Toen Anthropic Claude Fable 5 uitbracht, schreef ik dat de capaciteiten verder gaan dan alles wat ze eerder vrijgaven. Mooi, maar benchmarks zeggen mij weinig. Ik wilde weten wat het model waard is op echt werk. Dus gaf ik het een middag mijn volledige contentproductie, zonder vangnet en met de klok mee.
De testopzet was simpel. Om negen uur ‘s ochtends plakte ik een nieuwsoverzicht met wat links in een chatvenster en stelde één vraag: zit hier iets in dat we kunnen maken? Aan het eind van de middag stonden er twee complete contentcampagnes klaar: twee artikelen in twee talen, zestien beeld- en video-assets, dertien ingeplande socialposts, vier DM-automatiseringen en twee geplande controletaken die zichzelf uitvoeren als ik er niet ben.
Ik schreef die middag geen regel code en typte nauwelijks. Vrijwel alles wat ik inbracht, sprak ik in. Toch was het geen kwestie van achteroverleunen, en juist dat maakt deze testrun interessant.
Wat Fable 5 deed
De agent (Fable 5, draaiend in Claude Code) werkte die middag over acht verschillende systemen heen. Hij controleerde eerst of de onderwerpen niet al eerder behandeld waren, via een controlescript dat vijf bronnen scant. Hij schreef de artikelen in twee talen, elk apart geschreven in plaats van vertaald. Hij genereerde beelden met een lokaal AI-model op mijn eigen Mac, renderde een promotievideo, bouwde carrousels, zette alles op een CDN, plande de posts in via een publicatie-API en klikte de DM-automatiseringen in elkaar via browserbesturing.
Onderweg ging er van alles mis. Het lokale beeldmodel brak twee keer af met dezelfde foutmelding. Een videoscript weigerde omdat een registratiebestand nog niet was bijgewerkt. De publicatie-API wees een verkeerd veld af. Een browserproces hield een profiel bezet. Geen van die storingen heeft mij bereikt: het model herkende ze, repareerde ze en ging door. Dat is het verschil tussen een chatbot en een agent. Een chatbot geeft antwoord, een agent maakt af.
Het meest onderschatte onderdeel: claims werden gecontroleerd vóór publicatie. Een trendbewering die niet hard te maken was, sneuvelde uit de tekst. Een productlancering werd eerst geverifieerd bij de fabrikant zelf. Elk gegenereerd beeld werd visueel nagekeken op verzonnen tekst, een bekende kwaal van beeldmodellen.
Hoe het voelde
Dit is het deel dat in een benchmark niet past. De snelheid en de warmte in de samenwerking gaven de middag een vibe die ik bij eerdere modellen niet zo kende. Het voelde minder als een tool aansturen en meer als schakelen met een collega die het tempo moeiteloos bijhoudt en meedenkt zonder te vertragen. Ik kan niet wachten om hier meer mee te werken.
Daar hoort meteen de belangrijkste kritische noot bij. Fable 5 is hongerig, of dorstig, het is maar hoe je het bekijkt: het verbruikt fors meer tokens dan bijvoorbeeld Opus 4.8, en je zit dus merkbaar sneller door je gebruikslimiet heen. Wie er een volle werkdag mee draait, voelt dat in zijn abonnement. Reken die prijs mee voordat je je hele workflow omzet.
Waar ik in de loop zat
Dit is het deel dat in de meeste AI-verhalen wordt weggemoffeld, dus laat ik er precies in zijn.
Ik koos. Het model kwalificeerde drie onderwerpen en gaf een advies, maar de keuze welk onderwerp het werd, was van mij. Datzelfde gold voor elke vervolgstap: de agent stelde voor, ik gaf richting.
Ik sparde. Mijn belangrijkste vraag van de dag was een controlevraag: “heb je gecheckt of dit onderwerp al op de site staat?” Dat bleek deels het geval, en dat gesprek stuurde de invalshoek bij. Een agent die niemand tegenspreekt, levert middelmaat.
Ik schaafde bij. De teksten gingen door een meerstappenproces met mijn eigen stijlregels, maar de laatste blik was van mij. Hetzelfde gold voor elk beeld.
Ik gaf toestemming. Niets ging live zonder mijn akkoord. Publiceren, inplannen, automatiseringen aanzetten: elke onomkeerbare stap wachtte op een ja. Het model heeft dat geen enkele keer zelf besloten.
De vijf lessen van de testrun
1. Het systeem doet meer dan het model. Het rendement van die middag kwam voor het grootste deel uit dingen die ik in de maanden ervoor had vastgelegd: stijlregels, verboden woorden, publicatiegates, controlescripts, gedocumenteerde fixes voor bekende storingen. Fable 5 voerde uit wat het systeem afdwong. Wie vandaag begint, moet niet beginnen met betere prompts maar met het opschrijven van zijn eigen regels.
2. Geheugen is cumulatief. Elke fout die ik ooit met de agent heb geanalyseerd, staat genoteerd en reist mee naar elke volgende sessie. Een publicatiefout van begin juni leidde tijdens de testrun automatisch tot een veiligheidsmarge in de planning én twee wachters die de boel controleren op het moment dat het mis kan gaan. Dat leereffect is het echte verschil met losse AI-tools.
3. Verificatie hoort vóór publicatie, niet erna. Claims checken, links testen, beelden nakijken: het is precies het werk dat er bij handmatig publiceren als eerste bij inschiet. Een agent verveelt zich niet, dus het gebeurt elke keer.
4. De grens ligt bij smaak en ervaring. De artikelen leunden op proefnotities en praktijkervaring uit mijn eigen archief. Het model kan dat archief briljant hergebruiken, maar niet aanvullen. Wat ik niet zelf heb meegemaakt, kan het niet voor me opschrijven, en zodra het dat wel probeert, wordt het precies het generieke spul waar het internet al vol mee staat.
5. Het resultaat moet zich nog bewijzen. De productie was indrukwekkend, maar de meting komt pas over twee weken binnen. Output is geen outcome. Wie een model beoordeelt op de demo in plaats van op de cijfers erna, koopt een goocheltruc.
Had dit met een ander model gekund?
Ik vroeg het Fable 5 zelf, met de instructie eerlijk te zijn. Het antwoord: grotendeels wel. De scripts, gates en regels zijn bewust modelonafhankelijk gebouwd; een ouder of ander topmodel had dezelfde keten gedraaid. Het verschil zit in de marge: minder afdwalen over een lange sessie, net iets scherper oordeel op randgevallen. En in iets wat lastiger te meten is: hoe de samenwerking aanvoelt.
Die eerlijkheid is misschien wel de beste samenvatting van de testrun. De magie zat niet in het model. Die zat in een systeem dat lang genoeg is bijgeschaafd om een middag onbeheerd te kunnen draaien, met een mens die op de juiste momenten ja of nee zegt. Fable 5 maakte het sneller, soepeler en aangenamer. En duurder per uur. Of dat het waard is, vertellen de cijfers over een paar weken.