H11.2 Scenario's maken

1. Plan

In de eerste versie was de automatisering opgezet om automatisch uitgebreide SEO-blogartikelen te kunnen genereren voor DNG, Hier was gekozen om met GPT-4 een outline te maken (inhoudsopgave) en op basis daarvan een volledig artikel te schrijven, de promptstructuur was wel vrij complex: De JSON-brief met onderwerp, trefwoorden en links werd als gebruiker input meegegeven door de spreadsheet. Het model kreeg strikte schrijfregels mee om minimaal 550 woorden te schrijven en maximaal 800 woorden. Ook moesten de links netjes in markdown verwerkt worden en moest de tekst informatief, niet commercieel zijn. Zelfs werd expliciet vermeld dat de uiteindelijke tekst minstens 550 woorden moest bevatten en dat de AI moest uitbreiden indien nodig om de lengte te halen omdat dit eerst bij Pabbly altijd het probleem was. Dit was oorspronkelijk de intentie om met deze scenario verder te gaan, maar in de praktijk bleek het te lang, te veel te kosten in Make.com en bleek het slechts de basis. De combinatie van een uitgebreide JSON-prompt, meerdere GPT-4 calls en vele instructies zorgde voor te hogen token-kosten. Toch was het ontzettend leerzaam (Bijlage X, 1e scenario).

2. DO

Op basis van de inzichten uit de eerste versie en feedback van collega's is een tweede versie ontwikkeld met duidelijke veranderingen. De focus lag op het rechtstreeks genereren van de volledige blogtekst in een enkele AI-aanroep in plaats van via een tussenstap met een outline. Concreet is de promptstructuur heel erg veranderd, en dus een stuk duidelijker voor Chatgpt gemaakt. Er wordt nu namelijk gevraagd om een SEO-geoptimaliseerde blogpost te schrijven in de taal waarin de klant dat wil, voor een specifiek platform en direct de juiste HTML op te leveren wat ervoor zorgt dat de ankers in hyperlink staan. Er wordt ook in de HTML meegegeven dat de tekst geschreven moet worden in H1 voor de titel en H2 voor de tussenkopjes, inclusief een voorbeeld van een klikbare link in de tekst om de output vorm te geven en zo een idee te geven wat er moet gebeuren. Alle benodigde variabelen uit de briefing van het "schrijvers overzicht" spreadsheet; taal, onderwerp, platform, de door de klant aangeleverde briefing en ankertekst + URL. De AI krijgt duidelijk mee: "lever de volledige blogtekst aan als correct gestructureerde HTML." Geen uitleg, geen extra tekst, alleen HTML." Dit zorgt ervoor dat er geen overtollige tekst of comments van de AI in de output staan, alleen de bruikbare bloginhoud. Verder is het aantal te verwerken externe links teruggebracht van 4 naar 2 ankerlinks vanuit het eerste scenario. Klik hier voor een voorbeeldartikel van het tweede scenario (Bijlage X, 2e scenario)

Ook is de lengte-eis dynamischer gemaakt, in de prompt staat nu al dat de AI pas mag afronden als de blog minimaal het aantal benodigde woorden bevat, en dit aantal wordt direct uit de input gehaald. Zo kan er per artikel een specifiek woordlimiet gehanteerd worden in plaats van een statische 550 woorden elke keer. Aanvullende stijlregels zijn beknopter of op de achtergrond gezet. Het tweede scenario bevat nog wel een systeem rol (of assistant-rol) met context; hierin wordt de AI in een rol geplaatst, waarin verteld wordt dat "de ai is een professionele Nederlandstalige SEO-copywriter die de briefing strikt moet volgen zonder af te wijken. Maar in vergelijking met de eerste versie zijn de instructies nu een stuk compacter en geïntegreerd. Ook is er in het tweede scenario overgestapt van GPT-4 naar GPT-4.5 preview modelversie, wat sneller en goedkoper is zonder dat dit zorgt voor kwaliteitsverschil. Al met al voerden de wijzigingen in de do-fase voor positieve uitkomsten bij het team van DNG (Bijlage X, 2e scenario).

3. Check

De aanpassingen in het 2de scenario leverden merkbaar resultaat op. Ten eerste werd de automatiseringsflow een stuk efficiënter. Doordat nu nog maar een OpenAI-call nodig was in plaats van twee, halveerde grofweg het tokenverbruik per artikel, wat de kosten en responstijd ten goede kwam. Ook de prompt zelf was gericht en minder omslachtig, wat de kans op fouten of misinterpretatie door het model verkleinde. De output voldeed aan de verwachtingen, de blogs werden direct in HTML geproduceerd met de gevraagde structuur, inclusief titel, tussenkoppen en verwerkte ankerlinks. Er was geen nabewerking meer nodig van markdown naar HTML te converteren of om extra tekst te verwijderen, de instructie die in de 2e scenario wordt gesteld aan Chatgpt is; alleen HTML, geen uitleg. En dit wordt netjes opgevolgd, dit zorgt ervoor dat Chatgpt geen onnodige teksten in de blogs zet zoals "Hierbij is je blog gemaakt". Bovendien bleek de gewenste aantal woorden preciezer aangehouden worden door het tweede scenario.

In deze check-fase zijn er ook nieuwe inzichten en aandachtspunten aan het licht gekomen. Doordat het 2descenario maar een Chatgpt module had in het scenario ontstond er bij veel vergelijkbare blogs voor dezelfde klant te vaak dezelfde soort blogs. Dit is niet wenselijk en was dan ook de feedback die op het scenario werd gegeven. De titels waren vaak precies hetzelfde of hadden te veel van dezelfde soort onderwerpen, wat natuurlijk niet apart is als het anker hetzelfde is bij beide teksten. Ook op zinsniveau was de tekst wel correct en SEO-vriendelijk, maar mogelijk nog wat te AI wat betekent dat een scherpe lezer of een AI-detector dit zou kunnen opmerken. Uit deze fase is eruit gekomen dat er meer variatie moet komen op de titels en dat het een iets menselijkere toon mag hebben. Al de aanpassingen die hierdoor gedaan moeten worden aan de 3e scenario komen uit de feedback van mijn collega Nina (Bijlage V).

4. Act

In de huidige situatie van de blogproductie (Bijlage X, 3e scenario) zijn de inzichten uit de check-fase omgezet naar aanpassingen om de automatisering verder te optimaliseren. In het 3e scenario is er een extra Make automatisering toegevoegd om titels te genereren, ook moet de tekst positief zijn en in de je-vorm gesproken wordt. Door de extra automatisering zijn de artikelen nu meer menselijk geworden. Daarnaast is de promptstructuur verder aangepast om duplicatie te voorkomen en klantinstructies strak te volgen. De huidige aanpak is erop gericht de balans te vinden tussen efficiëntie en kwaliteit: een echte gestroomlijnde automatisering die snel content kan genereren, maar dan wel met hoogwaardiger, menselijker resultaat. Door variatie en strengere richtlijnen in te bouwen, onderscheidt de 3e scenario zich ontzettend veel van het eerste scenario met dit als voorbeeldblog.