Welke taken automatiseer je met AI? Een praktisch framework

Ik zat gisteren mijn Claude Code configuratie te reorganiseren. Tientallen context bestanden, herhaalde informatie in elk project, en het groeide maar door. Het voelde als een hamsterwiel: elke keer dat ik iets wilde toevoegen, moest ik het op drie plekken bijwerken.

Toen stuitte ik op een artikel van Teresa Torres over het kiezen van taken om te automatiseren met AI. Ze beschrijft een simpel maar krachtig framework. En ik realiseerde me: dit gaat niet alleen over welke taken je automatiseert, maar ook over hoe je dat doet.

Dit artikel is wat ik daarvan geleerd heb — toegepast op mijn eigen werk met Claude Code en AI-agents.

Drie soorten AI-inzet

Teresa Torres gebruikt AI op drie manieren. Elk met een ander doel:

1. Meer doen van wat je al goed kan Ze is goed in schrijven. Met AI ging ze van 8.000 naar 35.000 woorden per maand. Niet omdat AI voor haar schrijft, maar omdat het wrijving weghaalt: research verzamelen, structuur aanbrengen, concepten uitwerken.

Bij mij is dat het bouwen van tools. Sinds 1 januari 2026 doe ik een experiment: een jaar lang dagelijks software bouwen met AI coding agents. Niet omdat ik niet kan programmeren, maar omdat ik meer wil maken en minder wil worstelen met boilerplate en configuratie.

2. Wrijving elimineren bij frequente taken Teresa produceert een podcast. Titels, beschrijvingen, shownotes — allemaal repetitief werk dat energie kost. Ze automatiseerde het volledig.

Ik heb hetzelfde met mijn podcast AIToday Live. Elke aflevering doorloopt een pipeline: transcriptie, keywords extraheren, social media posts genereren, publishing naar Buzzsprout. Dat draait nu via een Python script met AI-agents. Ik doe nog steeds de opname en editing, maar de administratieve rompslomp is weg.

3. Verwijderen wat energie kost Torres deed academisch onderzoek voor haar artikelen. Ze vond het saai. Nu heeft ze een geautomatiseerde digest die haar elke dag de belangrijkste papers stuurt. Volledig zonder menselijke tussenkomst.

Mijn versie: context management voor Claude Code. Voorheen had ik enorme CLAUDE.md bestanden vol duplicatie. Elke keer als ik een project opende, laadde Claude alles. Inefficiënt en verwarrend.

Gisteren bouwde ik het anders: domain-specific context files. Zes compacte bestanden (Business, Podcast, Writing, Software Engineering, Innovations, en een Index). Claude laadt nu alleen wat relevant is voor de taak. Blog post schrijven? Alleen Writing + Business. Podcast productie? Alleen Podcast. Development? Alleen Software Engineering.

Het is geen revolutie. Het is gewoon beter georganiseerd. Maar het scheelt wel dat ik niet meer door 2000 regels hoef te scrollen om één ding te vinden.

De evaluatievragen

Teresa stelt zichzelf zeven vragen voordat ze iets automatiseert. Hier het complete framework:

Vraag	Implicatie
Is dit eenmalig of doe ik het vaak?	Frequente taken → meer ROI van automatisering
Vind ik dit leuk of zou ik het delegeren?	Vervelend → automatiseer; leuk → augmenteer
Hoe complex is de taak?	Complexer = meer setup, maar ook meer winst
Kan ik de werkwijze uitleggen?	Zo ja → geschikt voor automatisering
Is menselijk oordeel nodig?	Ja → augmenteren, niet automatiseren
Kan ik “succesvol afgerond” definiëren?	Zo ja → makkelijker te automatiseren
Wat is het risico bij slechte uitvoering?	Hoog risico → meer menselijke controle

Laat me er vier uitlichten met concrete voorbeelden uit mijn eigen praktijk:

Is dit eenmalig of doe ik het vaak?

Frequente taken hebben meer ROI. Mijn podcast pipeline draait elke maandag en donderdag. Die automatisering betaalt zichzelf binnen een maand terug.

Maar een eenmalige rapportage? Die typ ik sneller uit dan dat ik een script schrijf. Tenzij ik weet dat het vaker terugkomt.

Vind ik dit leuk of zou ik het delegeren?

Dit is de belangrijkste vraag.

Ik vind schrijven leuk. Daarom automatiseer ik het niet volledig — ik augmenteer het. Claude helpt met structuur en research, maar ik schrijf zelf. Het voelt als pair programming, maar dan voor tekst.

Podcast shownotes schrijven vind ik saai. Die laat ik volledig genereren. Ik check ze wel, maar de eerste versie komt uit een script.

Kan ik de werkwijze uitleggen?

Als je niet kunt uitleggen hoe je iets doet, kan een AI-agent het ook niet doen.

Voor mijn context reorganisatie kon ik precies beschrijven wat ik wilde: “Trek alle business-gerelateerde info uit personal memory en CLAUDE.md bestanden en zet het in één BUSINESS.md bestand. Doe hetzelfde voor podcast, writing, etc.”

Dat is concreet. Dat kun je automatiseren.

Wat is het risico bij slechte uitvoering?

Hoog risico = meer menselijke controle.

Bij het invullen van mijn urenstaat (timesheet) wil ik geen fouten. Daarom heb ik een timesheet-filler agent die de uren voorbereidt, maar ik check alles voordat het wordt ingestuurd.

Bij het genereren van podcast keywords? Laag risico. Als er een keyword verkeerd is, maakt het niet uit. Die automatiseer ik volledig.

Automatiseren vs. augmenteren

Het verschil zit in wie de eindbeslissing neemt.

Automatiseren = AI doet het volledig. Jij checkt hooguit het resultaat. Voorbeeld: Mijn dagelijkse summary van wat ik heb gebouwd. Dat script draait ‘s avonds, genereert een overzicht en slaat het op. Ik lees het de volgende ochtend.

Augmenteren = AI helpt, jij beslist. Voorbeeld: Dit artikel. Claude heeft me geholpen met structuur en het herschrijven van zinnen, maar elke paragraaf hier is door mij geschreven en goedgekeurd.

Het interessantste zit vaak in augmenteren. Niet omdat het tijd bespaart, maar omdat het je beter maakt in wat je al doet.

Teresa schreef niet 4x zoveel woorden omdat ze 4x meer tijd had. Ze schreef 4x zoveel omdat AI de wrijving weghaalde. Ze kon zich focussen op het denken en schrijven, niet op het zoeken en formatteren.

Mijn framework toegepast op context management

Terug naar die context reorganisatie.

Frequentie: Elke dag werk ik met Claude Code in verschillende projecten. Hoog.

Leuk of delegeren? Het organiseren van context vind ik niet leuk. Het moet gewoon goed zijn. Dus: automatiseren waar kan.

Kan ik het uitleggen? Ja. “Maak domain-specific bestanden, extracteer relevante info per domain, update project bestanden met cross-references.”

Risico bij slechte uitvoering? Medium. Als iets verkeerd staat, merk ik het snel. Maar ik wil niet elke keer alles handmatig checken.

Dus: ik heb Claude de hele reorganisatie laten doen. Van plan maken tot bestanden schrijven tot verifiëren dat alles werkt. En het werkt.

Nu laadt Claude alleen wat nodig is. Mijn blog project verwijst naar Writing.md en Business.md. Mijn podcast tools verwijzen naar Podcast.md. Mijn development werk naar Software_Engineering.md.

Geen duplicatie. Geen verwarring. Gewoon efficiënt.

Wat ik hiervan leerde

1. Automatiseer niet om te automatiseren. Automatiseer omdat het iets weghaalt dat energie kost of wrijving veroorzaakt.

2. Augmentatie > automatisering voor werk dat je leuk vindt. Laat AI je versterken, niet vervangen.

3. Begin bij wat je vaak doet. Eenmalige taken zijn het niet waard. Terugkerende taken betalen zichzelf terug.

4. Als je het niet kunt uitleggen, kan AI het ook niet. Vage workflows automatiseren werkt niet. Maak het eerst expliciet.

5. Bouw systemen, geen scripts. Mijn context structuur is geen hack. Het is een duidelijk patroon dat schaalt. Nieuwe domains toevoegen is nu triviaal.

Waar te beginnen

Als je met Claude Code of andere AI-agents werkt, vraag jezelf dit af:

• Welke taak doe ik elke week die ik niet leuk vind?
• Kan ik in drie zinnen uitleggen hoe die taak werkt?
• Wat is het ergste dat kan gebeuren als het mis gaat?

Als de antwoorden zijn: “Data verzamelen voor rapporten”, “Ja, ik haal data uit drie bronnen en zet het in een template”, en “Ik moet het opnieuw doen” — dan is dat een perfecte kandidaat.

Begin daar. Niet bij het ingewikkelde. Niet bij het leuke. Bij het vervelende dat je vaak doet.

En dan bouw je verder.

---

Bronnen:

• Teresa Torres: How to Choose Which Tasks to Automate with AI
• Mijn eigen experiment: 365 Days of AI Code (dagelijks bijgewerkt)