ontbrekende context, verkeerde rol, geen voorbeeld of geen controle op het antwoord. Lees daarna ook [bekijk de AI-prompt hub](/ai-prompts/) of [gebruik de Prompt Coach](/prompt-coach/).