Wat je verliest als je van AI wisselt
Data exporteren is makkelijk. Alles wat in de samenwerking is ontstaan, niet.
Ik stelde ChatGPT een vrij simpele vraag:
Wat weet je eigenlijk over mij dat nergens in een document staat?
Het antwoord was verrassend precies. Niet omdat het nieuwe informatie bevatte, maar omdat het woorden gaf aan iets wat ik al kende maar nooit zo expliciet had geformuleerd. Hoe ik denk in spanningen. Hoe ik reageer op cadans in taal. Wanneer een tekst inhoudelijk klopt maar toch vlak voelt.
Toen realiseerde ik me iets wat vrijwel geen handleiding over het wisselen van AI-systeem benoemt: het moeilijkste deel van overstappen naar een andere AI is niet het exporteren van je data. Het is het overzetten van alles wat in de samenwerking met dat systeem is ontstaan.
Technisch is overstappen namelijk niet ingewikkeld. Chats en documenten zijn data, en die zet je zonder veel moeite over. Maar wat ik ChatGPT in een jaar tijd heb bijgebracht door veel feedback te geven, zet je niet zomaar over. En juist dat is voor mij belangrijk: mijn eigenheid bewaren in de samenwerking met AI.
Vrijwel alle adviezen over AI-migratie gaan over iets anders. Ze leggen uit hoe je chats exporteert, bestanden overzet en instructies kopieert. Maar daar zit het echte probleem niet.
Wat je niet zomaar meeneemt is hoe je denkt, hoe je feedback geeft, waar je gevoelig voor bent in taal. Precies die impliciete laag bepaalt vaak of een samenwerking met AI goed werkt of niet.
Sommige mensen proberen dat probleem te omzeilen met een slimme exportprompt, waarbij ze ChatGPT vragen om alle opgeslagen informatie over hen in één overzicht te exporteren. Maar dat is nog steeds alleen expliciete informatie.
Vrijwel elke handleiding over het wisselen van AI-systeem beschrijft hetzelfde: exporteer je data, maak een nieuw account, kopieer je instructies. Ik moest het zelf uitvinden, in gesprek met ChatGPT én Claude. Wat ik daarbij ontdekte deel ik hier.
Waarom ik overstap
Ik had de overstap van ChatGPT naar Claude al langer overwogen. Niet omdat ChatGPT slecht werkt, maar omdat ik merkte dat het systeem de onhebbelijke neiging heeft inhoud te abstraheren en cruciale details weg te laten. Mensen die ik volg en die verder zijn in hun AI-gebruik, zoals Wietse Hage en Alexander Klöpping van AI Report, zijn bovendien opvallend positief over Claude.
Daarnaast speelde een bredere zorg mee. Het herhaaldelijk opportunistische gedrag van Sam Altman roept bij mij vragen op over de richting waarin OpenAI zich ontwikkelt: over governance, over prioriteiten, over wat er werkelijk wordt nagestreefd.
Commerciële druk bestaat overigens overal, ook bij Anthropic. Het verschil zit voor mij meer in hoe daarmee wordt omgegaan en welke waarden daarbij leidend zijn.
Wat een AI over jou leert dat nergens staat
Een AI waarmee je langer mee werkt bouwt gaandeweg iets op. Door veel gebruik en feedback leert een systeem herkennen hoe jij redeneert en waar je gevoelig voor bent in een tekst.
Bijvoorbeeld wanneer een redenering te snel naar een conclusie springt, wanneer een alinea logisch klopt maar de nuance ontbreekt, of wanneer een tekst te strak en voorspelbaar wordt opgebouwd.
Dat is impliciete kennis. Die exporteer je niet.
Om concreet te maken waar het over gaat: dit zijn drie lagen die ik bij mezelf herkende, van diep naar meer zichtbaar.
1. Denkpatronen
Mijn manier van schrijven is zelden lineair. Ik begin bij een idee of observatie, werk dat uit in interactie, probeer iets uit, stel een vraag, herschrijf een alinea, ga een zijpad in en kom weer terug. Het proces is cyclisch en associatief.
Een AI die langer met mij werkt leert dat patroon herkennen. Niet alleen welke concepten ik gebruik, maar hoe ik ermee werk. Een nieuw systeem kan weten wat “belichaamd bewustzijn” betekent, maar nog niet begrijpen hoe ik zo’n begrip inzet als vertrekpunt voor een analyse, of wanneer ik het gebruik als kritiek op te abstracte redeneringen.
2. Energetische kalibratie
Dit is de moeilijkste laag om te beschrijven. Soms klopt een tekst inhoudelijk, maar voelt hij vlak. De redenering klopt, de woorden zijn correct, maar het blijft afstandelijk en analytisch. Je wordt er als lezer niet in meegenomen. Of bijvoorbeeld: een tekst over aanwezigheid in relaties die inhoudelijk klopt maar zelf geen aanwezigheid uitstraalt. De woorden zijn juist, maar wat er beschreven wordt is nergens voelbaar.
Na veel interactie begon ChatGPT te herkennen wanneer ik op dat soort vlakheid reageerde. Dat soort feedback is moeilijk in regels te vatten. Het ontstaat alleen door herhaalde interactie over tijd.
3. Cadansherkenning
Naast wat een tekst uitstraalt speelt ook het ritme van de taal een rol. Zinnen met een te voorspelbare opbouw, een tekst die te netjes wordt afgerond: dat voelt voor mij onnatuurlijk.
AI-modellen hebben de neiging om richting het statistische gemiddelde van hun trainingsdata te bewegen. Teksten worden dan soepel, logisch en correct, maar ook glad en eenvormig. Precies daar verdwijnt vaak iets menselijks: de kleine oneffenheden, het tempo van de zinnen, de onverwachte wending waardoor een tekst levend blijft.
Na veel interactie begon ChatGPT te herkennen wanneer een tekst voor mij te glad werd. Het leerde waar ik corrigeer: bij teveel abstraheren, bij voorspelbare opbouw, bij conclusies waarin nuance of gelaagdheid verdwijnt. Dat soort afstemming leer je een nieuw systeem niet met één korte instructie.
Twee soorten data bij een AI-overstap
Waarom een vaste instructie niet genoeg is
Wat je eigenlijk nodig hebt bij een overstap is niet je opgeslagen bestanden meenemen, maar zichtbaar maken wat er in de samenwerking is ontstaan. Dat zijn twee heel verschillende dingen.
Het exporteren van je chatgeschiedenis helpt nauwelijks. Die bestaat uit honderden losse gesprekken, vaak met herhaling, omwegen en context die alleen in dat specifieke moment begrijpelijk was. Een nieuwe AI heeft daar weinig aan. De patronen blijven verborgen in al die losse fragmenten.
Een vaste instructie kopiëren, een korte tekst die je bovenaan een gesprek plakt om de AI te vertellen hoe je wil werken, helpt iets meer. Maar zo’n instructie bevat regels, geen ervaring. Veel nieuwsbrieven en zogenaamde specialisten propageren dit als dé oplossing. Dat is het niet, in ieder geval niet als je je eigenheid wilt bewaren.
Wat wel werkt: je huidige AI bevragen op wat er in de samenwerking is ontstaan, vóórdat je overstapt. En je nieuwe AI gebruiken om dat te structureren.
En die ChatGPT-export dan?
ChatGPT heeft een geheugeninstelling waarmee het systeem bijhoudt wat het over jou heeft geleerd: je voorkeuren, je werkwijze, hoe je communiceert. Als je die instelling hebt aanstaan, is de export grotendeels overbodig. De informatie zit al in het systeem. De export is wel handig als je gericht wilt zoeken naar een specifiek oud gesprek. Als archief werkt hij prima, als kennisoverdracht niet.
Je kunt dan gewoon in een nieuw gesprek beginnen met de vragen uit het stappenplan hieronder. ChatGPT heeft de context al.
Wat je uit die gesprekken haalt - een beschrijving van je denkstijl, je correctiepatronen en je werkwijze - sla je op als instructiedocument. Dat document voer je in bij je nieuwe AI.
Hoe je het aanpakt: een stappenplan
Dit is wat ik zelf heb uitgeprobeerd, in deze volgorde.
Wat me opviel: ChatGPT hielp zelf actief mee in dit proces.. Het systeem heeft immers geen belang bij mijn keuze om over te stappen. Het verdedigt zijn eigen platform niet en probeert me niet tegen te houden.
Stap 1 — Stop met denken in chats. Chatgeschiedenis is een archief, geen overzicht van wat je hebt geleerd. Begin niet met exporteren. Begin met de vraag: welke kennis is hier eigenlijk ontstaan?
Stap 2 — Vraag je huidige AI wat het over jou heeft gecalibreerd. Letterlijk. Stel vragen zoals:
Wat weet je over hoe ik denk en schrijf dat nergens expliciet staat?
Welke patronen zie je in hoe ik feedback geef?
Wat ging er in het begin mis, voordat je mij beter kende?
Dit levert inzichten op over de samenwerking zelf, dingen die je misschien nooit expliciet hebt benoemd maar wel altijd hebt gedaan.
Stap 3 — Ga de dialoog aan. Neem die antwoorden niet als eindpunt maar als vertrekpunt. Vraag door. Vraag om voorbeelden. Laat het systeem concreet maken wat nog impliciet is. Eigenlijk is dit hetzelfde proces dat ook in coaching gebeurt: zichtbaar maken wat iemand al lang doet, maar nooit expliciet heeft benoemd.
Stap 4 — Betrek je nieuwe AI bij het structureren. Dit is een stap die veel mensen overslaan. Je nieuwe AI kan helpen om de ruwe reflecties uit stap 3 te structureren.
Ik heb beide systemen gebruikt: ChatGPT voor de reflectie op wat daar was opgebouwd, Claude voor de structurering richting het nieuwe. Die combinatie werkte verrassend goed. Deze blog is daar zelf een voorbeeld van: de tekst is tot stand gekomen in wisselwerking tussen beide systemen, waarbij elk deed waar het op dat moment het beste voor was.
Stap 5 — Werk met meerdere documenten. Probeer niet alles in één instructie te stoppen. Mijn werk bleek verschillende lagen te hebben die elk een eigen document vragen: denkwereld en kernconcepten, schrijfstijl en taalcadans, werkwijze en sessiestructuur, en hoe ik met AI samenwerk. Elke laag kreeg een eigen document.
Door dat op te splitsen ontstond ook ruimte voor dialoog. In plaats van één samenvatting in één keer, kon ik per onderwerp doorvragen. Dat leverde vaak extra inzichten op, omdat het systeem ook zelf aanvullende vragen of suggesties deed. Die verrijking mis je wanneer je alles in één keer probeert te vangen.
Stap 6 — Voeg voorbeelden toe. Principes alleen werken niet goed. Een nieuw systeem kalibreert veel sneller op voorbeelden: een tekst die voor jou werkt, een tekst die niet werkt, en waarom. Dat maakt abstract concreet.
Stap 7 — Geef het nieuwe systeem tijd. De documenten zijn het begin van een nieuwe afstemming, niet de voortzetting van de oude. Reken op een aanloopperiode. Geef feedback en benoem wanneer iets niet klopt. Vanuit die interactie ontstaat opnieuw begrip voor hoe jij werkt.
Het kan helpen om in die fase beide systemen nog een tijdje parallel te gebruiken. Je kunt ze elkaar laten bevragen of laten reageren op dezelfde tekst of analyse. Dat maakt sneller zichtbaar waar de verschillen zitten en helpt om je werkwijze bij het nieuwe systeem scherper te kalibreren.
Praktisch: prompts die helpen impliciete kennis zichtbaar te maken
Het gaat hier niet om simpelweg je data overzetten. Het gaat erom zichtbaar te maken wat er in de samenwerking is ontstaan. Wat daaruit komt gebruik je als vertrekpunt: voor de documenten die je meeneemt, de voorbeelden die je aanreikt, en de afstemming die je opnieuw moet opbouwen.
Er zijn twee manieren om dit aan te pakken, afhankelijk van wat je wilt. Hieronder staan de vragen die ik zelf heb gebruikt. Ze helpen om impliciete kennis zichtbaar te maken.
Wil je dieper gaan en ruimte laten voor wat je zelf nog niet weet, werk dan met de vijf losse vragen en ga per onderwerp de dialoog aan. Die route levert meestal meer op, maar kost ook meer tijd.
Wil je vooral snel een document met de kern van jouw werkwijze, gebruik dan de gecombineerde vraag onderaan.
Prompt 1 — impliciete kennis
We hebben lang samengewerkt. Ik wil overstappen naar een andere AI en wil de impliciete kennis uit onze samenwerking meenemen.
Wat weet je over mijn manier van denken, schrijven en feedback geven dat nergens expliciet in een document staat? Wees zo concreet mogelijk en geef voorbeelden.
Prompt 2 — correcties en kalibratie
Welke terugkerende correcties heb je van mij geleerd?
Waar reageer ik sterk op in teksten (cadans, structuur, toon)? Wat ging er in het begin vaak mis voordat je mij beter kende?
Prompt 3 — denkpatronen
Analyseer hoe ik doorgaans redeneer.
Waar begin ik meestal: bij een observatie, een vraag of een stelling? Welke typische beweging maakt mijn denken wanneer ik een onderwerp uitwerk?
Prompt 4 — schrijfstijl
Beschrijf mijn schrijfstijl zo concreet mogelijk.
Welke zinsritmes, formuleringen en structuren zijn kenmerkend? Wanneer corrigeer ik teksten omdat ze te generiek of te “AI” worden?
Prompt 5 — overdracht
Als een andere AI morgen jouw rol overneemt: welke vijf dingen moet die AI absoluut weten om goed met mij te werken?
Of: gecombineerde prompt voor een sneller overdrachtsdocument
We hebben lang samengewerkt. Ik ga overstappen naar een andere AI en wil de impliciete kennis uit onze samenwerking meenemen. Geef me één samenhangend document met:
1. Wat je weet over mijn manier van denken en schrijven dat nergens expliciet staat
2. Welke terugkerende correcties je van mij hebt geleerd
3. Hoe ik doorgaans redeneer: waar begin ik, welke beweging maakt mijn denken
4. Mijn schrijfstijl zo concreet mogelijk: ritme, formuleringen, wat ik corrigeer
5. De vijf dingen die een nieuwe AI absoluut moet weten om goed met mij te werken
Wees zo concreet mogelijk en geef voorbeelden. Dit document wordt de basis voor mijn nieuwe AI.
Dit stappenplan is een vertrekpunt voor dialoog
Wat ik daarbij ook ontdekte: de vragen uit dit stappenplan zijn een vertrekpunt, geen eindpunt. ChatGPT kwam op basis van mijn antwoorden zelf met aanvullende vragen die precies aansloten op een specifiek deel van mijn werk, in mijn geval bijvoorbeeld het samenvatten van sessiegesprekken. Die uitkomsten heb ik vervolgens met Claude beoordeeld en verfijnd, en als aparte instructiedocumenten opgeslagen.
Schrijven en bloggen vraagt andere instructies dan het samenvatten van sessiegesprekken. Die scheiding bewust maken was een van de belangrijkste inzichten in dit proces.
De paradox: afstemming zonder geheugen
Technisch gezien leert het model zelf niets van jouw gesprekken. Het systeem wordt er niet slimmer van en verandert er niet door. Wat er wel gebeurt is dat de AI in een gesprek voortdurend bijhoudt wat jij eerder hebt gezegd, en zijn antwoorden daarop afstemt.
Naarmate de interactie langer duurt en jij de context beter hebt opgebouwd, worden de antwoorden nauwkeuriger afgestemd op jouw voorkeuren. Het systeem verandert dus niet, maar de interactie wel.
De afstemming zit niet in het systeem. Die zit in jou: in de context die je opbouwt, de correcties die je formuleert, de voorbeelden die je aanreikt. En dat is precies waarom die afstemming bij een overstap niet vanzelf meegaat.
De bredere laag: wat dit zegt over leren en vakmanschap
Dit raakt ook aan een bredere ontwikkeling. In veel domeinen wordt kennis steeds vaker vastgelegd in procedures, protocollen en modellen. Dat heeft voordelen, maar het kan ook iets onzichtbaar maken: vakmanschap dat ontstaat door ervaring en langdurige interactie.
Twee professionals kunnen dezelfde methode gebruiken en toch een totaal andere kwaliteit van werk leveren. Het verschil zit vaak in dingen die moeilijk te formaliseren zijn: aanwezigheid, timing, gevoeligheid voor nuance.
Een ambachtsman die zijn vak overdraagt aan een leerling geeft niet alleen technieken door. Een therapeut die een cliënt overdraagt aan een collega geeft niet alleen een dossier door. Er zit altijd iets in de interactie zelf, in patronen die door langdurige samenwerking zijn ontstaan.
Samenwerken met AI volgt in zekere zin hetzelfde patroon. Niet omdat een AI een mens is, maar omdat kennis pas echt betekenis krijgt wanneer ze verbonden blijft met de interactie waarin ze is ontstaan.
Misschien fascineert dit me ook omdat ik precies dat mechanisme dagelijks zie in mijn eigen werk. Ik werk op het snijvlak van psychologisch werk, systemisch denken en bewustzijnsontwikkeling.
In sessies gaat het eigenlijk maar zelden over de inhoud van wat iemand vertelt. Die inhoud is meestal vooral de ingang. Waar het werkelijk om draait is wat er in het moment gebeurt: hoe iemand waarneemt, wat iemand voelt terwijl hij spreekt, hoe een lichaam reageert wanneer een bepaald thema wordt aangeraakt.
Veel verschuivingen ontstaan precies daar. Mensen beschrijven dat achteraf vaak als: “er verschoof iets”, maar kunnen niet altijd precies uitleggen waardoor.
Wat ik daar steeds zie: de kwaliteit van aandacht waarmee iemand een proces ingaat, bepaalt grotendeels wat er uitkomt. In coaching of therapie is het een dans tussen twee mensen. Zonder afstemming en aanwezigheid wordt die dans niets.
De parallel met samenwerken met AI
Dat patroon herken ik ook in dit overstapproces.
Wie wil dat het snel klaar is, of zich ergert aan het gedoe zodra het meer tijd kost dan gedacht, krijgt meestal een oppervlakkig resultaat. Niet omdat de middelen tekortschieten, maar omdat de aandacht ontbreekt.
Zo kijk ik ook naar samenwerking met AI: als een vorm van co-creatie. En co-creatie vraagt om aanwezigheid. Bij AI betekent dat vooral: jouw aanwezigheid. Het systeem volgt en past zich aan, maar neemt zelf geen initiatief.
Wat het systeem teruggeeft is uiteindelijk een spiegel van wat jij erin stopt.
Daarom is de overdracht naar een andere AI voor mij niet alleen technisch, maar ook relationeel. Ik neem niet alleen documenten mee. Ik probeer iets over te dragen van een manier van samen denken.
Na de exportknop
Betekent dit dat overstappen van AI niet de moeite waard is? Zeker niet. Maar het helpt om realistisch te zijn over wat zo’n overgang inhoudt.
Ik pluk nu al na een paar dagen de vruchten van de overstap. Bij het samenvatten van sessietranscripten blijft Claude dichter bij wat er werkelijk bewoog in het gesprek: het kantelpunt, de scène waarin iemand zichzelf herkent. ChatGPT heeft sterker de neiging om te abstraheren en mist daardoor vaker de momenten waarop iets kantelt in de ervaring van de cliënt.
Tegelijk presenteert ChatGPT zich empathischer en vloeiender. Dat voelt soms prettiger, maar heeft ook een risico: je gaat ongemerkt reageren alsof je met een mens te maken hebt. En dat is het niet.
ChatGPT is bovendien sterk getraind op Nederlands, waardoor het vaak vanzelf natuurlijk en idiomatisch schrijft. Dat versterkt dat effect.
Daarbij merk ik ook een verschil in karakter tussen beide systemen. Claude is scherper in het bewaken van conceptuele consistentie door een lange tekst heen en herkent sneller wanneer iets inhoudelijk wringt.
Dat ik dit verschil zo snel merk, heeft waarschijnlijk te maken met de manier waarop ik ben overgestapt. Niet gehaast, maar met aandacht voor wat er werkelijk toe doet.
Wie beschrijft hoe hij denkt, schrijft en met AI samenwerkt, geeft een nieuw systeem een voorsprong. Niet omdat de documenten alles vangen, maar omdat het zichtbaar maakt wat voorheen alleen in de interactie zat.
Maar de echte winst zit ergens anders: in wat je expliciet hebt gemaakt van wat normaal impliciet blijft. Door je oude AI te bevragen op wat er in de samenwerking is ontstaan en je nieuwe AI te gebruiken om dat te structureren, ontstaat veel sneller een gedeelde werkwijze. Daardoor is er minder correctie nodig om vanaf het begin op het kwaliteitsniveau te komen dat ik nastreef.
Ik kijk ernaar uit om te zien hoe die samenwerking met Claude zich in de komende tijd verder ontwikkelt. Zoals je iemand leert kennen: door samen te werken, te corrigeren, bij te sturen en gaandeweg elkaars manier van denken beter te begrijpen.
Data exporteren is makkelijk. Impliciete kennis overzetten is het echte werk.
En dat werk lijkt uiteindelijk op veel andere dingen die ertoe doen: het vraagt aandacht, tijd en de bereidheid om iets opnieuw op te bouwen.
Meer over hoe AI zich verhoudt tot eigenheid en bewustzijn schreef ik eerder in Wat doet AI met je eigenheid?