Hoe wij research laten doen door de computer, zonder in rapporten te verdrinken

Van de oprichter

Ik ben geen programmeur. In vijfentwintig jaar marketing heb ik nooit een regel code geschreven, en dat ga ik ook niet meer doen. Wat ik wél kan, is een proces uit elkaar trekken en bedenken welke stappen erin zitten. Sinds ik dat samen met een AI-assistent doe, blijkt dat genoeg om dingen te bouwen waarvan ik vroeger dacht dat er een heel team voor nodig was. Vandaag deel ik er één, het onderzoekswerk, zodat jij dit ook kunt.

In het kort. Goed vooronderzoek kost een adviseur uren, en de meeste AI-zoekfuncties blijven aan de oppervlakte. Wij koppelden de Deep Research van Google, die dieper en breder het web doorzoekt dan elke concurrent die we testten, aan NotebookLM, dat de enorme rapporten weer terugbrengt tot bruikbare antwoorden. Onze AI-assistent stuurt beide aan. Het resultaat is een onderzoeksbureau dat zelfstandig een onderwerp uitzoekt en de uitkomst meteen toepasbaar maakt.

Het praktische kantoorprobleem

Voor bijna elke opdracht begint het werk met uitzoeken. Een markt verkennen, een sector doorgronden, de stand van zaken rond een onderwerp ophalen. Dat is precies het werk dat eindeloos kan duren, want je weet vooraf nooit hoeveel je gaat vinden. En de AI-zoekfuncties die de meeste mensen kennen, het type dat in een chatvenster snel een antwoord geeft, blijven oppervlakkig. Ze pakken de eerste paar bronnen en stoppen. Voor een tweet is dat genoeg, voor een gefundeerd advies niet.

Voor een adviseur zit daar bovendien een addertje onder. Oppervlakkig onderzoek is niet alleen traag, het is een risico. Een AI die met grote stelligheid een bron of een feit verzint dat niet bestaat, kan je je reputatie kosten. Daarom durft een verstandige professional het onderzoek nooit blind aan een AI over te laten, en kost het handmatig nalopen achteraf alsnog uren. Je zoekt dus niet zomaar snelheid, je zoekt snelheid die je kunt vertrouwen, waarbij je elk inzicht kunt terugleiden naar de plek waar het vandaan komt.

Ik wilde iets dat doorzoekt zoals een goede analist dat doet. Niet één ronde, maar blijven graven, en op wat het tegenkomt verder zoeken. En ik wilde de regie houden, zoals een meester die het voorwerk uitbesteedt maar zelf tekent voor het resultaat.

Wat ik testte, en waarom Google won

Ik heb dit jaar zo ongeveer alles geprobeerd wat er is. De diepe zoekfuncties van Perplexity, OpenAI en Claude, en de gespecialiseerde zoekmachines voor AI zoals Exa en Tavily. Allemaal goed, allemaal met hun eigen sterke punt. Maar op één ding wint Google het van iedereen, en dat is logisch als je erover nadenkt. Niemand heeft het internet zo volledig in kaart als Google. Dat is letterlijk hun levenswerk.

Zet die complete index onder een functie die niet één keer zoekt maar blijft itereren, die op elk antwoord een vervolgvraag bedenkt en opnieuw het web in duikt, en je hebt iets bijzonders. Het graaft door tot het klaar is, niet tot de eerste pagina vol is. Voor wie research serieus neemt is dat het verschil tussen een samenvatting en een dossier.

Er is alleen een keerzijde, en die is fors.

Het probleem met diepgang, en de oplossing

Al dat graven levert rapporten op van tientallen pagina’s. Veel meer dan je lief is. Je vroeg om een verkenning en je krijgt een boek terug, met alles erin, ook de zijpaden die je niet nodig hebt. De diepgang die het zo waardevol maakt, maakt het tegelijk onbruikbaar zodra je er echt iets mee wil. Niemand leest drie van die rapporten naast elkaar.

Daar komt NotebookLM om de hoek kijken.

Wat is NotebookLM? Een gratis tool van Google waarin je je eigen bronnen zet, denk aan documenten, rapporten of websites. De AI redeneert daarna alleen over precies die bronnen en verzint niets daarbuiten. Vraag je iets, dan krijg je een antwoord met een verwijzing naar de exacte plek waar het vandaan komt, zodat je het kunt controleren. Geen open zee waarin de AI maar wat kan beweren, maar een afgebakende kennisbank die jij hebt gevuld en die alleen daarover praat. Steeds meer juristen gebruiken het al om hun eigen dossiers en richtlijnen doorzoekbaar te maken.

Stop je die onleesbare onderzoeksrapporten in zo’n notebook, dan keert de verhouding om. De diepgang blijft bewaard, maar je hoeft het niet meer zelf door te ploegen. Je stelt gewoon je vraag, en je krijgt het antwoord dat ertoe doet, met de bron erbij.

Hoe we de twee aan elkaar knoopten

De echte sprong zit hem niet in de twee tools los, maar in wat er gebeurt als je ze allebei rechtstreeks aan je AI-assistent koppelt. Dan hoef je zelf niets meer heen en weer te kopiëren. De assistent doet de hele keten, van vraag tot bruikbaar antwoord, zelfstandig.

Het werkt zoals je een goede stagiair een onderzoeksopdracht geeft, alleen dan zonder de wachttijd. De mens bepaalt de vraag en de grenzen, de assistent voert uit.

De stappen

1. De vraag scherp stellen. Ik geef de assistent een onderzoeksopdracht met de juiste context, voor wie het is en wat ik precies wil weten. Dit is het denkwerk dat van mij blijft. Een scherpe vraag is het halve werk.
2. Het web laten uitkammen. De assistent zet de Deep Research van Google aan en die gaat itererend op zoek, net zolang tot het onderwerp echt is uitgediept.
3. De oogst opbergen. Het lijvige rapport gaat niet naar mijn bureau maar rechtstreeks de kennisbank in. De assistent maakt zelfstandig een notebook aan en zet het rapport erin als bron.
4. Terugvragen wat telt. Nu kan de assistent de kennisbank bevragen alsof het een expert is die het hele rapport uit z’n hoofd kent, en alleen antwoordt op basis van wat erin staat, met verwijzing naar de plek. Dat laatste is geen detail. Omdat elk antwoord herleidbaar is naar de bron, kun je het waterdicht controleren in plaats van het op je blauwe ogen te geloven.
5. Toepassen. Het antwoord dat eruit komt is geen ruwe brij meer, maar precies de bouwstof voor het werk dat eronder ligt.

Wat je hier in de praktijk hebt gebouwd, is een onderzoeksbureau dat nooit moe wordt. Het kan op een willekeurig onderwerp losgelaten worden, het zoekt zelf uit, en het levert geen boek maar een antwoord dat je kunt natrekken. Jij blijft de meester die tekent voor het werk, de assistent doet het voorwerk.

Wat we ermee maken

Dit is geen theorie, het draait. We bouwen er bijvoorbeeld de wireframes van klant-websites mee, de eerste schetsen van een pagina met de echte teksten er al in. Dat begint altijd bij de inhoud, niet bij de vorm. We laten de kennisbank eerst vertellen wát er op een pagina hoort te staan en in welke volgorde, gegrond in het onderzoek dat er voor die klant in zit. Pas als die inhoud klopt, gaan we de vorm bouwen. Zo komt geen enkele tekst uit de lucht vallen, alles is terug te voeren op een bron in de kennisbank.

In een eerder stuk schreven we dat steeds meer juristen NotebookLM gebruiken om hun eigen dossiers en richtlijnen doorzoekbaar te maken. Dat is de ene helft, de kennisbank met de hand voeden. Dit verhaal gaat over de andere helft, hoe je die kennisbank automatisch láát vullen met vers, gecontroleerd onderzoek. Wie beide combineert heeft een kennisbank die zichzelf actueel houdt en die z’n bronnen altijd kan tonen.

Resultaten

Zonder	Met de gekoppelde aanpak
Uren zelf zoeken, en toch het gevoel dat je iets mist	De assistent kamt het hele web uit terwijl jij iets anders doet
Een rapport van tientallen pagina’s dat niemand leest	Een kennisbank die je in één zin de kern teruggeeft
Beweringen zonder dat je weet waar ze vandaan komen	Elk antwoord met een verwijzing naar de exacte bron
Onderzoek dat veroudert zodra het af is	Een kennisbank die je met vers onderzoek blijft bijvoeden

De winst is niet alleen tijd. De uren die je terugwint zaten in repetitief voorwerk, en dat is precies het werk waar je als adviseur het minst toevoegt. Die tijd gaat terug naar waar je wél het verschil maakt, het duiden, het strategische gesprek, de relatie met je klant. De AI doet het zoekwerk, jij doet het denkwerk.

“Ik schrijf geen code en ik snap de techniek eronder niet tot in detail. Maar ik kan wel bedenken hoe goed onderzoek hoort te lopen. Dat in stappen zetten en de juiste tools eraan hangen, dat bleek genoeg.” — Menno van der Meulen

Waarom de inrichting een vak blijft

Het idee is simpel, twee tools en een assistent die ze aanstuurt. De waarde zit niet in dat idee, die zit in de inrichting. Welke vraag stel je, met welke grenzen, hoe zorg je dat de assistent de juiste bron op de juiste plek opbergt, hoe voorkom je dat je kennisbank een rommelzolder wordt. Dat is procesdenken, en het is precies het soort werk dat de eerste keer een paar dagen kost en daarna voorgoed van je is.

Daar zit de keuze. Je kunt het zelf uitzoeken, het kan echt, of je laat het in één keer goed neerzetten op je eigen omgeving.

Zelf aan de slag of laat ons helpen

Wil je dit zelf proberen? Onze methode staat open op GitHub, zodat je er meteen mee aan de slag kunt met Claude Code.

Wil je het in één keer goed ingericht hebben op je eigen infrastructuur, met de juiste grenzen bewaakt? Plan dan een kennismaking, dan kijken we samen waar het de moeite waard is. Wij komen niet om uren te schrijven, maar om dit soort werk snel en veilig bij jou neer te zetten.

• De open methode: github.com/mennovdmm/canoniek
• De begeleide route: plan een kennismaking