ICM AI-automatisering: Waarom je geen ingewikkelde frameworks nodig hebt

De meeste bedrijven die beginnen met AI-automatisering verdrinken in complexe programmeer-frameworks zoals LangChain of CrewAI. Dat is zonde, want het kan veel simpeler.

Het bouwen van een multi-agent systeem vereist vaak honderden regels code. Je moet abstracte library's leren, routers configureren en API-koppelingen beheren. Als er iets misgaat, is het lastig te debuggen. De fout zit diep in de code verborgen. Het kan anders.

De Interpretable Context Methodology (ICM), beschreven in het recente ArXiv-paper van maart 2026, bewijst dat een doordachte mappenstructuur de rol van complexe orchestratie-code kan overnemen. In dit artikel introduceren we ICM en leggen we uit hoe je AI-automatisering start met gewone mappen en markdown-bestanden, inclusief een quickstart-gids om direct zelf aan de slag te gaan.

Wat is de Interpretable Context Methodology (ICM)?

ICM is een methodologie die de traditionele, complexe orchestration-code van AI-agents vervangt door een mappenstructuur op je computer. In plaats van dat je Python-scripts schrijft om agents met elkaar te laten praten, gebruik je de structuur van je bestandssysteem.

Genummerde mappen vertegenwoordigen de opeenvolgende stappen (stages) van een workflow. Denk aan mappen zoals 01-research, 02-outline en 03-draft. Binnen elke map bepalen platte markdown-bestanden wat de agent moet doen. Deze bestanden bevatten de specifieke prompts, context en instructies die één enkele AI-agent vertellen wat zijn rol is in die specifieke stap.

Het resultaat is verrassend efficiënt. Je hebt geen team van verschillende virtuele agents nodig die via complexe protocollen communiceren. Je gebruikt één enkele agent die door de mappen navigeert. De agent leest de juiste bestanden op het juiste moment en voert de opdrachten uit. De structuur van de mappen vertelt de agent wat de volgende stap is.

Dit principe is ontwikkeld door Jake Van Clief in his paper Model Workspace Protocol: Folder Structure as Agent Architecture (maart 2026). Het brengt de AI-wereld terug naar de basis.

Waarom traditionele AI-frameworks vaak overkill zijn

Bestaande agent-frameworks zoals CrewAI en LangChain zijn krachtig for complexe, realtime interacties. Voor de meeste zakelijke processen zijn ze echter onnodig complex. Ze introduceren abstractielagen die het proces vertragen en ondoorzichtig maken.

Als je een prompt wilt aanpassen in een traditioneel framework, moet je vaak de code in. Je moet het script bewerken, de applicatie testen en deze opnieuw deployen. Dat kost tijd en vereist een developer.

ICM past de klassieke Unix-filosofie uit de jaren 70 toe op moderne AI:

1. Eén taak per fase: Elke map doet één ding goed. Een onderzoeksfase schrijft geen code. Een schrijffase doet geen onderzoek.
2. Platte tekst als interface: Stages communiceren via simpele markdown-bestanden. Iedereen kan deze bestanden openen, lezen en bewerken.
3. De output van de ene stap is de input van de volgende: De resultaten stromen logisch door de mappen heen.

Daarnaast is elke tussenstap een "edit surface". Dit betekent dat een mens de tussenresultaten in de mappen handmatig kan controleren en aanpassen voordat de volgende fase start. De AI-agent pakt daarna simpelweg de aangepaste bestanden op. Dit maakt de mens-in-the-loop integratie volledig natuurlijk en eenvoudig.

tip

Door platte tekstbestanden als interface te gebruiken, is je AI-systeem direct versiebeheerd via Git. Je ziet precies wanneer een prompt of output is veranderd.

De 5 contextlagen van ICM: Slimmer omgaan met het context-window

Een bekend probleem bij AI-agents is het vollopen van het context-window. Als je alle instructies, referentiematerialen en eerdere resultaten in één grote prompt naar het model stuurt, raakt het model de draad kwijt. Dit leidt tot hallucinaties en fouten.

ICM lost dit op door context selectief te laden in vijf duidelijke lagen:

• Layer 0: CLAUDE.md: Geeft antwoord op de vraag "Waar ben ik?". Dit bestand bevat de algemene regels van de workspace en wordt altijd geladen.
• Layer 1: CONTEXT.md (hoofdmap): Geeft antwoord op "Waar ga ik heen?". Dit bestand regelt de taakroutering.
• Layer 2: Stage CONTEXT.md: Geeft antwoord op "Wat doe ik hier?". Dit is het contract van de specifieke fase.
• Layer 3: Referentiemateriaal: Bevat de stabiele regels, zoals een huisstijl, schrijfgids of programmeerrichtlijnen.
• Layer 4: Werkbestanden: Bevat de tijdelijke bestanden die per run veranderen, zoals de output van een vorige fase.

Door deze hiërarchie leest de agent alleen wat strikt noodzakelijk is voor de huidige taak. De totale context blijft meestal beperkt tot 2.000 à 8.000 tokens. Dit is aanzienlijk minder dan de 30.000+ tokens die monolithische prompts vaak verbruiken. Het model presteert hierdoor sneller, accurater en goedkoper.

Quickstart: AI-automatisering met je eigen mappen

Je hebt geen programmeerkennis nodig om te starten met ICM AI-automatisering. Met de volgende vier stappen zet je je eerste workflow op.

1. Richt de mappenstructuur in

Maak op je computer een hoofdmap aan voor je project. Maak daarbinnen genummerde mappen voor de stappen in je proces. Bijvoorbeeld:

mijn-workspace/
  CONTEXT.md
  stages/
    01-onderzoek/
      CONTEXT.md
      output/
    02-schrijven/
      CONTEXT.md
      output/

2. Schrijf de Stage Contracts

Plaats in de map van elke fase een CONTEXT.md. Dit bestand beschrijft het contract van die fase in drie vaste onderdelen:

• Inputs: Welke bestanden moet de agent lezen?
• Process: Wat zijn de stappen die de agent moet uitvoeren?
• Outputs: Welk bestand moet de agent wegschrijven en in welk formaat?

3. Verbind de handoffs

Zorg dat de processen op elkaar aansluiten. De CONTEXT.md van 02-schrijven vermeldt bij de Inputs dat hij het bestand uit stages/01-onderzoek/output/ moet inlezen. Zo stroomt de informatie automatisch door de mappen.

4. Start de agent

Gebruik een AI-assistent die toegang heeft tot je lokale bestanden, zoals Claude Code of een vergelijkbare command-line agent. Geef de agent de opdracht om de stappen in de mappen uit te voeren. De agent leest de instructies uit de mappen en doet het werk.

Pragmatische AI-automatisering met d3vs

ICM laat zien dat de beste technologie vaak de meest eenvoudige technologie is. Door mappen en bestanden te gebruiken in plaats van ingewikkelde frameworks, blijft je AI-systeem transparant. Je hebt geen dure dashboards of ingewikkelde logsystemen nodig om te zien wat er gebeurt. Je opent simpelweg de mappen en bekijkt de markdown-bestanden.

Bij d3vs geloven we in technologie die voor jou werkt, niet andersom. We gebruiken de principes van ICM om robuuste en begrijpelijke AI-oplossingen te bouwen voor onze klanten. Dit zorgt voor systemen die makkelijk te onderhouden zijn, volledige controle bieden en direct waarde opleveren.

Wil je ontdekken hoe we jouw bedrijfsprocessen pragmatisch kunnen automatiseren met AI? Neem contact met ons op via d3vs.nl en we bespreken de mogelijkheden.

Referentie

Jake Van Clief, Model Workspace Protocol: Folder Structure as Agent Architecture, ArXiv, maart 2026. https://arxiv.org/abs/2603.16021