Na de komst van LLM is het experimenteren op applicatieniveau nooit gestopt. Van promptoptimalisatie tot workflowconfiguratie, en vervolgens tot agentconstructie, het uiteindelijke doel is altijd hetzelfde: LLM beter laten presteren voor de mens, de prestaties van de machine tot het uiterste persen. Het persen van LLM kan worden onderverdeeld in twee dimensies. De eerste is het helpen vinden van de optimale algoritmes, zodat de inferentie minder omwegen maakt. Daarvoor hebben we bijna alle denkbare wegen bewandeld, zodat LLM kan leren reflecteren (reflection, self-consistency, self-critics), kan leren redeneren en plannen (reasoning, planning, chain-of-thought, tree-of-thought); kan leren herinneren (short-term memory, long-term memory), zodat het niet vergeet tijdens lange gesprekken; kan leren kennis te vinden (RAG, knowledge graph), om feiten uit de externe wereld aan te vullen; kan leren context op te bouwen (context building), om meer effectieve informatie in beperkte tokens te stoppen; kan leren tools te gebruiken (tool-use, function calling, MCP), om taken aan externe programma's uit te besteden in plaats van alleen op zichzelf te vertrouwen; enzovoort. Deze dingen zijn in wezen technieken en mechanismen, met als hoofddoel LLM sneller te laten begrijpen wat de mens wil, en zo doelgericht (goal-oriented) mogelijk de weg met de laagste kosten te vinden naar de optimale oplossing. De tweede dimensie is het persen van tijd, zodat LLM 7×24 uur kan draaien zonder pauze. Wanneer we een dieper begrip van LLM hebben, is het gemakkelijk om te denken aan het creëren van een "digitale werknemer" die bij ons of onze organisatie hoort; het is onvermoeibaar, klaagt niet, kan continu draaien en voortdurend leren. De meeste mensen gebruiken AI vandaag de dag nog steeds voor het opzoeken van informatie, het samenvatten van inhoud, het schrijven van wekelijkse of maandelijkse rapporten, en dergelijke eenmalige scenario's. Als we echt een "ononderbroken AI digitale werknemer" willen bouwen, is dat niet genoeg. We moeten eerst onze eigen AI digitale fabriek plannen - goed nadenken over wat voor "product" we willen creëren, of het nu een systeem is voor het vastleggen van kennis, een geautomatiseerd bedrijfsproces, of een dienst die langdurig kan worden geïtereerd. In deze fabriek is AI de uitvoerder op de productielijn, verantwoordelijk voor de specifieke verwerking en output; terwijl de rol van de mens verandert van "de arbeider die zelf het werk doet" naar "de toezichthouder en manager". Mensen voltooien niet langer elke stap zelf, maar moeten de productielijn ontwerpen, regels instellen, indicatoren vaststellen, de kwaliteit bewaken en indien nodig middelen inzetten. Met andere woorden, de waarde van AI ligt niet in het vervangen van ons "een beetje werk doen", maar in het helpen om de hele productielijn draaiende te houden, terwijl de mens meer als "de manager van de digitale fabriek" fungeert. Wanneer deze twee dimensies samenkomen, verschijnt het echte keerpunt. LLM is niet langer slechts een koud hulpmiddel, maar wordt geleidelijk een partner voor langdurige samenwerking. Het kan zowel repetitieve taken uitvoeren als inzichten bieden bij complexe problemen. Het is niet alleen "je helpen met werk", maar "samen met jou werken". De toekomstige kloof ligt niet in wie de mooiste prompts kan schrijven, maar in wie LLM echt kan integreren in zijn tijd en organisatie, en zo een stabiele productiemethode kan vormen. Daarom zijn de vragen of je het kunt gebruiken, tot welke diepte je het kunt gebruiken, en of je het continu kunt optimaliseren, de werkelijke bronnen van concurrentievermogen op lange termijn. Wie AI kan laten functioneren als een "fabriek", waardoor hij van uitvoerder naar toezichthouder en manager kan gaan, zal in de toekomst in zijn dagelijkse werk en bedrijfsvoering een echt herbruikbaar en accumuleerbaar voordeel behalen.