Wabliefteru: de Redactiechef, een AI-assistent voor podcastproductie

Een podcast maken is meer dan opnemen en publiceren. Rond elke aflevering ontstaan afspraken, ideeën, taken, community-reacties, mails en transcripties. Bij Wabliefteru zat die informatie verspreid over WhatsApp, mailboxen, de agenda en losse notities, waardoor de opvolging afhing van wie op dat moment het overzicht bewaart.

De Redactiechef is de AI-assistent die ik bouwde om dat op te vangen. Hij verzamelt signalen, herkent wat relevant is en bewaakt de opvolging, zonder dat iemand uit het team continu als menselijke planner moet optreden. Deze case toont hoe het systeem in elkaar zit en waarom de menselijke controle er bewust in verankerd zit.

Kern van de case: de Redactiechef bundelt productie-informatie uit alle kanalen, volgt taken en reminders op en communiceert alleen via gecontroleerde workflows.

De uitdaging: veel signalen, weinig ruimte voor losse eindjes

Een podcastproductie draait niet alleen om opnemen. Rond elke aflevering ontstaan losse afspraken, ideeën, taken, community-signalen, mails, agendapunten en transcripties. Als die informatie verspreid zit over chats, mailboxen, agenda's en bestanden, wordt de opvolging afhankelijk van wie op dat moment het overzicht bewaart.

Voor Wabliefteru waren er drie concrete doelen:

1. Signalen verzamelen zonder de ruis te vergroten. Binnenkomende berichten, mails en productie-input moesten in één werkbaar systeem terechtkomen, zonder dat elk signaal automatisch een bericht naar de groep wordt.
2. Taken en reminders betrouwbaar opvolgen. De assistent moest kunnen nudgen, briefen en reminders plannen, met een harde controle tegen dubbele berichten.
3. Productie-informatie herbruikbaar maken. Transcripties, notes, checklists en opvolging moesten in een gedeelde kennislaag belanden, zodat nieuwe afleveringen en overlegmomenten daarop verder bouwen.

De oplossing: een assistent met workflow-spieren

De Redactiechef is meer dan een chatbot die wat tekst terugstuurt. Het is een hoofdagent die beslist op basis van gestructureerde data, en de echte lees- en schrijfacties gebeuren via kleine n8n-workflows. Die halen snapshots op, maken taken aan, schrijven notes weg, plannen reminders of zetten transcripties klaar.

Dat onderscheid is belangrijk in een draaiende productie. De AI interpreteert en prioriteert, terwijl de dataflow, deduplicatie en verzendregels deterministisch blijven. Zo kun je automatiseren zonder dat het systeem op eigen houtje berichten begint te sturen of dubbele taken blijft aanmaken.

De stack bestaat uit vier lagen:

• n8n: workflow-automatisering, agent-tools, geplande taken en webhookflows.
• PostgreSQL: centrale productiedatabase voor signalen, taken, acties, voorstellen, afleveringen, notes en checklists.
• AI-agents: één communicerende hoofdagent met gespecialiseerde sub-agents voor domeinanalyse, aangedreven door Gemini-modellen.
• Externe kanalen: WhatsApp, mailboxen, agenda, transcripties en community-input.

Hoe het gebouwd is: verzamelen is deterministisch, de agent beslist

De architectuur volgt één regel: verzamelen en dedupliceren gebeurt deterministisch, de agent beslist. De Redactiechef krijgt geen vrije toegang tot alle systemen. Hij werkt via afgebakende tools met duidelijke input en output.

Belangrijke bouwkeuzes:

• Eén communicator: alleen de Redactiechef stuurt berichten richting het team. Sub-agents analyseren, maar communiceren nooit rechtstreeks.
• Idempotente verzendgate: elke verstuurbare actie loopt door de stappen record_action, can_send, send en message_id. Zonder open actie vertrekt er niets, en duplicaten worden herkend voordat ze de groep bereiken.
• SQL-snapshot als beslisinput: de agent vraagt eerst een state snapshot op met open taken, signalen, voorstellen, afleveringen en workload. Hij redeneert dus op de actuele productiestand in plaats van op losse chatgeschiedenis.

PostgreSQL als collectief productiegeheugen

De productiestatus leeft in een PostgreSQL-schema. Daarin zitten onder meer signalen, afleveringen, taken, opvolgingen, acties, voorstellen en agent-runs. Daarnaast zijn er notes en checklists voor terugkerende kennis en productie-afspraken.

Het systeem beheert onder andere:

• binnenkomende signalen uit de productiekanalen;
• open taken, deadlines, reminders en follow-ups;
• afleveringen en transcriptiestatussen;
• acties die al verstuurd of gepland zijn;
• voorstellen die menselijke goedkeuring nodig hebben.

Voor het team betekent dat één gedeelde waarheid. De Redactiechef moet niet telkens opnieuw raden wat er in een chat, mailbox of transcriptie stond.

n8n als gereedschapskist van de assistent

n8n is de laag waar de Redactiechef zijn handelingen uitvoert. Sommige workflows draaien op een schema, andere roept de agent aan als tool. Een inbound-workflow verzamelt bijvoorbeeld WhatsApp-signalen, terwijl een snapshot-workflow de actuele toestand uit PostgreSQL haalt.

In mensentaal ziet het proces er zo uit:

1. Een signaal komt binnen, bijvoorbeeld een groepsbericht, mail, transcriptie of reminderverzoek.
2. Een workflow normaliseert het signaal. Dubbelingen en technische details blijven uit de beslislaag.
3. De Redactiechef vraagt de actuele staat op: taken, deadlines, voorstellen en recente afleveringen komen als snapshot binnen.
4. De agent beslist of er actie nodig is. Is er niets te melden, dan blijft het stil. Anders gebruikt hij een specifieke tool.
5. De verzendgate controleert de actie. Pas als de actie nieuw en toegestaan is, vertrekt er een bericht of reminder.

Eén hoofdagent, vijf gespecialiseerde sub-agents

De Redactiechef is de enige agent met outbound-tools. Daaromheen staan gespecialiseerde sub-agents voor analyse: groepssignalen, transcripties, inbox, community en research. Zij leveren voorstellen, samenvattingen of kandidaat-acties terug aan de chef.

Dat ontwerp houdt de assistent bestuurbaar. Een transcript-agent kan actiepunten uit een aflevering voorstellen, maar hij stuurt zelf geen WhatsApp-bericht. Een inbox-agent kan een antwoorddraft voorbereiden, maar er wordt geen mail verzonden. Bij publieke of gevoelige acties blijft menselijke goedkeuring de norm.

Van audio naar opvolgbare acties

Transcriptie is in deze productie een belangrijk onderdeel. De workflow start via een webhook, verwerkt de audio met sprekerherkenning, zet sprekerlabels klaar en schrijft de transcriptiestatus terug naar PostgreSQL. Zodra een transcript klaar is, kan de Redactiechef de inhoud gebruiken om taken, notities of opvolging te detecteren.

De transcriptiepipeline werd herschreven en is een stuk sneller geworden. Een echte aflevering van 84 minuten werd in ongeveer 6 minuten en 12 seconden verwerkt, een meting op de productiepipeline en geen marketinginschatting. Gestructureerde transcripties maken het daarnaast makkelijker om later shownotes, socialposts of blogartikels te maken.

De workflow is bewust niet gebouwd als "alles volledig automatisch". Sprekers kunnen door de gebruiker worden toegewezen en de Redactiechef gebruikt de output als productiesignaal. De winst zit in snellere verwerking en betere opvolging, niet in het vervangen van menselijke keuzes.

Een kleine kennisbank-UI als controlelaag

Naast de n8n-laag hoort een kleine Express-app bij het project, voor het bekijken en beheren van de kennisdatabase. Die app leest de tabel- en kolomstructuur live uit, zodat nieuwe tabellen of velden meteen zichtbaar zijn zonder dat er telkens een aparte beheerinterface gebouwd moet worden.

De UI is een intern hulpmiddel: tabellen bekijken, rijen aanpassen, JSON-velden beheren en productiegegevens corrigeren waar nodig. Een AI-systeem heeft zo'n beheerlaag nodig, omdat mensen moeten kunnen controleren wat de automatisering opslaat.

Resultaat: betere opvolging zonder extra ruis

Het resultaat van de Redactiechef is vooral operationeel: minder losse eindjes en meer betrouwbare opvolging. Niet door elk signaal automatisch naar de groep te pushen, maar door eerst te verzamelen, te filteren en pas te communiceren wanneer er iets nuttigs of tijdsgevoeligs is.

Het project levert op:

• Betere taakopvolging: open taken, reminders en nudges worden vanuit één productiestatus bekeken.
• Minder dubbele communicatie: het record_action-patroon voorkomt dat dezelfde actie opnieuw vertrekt.
• Snellere transcriptieverwerking: een lange aflevering is in minuten verwerkt in plaats van uren.
• Herbruikbare blauwdruk: hetzelfde patroon is bruikbaar voor andere teams met veel inputkanalen en opvolgmomenten.

Waarom dit relevant is voor bedrijven

Veel KMO's worstelen met hetzelfde probleem als een podcastteam, alleen met andere input: klantmails, offertes, tickets, WhatsApp-berichten, afspraken, formulieren of interne notities. De uitdaging is niet alleen automatiseren. De uitdaging is weten wanneer het systeem moet spreken, wanneer het moet zwijgen en waar een mens moet goedkeuren.

Hetzelfde patroon werkt bijvoorbeeld voor:

• dienstverleners die klantvragen, opvolgtaken en deadlines willen bundelen;
• marketingteams die contentideeën, briefings, feedback en publicatieflows willen opvolgen;
• sales- of accountteams die mails, meetings en actiepunten willen vertalen naar opvolging;
• operationele teams die meerdere kanalen hebben, maar één overzicht nodig hebben.

De les uit deze case: de winst zit in een betrouwbare data- en beslislaag rond het werk dat al gebeurt.

Hoe zo'n systeem voor jouw organisatie kan werken

Een vergelijkbaar systeem start met vijf vragen:

1. Welke input bestaat vandaag al?
2. Welke output moet daar telkens uit voortkomen?
3. Welke stappen zijn repetitief?
4. Waar moet een mens controleren of goedkeuren?
5. Waar moet het eindresultaat gepubliceerd of opgeslagen worden?

Daarna herhaal je dezelfde architectuur: deterministische collectors, een gedeelde datalaag, kleine workflow-tools, één communicerende hoofdagent en duidelijke regels voor goedkeuring en verzending. Zo wordt een AI-assistent geen losse gimmick, maar een werkbaar verlengstuk van je processen.

Ook zo'n assistent voor jouw organisatie?

Stuur me een korte beschrijving van je proces via [email protected]. Ik kijk waar automatisering tijd kan winnen en waar menselijke controle belangrijk blijft.

Korte conclusie

De Wabliefteru Redactiechef laat zien hoe een AI-assistent productie-opvolging kan structureren. De combinatie van n8n, PostgreSQL, transcripties, workflow-tools en duidelijke verzendregels maakt het systeem bruikbaar in de dagelijkse productie.

De waarde zit in rust: signalen komen samen, opvolging wordt bewaakt en het team houdt de controle over wat naar buiten gaat.