Je team gebruikt waarschijnlijk al AI. Iemand vraagt Claude of ChatGPT om een opzet voor een presentatie, een ontwikkelaar laat Cursor een component bouwen, marketing maakt beelden in Canva. De uitkomst is vaak bruikbaar, maar zelden herkenbaar als jouw merk. Dat ligt meestal niet aan het model. Het ligt aan wat het model van je merk weet.
Een agent weet alleen wat je meegeeft
Een AI-agent ziet je merk niet zoals jij het ziet. Hij kent je logo niet, weet niet waarom je koppen nooit langer zijn dan twee regels en heeft geen idee dat lichtgroen alleen voor de volgende stap is. Een merkhandboek als PDF helpt een beetje, maar is geschreven voor mensen die tussen de regels door lezen. Agents hebben expliciete, goed geordende informatie nodig.
Wat een agent nodig heeft
Merkbestanden en intentie
Een korte beschrijving van karakter, doelgroep en ontwerpprincipes, in gewone taal en als toepasbare regels. Niet “we zijn toegankelijk”, maar “vaktermen worden uitgelegd en iedere pagina opent met de conclusie”.
Tokens
Kleuren, typografie, afstanden en animaties als benoemde rollen, bij voorkeur in het DTCG-formaat. Dan hoeft de agent niet te raden welke kleur voor een knop bedoeld is.
Componenten
Voor digitale toepassingen: je echte componenten in code, met properties en voorbeelden. Een coding agent die je eigen Button-component gebruikt, maakt minder afwijkingen dan een agent die er zelf een verzint. Figma levert via MCP ontwerpcontext aan agents, en Code Connect koppelt die aan je echte componenten. v0 kan bouwen met een registry van je eigen designsysteem.
Recepten
Taakgerichte instructies voor terugkerende uitingen, zoals een dienstenpagina, een LinkedIn-post of een adviesslide. Een recept beschrijft het doel, de benodigde inhoud, de juiste template, tekstlimieten en de controles achteraf. Zo hoeft niemand het hele systeem te lezen om te beginnen.
Goede en foute voorbeelden
Voorbeelden laten zien hoe regels samenkomen. Tegenvoorbeelden zijn minstens zo waardevol, mits ze uitleggen wat er misgaat. “Te druk” helpt niemand. “De hiërarchie verdwijnt omdat er drie even grote koppen zijn” wel.
Instructies op de plek waar de agent kijkt
Coding agents lezen bestanden in je repository. Een AGENTS.md of vergelijkbaar instructiebestand vertelt waar tokens staan, welke componenten bestaan en welke recepten gelden. Voor een Claude-project, een ChatGPT-project, Cursor-regels of een Canva Brand Kit geldt hetzelfde principe in een andere vorm.
Wat agents (nog) niet goed doen
Eerlijk is eerlijk: ook met een goed ingericht merk blijft de uitkomst afhankelijk van de tool, de versie, de opdracht en de context die je meegeeft. Een paar grenzen om rekening mee te houden:
- Logo’s en kleine tekst laat je niet genereren. Plaats ze altijd vanuit goedgekeurde bronbestanden.
- Compositie en smaak blijven mensenwerk. Een agent volgt regels, maar bepaalt niet wat de aandacht verdient.
- Koppelingen en functies veranderen snel. Sommige integraties zijn nog in preview of beta.
- Een update van je systeem herschrijft bestaande uitingen niet vanzelf.
Testen met echte opdrachten
De enige manier om te weten of je merk werkt met een agent, is het uitproberen. Kies een paar opdrachten die je team echt uitvoert en laat ze maken met de tools die je echt gebruikt. Bijvoorbeeld:
- Een dienstenpagina met introductie, drie onderdelen en een contactactie.
- Een socialpost met een lange titel en een afwijkend beeldformaat.
- Vijf slides voor een voorstel, waaronder één drukke inhoudsslide.
- Een formulier met foutmelding, laadtoestand en bevestiging.
Leg per opdracht vast welke tool en versie je gebruikte, wat de agent meekreeg en welke correcties nodig waren. Wat schuurt, los je op in het systeem: een regel aanscherpen, een recept toevoegen, een tegenvoorbeeld uitleggen. Zo wordt het systeem met iedere ronde beter, voor agents en voor mensen.
Een merk dat klaar is voor agents, is meestal ook beter bruikbaar voor mensen. Het verschil zit in hoe expliciet je je keuzes vastlegt.
Bij undesign richten we merken zo in dat teams, bureaus en AI-tools ermee verder kunnen. We beloven niet dat ieder model altijd perfect werk levert. We leveren wel een systeem dat getest is met de tools en opdrachten die voor jouw team tellen.
