Een Webapplicatie Scoppen met AI: De 6-Prompt Keten (Van Idee tot SOW)

Een Webapplicatie Scoppen met AI: De 6-Prompt Keten (Van Idee tot SOW)

Bij onze laatste vijf klantscoops daalde het deel dat vroeger 12 tot 16 uur aan discovery calls kostte naar ruwweg 3 uur AI-werk plus 1 uur menselijke review. We draaien het hele proces in één Claude Project, zodat de context meegaat. Het addertje? AI maakte iedere keer drie dezelfde fouten. Dus hebben we een gate toegevoegd voordat iets een klant bereikt.

Dit is de daadwerkelijke 6-prompt keten die we gebruiken, het artifact dat elke prompt oplevert, één volledig uitgewerkt voorbeeld, en de faalpatronen die je zelf moet opvangen.

Kan AI een webapplicatieproject scoppen? Ja. AI kan het volledige scope-document opstellen — probleemstelling, user stories, features, MoSCoW-prioriteiten en een statement of work — in een paar uur in plaats van dagen. Wat het niet kan, is dat concept valideren. Het verzint requirements en onderschat inspanning, dus een menselijke gate is verplicht vóór akkoord.

Kernpunten

• AI stelt een volledige webapplicatiescope op in uren, niet in dagen, maar kan zijn eigen output niet valideren.
• De keten bestaat uit zes prompts: probleem, user stories, features, MoSCoW, schatting, SOW.
• AI verzint integraties en onderschat edge cases; voer altijd een menselijke gate uit.
• Gebruik Claude Projects of ChatGPT Projects voor de keten; agents komen pas na de getekende scope.

AI kan je eerste scope-concept in één middag schrijven. Het weet alleen niet wanneer het fout zit.

Wat Is AI-Ondersteund Scoppen (en Wat Niet)?

AI-ondersteund scoppen betekent een reeks LLM-prompts gebruiken om een ruwe idee om te zetten naar gestructureerde scope-artefacten: requirements, user stories, een featurelijst, prioriteiten en een statement of work. De AI doet het opstellen en structureren. Een mens doet nog steeds het beslissen, de stakeholdergesprekken en de validatie.

Denkt de AI dan voor jou? Niet echt. Het is snel bij ai requirements gathering, het deel waarbij je naar een leeg scherm staart en "ik wil een boekingsapp" probeert te vertalen naar iets dat een developer kan offreren. Het is slecht in weten wat de klant echt nodig heeft versus wat plausibel klinkt.

Een paar dingen die AI-ondersteund scoppen niet is: het is niet autonoom, het is geen vervanging voor echte stakeholdergesprekken, en het is geen garantie voor nauwkeurigheid. Het model schrijft moeiteloos een zelfverzekerde, keurig opgemaakte spec voor een feature die niemand heeft gevraagd.

Dit artikel gaat ervan uit dat je het scopproces zelf al begrijpt. Als je de basisprincipes wilt weten, loopt onze stap-voor-stap gids voor het scoppen van webapplicaties door het onderliggende niet-AI-proces, de 7 stappen en de volledige scope-documentstructuur. Hier richten we ons op de AI-laag: welke prompt, in welke volgorde, en waar het misgaat.

De AI-Scope Prompt Keten in Een Oogopslag

De keten bestaat uit zes prompts die je op volgorde uitvoert, waarbij elke prompt zijn output in de volgende invoert. Op volgorde: (1) probleem en doelen, (2) user stories, (3) featurelijst, (4) MoSCoW-prioritering, (5) inspanning, kosten- en tijdlijnschatting, en (6) het SOW-concept. Voer ze uit in één project zodat de context bewaard blijft.

Het handige hieraan: omdat elke prompt voortbouwt op de vorige, hoef je je app niet zes keer opnieuw uit te leggen. Het model kent het probleem al wanneer het user stories schrijft, en het kent de stories al wanneer het features prioriteert.

1. Probleem & doelen: zet een ruw idee om in een probleemstelling plus SMART-doelen.
2. User stories: zet doelen om in user stories met acceptatiecriteria.
3. Featurelijst: leidt een concrete feature-inventaris af uit de stories.
4. MoSCoW-prioritering: sorteert features in Must, Should, Could, Won't.
5. Schatting: genereert inspanning, kostenklasse en tijdlijn.
6. SOW-concept: assembleert alles tot een statement of work.

Dit is ook een bruikbare set ai-prompts voor projectmanagement in het algemeen, maar we hebben elke prompt specifiek afgestemd op webapplicaties — techstack, integraties, edge cases. Die afstemming is wat een bruikbare scope onderscheidt van een generieke.

De truc zit niet in één magische prompt. Het zijn zes prompts die hun output aan elkaar doorgeven.

Hoe Voer Je de Keten Stap voor Stap Uit?

Je voert de keten van boven naar beneden uit binnen één Claude Project of ChatGPT Project, elke prompt in volgorde plakken en het vorige antwoord in de context laten staan. Hieronder de zes stappen met de exacte prompts die wij gebruiken. Elke prompt is bewust webapplicatiespecifiek, want generieke business-analyseprompts produceren generieke scopes.

Een opmerking vooraf: vervang de aangeduide plaatshouders door je eigen gegevens, en accepteer de eerste output nooit als definitief. De slimme aanpak is: lees elk resultaat, corrigeer het, en voer dan de volgende prompt uit.

Prompt 1: Probleemstelling & doelen

You are a senior product manager scoping a web application.
Here is the rough idea: [describe the app in 2-4 sentences].
The target users are [who]. The business wants [outcome].

Write:
1. A one-paragraph problem statement.
2. 3-5 SMART goals with success metrics.
3. 3 assumptions you are making that I should confirm.
Flag anything that is unclear instead of guessing.

Dit levert je overzichts- en doelensectie op. Pro tip: de "3 aannames"-regel doet zwaar werk. Het brengt de gaten naar boven die AI anders zou dichtplakken.

Prompt 2: User stories

Acting as the same product manager, turn the goals above into
user stories for a web app. Use the format:
"As a [role], I want [action], so that [benefit]."
Cover every user role. For each story, add 2-3 acceptance
criteria. Group stories by feature area.

Je hebt nu functionele requirements. Dit is een schone ai user story generator-stap. Let op: het vergeet vaak admin- en edge-caserollen, dus prompt nog een keer met "voeg nu stories toe voor admins, mislukte betalingen en lege staten."

Prompt 3: Featurelijst

Based on the user stories above, produce a flat feature
inventory for this web app. Group features into: core, account
and auth, admin, integrations, and notifications. Note any
feature that requires a third-party service or API.

Dit is je kandidaatlijst van features binnen scope. Houd deze stap goed in de gaten, want hier begint AI integraties te verzinnen (meer daarover straks).

Prompt 4: MoSCoW-prioritering

Prioritize the feature list using MoSCoW (Must, Should, Could,
Won't) for a first release (MVP). For each feature give a
one-line reason. Assume a 3-month MVP budget and be ruthless:
most features should NOT be "Must."

Dit labelt je in-scope en out-of-scope items. De "wees meedogenloos"-instructie is belangrijk; zonder die instructie markeert het model bijna alles als Must.

Prompt 5: Inspanning, kosten & tijdlijnschatting

Estimate effort, cost, and timeline for the Must-have features
only. Assume a stack of [e.g. Next.js, Supabase, Stripe] and a
team of [N] developers. Break the estimate down by feature in
days. State every assumption. Give a cost RANGE, not a single
number, and flag the 3 riskiest estimates.

Dit is jouw ai scope of work generator-invoer voor budget en tijdlijn. Vraag altijd om een bandbreedte én de aannames, want één zelfverzekerd getal is de gevaarlijkste output die AI je kan geven.

Prompt 6: SOW-concept

Assemble everything above into a draft statement of work for a
client. Include: overview, goals and success metrics, in-scope
features, explicit out-of-scope items, timeline, budget range,
deliverables, assumptions, and a sign-off section. Mark any
section where you are uncertain with [REVIEW].

De [REVIEW]-tags worden je checklist voor de menselijke gate. Deze stap assembleert het idee-naar-SOW-traject dat de hele keten beloofde.

Prompt naar Scope-sectie Overzicht

Elke prompt beantwoordt niet alleen een vraag, maar vult een specifieke sectie van het document dat je aan de klant overhandigt. Dit overzicht vervangt het gebruikelijke 11-secties-sjabloon: in plaats van een skelet uit je hoofd te leren, voer je de keten uit en assembleert het document zichzelf. Hieronder welke prompt welk deliverable oplevert.

Tegen de tijd dat je Prompt 6 afrondt, heb je een volledig eerste concept van een document dat een klant daadwerkelijk kan lezen en ondertekenen, geen stapel losse notities.

Elke prompt beantwoordt niet alleen een vraag. Het vult een specifieke sectie van het document dat je aan de klant geeft.

Een Volledig Uitgewerkt Voorbeeld: Het Scoppen van een Afspraakboeking SaaS

Hier is de keten volledig doorgelopen voor één concreet geval: een afspraakboeking-SaaS voor een kleine tandartsenketen. Dit is een illustratief voorbeeld, geen echt klantdocument, en ja, we ontdekten twee fouten in de AI-output, die we in de menselijke-gate-sectie hieronder oplossen.

Prompt 1 output (probleem & doelen). Probleem: een tandartsenketen met drie locaties verliest boekingen door telefoon-heen-en-weer en no-shows. Doelen: no-shows met 30% verminderen via herinneringen, patiënten online laten zelfboeken, en frontdeskmedewerkers één gedeelde agenda geven. Aannames gemarkeerd: één tijdzone, alleen Nederlands, geen verzekeringsfacturering.

Prompt 2 output (voorbeeld user stories).

• Als patiënt wil ik online een afspraak boeken, zodat ik niet hoef te bellen.
• Als patiënt wil ik een sms-herinnering, zodat ik mijn afspraak niet vergeet.
• Als frontdeskmedewerker wil ik alle drie de locaties in één agenda zien, zodat ik overlaps kan beheren.

Prompt 3 output (featurelijst, ingekort). Online boeking, agendasynchronisatie, sms- en e-mailherinneringen, patiëntaccounts, multi-locatiebeheer, basisrapportage, en een betalingsstap (deze laatste was verzonnen; niemand had erom gevraagd).

Prompt 4 output (MoSCoW-raster).

Prompt 5 output (schatting, ingekort). Uitgaande van Next.js, Supabase en Twilio met twee developers: Must-have features op grofweg 45 tot 60 developerdagen, een kostenklasse van $35K tot $55K, en een tijdlijn van 8 tot 10 weken. Riskantste schatting gemarkeerd: de multi-locatie agendaLogica.

Prompt 6 output (SOW-fragment). "In scope: online boeking, gedeelde multi-locatie agenda, sms-herinneringen (Twilio), patiëntaccounts. Out of scope: betalingen, verzekering, native mobiel. Tijdlijn: 8-10 weken. Budgetklasse: $35K-$55K. [REVIEW] Bevestig Twilio versus alternatieve sms-provider met klant."

Één blik daarop en je ziet dat er in één sessie een echte, ondertekenbaarscope vorm heeft gekregen. Als je later slimme functies wilt toevoegen, pakt onze gids over AI-functies toevoegen aan je app op waar dit ophield.

Hoe Schat Je Kosten en Tijdlijn met AI?

Je vraagt het model de schatting per feature in dagen uit te splitsen, een specifieke techstack aan te nemen, elke aanname te vermelden en een bandbreedte terug te geven in plaats van één getal. Daarna check je die bandbreedte aan bekende marktklassen, want AI verankert bijna altijd te optimistisch qua inspanning.

Behandel AI-schattingen als startpunt, nooit als offerte. De enkelvoudig meest nuttige instructie is "markeer de drie riskantste schattingen", want dan zie je precies waar je zelf je oordeel moet inzetten. Hieronder de klassen die we bij elke AI-schatting controleren.

Deze klassen sluiten aan bij gepubliceerde benchmarks van bureaus en marktplaatsen; Clutch's app development cost research is een redelijk openbaar referentiepunt. Als je AI-schatting ver onder de relevante klasse uitkomt, heeft het waarschijnlijk edge cases gemist. Dit is ook het moment om de bredere vraag te stellen: bouwen of kopen. Een scope die uitloopt voorbij de complexe klasse pleit soms eerder voor kopen dan bouwen.

Welk AI-Hulpmiddel Gebruik Je voor Welke Taak?

Gebruik voor de volledige keten Claude Projects of ChatGPT Projects, want beide bewaren context over prompts heen zodat output meegaat zonder opnieuw te plakken. Gebruik een standalone agent pas nadat de scope getekend is en je herhaalbare artefacten genereert. Voor eenmalig scoppen slaat Projects een agent met kop en schouders.

Wij draaien de keten in Claude Projects voor de langcontextstappen (user stories, SOW-assemblage) en grijpen naar ChatGPT als second opinion op de schatting. Volgens Anthropic's Projects-documentatie bewaart een Project gedeelde context en instructies over een gesprek heen, wat precies is wat een zes-prompt claude projects voor requirements-workflow nodig heeft. OpenAI's Projects werken op dezelfde manier voor chatgpt-prompts voor softwareontwikkeling.

Eén techniek die het waard is te lenen: splits de AI-rol per stap. Zeg hem "handel als product manager" bij user stories en "handel als senior engineer" bij de schatting. De rolwissel verandert hoe het redeneert, en de engineerpersona is merkbaar conservatiever over inspanning.

Zodra de scope verstuurd is en de bouw begint, verschuift de toolingvraag naar AI-coding agents, wat een heel andere afweging is.

Waar Gaat AI de Fout in bij Scoppen? De Menselijke Validatiepoort

AI gaat op voorspelbare manieren de fout in bij scoppen: het hallucineert integraties die niemand heeft gevraagd, onderschat edge cases en foutstatussen, en verzint compliance-eisen of laat echte stilzwijgend weg. Het verankert kostenramingen ook te optimistisch. Geen van dit is zeldzaam; het gebeurt bij vrijwel elke uitvoering, en dat is precies waarom de menselijke gate niet optioneel is.

Slechte requirements zijn duur, of een mens of een model ze nu schrijft. PMI's Pulse of the Profession-onderzoek heeft vastgesteld dat onnauwkeurige requirements gathering bij circa 37% van mislukte projecten een primaire oorzaak van falen is, dus de gate bestaat om die missers te onderscheppen vóór ze een offerte bereiken, niet daarna.

De oplossing is een korte checklist die een mens doorloopt voordat enige scope een klant bereikt:

• Verwijder verzonnen features: schrap alles (betalingen, exports, integraties) dat de klant nooit heeft gevraagd.
• Voeg ontbrekende edge cases toe: mislukte betalingen, lege staten, rechten, foutafhandeling.
• Verifieer elke integratie: bevestig dat elke genoemde derde partij echt, nodig en begroot is.
• Controleer compliance-claims: bevestig of corrigeer elke auth-, privacy- of regelgevingseis die de AI heeft gesteld.
• Pas de schatting omhoog aan: corrigeer de optimistische cijfers op basis van je eigen snelheid, met name de gemarkeerde risicoschattingen.

AI scopt vol vertrouwen een betaalstroom die het zelf heeft verzonnen. Jouw taak is de onderdelen te verwijderen waar niemand om heeft gevraagd.

Wat We Leerden van Echte Klantscoops

Bij onze laatste klantscoops kostte discovery dat vroeger ruwweg 12 tot 16 uur aan calls en uitwerkingen vergde nu een eerste SOW-concept in ongeveer 2 tot 3 uur AI-werk plus 1 uur menselijke review. Dit zijn eerlijke bandbreedten uit onze eigen runs, geen precieze kopkopstatistiek, en het menselijke uur is het enige dat we nooit zullen schrappen.

We draaien de keten in Claude Projects, met ChatGPT als sanity check op schattingen. De tijdbesparing is reëel, maar de waarde zit in het steeds dezelfde drie fouten opvangen:

1. Het verzint integraties. Een betalingsstap in het tandheelkundig voorbeeld die niemand had gevraagd. Bijna elke scope had minstens één spookfeature.
2. Het onderschat edge cases. Foutstatussen, lege staten en admin-flows ontbreken consequent of worden ondergecategoriseerd, en dat is precies waar echte budgetten ontsporen.
3. Het gaat de fout met compliance en auth. Soms hallucineert het een eis, soms laat het een echte weg. We vertrouwen het hier nooit op.

Dus hebben we de bovenstaande menselijke gate toegevoegd als vaste stap. De keten schrijft het concept snel; de gate maakt het veilig om te versturen. Sla je de gate over, dan stuur je gewoon een zelfverzekerd, keurig opgemaakt gokje.

Hoe Techsy AI-Ondersteund Scoppen Aanpakt

Deze keten plus de menselijke gate is precies de workflow die we voor klanten draaien die webapplicaties laten bouwen. We stellen het concept snel op met AI, waarna iemand die echte builds heeft verscheept elke regel valideert voordat het een offerte wordt. Als je de scope liever overdraagt aan een team dat dit dagelijks doet, is dat precies wat wij doen. Je krijgt een verdedigbare SOW zonder eerst twee weken aan discovery calls te betalen.

Veelgestelde Vragen

Kan AI een projectscope of SOW schrijven?

Ja, AI kan een volledige projectscope of statement of work opstellen, inclusief het probleem, user stories, features, prioriteiten, tijdlijn en budgetklasse. Voer een zes-prompt keten uit in een Claude- of ChatGPT-project. Het concept is betrouwbaar als startpunt, maar een mens moet het valideren vóór akkoord.

Wat is het beste AI-hulpmiddel voor het scoppen van een softwareproject?

Claude Projects en ChatGPT Projects zijn de beste hulpmiddelen voor scoppen, omdat beide context bewaren over de prompt-keten heen zodat elke output de volgende voedt. Wij gebruiken Claude Projects voor langcontextstappen zoals user stories en SOW-assemblage, en ChatGPT als second opinion op schattingen. Agents zijn beter geschikt voor bouwwerk na de scope.

Hoe gebruik je ChatGPT of Claude om requirements te verzamelen?

Voer de prompt-keten op volgorde uit: vraag om een probleemstelling en doelen, dan user stories met acceptatiecriteria, dan een featurelijst, dan MoSCoW-prioriteiten. Bewaar alles in één project zodat de context meegaat. De output van elke prompt wordt de invoer voor de volgende, en dat is wat AI-requirements-gathering snel maakt.

Kan AI de kosten en tijdlijn van een softwareproject schatten?

Ja, maar alleen als startpunt. Vraag het model de schatting per feature in dagen uit te splitsen, een specifieke stack aan te nemen, zijn aannames te vermelden en een bandbreedte terug te geven. Check dan aan marktklassen: $10K-$50K voor een eenvoudige MVP, tot $150K+ voor complexe apps. AI verankert te optimistisch.

Is een door AI gegenereerde scope werkelijk betrouwbaar?

Betrouwbaar voor een eerste concept, niet voor ondertekening. AI stelt snel een goed gestructureerde scope op, maar verzint integraties, onderschat edge cases en gaat de fout met compliance bij vrijwel elke uitvoering. Behandel de output als een snel concept, voer dan een menselijke validatiepoort uit om verzonnen features te verwijderen en ontbrekende edge cases toe te voegen voordat iemand tekent.

Hoe zet ik een ruw idee om naar een spec met AI?

Begin met Prompt 1: plak je idee in twee tot vier zinnen en vraag de AI een probleemstelling, SMART-doelen en de aannames die het maakt te schrijven. Voer daarna de volgende vijf prompts op volgorde uit. Na Prompt 6 heb je een concept-SOW. De hele keten kost een paar uur in plaats van dagen.

Vervangt AI-ondersteund scoppen een discovery-fase?

Nee, het comprimeert discovery in plaats van het te vervangen. Je hebt nog steeds echte stakeholdergesprekken nodig om te weten wat de klant daadwerkelijk wil. AI verwerkt het opstellen en structureren, en zet je aantekeningen in uren om naar requirements en een SOW. Mensen valideren, prioriteren en nemen de uiteindelijke scopebeslissingen nog steeds.

Hoe lang duurt het om een webapplicatie met AI te scoppen?

Uit onze ervaring kost een eerste SOW-concept ruwweg 2 tot 3 uur AI-werk plus ongeveer 1 uur menselijke review, tegenover 12 tot 16 uur handmatige discovery en uitwerkingen. De AI-tijd is snel; het review-uur is niet optioneel, want daarin vang je de features die AI heeft verzonnen en de edge cases die het heeft gemist.