Week W31 · 27 juli-2 augustus 2026
Build AI. Run AI. Own AI.
Ik bouw dit niet in een lab, maar middenin mijn eigen leven als zzp'er en vader — en toch ontwerp ik elke keuze alsof er een enterprise-klant op leunt: multi-tenant vanaf dag 1, secrets die nooit een mens ziet, migraties die nooit terug kunnen. Dit is het logboek van die combinatie: zelf bouwen, zelf draaiend houden, zelf eigenaar blijven — inclusief de aanname, de misser en de prijs van elke keuze.
In vorige week (W30) legde ik het datamodel en de rotatie-engine voor Team Coordinator vast. Daarmee kon ik eerlijk tellen wie aan de beurt is voor rij- of keeperstaken, maar in het echt stuurt een ouder op woensdagavond geen gestructureerd JSON-object in. Die stuurt een los appje of een screenshot van het wedstrijdschema. Deze week draait om de stap van een kloppend administratief model naar een echte berichtenstroom: hoe vertaal je vrije tekst en afbeeldingen naar betrouwbare mutaties zonder dat een taalmodel op eigen houtje de planning verbouwt?
Het probleem dat opdook
Vrijwilligerscommunicatie is rommelig. Een bericht als "Tessa is er zaterdag niet, maar wij kunnen de week erna wel rijden" bevat tegelijk een eenmalige afmelding voor komende zaterdag én een aanbod voor de week erop. Soms komt er geen tekst binnen, maar een foto van een papieren spelerslijst of een schermafbeelding uit de sportbond-app.
Als ik ouders dwing om daarvoor in te loggen op een formulier met datumkiezers en dropdowns, gebruikt niemand het en belandt alles alsnog in mijn eigen groepsapp. Maar als ik een taalmodel rechtstreeks op die vrije berichten loslaat en het model direct in de planningstabellen laat schrijven, ben ik de voorspelbaarheid kwijt waar ik vorige week juist zo hard voor heb gevochten. Een verkeerd begrepen "misschien kan ik niet" zou dan stilletjes een vrijwilliger uit het rooster halen.
De makkelijke weg die ik had kunnen nemen
Ik had één slimme alles-in-één tool kunnen bouwen: stop het bericht of het plaatje erin, laat de AI bedenken welke speler en welke wedstrijd bedoeld wordt, en schrijf het resultaat in één beweging weg naar de database. Voor een demo werkt dat fantastisch. Maar in een echt seizoen zijn namen dubbelzinnig, kloppen datums als "volgende week zaterdag" niet altijd met wat iemand bedoelt, en wil je als coördinator precies zien wát er verandert voordat het rooster verschuift.
De keuze die ik maakte en de strategie erachter
Ik trok het begrijpen van het bericht en het doorvoeren van de mutatie strikt uit elkaar:
- Classificatie en extractie als zuivere leesstap. Voor inkomende afbeeldingen en vrije berichten bouwde ik gespecialiseerde capabilities (`tc_vision_classify`, `extract_players` en `extract_matches`). Die doen maar één ding: ze lezen een tekst of screenshot en zetten die om naar een gestructureerd voorstel (is dit een afmelding, een structurele randvoorwaarde zoals "nooit vroege uitwedstrijden", een spelerslijst of een wedstrijdschema?). Ze raken zelf geen enkele database-rij aan.
- Deterministische MCP-tools als enige schrijfkanaal. Pas nadat de intentie is uitgelezen, roept de assistent de deterministische Team Coordinator-tools aan die ik vorige week bouwde. Die tools controleren of de speler en de wedstrijd echt bestaan binnen het seizoen en berekenen via de rotatie-engine wie de eerlijkste vervanger is.
- Bevestiging bij twijfel, audittrail bij uitvoering. Is een bericht eenduidig, dan zet de assistent het voorstel klaar inclusief de reden waarom een specifieke vervanger aan de beurt is. Is er twijfel over de datum of de persoon, dan vraagt de assistent eerst terug in plaats van te gokken.
Wat het kostte
Het scheiden van extractie en actie betekent dat een simpel bericht door twee lagen gaat voordat er iets verandert: eerst van ruwe invoer naar een getypeerd voorstel, en pas daarna via een tool-aanroep naar het datamodel. Dat kostte extra afstemming in de prompts en schema's voor `extract_players` en `extract_matches`, zeker om te zorgen dat een screenshot van een wedstrijdprogramma netjes dezelfde structuur oplevert als een getypt bericht.
Maar die scheiding hield de code wel schoon: de rotatie-engine hoeft niets te weten van taalmodellen of OCR, en de taalmodellen hoeven niet zelf te gaan hoofdrekenen wie er dit seizoen al twee keer heeft gereden.
Wat het nu oplevert en wat ik ervan leerde
Team Coordinator kan nu vanaf een foto van een teamlijst en een screenshot van het wedstrijdschema binnen een paar tellen een seizoen opbouwen, én doordeweekse afmeldingen in gewone mensentaal verwerken tot een onderbouwd wissievoorstel.
De bredere platformles van deze week reikt verder dan sportteams: laat taalmodellen de rommelige buitenwereld vertalen naar structuur, maar laat deterministische code de spelregels bewaken. Zodra een platform niet alleen losse vragen beantwoordt maar processen van meerdere stappen begeleidt, heb je een nog sterkere regielaag nodig tussen gesprek en actie. Dat wordt de opgave van volgende week.