Stel je voor dat je een briljante nieuwe medewerker aanneemt. Iemand die alle vakliteratuur heeft gelezen, vloeiend schrijft in elke toon, en elk onderwerp kan behandelen. Je geeft haar een bureau, een laptop en de opdracht: ga aan de slag.
Na een week bekijk je de resultaten. Ze zijn technisch correct. Ze zijn ook volstrekt generiek. De nieuwe medewerker heeft geen informatie over je klanten, heeft je huisstijlgids niet gelezen, heeft geen idee welke projecten lopen en heeft geen toegang tot je systemen. Ze doet precies wat je vraagt, op basis van wat ze al meebracht. Meer kan ze niet.
Dat is een AI-model zonder systeem eromheen. Het hoeft daar niet te stoppen. Dezelfde nieuwe medewerker kan uitgroeien tot iemand die de organisatie door en door kent, zelfstandig taken oppakt en precies levert wat nodig is. Het verschil zit niet in haar capaciteiten. Het zit in wat je eromheen bouwt: de kennis die je deelt, de tools die je beschikbaar maakt, de instructies die je meegeeft, het toezicht dat je inricht. Die opbouw, stap voor stap, maakt van een AI-model een AI-systeem.
Het model is het startpunt
Een AI-model — in de vakliteratuur ook wel een foundation model genoemd — is getraind op enorme hoeveelheden tekst. Het heeft patronen geleerd, kan schrijven, analyseren, samenvatten en redeneren. Wie de eerdere pagina’s op deze site heeft gelezen, snapt wat een model is en hoe het ontstaat. Die basis is reëel en waardevol.
De basis heeft ook grenzen. Het model heeft geen informatie over je organisatie. Het heeft geen actuele kennis. Het vergeet alles tussen gesprekken. Het kan geen handelingen uitvoeren. Het doet precies wat je vraagt, op het moment dat je het vraagt, met de kennis die het toevallig in de training heeft meegekregen. Meer kan het niet.
Denk terug aan eind 2022, toen ChatGPT verscheen. Miljoenen mensen ontdekten voor het eerst wat een AI-model kon. Het kon tekst schrijven, vragen beantwoorden, code produceren. Het was indrukwekkend. Het was ook beperkt. Het verzon bronnen die niet bestonden. Het had geen idee wat er gisteren in het nieuws was. Het verloor na een paar berichten de draad van het gesprek. En het kon niets doen behalve tekst produceren.
Sindsdien is er enorm veel veranderd. Die verandering komt uit twee richtingen. Het model zelf is beter geworden: de training is grondiger, de architectuur is krachtiger, de modellen zijn nauwkeuriger. Dat is de ene helft. De andere helft komt uit alles wat er om het model heen is gebouwd. Zoekfuncties die actuele informatie ophalen. Kennisbanken die organisatiespecifieke documenten meegeven. Tools waarmee het model bestanden kan aanmaken, berekeningen kan uitvoeren, systemen kan benaderen. Workflows en agents die meerdere stappen automatisch uitvoeren.
Dat is het inzicht dat ertoe doet.
De waarde van AI in een organisatie komt zelden uit het model alleen. Die komt uit het systeem dat eromheen is gebouwd. Twee organisaties die hetzelfde model gebruiken met een ander systeem eromheen, leveren totaal verschillend werk. Het verschil zit in wat ze het model meegeven: welke kennis, welke tools, welke instructies, welke controle.
Terug naar de nieuwe medewerker. Op het ene kantoor krijgt ze een bureau en een laptop. Op het andere kantoor krijgt ze een inwerkprogramma, toegang tot het kennissysteem, een mentor, de huisstijlgids en een overzicht van lopende projecten. Dezelfde persoon. Dezelfde capaciteiten. Het verschil in output na een maand is enorm.
Het ringen-model: de opbouw in vijf stappen
De stap van model naar systeem verloopt in een logische opbouw. Er zijn capabiliteiten die je toevoegt, en elke capabiliteit lost een concreet probleem op dat zonder die toevoeging blijft bestaan.
Wij hebben bij AIscendo het ringen-model ontwikkeld om die opbouw zichtbaar te maken. Het is het denkraam dat de rest van deze website organiseert en dat we ook in onze trainingen gebruiken om directies en managementteams mee te nemen in hoe AI-systemen zijn opgebouwd.
In het midden staat het model als kern. Daaromheen liggen vijf ringen, elk een laag die iets toevoegt. En om het geheel heen ligt een buitenrand: het toezicht dat alles bij elkaar houdt.
Elke ring beantwoordt drie vragen. Wat kon het systeem hiervoor niet? Wat voegt deze ring toe? En wat betekent dat voor wie er beslissingen over neemt?
De kern: het model
De kern is het AI-model zelf. Het resultaat van pretraining en posttraining. Het kan tekst genereren, instructies volgen en patronen herkennen. Het is de motor. Zonder motor gaat er niets, maar een motor zonder stuur, zonder brandstof en zonder bestuurder gaat nergens heen.
Dit was de ChatGPT die eind 2022 verscheen. Indrukwekkend in wat het kon produceren. Beperkt in alles wat het niet had: geen actuele informatie, geen organisatiekennis, geen geheugen, geen handelingsvermogen. De kern is waardevol. De kern alleen is niet genoeg.
Bij de nieuwe medewerker: dit is het moment dat ze is aangenomen. Ze heeft haar opleiding, haar kennis, haar capaciteiten. Ze zit achter haar bureau. Klaar om te beginnen, zonder iets te hebben over de organisatie waar ze net is binnengekomen.
→ Meer over hoe het model ontstaat: Hoe wordt een AI-model gemaakt?
Ring 1: Aansturen
Het model doet precies wat je vraagt. Vraag je het verkeerd, dan krijg je het verkeerde antwoord. De kwaliteit van de output hangt volledig af van hoe je de opdracht formuleert en welke informatie je meegeeft. Dat klinkt als een beperking. Het is ook een kans: wie leert hoe je een AI-model goed aanstuurt, haalt er direct meer uit.
Ring 1 voegt die sturing toe. Hoe je een goede opdracht formuleert. Welke bouwstenen een effectieve prompt bevat: een heldere taak, de juiste context, een geschikte rol, de gewenste toon, een duidelijke structuur. Hoe je de hele informatieomgeving rond het model inricht zodat het telkens de juiste achtergrond heeft. Dit is het domein van prompt engineering en context engineering.
Het verschil is direct voelbaar. Dezelfde vraag aan hetzelfde model, de ene keer als losse zin, de andere keer als gestructureerde werkbriefing met context, levert twee totaal verschillende antwoorden op. Het model is hetzelfde. De sturing maakt het verschil.
Bij de nieuwe medewerker: dit is de werkbriefing. Je leert haar uitleggen wat je wilt, je geeft achtergrondinformatie mee, je vertelt wie de doelgroep is. Ze levert beter werk als ze betere opdrachten krijgt. Niet omdat ze slimmer wordt, maar omdat ze beter gestuurd wordt.
→ Meer over aansturen: Prompting, De 7 bouwstenen van de ideale prompt en Context engineering
Ring 2: Weten
Het model is goed aangestuurd. De instructies zijn helder, de context is meegeleverd. En toch raakt die sturing een plafond zodra het model informatie nodig heeft die het niet heeft. Het heeft geen idee wat er vorige week in het nieuws was. Het heeft je interne richtlijnen nooit gelezen. Het herinnert zich niet wat je gisteren hebt besproken.
Ring 2 lost dat informatietekort op. Het model krijgt toegang tot externe kennis: via RAG (Retrieval-Augmented Generation) haalt het relevante passages op uit je organisatiedocumenten. Via zoekfuncties haalt het actuele informatie op van het web. Via geheugen onthoudt het wie je bent en waar je mee bezig bent, over gesprekken heen. En het context window, de hoeveelheid informatie die het model tegelijk kan verwerken, bepaalt hoeveel van die kennis in één keer beschikbaar is.
Het kwartje dat hier valt: het model hoeft niet alles in de training te hebben meegekregen. Het moet de juiste informatie op het juiste moment kunnen ophalen. Dat is een ontwerpvraagstuk. En het is vaak de eerste stap die het verschil maakt voor een organisatie. Een model dat toegang heeft tot je eigen kennis levert resultaten die een model zonder die toegang niet kan evenaren, ongeacht hoe krachtig dat model op zichzelf is.
Bij de nieuwe medewerker: dit is het inwerkdossier. Ze krijgt toegang tot de gedeelde schijf, het klantdossier, de richtlijnen. Ze hoeft het niet allemaal in haar hoofd te hebben. Ze moet het kunnen vinden wanneer het relevant is. En ze onthoudt na verloop van tijd wie je bent en hoe je werkt.
→ Meer over weten: RAG, Search en browse, Context windows en Geheugen
Ring 3: Denken
Het model heeft nu de juiste informatie. Bij dagelijkse taken, een mail schrijven, een tekst samenvatten, een vraag beantwoorden, is dat vaak genoeg. Het model genereert een antwoord en dat antwoord is bruikbaar.
Bij complexe problemen verschuift het beeld. Een strategische analyse met tegenstrijdige belangen. Een wiskundige berekening met meerdere variabelen. Een advies waarbij je wilt dat het model afweegt, tussenconclusies trekt en zichzelf corrigeert voordat het een definitief antwoord geeft. Dan is snel genereren onvoldoende.
Ring 3 voegt die diepte toe. Redeneermodellen nemen tussenstappen. Ze ontleden een probleem in delen, evalueren hun eigen tussenresultaten en corrigeren fouten voordat ze een eindantwoord produceren. Het verschil met een standaardmodel is direct zichtbaar: leg dezelfde complexe vraag voor aan beide en vergelijk de output. Het standaardmodel geeft een redelijk antwoord. Het redeneermodel laat zien hoe het tot het antwoord is gekomen.
Dat onderscheid is een managementkeuze. Redeneermodellen zijn trager en duurder. Voor een e-mail of een samenvatting is dat onnodig. Voor een financiële analyse of een strategisch advies is het de investering waard. De vraag “wanneer kiezen we voor snel, wanneer voor diep?” wordt een bewuste afweging in het gebruik van AI.
Bij de nieuwe medewerker: dit is het verschil tussen “geef me snel een antwoord” en “neem de tijd, denk het door, schrijf je tussenstappen op.” Soms wil je snelheid. Soms wil je diepgang.
→ Meer over denken: Reasoning: wanneer kies je voor diep nadenken?
Ring 4: Doen
Het model heeft nu informatie, het kan nadenken, het formuleert sterke antwoorden. Het kan alleen niets doen. Het kan geen bestand aanmaken. Het kan geen berekening uitvoeren in een spreadsheet. Het kan geen e-mail versturen. Het kan geen systeem benaderen. Het produceert tekst. Dat is alles.
Ring 4 verandert dat fundamenteel. Met tools en function calling kan het model acties uitvoeren in de buitenwereld: zoeken, rekenen, bestanden verwerken, databases benaderen, API’s aanroepen. Het open protocol MCP (Model Context Protocol) standaardiseert die koppelingen. Vergelijk het met USB-C: één universele aansluiting waarmee elk apparaat op elk systeem kan worden aangesloten, in plaats van voor elke combinatie een apart snoer.
Een bijzonder krachtige vorm van doen is codegeneratie. Het model schrijft zelf code en voert die uit. Dat opent een mogelijkheid die voorheen was voorbehouden aan wie kon programmeren: een directeur beschrijft in gewone taal wat een applicatie moet doen, en het model bouwt een werkend prototype. Dat heet vibe coding, en het maakt softwareontwikkeling toegankelijk voor mensen die nooit een regel code hebben geschreven. Code is in die context een tool, net als zoeken of rekenen, maar dan een buitengewoon veelzijdige.
Dit is het moment waarop AI verandert van gesprekspartner in medewerker. Dat is geen subtiel verschil. Zodra AI kan handelen, ontstaan nieuwe vragen: wat mag het model zelfstandig doen? Welke acties vereisen goedkeuring? Wie is verantwoordelijk voor het resultaat? Die vragen zijn organisatorisch.
Bij de nieuwe medewerker: dit is het moment dat ze de inlogcodes krijgt. Toegang tot het CRM, de mailomgeving, de planningssoftware. Ze kan nu handelen, dingen doen in de systemen van de organisatie. En met die toegang komen autorisaties: wat mag ze wel, wat mag ze niet?
→ Meer over doen: Tools en function calling, MCP: de universele aansluiting en Codegeneratie en vibe coding
Ring 5: Organiseren
Het model kan nu nadenken, informatie ophalen en handelen. Het doet dit per opdracht: jij geeft een taak, het model voert uit. Voor losse taken is dat prima. Voor complexe processen die meerdere stappen vereisen, met afwegingen en correcties onderweg, is het te weinig. Elke stap moet een mens nog handmatig aansturen.
Ring 5 voegt procesmatige uitvoering toe. Aan het gestructureerde uiteinde staan workflows: vaste ketens van stappen die telkens hetzelfde patroon volgen. Een klantvraag binnenkrijgen, het dossier ophalen, een conceptantwoord schrijven, het laten controleren, het versturen. Voorspelbaar, herhaalbaar, betrouwbaar.
Aan het autonome uiteinde staan agents. Een AI-agent krijgt een doel en bepaalt zelf welke stappen nodig zijn om dat doel te bereiken. Het verschil met een workflow: een workflow volgt een vast recept, een agent improviseert op basis van wat het aantreft. Een workflow is een lopende band. Een agent is een junior medewerker met een doel en de vrijheid om te bepalen hoe ze dat bereikt.
Tussen die twee uiteinden ligt een spectrum. Hoe meer autonomie je het systeem geeft, hoe krachtiger het wordt en hoe belangrijker het toezicht. Dat principe heet human-in-the-loop (mens-in-de-lus): een mens die meekijkt, goedkeurt of bijstuurt op de momenten die ertoe doen. Dat spectrum is de kernkeuze voor organisaties die agents inzetten: hoeveel vrijheid geef je, en waar trek je de grens?
En het gaat verder. Multi-agent systemen laten gespecialiseerde agents samenwerken, taken aan elkaar overdragen en resultaten afstemmen. Het A2A-protocol (Agent-to-Agent) standaardiseert die samenwerking, zoals MCP dat doet voor tools. Steeds meer organisaties zetten zulke systemen in productie in.
Bij de nieuwe medewerker: dit is de promotie. Ze wordt projectleider. Je geeft haar een doel en ze bepaalt zelf hoe ze dat bereikt. Ze coördineert, rapporteert en escaleert wanneer dat nodig is. En ze werkt samen met collega’s die elk hun eigen specialisatie hebben.
→ Meer over agents: Workflows, Wat is een AI-agent?, Het spectrum van autonomie en Multi-agent systemen en A2A
De buitenrand: Bewaken
Om alle ringen heen ligt de buitenrand: evaluatie, menselijke sturing en toezicht. Bewaken is geen stap die je zet na de andere ringen. Het speelt bij elke ring. En bij elke ring verschuift de vraag.
Bij ring 1 (Aansturen) is de vraag: is deze output goed genoeg? Bij ring 2 (Weten) wordt het: zijn de bronnen betrouwbaar? Bij ring 4 (Doen) verschuift het naar: welke acties mag het systeem zelfstandig uitvoeren? Bij ring 5 (Agents) wordt het fundamenteel: wie is verantwoordelijk als een agent handelt en het misgaat?
Hoe meer capabiliteiten je toevoegt, hoe belangrijker het toezicht. Dat is geen rem op de technologie. Het is de voorwaarde om haar verantwoord in te zetten.
Bij de nieuwe medewerker: dit zijn de functioneringsgesprekken, de kwaliteitscontrole, de escalatieafspraken. Hoe meer verantwoordelijkheid ze krijgt, hoe belangrijker het toezicht.
→ Meer over bewaken: Evaluatie van AI-output en Human-in-the-loop bij agents
Een modelcapabiliteit die de kern verbreedt
Naast de ringen is er een ontwikkeling die het model zelf fundamenteel verandert: multimodaliteit. Vroege AI-modellen verwerkten uitsluitend tekst. Moderne modellen verwerken ook beeld, geluid en video. Je kunt een foto van een beschadigd product uploaden en het model een schaderapport laten schrijven. Je kunt een handgeschreven notitie laten omzetten naar gestructureerde tekst. Je kunt een audiofragment van een vergadering laten samenvatten.
Multimodaliteit is geen ring. Het is geen laag die je om het model heen bouwt. Het is de motor die breder wordt: het model zelf kan meer soorten informatie verwerken. Die verbreding verandert het toepassingsgebied van AI fundamenteel. Processen die voorheen onbereikbaar waren voor AI omdat ze visuele of auditieve informatie vereisen, worden nu toegankelijk.
Waarom wij dit model hebben ontwikkeld
Wij hebben het ringen-model bij AIscendo ontworpen met één doel: de opbouw van AI-systemen begrijpelijk maken voor mensen die er beslissingen over nemen. De uitleg die beschikbaar was, was óf te technisch óf te oppervlakkig. Architectuurdiagrammen voor developers aan de ene kant. Opsommingen van buzzwords zonder samenhang aan de andere. Wie wil begrijpen waarom het ene AI-project slaagt en het andere faalt, heeft iets nodig dat daartussen zit. Het ringen-model kan daarbij helpen.
Het ringen-model vult dat gat. Het vertelt het verhaal van toenemende complexiteit in een volgorde die aansluit bij hoe het vakgebied zich heeft ontwikkeld: eerst betere sturing, toen betere informatietoegang, toen reasoning, toen tools, toen agents. Die volgorde is ook een leervolgorde: elk concept bouwt voort op het vorige.
De onderliggende concepten zijn industrie-breed. RAG, tools, agents, menselijke controle: dat zijn geen AIscendo-uitvindingen. De manier waarop we ze ordenen en presenteren is dat wel. Het is gebaseerd op de internationale consensus over hoe AI-systemen worden opgebouwd, vertaald naar een denkraam dat werkt voor mensen die de systemen zelf niet bouwen en er wél over beslissen. Dat onderscheid is bewust: wie begrijpt hoe een systeem is opgebouwd, neemt betere beslissingen over de inzet ervan.
Eén nuancering is daarbij wezenlijk. De ringen zijn een leervolgorde. Ze zijn geen harde technische afhankelijkheid. In de praktijk worden ringen overgeslagen of parallel ingezet. Een chatbot met RAG slaat de ring Denken over. Een codeertool slaat de ring Weten over. Dat is normaal. De ringen vertellen het verhaal van toenemende complexiteit, zodat wie het verhaal kent, elke configuratie kan plaatsen.
AI-providers als OpenAI, Google en Anthropic bouwen steeds meer ringen standaard in hun producten in. Wie ChatGPT of Claude gebruikt, gebruikt al een systeem met zoekfuncties, geheugen, reasoning en tools. De ringen helpen om te herkennen wat er onder de motorkap zit en waarom het werkt zoals het werkt.
Het model is het startpunt. Het systeem is het product.
Na deze pagina ken je de kaart. Je weet hoe een kaal model uitgroeit tot een compleet systeem. Je weet welke ringen er zijn en welk probleem elke ring oplost. De volgende pagina’s werken elke ring uit: hoe het werkt, wanneer het past, en wat het van een organisatie vraagt.
Veelgestelde vragen
Is het ringen-model een standaard?
Nee. Het is een denkraam dat wij bij AIscendo hebben ontwikkeld, specifiek voor mensen die beslissingen nemen over AI in hun organisatie. De concepten die het model beschrijft (RAG, tools, agents, menselijke controle) zijn wél industrie-breed. Toonaangevende AI-providers als OpenAI, Google en Anthropic werken met diezelfde bouwstenen, en invloedrijke onderzoekers als Andrew Ng beschrijven de opbouw van AI-systemen in vergelijkbare termen. Wij hebben die logica vertaald naar een denkraam dat de opbouw zichtbaar en begrijpelijk maakt, ook voor wie de systemen zelf niet bouwt. In onze trainingen gebruiken we hetzelfde model om stap voor stap te laten zien hoe een AI-systeem ontstaat.
Moet mijn organisatie alle ringen doorlopen?
Nee. De ringen zijn een leervolgorde, geen implementatievolgorde. Veel organisaties slaan ringen over of combineren ze. Een klantenservicebot met RAG hoeft geen reasoning. Een codeertool hoeft geen organisatiekennis. De ringen helpen je om te begrijpen welke capabiliteiten bestaan en wanneer ze relevant zijn. Welke je inzet, hangt af van wat je wilt bereiken. De strategie- en organisatievragen die daarbij komen kijken, worden verderop op deze site behandeld.
Waar begin ik als ik nog aan het begin sta?
Bij ring 1. Leer hoe je AI goed aanstuurt. Dat is de ring die voor iedereen relevant is, ongeacht de ambitie. Goede sturing levert direct betere resultaten op, zonder dat er iets hoeft te worden gebouwd of aangesloten. Veel organisaties ontdekken bij die eerste ring al hoeveel verschil het maakt als instructies, context en technieken bewust worden ingezet. Van daaruit groeit het systeem organisch: eerst informatie toevoegen, dan tools, dan processen. Elke stap maakt het systeem waardevoller. Elke stap is ook een keuze.
Verder lezen
Wie wil beginnen met de eerste ring, de stap waarin je AI leert aansturen met de juiste opdrachten en context, vindt dat bij Hoe werk je met AI?
Wie wil weten hoe je een AI-model toegang geeft tot organisatiekennis, actuele informatie en geheugen, leest verder bij Hoe geef je AI de juiste informatie?
Wie direct wil begrijpen hoe AI zelfstandig taken en processen kan uitvoeren, vindt dat bij Van losse taak naar proces