Dit jaar heb ik een jaarlijkse evaluatie gedaan, waarbij ik AI Agent heb ingeschakeld om een datagestuurde diepgaande inventarisatie van mezelf te maken. Ik deel deze procedure omdat je geen programmeerervaring nodig hebt om professioneel niveau data-analyse gemakkelijk uit te voeren. Het is zelfs eenvoudiger dan Vibe Coding, je hebt alleen nodig: volledige data + Coding Agent. Om de limieten van deze procedure te verifiëren, heb ik speciaal de grootste en meest complexe 10 jaar gezondheidsarchieven uit mijn persoonlijke gegevens geselecteerd voor een stresstest. 1️⃣ Data omvang en verwerkingsdrempel Uiteindelijk heb ik een bestand geëxporteerd uit de Apple Health App, met een omvang van maar liefst 3,5 GB aan originele gezondheidsdata van de Apple Watch. Dit bestand bevatte honderdduizenden hartslagregistraties en een breed scala aan gedetailleerde fysiologische indicatoren. Voordat AI betrokken was, moest ik voor het verwerken van deze omvangrijke data minstens enkele dagen investeren in het bestuderen van Python-bibliotheken en veel energie steken in het ontleden van complexe XML-datastructuren. Dit is vaak ook de grootste hindernis voor veel mensen bij het "kwantificeren van zichzelf". 2️⃣ Agent-gestuurde workflow Wanneer we Coding Agent (zoals OpenAI Codex of Claude Code) introduceren, verandert het hele proces volledig. Je hoeft je niet meer bezig te houden met specifieke code-implementaties, je hoeft alleen maar het "analyse doel" duidelijk te maken. De Agent voert automatisch een recursieve cyclus uit: zelfstandig de datastructuur bestuderen → Python verwerkingsscript schrijven → tegen een uitzonderlijke structuur aanlopen → opnieuw bestuderen en de code corrigeren. Het kan het hele proces van schoonmaken tot analyseren zelfstandig voltooien, waardoor ik veel ideeën die eerder vanwege te hoge technische kosten waren blijven liggen, kon realiseren. Als je niet weet waar je moet beginnen, kun je de Agent eerst de achtergrond van de taak en de bijbehorende bestanden vertellen, zodat hij zelf wat verkenning kan doen, bijvoorbeeld: > Dit is een compleet origineel gegevensbestand geëxporteerd uit Apple Health, kijk eens welke soorten gezondheidsdata erin zitten? Hoe is de tijdspanne? > Help me 10 inzichten te vinden op basis van deze gezondheidsdata. > Kijk of er correlaties zijn tussen verschillende categorieën gezondheidsdata. > Kun je bevestigen dat je onderzoek correct is? Verifieer het en geef me meer tussenresultaten, zodat ik kan bevestigen. Dit alles kan heel gemakkelijk worden gerealiseerd, zelfs je kunt complexere en specifiekere onderzoeken uitvoeren. ⚠️ Let op: omdat de originele gezondheidsdata omvangrijk is, kan deze niet direct in apps zoals ChatGPT worden ingevoerd, dus je moet de cli-versie van de Coding Agent gebruiken voor onderzoek (Cursor en andere IDE's kunnen ook werken). Je kunt AI specifiek vragen: > Hoe installeer ik Codex CLI / Claude Code CLI? 3️⃣ Overzicht van de monsters Deze analyse dekt de volledige periode van 18 mei 2015 tot 25 december 2025, in totaal 3875 dagen. In deze periode heb ik 5 verschillende Apple Watches gedragen, met een daadwerkelijke draagperiode van 3503 dagen, wat een draagpercentage van meer dan 90% oplevert. De langste aaneengeschakelde draagperiode was 399 dagen, de langste onderbreking was 33 dagen. 4️⃣ Belangrijke inzichten: correlatiestudie van de rusthartslag Op basis van de schoongemaakte effectieve dataset heeft de Agent enkele interessante patronen ontdekt die eerder niet waren opgemerkt. De volgende conclusies zijn allemaal berekend door Codex (opmerking: momenteel alleen correlaties, geen causaliteit): 🔊 Directe druk van omgevingsgeluid (monsteromvang: 1802 dagen): Hogere omgevingsgeluiden → De kans op een hogere rusthartslag op die dag neemt met ongeveer 5,2 keer toe. 🪑 De vertraagde impact van langdurig zitten (monsteromvang: 2546 dagen): Minder staan → De kans op een hogere rusthartslag de volgende dag neemt met ongeveer 1,75 keer toe. 🪜 Langdurige voordelen van traplopen (monsteromvang: 1909 dagen): Minder hoogte bij traplopen → De kans op een hogere rusthartslag de volgende dag neemt met ongeveer 1,91 keer toe. Dus, tenminste voor mij, kan een stillere omgeving, vaker staan tijdens het werk en meer traplopen leiden tot langdurige gezondheidsvoordelen. 5️⃣ Praktische en actiegerichte aanbevelingen De huidige analyse richt zich alleen op de rusthartslag, en de algoritmische details en meerdimensionale kruisanalyses zal ik later in een gedetailleerd artikel samenstellen. Als je ook van plan bent om AI voor dergelijke analyses te gebruiken, let dan op dat je een verificatiemechanisme moet opzetten. De Agent kan "hallucinaties" hebben bij het verwerken van complexe logica, dus het is aan te raden om tussenliggende statistische gegevens te vragen of een kleine steekproef handmatig te controleren om de nauwkeurigheid van de uiteindelijke conclusies te waarborgen. Of gebruik meerdere Agents voor kruisvalidatie. 6️⃣ Samenvatting Dit is slechts mijn persoonlijke digitale beoordeling van mijn lichaam, de conclusies zijn mogelijk niet rigoureus en dienen slechts ter referentie. Het delen van deze procedure is bedoeld om te laten zien hoe Coding Agent de technologische kloof heeft overbrugd: het ontginnen van data-assets vereist niet langer programmeerkennis, alleen het stellen van vragen.

Net een mijlpaal bereikt, deze maand zijn de impressies eindelijk boven de 10 miljoen gekomen. Wat betekent dit getal? Het is meer dan het dubbele van mijn impressies van de afgelopen 12 maanden bij elkaar. ( Natuurlijk, dit geeft aan dat mijn gegevens altijd erg slecht zijn geweest.) Als er nog steeds mensen zijn die twijfelen aan de echtheid van dit getal, laten we dan een ander Bookmark-gegevens bekijken. Deze maand is het bijna 10.000 keer gebookmarked, wat bijna gelijk is aan de afgelopen 24 maanden bij elkaar. Onlangs hebben een paar van ons nieuwe inzichten gekregen over het aanbevelingsalgoritme van X, sommige zijn mystiek, andere bevatten ook willekeurige factoren. Maar het is in principe bevestigd dat: > AI + Vibe Coding + echte persoonlijke ervaringen + artikelenstructuur die geschikt is voor sociale media de factoren zijn die deze nieuwe algoritme prioriteit zal geven. Natuurlijk is verkeer maar één aspect. Belangrijker is dat de uitbreidbaarheid van de onderwerpen AI en Vibe Coding bijzonder groot is, bijna elk type product kan worden verkend. In de afgelopen twee maanden heb ik ook veel producten/websites gelanceerd, de totale DAU is boven de 1000 gekomen, maar het is nog steeds erg weinig. Tot nu toe heb ik ook nog geen winstmodel gevonden, misschien moet ik nog een paar dingen proberen voordat ik een kans heb. Maar ik denk dat deze producten al echte waarde voor gebruikers hebben gecreëerd, anders zouden ze niet elke dag een webpagina openen. Misschien is dat de charme van Vibe Coding: je schrijft niet meer code om code te schrijven, maar om dat vluchtige idee vast te leggen en het om te zetten in een product dat voor iedereen toegankelijk is. Wat betreft hoe te monetiseren, laten we die vraag maar voor de volgende iteratie bewaren.

Eerder werd vaak gezegd dat Web3/Crypto een kans voor jongeren is, en dat je van stagiairs moet leren. Tegenwoordig is AI + Vibe Coding eigenlijk nog veel meer. Het vereist geen diepgaande CS-achtergrond, de enige drempel is zelfmotivatie, oftewel de bereidheid om te leren. Oudere programmeurs dragen vaak een zware "ervaringlast" met zich mee, gewend om elke regel code met de hand te schrijven, waardoor het moeilijk is om het vertrouwen volledig aan een Coding Agent te geven. En dat is precies de kans voor jongeren, omdat ze geen oude gewoonten hebben, kunnen ze zich direct aanpassen aan de nieuwe regels. In dit nieuwe paradigma kan een blanco vel papier misschien sneller zijn dan tien jaar ervaring. Vibe Coding is de echte enorme kans die voor jongeren ligt.