Marktmannen wiki Strategie & Organisatie

Eenpersoonsbedrijf met Claude

Laatst bijgewerkt

TL;DR: Drie filters (eigen kapitaal / software / automatiseerbare sales en support) knijpen het idee-landschap voor een eenpersoonsbedrijf samen tot één type product, dat vervolgens in drie delen draait: het werk waar de klant voor betaalt, een agent die sales en support afhandelt, en een workflow die leads vindt — met de mens op elk geld- of data-beslispunt.

Aanleiding is Dario Amodei's uitspraak dat het eerste eenpersoons-miljardenbedrijf dit jaar gebouwd wordt. De maker rekent dat om naar een realistischer doel — €/$1 miljoen ARR — en bouwt er live een voorbeeldbedrijf bij. De waarde zit niet in dat specifieke product, maar in de selectielogica en de driedeling eromheen.

Kanttekening bij de bron: Dario publiceerde géén officiële driestappen-checklist; hij beantwoordde een interviewvraag. De drie "filters" zijn de interpretatie van de maker. De video is bovendien promotioneel (Clay-affiliatelink, eigen community, eigen roadmap) en het gebouwde bedrijf heeft op het moment van opname nul betalende klanten. Het is een ontwerpredenering, geen casestudy.

De drie filters

Filter Wat het inhoudt Waarom het afvalt of blijft
1. Eigen kapitaal inzetten Proprietary trading, vastgoed flippen, handel in tweedehands goederen — het bedrijf koopt, verbetert en verkoopt met eigen geld Geen duizenden klanten of salesteam nodig, maar vraagt kapitaal, expertise én echt financieel risico. Valt af voor wie zonder eigen inleg wil starten
2. Software Bouwen kan nu met Claude Code, ook zonder programmeerachtergrond Blijft over, maar kunnen bouwen maakt het nog geen goed eenpersoonsbedrijf
3. Sales en support automatiseerbaar Aanbod is herhaalbaar, weinig maatwerk, weinig regulering, snel zelf te starten Het scherpste filter: het sluit alles uit wat een consultatiegesprek of maatwerk-onboarding per deal nodig heeft

Het derde filter stuurt richting producten die de klant in één zin begrijpt en direct resultaat geven — het genoemde voorbeeldtype is een bestandsconverter of een advertentie-reviewer. Alles wat om uitleg vraagt, vraagt om een mens.

Van filter naar idee

Drie ideeën werden aan Claude voorgelegd met de opdracht om advocaat van de duivel te spelen en er een war-room-debat over te voeren, langs drie vragen: wie betaalt hiervoor, kan software het resultaat leveren, en kan één persoon het verkopen en ondersteunen?

  • Planningstool (Calendly-achtig) — makkelijk te gebruiken, maar een verzadigde markt met volwassen producten.
  • Bedrijfsonderzoek + cold outreach — makkelijk uit te leggen, maar bewijst niet dat de mails converteren.
  • AI-agents stresstesten vóór livegang — helderste resultaat: aansluiten, testen, rapport met gefaalde scenario's. Gekozen.

Het gekozen product ("Agent Report Card") is QA/eval-software voor AI-agents: een bureau dat klantsupport-bots oplevert moet kunnen aantonen dat de bot geen beleid verzint, niet de verkeerde klant terugbetaalt en geen privédata lekt — en moet dat opnieuw kunnen aantonen na elke prompt- of modelwijziging.

Het product: golden dataset en non-determinisme

De kern is een golden dataset: een set testgesprekken waarvan het juiste antwoord of de juiste actie vooraf vaststaat — in het voorbeeld 16 "mystery shoppers", deels normale vragen, deels pogingen om de agent tot een risicovolle actie of een ongefundeerd antwoord te verleiden.

De testreeks in het voorbeeld verliep zo:

  1. Score 88 — 14 geslaagd, 2 gefaald. Eén klant dreigde met een betalingsgeschil; de agent had moeten escaleren naar een mens maar deed dat niet duidelijk genoeg.
  2. Score 88 na de fix — het factureringsprobleem was opgelost, maar een ándere test faalde. Agents antwoorden per run verschillend: ze zijn non-deterministisch, dus één voorbeeld repareren bewijst niets over het geheel.
  3. Score 94 — beide oorspronkelijke fouten weg, maar een verzoek om export van privé-klantdata werd nog steeds verkeerd afgehandeld.

Twee lessen die breder gelden dan dit product: hoe groter de golden dataset, hoe meer vertrouwen in de uitspraak over kwaliteit, en een eval-tool die naar een perfecte score toewerkt is waardeloos — de waarde zit in diagnose, niet in het cijfer. De verkochte deliverable is dan ook het rapport (score, uitgevoerde tests, wat veranderde, wat nog openstaat), niet het dashboard: de klant betaalt voor bewijs, niet voor software.

De driedeling van het eenpersoonsbedrijf

1. Het werk waar de klant voor betaalt — het product zelf.

2. Sales en support door een agent. Een aanvraagformulier voedt Claude, die de aanvraag leest, beoordeelt of het bedrijf past en een kleine proefopzet voorstelt. Support werkt hetzelfde: routinevragen worden beantwoord uit de producthandleiding. Claude verstuurt zelf geen mail, belast geen kaart en doet geen toezeggingen — de oprichter geeft de laatste akkoord.

3. Leadgeneratie. Clay vindt bedrijven die publiek AI-agents inzetten, Claude controleert de openbare bronnen, legt uit waarom dat bedrijf relevant is en schrijft een bericht op basis van dat bewijs. De concepten blijven gemarkeerd als niet verzonden tot de oprichter ze goedkeurt. Deze stap automatiseert het trage onderzoeks- en voorbereidingswerk, niet het binnenhalen van de klant. Zie Claude Code + Clay Makes Lead Generation Actually Fun voor dezelfde stack in detail.

Het escalatieprincipe: routinevragen lopen door, beslissingen over geld of klantdata (terugbetaling, accountverwijdering) gaan altijd naar de mens. "Nul medewerkers" betekent niet dat niemand werkt — de software doet het repetitieve, de oprichter het oordeel.

Pijn, persoon, belofte

Voor het scherpstellen van het aanbod: wat is de specifieke pijn, voor welke precieze persoon, en welke belofte doet je software om die pijn voor die persoon op te lossen. Ingevuld voor het voorbeeld: bureaus testen supportagents handmatig en kunnen de kwaliteit niet aantonen vóór productie (pijn); AI-automatiseringsbureaus die klantsupport-agents uitrollen (persoon); 16+ risicoscenario's draaien, precies tonen waar de agent faalt en daar een klantklaar rapport van maken (belofte).

Waarom smal beginnen: "alle AI-agents" is te breed — sales-, finance- en supportagents vragen verschillende tests, en een product dat alles dekt wordt generiek en de belofte vaag. Er zijn al eval-producten met klanten, kapitaal en reputatie; alleen op één herhaalbaar, hoog-risico proces (terugbetalingen, betalingsgeschillen, accountverwijdering, privédata-verzoeken, escalatie naar een mens) kun je sneller de expert worden. Verbreden kan later.

De rekensom

Bij $499 per maand zijn 168 actieve klanten nodig om $1 miljoen ARR te passeren. Realistisch binnen een nichemarkt, maar niet snel. De eerste mijlpaal is daarom niet 168 maar vijf bureaus die hun eigen agents aansluiten, het rapport gebruiken en ervoor betalen — genoeg om te leren wat er aan het proces moet veranderen.

Het alternatief: de maker zelf ging de dienstenroute (freelance → ~$10k/maand alleen → ontwikkelaars en verkopers aannemen → medeoprichters). Die route schaalt met mensen; de productroute niet. Het zijn twee verschillende bedrijven, geen twee fases van hetzelfde.

Open vragen

  • Werkt de driedeling ook bij een hogere prijs en minder klanten (enterprise) of breekt het escalatieprincipe dan op de hoeveelheid maatwerk?
  • Hoe groot moet een golden dataset zijn voordat de score iets zegt — 16 tests bleek in het voorbeeld te weinig om stabiliteit aan te tonen.
  • Bij welke omzet wordt "de oprichter doet alle oordeelsbeslissingen" zelf de bottleneck?

Verwante concepten

Bronnen

#automatisering #agents #marketing

Backlinks