Nu we bijna alle menselijke kennis hebben samengeperst in grote taalmodellen, is de volgende grens het aanroepen van tools. Het aan elkaar schakelen van verschillende AI-tools maakt automatisering mogelijk. De verschuiving van denken naar doen vertegenwoordigt de echte doorbraak in de bruikbaarheid van AI. Ik heb meer dan 100 tools voor mezelf gebouwd, en ze werken meestal, maar niet altijd. Ik ben niet alleen. Het Economic Index-rapport van Anthropic onthult dat 77% van het zakelijke gebruik van Claude zich richt op volledige taakautomatisering, niet op co-pilotage. Anthropic publiceerde vorige week documentatie over token efficiëntie en het herontwerpen van tools om hun gebruik te optimaliseren. De richtlijn was tegenintuïtief: in plaats van veel eenvoudige tools met duidelijke labels, creëer je minder, complexere tools. Hier zijn de zeven e-mailtools die ik heb gebouwd - Ruby-scripts, elk met een duidelijk doel. Het "Safe Send Email"-script was ontworpen om te voorkomen dat de AI e-mails verstuurt zonder goedkeuring. Mooi naïef, eenvoudig en duidelijk, zou een taalmodel deze niet moeten kunnen lezen en precies weten wat ik het vroeg te doen? Maar zo eenvoudig is het niet! Anthropic raadt aan om complexe tools te creëren. Hun onderzoek toont aan dat "verzoeken gemiddeld 14% aan outputtokens besparen, tot 70%" wanneer gebruik wordt gemaakt van geavanceerde, parameter-rijke tools in plaats van eenvoudige. De reden? AI-systemen begrijpen de volledige context beter dan gefragmenteerde intentie. Ik heb het weekend besteed aan het consolideren van al mijn tools in uniforme tools, zoals deze voor e-mail: (derde afbeelding) De impact op de nauwkeurigheid was onmiddellijk. De succesratio van Claude benadert 100%. Het systeem is sneller. Als gevolg hiervan gebruik ik veel minder tokens met een efficiënter systeem. Hier is mijn huidige mentale model: (vierde afbeelding) Toen ik herontwierp voor AI-cognitie in plaats van menselijke intuïtie, verbeterde alles. Mijn CRM-operaties, kalenderbeheer en database-workflows werden allemaal betrouwbaarder toen ze werden geconsolideerd in uitgebreide, parameter-rijke tools. De nauwkeurigheid verbeterde, waardoor de totale kosten aanzienlijk werden verlaagd. Maar vraag me niet om de tools te gebruiken. Ik ben nu een beetje verloren te midden van de complexiteit. Dit is een onvermijdelijk gevolg van werken op hogere abstractieniveaus, waarbij ik de machine niet langer diep begrijp. We hebben tientallen jaren software eenvoudig gemaakt voor mensen. Nu leren we het complex te maken voor AI.