Een team van 5 mensen dat iedereen zijn eigen AI-prompts laat schrijven, verspilt niet alleen tokens - het verspilt uren en levert inconsistent werk. Dit is een representatieve casestudy (een samengestelde casus, geen echte met naam genoemde klant) die laat zien hoe die verspilling er maand na maand werkelijk uitziet en wat er verandert wanneer hetzelfde team overstapt op een kleine gedeelde bibliotheek met AI-skillbestanden.
Op deze pagina
- De opzet: een normale, ad-hoc AI-werkwijze
- De berekening: 5 mensen, meerdere sessies per dag, elke dag
- De echte kosten zitten niet in tokens - maar in minuten, vermenigvuldigd met vijf
- De tweede kostenpost: kwaliteitsdrift
- Wat er verandert met een gedeelde Skill-bibliotheek
- Onboarding: de onderschatte winst
- Veelgestelde vragen
Illustratieve casestudy · Door het KissMySkills-team
De opzet: een normale, ad-hoc AI-werkwijze
Stel je een marketing- en operationeel team van 5 mensen voor bij een startup in een vroeg stadium - een content lead, 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 ingesteld. Iedereen... typt gewoon.
Dat betekent dat elke nieuwe chat vanaf nul begint. Voordat de AI een bruikbare eerste versie kan produceren, moet iemand het volgende opnieuw uitleggen:
- Wie het merk is en tot wie het zich richt
- De toonregels ("directer, minder zakelijk," "zeg nooit 'delve'," "eindig altijd met een duidelijke CTA")
- Opmaakstandaarden (koppen, stijl van opsommingstekens, bereiken 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 herbruikbare bron. Het zit in stilzwijgende kennis, 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 decimale precisie. Stel dat iedereen 4-6 AI-chatsessies per dag voor het werk doet: een onderschrift 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 herhalingen van context per dag
- 15 × ~20 werkdagen/maand = ongeveer 300 overbodige herhalingen van context per maand
- Bij een voorzichtige schatting van 200 opnieuw getypte woorden aan context per keer gaat het om ongeveer 60.000+ woorden per maand aan pure herhaling - context die geen nieuwe output oplevert, maar alleen het uitgangspunt opnieuw vastlegt
Vermenigvuldig dat met de invoertokens die bij elk afzonderlijk bericht in de chat opnieuw worden verwerkt (de meeste chattools sturen de volledige lopende 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 zitten niet in tokens - maar in minuten, vermenigvuldigd met vijf
Stel dat het opnieuw typen of kopiëren en plakken van een blok met "dit is onze merk- en opmaakcontext" per sessie 2-4 minuten kost, plus het extra heen-en-weer wanneer het eerste concept van de AI de plank misslaat omdat de context onvolledig was of anders was geformuleerd dan de vorige keer. Voor een team van vijf komt dat al snel neer op 1-2 uur per week per persoon die wordt besteed aan het opnieuw vastleggen van context die in één keer geregeld had moeten zijn.
Over een maand gerekend is dat per persoon een aanzienlijk deel van een volledige werkdag - niet besteed aan het werk zelf, maar aan het opnieuw instrueren van de AI over hoe het werk moet worden gedaan. In een team van vijf loopt dat op tot bijna de volledige extra capaciteit van één persoon aan "contextbelasting" per maand.
Voeg Maya één keer toe aan Claude, ChatGPT of Gemini en elke caption, contentkalender en platform-native post komt in jouw stem naar buiten - zonder dat je per sessie de toon of opmaak opnieuw hoeft uit te leggen.
Bekijk Maya - Socialmediamanager →De tweede kostenpost: kwaliteitsdrift
Overbodige tokens en verloren tijd zijn de zichtbare kosten. De stillere kostenpost is drift. Wanneer vijf verschillende mensen elk hun eigen versie van "zo klinkt onze merkstem" uit het hoofd schrijven, schrijven ze het geen twee keer op dezelfde manier - laat staan op dezelfde manier als elkaar. De ad-hocformulering van de een is wat formeler, een ander gebruikt slang die het merk eigenlijk niet gebruikt, en een derde vergeet de CTA-regel helemaal te vermelden.
Het resultaat: content, e-mails en analyses zijn technisch gezien allemaal "on brand", maar dragen elk een iets ander accent. Klanten en prospects 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 plekken naar voren: in de CRO-/analytics-workflow, 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 opnieuw informeel worden bedacht zodra iemand anders een campagne oppakt.
Beck stelt een diagnose voordat hij test - analyse van funnel-uitval, ontwerp van A/B-tests en interpretatie van resultaten die consistent blijft, 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 is het vervangen van ad-hoc prompting 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 komt dat doorgaans neer op 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:
- Overbodige herhaling van context daalt tot bijna nul - de merkstem en opmaakregels zijn al in het Skill-bestand verwerkt en hoeven niet per sessie opnieuw te worden getypt
- De consistentie van de output neemt toe - vijf mensen die hetzelfde Skill-bestand gebruiken, leveren werk dat klinkt alsof het van één team komt, niet van vijf individuen
- Onboarding wordt 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 voorbereiding, minder herschrijven omdat de eerste output onuitgesproken context miste, en meer bruikbare output bij de eerste poging
Finn ontwerpt systemen, geen eenmalige reeksen - workflowarchitectuur en leadscoringmodellen 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 besparing op tokens en tijd 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 nauw aan bij de merkstijl. De kennis die vroeger 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 met meer dan één van deze functies werkt, is het de moeite waard om de volledige Skill-bibliotheek voor marketing en advertenties te bekijken in plaats van per functie losse prompts te bouwen.
Samengevat:
Een team van 5 personen dat in elke AI-sessie vanaf nul de merkstem en opmaak opnieuw uitlegt, verliest ongemerkt uren per week aan overbodige context en levert daardoor inconsistente resultaten. Door te standaardiseren op een kleine gedeelde bibliotheek - Maya voor content en social media, Beck voor CRO en analytics, en Finn voor marketingautomatisering - hoef je minder opnieuw te typen, wordt de consistentie verbeterd en bestaat onboarding uit het overhandigen van een bestand aan een nieuwe medewerker in plaats van een archeologisch onderzoek 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 steeds 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 cijfers van een echte klant?
Nee - dit is een illustratieve, samengestelde case study op basis van typische patronen die we zien bij kleine marketing- en operationsteams die ad-hoc AI-chattools gebruiken, geen geaudite gegevens van een echte, bij naam genoemde klant. De cijfers voor tokens en tijd 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 - het is 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 in een chat of laadt als Project-instructie, 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 systeem-prompts op basis van Markdown, dus ze werken overal waar je instructies kunt plakken - Claude Projects, aangepaste instructies of Custom GPT's in ChatGPT, en Gemini Gems. Het team hoeft zich niet op één AI-tool te standaardiseren om één gedeelde context te gebruiken.