Fase 2: Verdiepen

---

De basis staat. Nu gaan we dieper — van vastleggen naar ontdekken, van transcripten naar patronen.

---

Waar ben je?

Je hebt transcripten. Je hebt eerste syntheses gemaakt. Maar nu wil je verder. Het gesprek was rijk — hoe krijg je daar meer uit?

Misschien voel je dat er patronen in zitten die je niet kunt benoemen. Misschien wil je terug naar de groep met een reflectie die het gesprek verder brengt. Misschien zit je vast in een iteratie met AI en krijg je niet wat je zoekt.

Dit is de fase van verdieping: niet meer vastleggen wat er is, maar ontdekken wat erin zit.

---

Wat kan je allemaal met AI?

In Fase 1 ging het over vastleggen: transcriptie, taal behouden, stijl klonen. In deze fase gaat het over verdieping: patronen herkennen, samen met AI itereren, en de input ontwerpen die rijke output mogelijk maakt.

Uit het transcript halen wat erin zit

Wat ik steeds weer merk: een transcript bevat meer dan je in eerste instantie ziet. Soms is het je intuïtie die woorden krijgt: patronen die je voelde maar niet kon benoemen. Soms weet je dat er meer in zit dan je in het moment kon verwerken. AI kan als vergrootglas werken op wat er al is.

Intuïtie zwart op wit zetten

Je voelt dat er iets speelt — een terugkerend thema, een spanning die niet wordt uitgesproken, een dynamiek die je aanvoelt. Soms kun je het benoemen, soms niet. Maar zelfs als je het kunt benoemen: het vastleggen, zwart op wit zetten, maakt het bespreekbaar en refereerbaar.

AI kan het transcript scannen op de patronen die je intuïtief aanvoelt. Niet om je intuïtie te vervangen, maar om er woorden aan te geven. Het resultaat is vaak bevestiging van wat je al wist — maar nu kun je het delen, bespreken, en later naar terugverwijzen.

Dit is ook een vorm van democratisering: het herkennen van groepsdynamiek en onderstromingen was voorheen voorbehouden aan ervaren facilitators met jarenlange training. AI maakt deze vaardigheid toegankelijker. Vergelijkbaar met hoe software developers verschuiven van code schrijven naar het regisseren van het geheel: de diepe kennis blijft essentieel, maar de toepassing verandert.

Wat ik zelf merk: ik zie nu dingen die ik eerder miste. Het geeft me meer vertrouwen om patronen te benoemen — omdat ik onderbouwing heb. En misschien het waardevolst: ik leer nieuwe patronen herkennen, en manieren om daar een volgende keer mee om te gaan.

Samen graven naar wat erin zit

Je hebt een sessie gehad. Het gesprek was waardevol, maar je weet: er zit meer in dan wat je direct kon benoemen. Niet omdat je iets miste — maar omdat elk rijk gesprek meer bevat dan één persoon in één moment kan verwerken.

AI kan helpen door samen te graven: structuur zoeken, haakjes voor verbinding vinden, krachtige quotes identificeren. Het transcript is ruwe olie: grondstof voor verdieping. En het mooie is: dit hoeft geen solo-werk te zijn. Je kunt samen met AI een prompt bouwen — AI stelt vragen, jij geeft richting, en de analyse wordt steeds scherper.

Maar hoe werk je dan samen met AI om dit te doen? Dat vraagt een cruciale vaardigheid.

---

Itereren in plaats van sleutelen

Als AI-output niet klopt, is de reflex om het zelf te gaan aanpassen. Een zin hier, een woord daar. Maar dan mis je de kans om samen te werken — en om AI (en jezelf soms ook) te leren wat je eigenlijk bedoelt.

Wat beter werkt: geef feedback aan AI en laat het opnieuw proberen. "Dit klopt niet omdat..." of "Wat ik eigenlijk bedoel is..." Dat is even wennen, maar het levert betere resultaten. En je leert tegelijk hoe je effectiever met AI communiceert.

Het verhaal van de twaalf rondes hierboven is daar een voorbeeld van. Elke ronde bracht nieuwe informatie, nieuwe correcties, nieuwe inzichten — totdat het resultaat klopte.

En als je tóch veel hebt moeten aanpassen? Dan is dat waardevolle informatie. Je aanpassingen laten zien wat er ontbrak in je oorspronkelijke prompt. Geef je aangepaste versie terug aan AI met de vraag: "Wat had ik anders moeten vragen om dit resultaat direct te krijgen?" Zo wordt elke iteratie een les voor de volgende keer.

Je hebt nu gezien hoe iteratie werkt. Maar de beste verdieping begint eigenlijk eerder. Hoe zorg je dat er überhaupt iets waardevols in het transcript zit?

---

Prompt de mensen eerst

Voordat je nadenkt over wat AI met de output doet, is er een belangrijkere vraag: hoe zorg je dat de input rijk genoeg is? De kwaliteit van wat mensen delen bepaalt wat AI ermee kan. Een goede vraag levert rijkere antwoorden dan een slechte. Een veilige setting levert openheid. De structuur van je workshop bepaalt wat er in het transcript komt.

De kwaliteit van AI-output hangt af van de kwaliteit van menselijke input. Dat begint bij de vragen die je stelt — vooraf bij het ontwerpen van je sessie, en in het moment als de groep vastloopt. Dit is het mensenwerk dat voorafgaat aan elke AI-prompt.

Een concrete sub-techniek die hieruit voortkomt: vragen herkaderen. "Wat vind je van de samenwerking?" levert abstracte antwoorden. "Kun je een moment beschrijven waarop de samenwerking goed voelde?" levert concrete verhalen — en richt de energie op waar mensen meer van willen.

Dit is bij uitstek een menselijke vaardigheid: ter plekke aanvoelen dat een andere vraag nodig is, en die dan stellen. AI kan je wel helpen om deze vaardigheid te ontwikkelen — bijvoorbeeld door achteraf te vragen: "De groep liep vast bij deze vraag. Wat had ik anders kunnen vragen?" Zo leer je technieken die je de volgende keer kunt toepassen.

En als je dit goed doet — de mensen goed bevraagd, het proces goed ontworpen — dan wordt iets anders mogelijk.

---

Live reflectie teruggeven aan de groep

Stel je voor: een groepsgesprek draait rond. Dezelfde punten komen terug, maar niemand benoemt de kern. AI kan het gesprek tot nu toe analyseren en een vraag formuleren die de groep verder helpt — niet een samenvatting voor later, maar een interventie in het moment.

In tools zoals Dembrane heet dit de "echo-knop": één druk, en AI leest het transcript en stelt een vraag die de spanning of het patroon benoemt. Het effect is soms verrassend — de groep ziet zichzelf. Het is geen vervanging van de facilitator, maar een spiegel.

Dit is waar alles samenkomt: je hebt geleerd hoe je verdieping uit transcripten haalt, hoe je met AI itereert, hoe je de input ontwerpt. Nu kun je dat toepassen terwijl het gesprek nog bezig is.

Van gesprek naar live document

Een stap verder dan live reflectie: wat als je niet alleen een vraag teruggeeft, maar een heel concept-document genereert terwijl de sessie nog bezig is?

Bij strategische sessies of workshops waar een plan moet komen, kun je AI gebruiken om tijdens de pauzes concept-secties te genereren. Mensen zien hun woorden direct terug, gestructureerd in het format dat de organisatie nodig heeft. Van een dag werk naar minuten — niet voor efficiency, maar voor eigenaarschap. Want de feedback-loop verkort: wat mensen zeiden staat er nog vers in, ze herkennen het meteen.

Dit vraagt wel een co-facilitator die de techniek doet, terwijl jij bij de groep blijft. En het vraagt tussentijdse validatie — nooit presenteren alsof AI de waarheid heeft vastgelegd.

---

Wat blijft menselijk?

In deze fase wordt de samenwerking met AI intensiever. Je geeft feedback, je itereert, je stuurt bij. Maar hoe meer AI kan, hoe belangrijker jouw rol en vooral jouw oordeel wordt.

Het verschil tussen een live reflectie die landt en een die flopt zit niet in de analyse — die kan AI prima. Het zit in het moment. In het aanvoelen dat de groep nu klaar is voor een spiegel, of juist niet. In het zien dat iemand iets wil zeggen maar aarzelt. In het weten wanneer stilte productief is en wanneer het vastloopt.

Wat het meest menselijk blijft? Gevoel voor de ruimte. Intuïtie. Timing. AI kan de perfecte vraag genereren — maar jij moet voelen wanneer die vraag helpt, en of de groep er klaar voor is.

---

Spanningen in deze fase

Te vroeg vs. te laat interveniëren De impact van een live reflectie zit in de timing. Te vroeg voelt als onderbreking: alsof je het gesprek niet vertrouwt. Te laat, en de energie is al weg. Die timing is mensenwerk: voelen wanneer de groep klaar is voor een spiegel.

Voorlezen vs. interpreteren Soms is AI-output letterlijk voorlezen precies goed — een citaat, een korte reflectie. Soms wil je juist samenvatten in eigen woorden. De vraag is: welke output heeft de groep nu nodig, en heb je daar specifiek om gevraagd?

Zelf doen vs. samenwerken Als AI-output niet klopt, is de reflex om het zelf aan te passen. Een zin hier, een woord daar. Maar dan mis je de kans om samen te werken — en om te leren wat je eigenlijk bedoelt. Feedback geven is even wennen, maar het levert betere resultaten.

Doorwerken vs. accepteren Itereren is krachtig, maar perfectie kan verlammen. Soms is 80% goed genoeg. Na drie rondes zonder verbetering is het tijd om te kiezen: accepteren of een andere aanpak.

Patronen vs. ruis AI vindt altijd iets. De vraag is: is het een echt patroon of toevallige overlap? Jouw ervaring in de kamer is de toets.

Introductie: experiment vs. normaal onderdeel Hoe je AI introduceert bepaalt hoe mensen ermee omgaan. "Even kijken wat de AI ervan vindt" nodigt uit tot nieuwsgierigheid. "We gaan nu een experiment doen met AI" nodigt uit tot oordeel.

Dat werkt door. In het begin kijken deelnemers met de vraag "klopt dit wel?" in plaats van "herken ik mezelf hierin?" Wat ik merk is dat die verschuiving vanzelf komt, maar dat je het kunt versnellen. De eerste keer: benoem expliciet dat je herkenning zoekt, geen beoordeling.

---

Technieken in deze fase