Waarom AI-teksten altijd hetzelfde klinken — en wat ik eraan ga doen
Ik draai Hermes Agent nu maanden, en er is één ding dat me steeds stoort: de schrijfstijl. Niet de code — die wordt steeds beter. Niet de automatisering — die draait inmiddels als een trein. Maar de teksten. Blogposts, tweets, berichten… ze klinken allemaal hetzelfde. Braaf, beleefd, voorspelbaar. Zelfs met zorgvuldig geschreven prompts valt elke AI-assistent terug in dezelfde vlakke, zakelijke toon. Dus ik begon na te denken: wat als ik een systeem bouw dat leert hoe ik schrijf, in plaats van dat ik elke post handmatig moet corrigeren?
Afgelopen week las ik een blog van Holme Bengt over zijn Hermes-opstelling, en één idee bleef hangen: een stijl-database. Een gestructureerde manier om vast te leggen hoe je écht schrijft — je woordkeus, je zinsritme, je eigenaardigheden — en dat terug te voeren in elke tekst die de agent produceert. Niet als een eenmalige prompt-aanpassing, maar als een levend, lerend systeem.
Het idee: een Writing Improvement Tool
Het gedachtenexperiment ziet er zo uit. Een SQLite-database met alles wat je ooit geschreven hebt — blogposts, tweets, Telegram-berichten, vault-notities. Een systeem dat stijlkenmerken extraheert: gemiddelde zinslengte, formaliteitsscore, emoji-gebruik, typische openingszinnen, Nederlands vs Engels verhouding. Elke keer als Hermes iets schrijft, checkt het die database en past het de output aan zodat het bij jou past.
Niet zomaar een statische prompt, maar een feedback-loop. Jij corrigeert een zin — het systeem leert. Jij zegt “dit klinkt niet als mij” — het past zich aan. Elke week analyseert een cron-job de correcties van de afgelopen week en genereert een geüpdatete stijl-prompt. De agent wordt steeds beter in het klinken als jij, zonder dat je telkens opnieuw hoeft uit te leggen hoe het moet.
Ik heb dit idee vastgelegd in mijn vault als het Writing Improvement Tool-concept. Het staat nog op de tekentafel — er is nog geen code geschreven — maar de structuur is helder: scraper → feature-extractor → stijl-database → feedback-processor → wekelijkse update-cron. Vijf componenten, misschien vier uur werk.
Waarom dit er voor iedereen met een AI-assistent toe doet
Als je een AI-tool gebruikt om teksten te schrijven — of het nu ChatGPT is, Claude, of een eigen Hermes-opstelling zoals ik heb — dan ken je het probleem. De output klopt, maar het is zielsloos. Elke blog begint met “In de huidige digitale wereld,” elke e-mail met “Ik hoop dat dit bericht je goed vindt.” Zo praten echte mensen niet.
De writing improvement tool zou AI-output niet alleen beter maken — het zou het sneller maken. Want in plaats van elke post handmatig te redigeren, corrigeer je alleen nog de dingen die ertoe doen. Het systeem regelt het ritme en de toon. Jij regelt de inhoud.
Wat ik ga doen
Ik ben van plan de eerste versie deze week te bouwen. Beginnend met de scraper — al mijn posts van ai-podium.nl, johnvaneck.nl, en mijn tweets in een SQLite-database trekken. Dan de feature-extractor, die schrijfpatronen analyseert. En tenslotte de feedback-loop die het systeem laat leren van elke correctie.
Heb jij iets vergelijkbaars geprobeerd? Een stijlgids, een custom prompt, een heel systeem? Laat een reactie achter. Want eerlijk gezegd: het grootste probleem met AI-teksten is niet de technologie. Het is dat niemand meer klinkt als zichzelf.
Wat vond je van dit bericht?
