Een team van 5 mensen dat iedereen zijn eigen AI-prompts laat maken, verspilt niet alleen tokens — het verspilt uren en levert inconsistent werk op. Dit is een representatieve casestudy (een samengesteld voorbeeld, geen echte genoemde klant) die laat zien hoe die verspilling er van maand tot maand daadwerkelijk uitziet en wat er verandert wanneer hetzelfde team overstapt op een kleine gedeelde bibliotheek met AI-skillbestanden.
Illustratieve casestudy · Door het KissMySkills-team
De opzet: een normale, ad-hoc AI-workflow
Stel je een marketing- en operationeel team van 5 mensen bij een startup in de beginfase voor — een contentlead, een socialmediamanager, iemand voor CRO/analytics, een operationeel coördinator en een oprichter die overal af en toe bijspringt. Iedereen gebruikt dagelijks Claude, ChatGPT of Gemini. Niemand heeft iets formeels ingericht. Iedereen... typt gewoon.
Dat betekent dat elke nieuwe chat vanaf nul begint. Voordat de AI een bruikbare eerste versie kan produceren, moet iemand opnieuw uitleggen:
- Wie het merk is en tegen wie het praat
- De toonregels (“directer, minder corporate”, “zeg nooit ‘delve’”, “eindig altijd met een duidelijke CTA”)
- Opmaakstandaarden (koppen, stijl van opsommingstekens, bandbreedtes voor het aantal woorden)
- Voor welk kanaal dit is en hoe “goed” er daar uitziet
- Context over de huidige campagne, het product of het kwartaal
Niets daarvan is vastgelegd als herbruikbaar middel. Het zit in de hoofden van mensen, half herinnerd en telkens opnieuw getypt — elke keer net iets anders.
De berekening: 5 mensen, meerdere sessies per dag, elke dag
Deze cijfers zijn indicatief, niet gecontroleerd — het gaat om de omvang van de verspilling, niet om decimalen. Stel dat iedereen 4–6 AI-chatsessies per werkdag gebruikt: een bijschrift opstellen, een e-mail herschrijven, een kop voor een landingspagina controleren, een gesprek samenvatten. Als zelfs de helft van die sessies begint met een nieuw blok van 150–300 woorden met “laat me onze merkstem en opmaakregels nog eens uitleggen”, komt dat ongeveer neer op:
- 5 mensen × ~3 contextintensieve sessies/dag = 15 overbodige heruitleggingen van context per dag
- 15 × ~20 werkdagen/maand = ongeveer 300 overbodige heruitleggingen per maand
- Bij een voorzichtige schatting van 200 opnieuw getypte woorden aan context per keer komt dat neer op ongeveer 60.000+ woorden per maand aan pure heruitleg — context die geen nieuwe output oplevert, maar alleen het startpunt opnieuw vastlegt
Vermenigvuldig dat met het aantal invoertokens dat bij elk afzonderlijk bericht in de thread wordt verwerkt (de meeste chattools sturen de opgebouwde context bij elke beurt opnieuw mee), en de tokenoverhead stapelt zich snel op. Maar de tokenrekening is het kleinere probleem. Het grotere probleem is tijd.
De echte kosten zijn geen tokens, maar minuten, vermenigvuldigd met vijf
Stel dat het 2 tot 4 minuten per sessie kost om een blok met ‘dit is onze merk- en opmaakcontext’ opnieuw te typen of te kopiëren en plakken, plus de extra heen-en-weercommunicatie wanneer de eerste versie van de AI de plank misslaat omdat de context onvolledig was of anders was geformuleerd dan de vorige keer. Voor een team van vijf betekent dat al snel 1-2 uur per week per persoon aan tijd die wordt besteed aan het opnieuw vastleggen van context die in één keer geregeld had moeten zijn.
Over een maand genomen is dat een aanzienlijk deel van een volledige werkdag per persoon — niet besteed aan het werk zelf, maar aan het opnieuw briefen van de AI over hoe het werk moet worden gedaan. In een team van vijf loopt dat op tot bijna de extra capaciteit van een volledige medewerker aan ‘contextbelasting’ per maand.
Voer Maya één keer in Claude, ChatGPT of Gemini in en elke caption, contentkalender en platformspecifieke post komt in jullie tone of voice uit — zonder per sessie opnieuw de toon of opmaak uit te leggen.
Bekijk Maya - Social Media Manager →De tweede kostenpost: kwaliteitsvervaging
Overbodige tokens en verloren tijd zijn de zichtbare kosten. De minder opvallende kostenpost is vervaging. Wanneer vijf verschillende mensen elk uit hun hoofd hun eigen versie schrijven van ‘dit is onze merkstem’, doen ze dat nooit twee keer op dezelfde manier — laat staan op dezelfde manier als elkaar. De formulering van de ene persoon is ad hoc wat formeler, een ander gebruikt slang die het merk helemaal niet gebruikt en een derde vergeet de CTA-regel volledig te vermelden.
Het resultaat: content, e-mails en analyses zijn technisch gezien allemaal ‘on brand’, maar hebben elk een net iets ander accent. Klanten en potentiële klanten merken dit, zelfs wanneer niemand binnen het team precies kan uitleggen waarom iets inconsistent aanvoelt. Het is de dood door duizend kleine afwijkingen.
Dit komt het duidelijkst op twee gebieden naar voren: in de CRO-/analyticsworkflow, waar inconsistente interpretaties van ‘wat een betekenisvolle stijging is’ ertoe leiden dat verschillende mensen op basis van dezelfde gegevens tot verschillende conclusies komen, en in marketingautomatisering, waar sequentielogica en aannames over leadscoring telkens informeel opnieuw worden bedacht zodra iemand nieuw aan een campagne werkt.
Beck stelt diagnoses voordat hij test: analyse van funnel-uitval, het opzetten van A/B-tests en het interpreteren van resultaten, consistent ongeacht wie binnen het team de sessie uitvoert.
Bekijk Beck - CRO-specialist →Wat er verandert met een gedeelde Skill-bibliotheek
De oplossing is geen nieuwe tool of een nieuw procesdocument dat niemand leest. Het gaat om het vervangen van ad-hoc prompts door een kleine, gedeelde bibliotheek met Skill-bestanden — één per functie waarvoor het team daadwerkelijk AI gebruikt. Een Skill-bestand is simpelweg een opgeslagen systeemprompt: merkstem, opmaakregels, rolcontext en interne standaarden, één keer geschreven en aan het begin van elke Claude-, ChatGPT- of Gemini-sessie geplakt (of opgeslagen als instructie voor een Claude Project, zodat het altijd wordt geladen).
Voor een marketing-/operationsteam van vijf personen betekent dit doorgaans 3-4 Skill-bestanden voor de terugkerende taken: content en social, CRO/analytics en marketingautomatisering/lifecycle. Iedereen in het team gebruikt hetzelfde bestand voor dezelfde taak, in plaats van telkens een eigen versie te schrijven.
Wat er daadwerkelijk verandert:
- Het telkens opnieuw uitleggen van context daalt tot vrijwel nul - de merkstem en opmaakregels zijn al verwerkt in het Skill-bestand en hoeven niet per sessie opnieuw te worden ingevoerd
- De consistentie van de output neemt toe - vijf mensen die hetzelfde Skill-bestand gebruiken, produceren werk dat klinkt alsof het van één team komt, niet van vijf individuen
- Onboarding gaat aanzienlijk sneller - een nieuwe medewerker krijgt de Skill-bestanden aangereikt in plaats van een speurtocht door oude Slack-threads om te reconstrueren "hoe we dit meestal schrijven"
- Tijd per sessie neemt af - minder instellen, minder herschrijven omdat de eerste output onuitgesproken context miste, en vanaf de eerste poging bruikbaardere output
Finn ontwerpt systemen, geen eenmalige sequenties — workflowarchitectuur en leadscoringsmodellen die het hele team opnieuw kan gebruiken, in plaats van de logica telkens uit het geheugen opnieuw op te bouwen.
Bekijk Finn - Specialist in marketingautomatisering →Onboarding: de onderschatte winst
De tijd- en tokenbesparing is belangrijk, maar het onboarding-effect is wat teams het meest opvalt zodra ze de overstap hebben gemaakt. In plaats van dat een nieuwe medewerker de eerste twee weken via osmose leert "hoe we het hier doen" en in elke beoordelingsronde wordt gecorrigeerd op toon, openen ze op dag één het relevante Skill-bestand en sluit hun eerste output al goed aan bij het merk. De kennis die voorheen alleen in de hoofden van senior medewerkers zat — en uit de organisatie verdween zodra iemand vertrok — is nu een draagbaar bestand dat met het team meereist.
Als je team zich met meer dan één van deze functies bezighoudt, is het de moeite waard om de volledige Skill-bibliotheek voor marketing en advertenties te bekijken in plaats van voor elke functie afzonderlijke prompts te bouwen.
Samengevat:
Een team van vijf personen dat bij elke AI-sessie opnieuw vanaf nul de merkstem en opmaak uitlegt, verliest ongemerkt uren per week aan overbodige context en levert daardoor inconsistente output. Door te standaardiseren met een kleine gedeelde bibliotheek — Maya voor content en social media, Beck voor CRO en analytics, en Finn voor marketingautomatisering — hoeft er minder opnieuw te worden getypt, wordt de consistentie verbeterd en wordt onboarding een kwestie van een bestand aan een nieuwe medewerker geven in plaats van een archeologisch project in Slack.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een echte schatting van het maandelijkse tokenverlies en de kosten in dollars voor het opnieuw invoeren van prompts versus een permanent Skill-bestand. Geen registratie, geen e-mail — alleen de berekening uit dit artikel toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Is dit gebaseerd op de cijfers van een echte klant?
Nee — dit is een illustratieve, samengestelde casestudy, gebaseerd op typische patronen die we zien bij kleine marketing- en operationele teams die ad hoc AI-chattools gebruiken, en niet op gecontroleerde gegevens van een echte, bij naam genoemde klant. De token- en tijdcijfers zijn indicatief om de omvang van de verspilling te laten zien, geen exacte metingen.
Waarin verschilt een Skill-bestand van één keer een goede prompt schrijven en die hergebruiken?
Het is hetzelfde idee, maar dan geformaliseerd en gedeeld. Het probleem bij de meeste teams is niet dat niemand ooit een goede prompt schrijft, maar dat iedereen zijn eigen versie schrijft, die in persoonlijke notities blijft staan en door niemand anders in het team wordt gebruikt. Een Skill-bestand is één onderhouden versie die het hele team plakt of als Project-instructie laadt, zodat iedereen vanuit dezelfde basis begint in plaats van met vijf net iets verschillende versies.
Werken Skill-bestanden ook buiten Claude?
Ja. Skill-bestanden zijn op Markdown gebaseerde systeemprompts, dus ze werken overal waar je instructies kunt plakken: Claude Projects, aangepaste instructies van ChatGPT of Custom GPTs, en Gemini Gems. Het team hoeft zich niet op één AI-tool vast te leggen om één gedeelde context te standaardiseren.
