Veel "AI doet je content"-beloftes stranden op hetzelfde: het is een demo, geen systeem. Dit is het tegenovergestelde — echte runs van mijn eigen pijplijn, met de kosten en de grenzen zichtbaar. Geen klantcase, maar studio-werk dat laat zien hoe ik AI-contentsystemen bouw en run.
Van tekst naar video (gekloonde stem)
Eén blogpost gaat door de videopijplijn en komt er als korte video uit. Gemeten van één echte run:
- 8 scenes uit één bronpost
- 8 AI-beelden (Gemini), merk-consistent via een vast style-contract
- ~1.250 tekens tekst-naar-spraak met mijn gekloonde stem
- 1 script-call (gpt-5.2) die de tekst in scenes verdeelt
- 3 talen (NL/EN/DE) uit dezelfde bron; taal-onafhankelijke beelden worden gedeeld via caching
De uitkomst staat live onder mijn blogposts. Een werkend voorbeeld zie je op AI-experimenten.
Van thema naar social-posts (met governance)
Dezelfde discipline aan de distributiekant. Eén echte run van het campagnesysteem:
- 1 AI-call (
claude-sonnet-4-6) → 2 LinkedIn-posts met hashtags en CTA - automatisch in een approval-flow (draft → goedgekeurd → publiceren)
- 274 input- / 1.038 output-tokens → $0,0164 (~1,6 dollarcent) voor 2 posts
- kosten per AI-call vastgelegd; publiceren staat default in dry-run (geen ongewenste posts)
De kosten, zichtbaar
Geen "AI is gratis"-illusie. Elke call is herleidbaar en het verbruik wordt per run gemeten, zodat de kosten meeschalen met je eigen tarieven in plaats van een black box te zijn. Kosten-tracking per AI-call is geen detail — het is wat AI in productie verantwoordbaar maakt.
Wat dit bewijst
Niet "ik heb een tool". Wel: ik bouw AI-contentsystemen die door de hele keten gaan — generatie, governance, kosten, meertaligheid, publicatie — en die draaien. Dezelfde aanpak pas ik toe in klanttrajecten rond AI in productie.
Eerlijke nuance: dit zijn twee echte, gemeten runs — de video uit een blogpost, de social-posts uit het campagnesysteem — niet één naadloze keten op exact dezelfde input.