De Karpathy-methode: AI 10x effectiever benutten

Andrej Karpathy – medeoprichter van OpenAI en voormalig AI-chef bij Tesla – legt al langer in lezingen en interviews uit waarom de meeste mensen AI verkeerd inzetten. Niet omdat ze te weinig oefenen, maar omdat ze het gereedschap verkeerd begrijpen. Zijn methode om met AI duidelijk sneller te werken, laat zich terugbrengen tot drie lagen: spec, verificatie en omgeving. Dit is wat er werkelijk achter zit – zonder hype, maar wel om meteen toe te passen.

Waarom AI faalt bij eenvoudige vragen

Karpathy noemt een simpel voorbeeld: „Ik wil naar de wasstraat, die is 50 meter verderop. Moet ik rijden of lopen?“ De topmodellen van vandaag – Claude, Gemini, Grok, ChatGPT – antwoorden allemaal: lopen, het is toch zo dichtbij. Fout. Want om de auto te wassen, heeft u de auto ter plaatse nodig.

Dat is de hele kern: AI is briljant bij alles wat zich laat meten – en blind bij alles wat context vraagt. Uw doel, uw randvoorwaarden, uw onderbuikgevoel: daarvoor heeft de AI geen enkel signaal. De opgave bestaat er dus niet in „beter te prompten“, maar om die kloof tussen uw begrip en de rekenkracht van de AI te dichten. Precies dat doen de drie lagen.

Laag 1: de spec – uw begrip in bruikbare vorm

Een spec is de manier waarop u uw begrip aan de AI overdraagt – in een formaat waar zij iets mee kan. De bekende „plan-modus“ in Claude gaat de goede kant op, maar is Karpathy te oppervlakkig. Zijn advies: samen met het AI-instrument een werkelijk gedetailleerde spec opstellen. Zo lukt dat in drie stappen.

1. Leg het eigenlijke doel bloot

„Maak een maandrapport“ is een taak. Het doel is de conclusie die u trekt, de beslissing die het rapport in gang zet. Wat het doel is, kan de AI nooit voor u bepalen. Laat u in plaats daarvan bevragen:

„Interview mij om het doel van dit project vast te stellen voordat je begint.“

2. Werk agile, niet volgens het watervalmodel

De meeste mensen gooien de AI alles in één keer voor de voeten (waterval) en hopen op het kant-en-klare resultaat. Beter is agile speccen: een nauw kader, een helder checkpoint, resultaat toetsen, bijsturen, herhalen. Zo merkt u vroeg wanneer de richting niet klopt.

„Neig naar kleinere, scherper afgebakende specs met heldere tussenresultaten.“

3. Wees precies – en denk mee

Hoe preciezer u bent, hoe minder de AI moet aannemen. En elke aanname is een kans om van het gewenste resultaat af te dwalen. Wanneer de AI een spec voor u schrijft, lees die dan kritisch – met uw eigen hoofd.

„Laat mij centrale beslissingen uitdrukkelijk bevestigen, zodat er niets over het hoofd wordt gezien.“

Drie bouwstenen, één resultaat: een nauw afgebakende, doordachte spec die bij uw werkelijke doel past. Karpathy noemt dat modern engineering – een houding die voortaan iedereen nodig heeft die serieus met AI werkt.

Laag 2: de verificateur – AI haar eigen werk laten toetsen

Het frustrerendste aan AI is het toetsen van het resultaat. Om te begrijpen waarom, helpt Karpathy’s mentale model. Hij spreekt van „dieren“ tegenover „geesten“: mensen zijn als dieren – met motieven en emoties. Zegt u tegen iemand „word binnen 14 dagen SEO-expert of je ligt eruit“, dan vindt die persoon een weg. AI werkt anders.

Een aanschouwelijker beeld: stelt u zich de AI voor als een robotbibliothecaris. Zij beantwoordt vragen alleen aan de hand van de boeken in haar bibliotheek. Ontbreekt een boek, dan kan zij niet helpen – en merkt dat vaak niet. Daarom schittert ze bij wiskunde en struikelt ze bij context: waar heldere antwoorden in de bibliotheek staan, is ze briljant; waar niet, is ze zelfverzekerd fout. Schreeuwen, smeken of „doe het beter“ helpt niet. De enige echte hefboom is de verificatie. Drie aanknopingspunten:

• Beoordelingscriteria vooraf vastleggen. In plaats van „maak het rapport goed“: „Het rapport heeft drie secties, elk eindigt met een aanbeveling.“ Hoe preciezer vooraf, hoe minder speelruimte voor fouten.
• Een tweede model als criticus. Een tweede bibliothecaris uit een andere bibliotheek beoordeelt het resultaat van de eerste. In Claude Code laat zich bijvoorbeeld de Codex-plug-in gebruiken: „Wordt dit een complexe build, laat het eindresultaat dan door Codex tegenlezen.“
• Externe signalen inbouwen. Verbind de AI met het systeem dat de waarheid kent – bijvoorbeeld de deployment-omgeving, om te bevestigen dat er werkelijk is uitgeleverd. Of geef oude rapporten mee als referentieformaat.

Boris Cherney, bedenker van Claude Code, vat het treffend samen: Heeft Claude een feedbacklus, dan verdubbelt tot verdrievoudigt dat de kwaliteit van het eindresultaat.

„Schets de beoordelingscriteria waarmee je een hoogwaardig eindresultaat verzekert. Wees precies. Waar zinvol, betrek een tweede model of externe data bij de toetsing.“

Laag 3: de omgeving – de werkplaatsvloer waarop alles staat

Spec en verificatie hebben een plek nodig om te leven: de omgeving waarin u bouwt. Denk aan een werkplaats – de spec is de bouwtekening aan de muur, de verificateur de kwaliteitscontrole bij de deur, en de omgeving is de werkplaats zelf. Het probleem: de meesten bouwen elke keer vanaf nul. Zo richt u in plaats daarvan een werkplek in die mettertijd beter wordt:

• Een schoon CLAUDE.md-bestand. Het wordt bij elke prompt automatisch meegeladen – het eerste wat Claude leest. Voorbeeld: „Voordat je iets meerstaps bouwt, voeg een verificatieplan toe.“ Zo is toetsing afgedwongen, niet optioneel.
• Een eigen kennisbasis (LLM knowledge base). Een mappenstructuur met uw eigen data die de AI eenvoudig doorzoekt. Uw data zijn uw slotgracht – hier begint uw intellectuele eigendom.
• Herbruikbare skills. Vuistregel: wat u herhaaldelijk doet, wordt een skill – een handboek voor een concrete taak. „De beste manier om een lek in de slang te vinden, is er water doorheen te laten lopen.“ Hoe meer u skills gebruikt, hoe beter ze worden.
• Echte regels in plaats van verzoeken. Een zin in CLAUDE.md („niets verzinnen“) is een verzoek dat de AI kan negeren. Wat kritiek is, hoort op toolniveau afgedwongen te worden – bijv. een pre-tool-use-hook die bepaalde bestanden hard beschermt.

Sorteer uw acties in drie bakken: Altijd toegestaan (loopt op de automatische piloot), Vooraf vragen (tegenlezen) en Nooit (grenzen die niet overschreden mogen worden). Maak de omgeving tot uw wereld – de AI leeft daarin, niet omgekeerd.

Waar het op aankomt

„U kunt uw denken uitbesteden – maar niet uw begrip.“
– Andrej Karpathy

Alle drie de lagen draaien om precies dat: uw begrip van het grotere geheel. U moet uw doelen kennen en weten wat er nodig is om de AI de juiste kant op te sturen. Gereedschap wordt goedkoper – begrip blijft schaars.

Conclusie

„Beter prompten“ is de verkeerde vraag. Wie met AI werkelijk sneller en beter wordt, bouwt een systeem: een precieze spec die van het doel uitgaat; een verificatie die kwaliteit afdwingt; en een omgeving die met elk gebruik groeit. Dat is geen magie en geen hype – maar net werk, waarbij u het hoofd erbij houdt. Precies zo adviseer ik ook: eerlijk, meetbaar, zonder AI-hype. Wilt u dit in uw bedrijf opzetten, dan spreek ik er graag met u over.

Om mee te nemen

De volledige methode als compacte documenten – ideaal om op te slaan en in het team te delen:

Bron: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ van Austin Marchese (YouTube). Vrij samengevat en vertaald.