De AI werkplek voor consultants: decks, frameworks en research op partnertempo

Wat AI werkelijk vervangt in een opdracht

Consultancywerk is geen enkele taak. In een enkele week structureer je een probleem, interview je stakeholders, maak je een data-extract schoon, bouw je een verhaallijn, schrijf je de pagina's en verdedig je de aanbeveling. Die taken vragen om compleet ander modelgedrag, en dat is waarom een enkel AI abonnement altijd 70 procent nuttig aanvoelt en 30 procent frustrerend.

De eerlijke framing is deze: AI levert het antwoord niet in een opdracht. Het bespaart je de twee uur die je kwijt bent aan een eerste concept van iets dat je al kunt bouwen, en het vangt het gat op dat je donderdag zou hebben gevonden als je meer tijd had. Zo gebruikt is het meerdere uren per week waard. Als antwoordmachine gebruikt levert het precies de generieke output op die partners inmiddels herkennen. Het instapmoment met de hoogste opbrengst in een opdracht is de gesprekssamenvatting, die zijn eigen workflow heeft in hoe je vergaderingen samenvat met AI.

Dit is de routering waar de meeste consultants na een paar weken op uitkomen:

Taak	Beste model	Waarom
Probleemstructurering, issue trees, 2x2's	GPT	Volgt expliciete structurele beperkingen, houdt MECE logica aan, levert nette hiërarchieën
Slide headlines en verhaallijn	Claude	Schrijft in een menselijk register, weerstaat vulwoorden, houdt een consistente argumentatielijn aan
Managementsamenvatting en klant e-mail	Claude	Het best in toonbeheersing en in het diplomatiek brengen van lastige boodschappen
Markt- en concurrentiescans	Gemini	Het sterkst in recent webmateriaal met bronnen die je kunt checken
Lange documenten en transcripten lezen	Gemini	Contextvenster van 1M tokens, dus een jaarverslag van 120 pagina's past in een keer
Data-extractie naar tabellen of JSON	GPT	Het meest betrouwbaar in strikte outputformaten die je in Excel kunt plakken
Een aanbeveling op waarheid controleren	Wat je niet zelf hebt opgesteld	Een tweede model is het goedkoopste red team dat je ooit zult inzetten

Je hoeft dit niet uit je hoofd te leren. De praktische versie is: structuur in GPT, proza in Claude, research in Gemini, en controleer de uiteindelijke logica met een model dat het niet zelf schreef.

Workflow 1: framework generatie die niet generiek is

Vragen om "een framework voor dit klantprobleem" levert een Porter's Five Forces op met de klantnaam erin geplakt. De oplossing is om het model de set beperkingen mee te geven die een manager je ook zou geven: de beslissing die de klant werkelijk neemt, de assen die mogen meetellen, en wat al is uitgesloten.

Prompt: issue tree

Je structureert een probleem voor een consultancyopdracht. Klantbeslissing: [de specifieke beslissing, bijvoorbeeld "of drie regionale distributiecentra worden samengevoegd tot een"]. Bouw een MECE issue tree, drie niveaus diep. Niveau 1 moet de 3 tot 5 vragen zijn die, eenmaal beantwoord, de beslissing beslechten. Vermeld bij elke leaf de benodigde analyse en de benodigde databron. Neem geen takken op die we niet kunnen testen met beschikbare data. Markeer elke tak waarvan het antwoord waarschijnlijk al bekend is.

Prompt: een 2x2 die zijn plek verdient

Stel drie kandidaat 2x2 matrices voor dit probleem voor. Noem bij elke matrix beide assen, leg uit wat een positie in elk kwadrant zou betekenen voor de klant, en benoem de ene beslissing die de matrix stuurt. Verwerp elk assenpaar dat gewoon dezelfde variabele herformuleert. Beveel er daarna een aan en leg uit waarom de andere twee hier zwakker zijn. Context: [plak je situatienotities].

Prompt: een framework dat je al hebt gebouwd onder druk zetten

Dit is een framework dat ik heb gebouwd: [plak]. Speel een sceptische engagement manager. Identificeer overlappende takken, ontbrekende takken, takken die niet in de beschikbare tijd te analyseren zijn, en elke plek waar de structuur het antwoord al veronderstelt. Herschrijf het niet. Vermeld alleen de problemen.

De laatste is de meest waardevolle prompt op deze pagina. Modellen zijn veel beter in het bekritiseren van structuur dan in het bedenken ervan, en een kritiekronde kost 30 seconden. Laat je eigen framework hierdoor lopen voordat je het meeneemt naar een managerreview, niet erna.

Workflow 2: deck verhaallijn die een partnerreview overleeft

Het faalpatroon van AI geschreven slides is geen grammatica. Het is dat elke headline een onderwerp is in plaats van een bewering. "Marktoverzicht" is een onderwerp. "De categorie groeide 11 procent terwijl onze klant 3 punten marktaandeel verloor, volledig gedreven door het kortingskanaal" is een bewering, en een deck van beweringen leest als denken in plaats van rapporteren.

Prompt: eerst de verhaallijn, dan de pagina's

Bouw een horizontale verhaallijn voor een klantdeck. Situatie: [2 zinnen]. Complicatie: [2 zinnen]. Vraag die de klant stelt: [1 zin]. Bewijs dat ik heb: [bullets]. Aanbeveling: [1 zin]. Geef 8 tot 12 slide headlines terug, elk een volledige bewering met een onderwerp en een werkwoord, die in volgorde lezen als een enkel argument. Geen onderwerplabels. Vermeld na de headlines elke bewering waarvoor ik nog geen bewijs heb.

Die laatste instructie is degene die je redt. Hij geeft je een lijst met bewijsgaten voordat je pagina's bouwt, precies de lijst die een partner in de review toch zou opstellen.

Prompt: schrijf de pagina

Schrijf de inhoud voor deze slide. Headline: [plak headline]. Onderbouwende data: [plak cijfers of bevindingen]. Publiek: [bijvoorbeeld "COO en twee directe rapporten, operationeel onderlegd, sceptisch tegenover consultants"]. Beperkingen: maximaal drie onderbouwende punten, elk onder de 20 woorden, geen bijvoeglijke naamwoorden die niet meetbaar zijn, geen claim die verder gaat dan de gegeven data. Voeg een "so what" van een regel toe voor de klant.

Prompt: de toonronde

Herschrijf dit zodat het bij het voorbeeld van de stem past. Houd elk cijfer en elke claim identiek. Verwijder elke zin die ongewijzigd zou passen in een deck voor een andere klant. Voorbeeld van de stem: [plak twee alinea's uit een deck dat je partner mooi vond]. Concept: [plak].

Het voorbeeld van de stem doet meer dan elke instructie over toon. Twee alinea's van het echte schrijfwerk van je kantoor brengen de output verder dan een alinea bijvoeglijke naamwoorden die beschrijven hoe je wilt dat het klinkt.

Voordat je iets verstuurt, laat het deck door de omgekeerde test lopen: plak je headlines terug in een nieuwe chat en vraag Wat is het argument dat hier wordt gemaakt, en wat is de zwakste schakel erin? Als het model je argument niet kan navertellen, kan de klant dat ook niet.

Workflow 3: marktscans die je echt kunt citeren

Research is waar AI het nuttigst en het gevaarlijkst is in een opdracht. Een zelfverzekerd, verzonnen marktomvangcijfer dat een klantdeck bereikt, is een carrièreprobleem, geen ongemak. De discipline is simpel: gebruik een model met webtoegang, eis bronnen, en behandel elk cijfer als ongeverifieerd tot je de bron zelf hebt geopend.

Prompt: categoriescan

Onderzoek de [categorie] markt. Geef terug: (1) marktomvangschattingen van de afgelopen 24 maanden, elk met de publicerende organisatie, het jaar en de URL; (2) de 5 tot 8 grootste spelers met publiek gerapporteerde omzet- of aandeelcijfers; (3) materiële veranderingen in de afgelopen 12 maanden, oftewel toetredingen, uittredingen, financieringsrondes, overnames en regelgevingsveranderingen; (4) de twee of drie structurele krachten die de concurrentiepositie de komende 24 maanden het meest waarschijnlijk zullen veranderen. Toon waar bronnen het oneens zijn beide cijfers in plaats van te middelen. Markeer alles wat je niet kunt onderbouwen als NIET GEVERIFIEERD.

Prompt: concurrent uit elkaar halen

Bouw een positioneringsanalyse van [concurrent]. Behandel: gestelde waardepropositie in hun eigen woorden, doelsegmenten, prijsstelling waar publiek, distributiekanalen, recente product- of boodschapveranderingen met data, en de klachtthema's die zichtbaar zijn in publieke reviews. Citeer elke claim. Scheid wat door het bedrijf gesteld wordt van wat door derden wordt waargenomen.

Prompt: het lange document lezen

Lees dit document en haal er alleen uit wat relevant is voor [de klantbeslissing]. Geef een tabel terug met: claim, pagina- of sectieverwijzing, en of het de hypothese dat [stel de hypothese] ondersteunt, tegenspreekt of neutraal is. Vermeld daarna de drie dingen in dit document die het meest verrassen ten opzichte van de branchenormen.

De laatste prompt is waarom een groot contextvenster in dit werk telt. Een heel jaarverslag, een volledige regelgevingsindiening, of een set van 15 interviewtranscripten inladen en daar een vraag tegen stellen is een wezenlijk andere vaardigheid dan een pagina per keer samenvatten. Gemini 3.7 Flash leest een contextvenster van 1M tokens op Whizi, ruwweg 2.000 pagina's tekst, dus het is de standaardkeuze voor die ronde.

Voor een diepere doorloop van bronvermelding en verificatie, zie de gids over AI voor marktonderzoek.

Vertrouwelijkheid van klanten: wat je anonimiseert voordat je plakt

Elke consultant stelt deze vraag voor de tweede prompt, en het eerlijke antwoord heeft twee delen. Whizi traint niet op je gesprekken, en het gegevensbeleid van elke provider is beschikbaar voordat je hem inschakelt. Dat dekt het platform. Het dekt niet je klantovereenkomst, die meestal strenger is dan elk leveranciersbeleid en het document is dat je werkelijk bindt.

De werkbare gewoonte is identiteit strippen zonder structuur te strippen. AI redenering heeft de klantnaam niet nodig om nuttig te zijn, en het verwijderen ervan kost je niets:

• Vervang klant- en concurrentienamen door tokens: Klant A, Concurrent B, Regio 1.
• Rond cijfers af of indexeer ze. "Omzet geïndexeerd op 100 in 2023, 94 in 2025" behoudt elke analytische vorm.
• Verwijder namen, e-mailadressen en functietitels uit interviewtranscripten voordat je ze upload. Rollen zijn genoeg, en rollen zijn wat de analyse gebruikt.
• Houd alles dat onder een specifieke NDA clausule valt, persoonsgegevens, of materiële niet publieke informatie volledig buiten elke AI tool, inclusief deze.
• Als de opdracht onder verhoogde beperkingen valt, overleg dan met het risicoteam van je kantoor voordat de opdracht start, niet erna.

Een geanonimiseerde prompt is meestal sowieso een betere prompt. Jezelf dwingen de situatie in structurele termen te beschrijven verwijdert het incidentele detail dat de aandacht van het model verwaterde.

Waarom een werkplek beter is dan drie abonnementen hier

Het specifieke voordeel in een opdracht is niet prijs, al is die rekensom echt: ChatGPT Plus, Claude Pro en Google AI Pro kosten elk ongeveer $20, samen ongeveer $60 per maand, tegenover $29.99 voor Whizi Pro, en een Claude Sonnet 5 bericht kost 10 credits van de 2.000 die Pro elke maand meebrengt, dus een deck vol headlineronden vreet nauwelijks aan het budget. Zelfstandigen voelen een scherpere versie van die rekensom, uitgewerkt in AI tools voor freelancers. Het echte voordeel is dat context de modelwissel overleeft. Je upload het data-extract van de klant, structureert het probleem met GPT, schrijft de verhaallijn met Claude, en haalt de marktcontext op met Gemini, allemaal in een draad die onthoudt wat eerder kwam. Hetzelfde doen over drie producten betekent de opdracht drie keer opnieuw uitleggen en de versiegeschiedenis in je hoofd bijhouden.

Naast elkaar vergelijken is het tweede voordeel, en dat sluit direct aan op hoe consultingkwaliteit wordt beoordeeld. Dezelfde managementsamenvatting door twee modellen laten lopen en de betere alinea aanhouden is een gewoonte van twee minuten die de vloer van wat je verstuurt meetbaar verhoogt. Het vermindert ook de reactie "dit klinkt als AI", omdat je de beste output per sectie verstuurt in plaats van de huisstijl van een model uitgerekt over een heel document.

De derde is de red team ronde. Vraag een model dat de aanbeveling niet zelf heeft opgesteld om ertegen te argumenteren: Beargumenteer het sterkste geval dat deze aanbeveling fout is. Wat zou waar moeten zijn voor de tegenovergestelde conclusie? Wat het ook vindt, de CFO van de klant zou het ook hebben gevonden.

Wat AI niet voor je zal doen

Het zal je niet vertellen wat de klant werkelijk wil, wat meestal anders is dan wat de RFP zegt en alleen te leren valt in de kamer zelf. Het zal niet weten dat de COO die je aanbeveling moet uitvoeren hetzelfde idee twee jaar geleden al blokkeerde. Het zal geen verantwoordelijkheid dragen voor een cijfer, dus elk cijfer dat een pagina bereikt is aan jou om te verifiëren.

Het is ook zwak in het specifieke waarvoor consultants betaald worden: oordeel onder onvolledige informatie met reputatiegevolgen. Een model geeft je graag een zelfverzekerd antwoord op basis van dun bewijs, omdat zelfvertrouwen voor het model goedkoop is en voor jou duur. Behandel elke output als het eerste concept van een goed belezen analist, gemaakt door iemand die de klant nooit heeft ontmoet en nergens de schuld van kan krijgen.