Naar de inhoud
Project Inception ← Portfolio
Henk, de robot-assistent, van dichtbij met blauwe ogen
AI Design 26-27CMD · HUSept – 26 okt 2026Individueel

Van een vraag naar Henk

Het proces van Project Inception: hoe de zorg “wat valt er weg als Inge stopt?” via onderzoek, interviews, concepten en feedback een werkende robot-assistent in de makerspace werd.

Danial MovasaghiMakerspace CMDAlles lokaal, geen cloud

Projectvideo komt hier

[PROJECTVIDEO: IN MAKING] Zet het bestand als video/proces.mp4 in deze map en de video verschijnt vanzelf op deze plek. Thumbnail: video/proces.jpg. Ondertitels: video/proces.vtt.

Week 1 · Context en onderzoek

Het begon met zes vragen

Het project is gestart vanuit de 5 W’s + H. Die vragen werden ontwerpvragen. Daarna koos ik per vraag een onderzoeksmethode. Klik door de keten.

1 · De 5 W’s + H

kick-off
De methodekaarten, met de ontwerpvragen eraan geplakt
↓

2 · Van vraag naar methode

klik een vraag

Elke vraag uit de 5 W’s + H kreeg een eigen ontwerpvraag (Ontwerp, People, Place). Kies er één en zie welke methode hem beantwoordt.

Mijn vragen

Methodes die ik gebruikte

Kies links een vraag.

↓

3 · De onderzoeksmatrix

waar zit mijn onderzoek?

Alle methodes die nieuwe data bij mensen ophalen staan op twee assen: wat mensen doen tegenover wat ze zeggen, en waarom tegenover hoeveel. Zo zie je meteen wat ik wel en nog niet onderzocht heb.

Klik op een methode.

Dan zie je wat die opleverde voor het ontwerp.

De matrix zoals ik hem op het board bouwde

Analyse- en synthesemethodes (persona, empathy map, scenario, task analysis, ethical check) staan bewust buiten de matrix: ze halen geen nieuwe data op, ze verwerken wat er al is.

4 · Inspiratieonderzoek

3 vragen × 5 bronnen
Week 1 · Stakeholdermap

Wie heeft hier iets te zeggen?

Dezelfde groepen, twee manieren van kijken. De cirkel laat zien wie dichtbij de makerspace staat. De matrix laat zien wie macht en belang heeft. Wissel met de knop.

Klik op een stakeholder voor de aanpak.
HU
Opleiding
Kern
BeïnvloedersSleutelfigurenVolgenGeïnteresseerden
Belang (interest) →Macht (power) →
V1: de cirkel, met de kern rond de makerspace
Wat het veranderde. Ik kreeg twee dingen scherp: Ronald en Inge zijn sleutelfiguren, en Privacy en ICT van de HU bleek een nieuwe beïnvloeder zodra de robot camera en microfoon kreeg. Dat leidde tot de keuze voor alles lokaal.
Week 1 · Expert interviews

Praten met Ronald en Inge

Twee semigestructureerde expertinterviews in de makerspace, op papier bijgehouden en later geclusterd. Eerst wat zij vertelden, dan wat ik eruit haalde.

Clusteren: zes thema’s

affinity diagram

Na twee interviews legde ik alle losse stickies per persoon naast elkaar en groepeerde op thema, om te zien waar Inge en Ronald elkaar bevestigen of tegenspreken. Klik een thema open voor het inzicht.

De clusters op het board, met de inzichten in groen en de spanningen in roze

Eerlijk over het proces

  • In de intro bij Inge zei ik dat de AI “haar plek kon overnemen” en legde ik mijn idee vooraf uit. Dat stuurt haar antwoorden; ik benoem het onder validiteit.
  • Inge gaf zelf als feedback dat ik te veel uitleg rond mijn vragen. Bij het volgende gesprek: vraag stellen, stil zijn, doorvragen op wat de ander zegt.
  • Als steward ben ik insider en dus niet neutraal. Daarom triangulatie: Inge naast Ronald naast mijn eigen ervaring. Inge wilde het transcript eerst zien voor ik het gebruikte.

Persona Anna, en wat de assistent voor háár oplost

stakeholder persona

Uit de interviews bouwde ik een persona van de medewerker. De assistent is niet alleen voor studenten: elke pijn van Anna moest een antwoord krijgen of bewust bij de mens blijven.

Persona Anna (AI-gegenereerd gezicht)

Anna

Captain van de makerspace en docent bij CMD. Maker met een achtergrond in print en vormgeving, kent de machines goed.

Je betaalt hier met kennis. Samengesteld uit de interviews met Ronald en Inge. Gezicht is AI-gegenereerd, geen echt persoon.

Wat Anna wil

Haar pijnpunten · klik voor wat Henk ermee doet

Week 2 · Concepten en maken, 7 okt

Drie concepten op tafel

Op 7 oktober maakte ik drie conceptborden en testte ze twee dagen later met Koen, oud-steward van de makerspace. Daarna kwam de feedback van Levien en een toets aan mijn guiding principles.

Wat Koen toevoegde

interview 9 okt

De toets: welk concept gaat door?

concept × guiding principle
Week 2 · Studenten en CMD’ers

Niet elke gebruiker is dezelfde gebruiker

Na de experts sprak ik klasgenoten en CMD’ers, en deed ik een autoetnografisch interview met mezelf als steward. Daaruit kwamen drie soorten gebruikers, op een as van kent de ruimte tot kent de cultuur.

Wat dit voor het ontwerp betekende. De robot moet een nieuwkomer anders ontvangen dan een vaste maker. Eén student wil de AI juist niet voor creatief werk, een ander wil hem voor snelle machinevragen. Het ging samen in één lijn: praktisch ja, creatief oordeel nee. Dat werd principe 2.
Week 2 · Onderzoek op basis van feedback

Het Maker Manifesto

Ronald noemde het manifest van de makerspace. Levien gaf me op 9 oktober vier lenzen om het te begrijpen. Het is meer dan een poster: het bepaalt wie de AI is, en van wie hij is.

Hetzelfde idee, twee keuzes

enclosure vs commons
Wie bezit de kennis van de makerspace?
    Wat neem ik mee. De makerspace is een commons: gedeelde ruimte en kennis, gedragen door gemeenschapsregels. Het risico van een AI-assistent is een enclosure: de kennis verdwijnt in het product van een bedrijf. Daarom is de AI geen eigenaar en geen vervanger, maar een hoeder van de gedeelde kennis. Dit werd principe 6, “een lokaal brein”.
    De vier lenzen op het board
    Week 2 · Autonome taken

    Hoeveel mag de assistent zelf?

    Autonoom betekent niet alles of niets. Naar Sheridan en Verplank (1978) koos ik per taak hoeveel de AI mag: alleen melden, voorstellen of zelf doen. En wat hij nooit mag, blijft bij de mens. Schuif aan de regelaar.

    1 · meldt2 · stelt voor3 · doet zelf
    Het blok “Autonome taken van de assistent”: meldt, stelt voor, doet zelf, nooit autonoom, kritisch
    Week 2 · Triangulatie en guiding principles

    Zes principes die alles sturen

    Een inzicht is pas sterk als het uit meerdere bronnen komt. Daarom legde ik elk inzicht naast Inge, Ronald, Koen, mezelf, de inspiratie en de literatuur. Wat sterk bleek, werd een guiding principle. Klik een cirkel, of bekijk hoe versie 1 versie 2 werd.

    Mens en cultuur staan centraalMAKE · LEARN · SHARE
    OntwerpvraagHoe kan ik met AI de ervaring in de makerspace van CMD verbeteren, zodat de kennis en cultuur die nu in Inge en in de plek zelf zitten niet wegvallen als Inge vertrekt?

    Triangulatie: welk inzicht is sterk?

    I Inge · R Ronald · K Koen · D Dani · Insp · Lit

    Blinde vlek: buiten Dani is nog geen enkele student gesproken. A, B, C en G moeten nog bij andere studenten getoetst worden. Dat deed ik daarna met de gebruikersinterviews en de tests.

    Guiding principles versie 2 en de ontwerpvraag op het board
    Week 3 · Configureren

    Het verhaal, en wat er echt gebeurde

    Eerst vertelde ik mijn ontwerp als een verhaal (Story Spine). Dan nam ik één moment eruit en legde mijn verwachting naast de test van 12 oktober (Cue tot Response).

    Story Spine

    Kenn Adams
    Mijn Story Spine op het board

    De laatste regel (“en sindsdien…”) stond bij mij nog open. Dat is eerlijk: ik wist nog niet hoe het eindigt.

    Cue tot Response

    Norman, 2013

    Eén moment uit het verhaal: “Tot op een dag kwam er een AI-assistent in de makerspace om de vragen van studenten te beantwoorden.” Links wat ik had beloofd, rechts wat er gebeurde tijdens de prototypetest op 12 oktober met twee studenten.

    Waar het breekt, en wat ik eraan deed

    De Cue tot Response tabel op het board

    Een klein scenario

    expo · 2 minuten

    Het scenario voegt niet veel toe aan het ontwerp, maar het maakt het meteen voorstelbaar. Henk helpt Noor, een student die vastloopt bij de riso. Scroll opzij.

    Week 3 & 4 · Prototypes

    Nu gaat het werken.

    Tot hier ging het over denken. Vanaf hier is het bouwen en testen: van een chatvenster op een laptop naar een robot die praat, luistert en weet wanneer hij iets niet weet.

    Prototype 1 · 11 oktober

    een lokaal brein op mijn Mac

    Een eigen AI-assistent voor de makerspace die helemaal op mijn Mac draait, zonder internet. Zo blijft de kennis van de HU ook echt in de HU.

    1

    Ollama is de motor

    Draait AI-modellen lokaal. Mijn model makerspace-snel is gebaseerd op Gemma 3, klein genoeg voor mijn Intel Mac.

    2

    De Modelfile is het recept

    Welk model, hoe creatief, hoe lang de antwoorden mogen zijn, en wie hij is.

    3

    AnythingLLM is het chatvenster

    Hier praat ik met de AI, gekoppeld aan mijn kennisbestanden.

    4

    De system prompt is zijn karakter

    Daar staan mijn guiding principles in, als regels: eerlijk zeggen dat hij een machine is, kort antwoorden, doorverwijzen naar Ronald en Inge, géén feedback op ontwerpen, de cultuur doorgeven.

    5

    De kennisbestanden zijn wat hij weet

    Lasersnijder, Risolab, doosjes maken, de ongeschreven regels. Bij elke vraag zoekt hij eerst het juiste stukje (RAG).

    $ ollama run makerspace-snel
    >>> wat kan ik hier doen?
    Hier kun je lasersnijden, risoprinten of doosjes maken. Vergeet niet om na je werk je tafel op te ruimen. Wat aan het maken bent?

    total duration: 12.4s
    eval rate: 11.86 tokens/s


    >>> moet ik hier betalen?
    Je betaalt met kennis hier, en met de materialen die je gebruikt. Ronald kan je hier meer over vertellen.
    Ontdekking. Het denkende model deed er 32 seconden over. Zonder denken antwoordt hij in ongeveer 4 seconden. Een lokaal brein is privé, maar je moet kiezen tussen slim en snel.
    AnythingLLM: het chatvenster van prototype 1
    De terminal: antwoord en snelheid van het lokale model

    Eerste test · 12 oktober

    2 studenten, chatvenster

    Met twee studenten en een laptop met chatvenster. Het was traag, bij student 2 kwam eerst een error, en hij gebruikte jargon (“kapitein”) dat een eerstejaars niet kent. Lees het hele verhaal onder Cue tot Response. Dit test-moment gaf de belangrijkste lessen voor de robot.

    Testplan v2 · 20 okt

    De robot bij de riso (HvA makerspace)

    Onze eigen makerspace was dicht in de herfstvakantie. Levien gaf de tip om te testen op een vergelijkbare plek: de makerspace van de HvA, met dezelfde logica (zelf maken, machines met hulp, medewerkers als aanspreekpunt). Eén machine: de riso.

    1 · Op je gemakVoelen studenten zich comfortabel bij het gebruik van de robot, en welke emoties hebben ze in een makerspace?
    2 · Helpt hijKrijgen ze antwoord op wat ze wilden weten, zodat ze verder kunnen met hun werk?

    Kritische punten: de wachttijd van 15 tot 30 seconden heeft waarschijnlijk de grootste invloed op hoe comfortabel het voelt · kleine groep, dus gedrag en citaten wegen zwaarder dan aantallen · door gezichtsherkenning en geheugen uit te zetten test ik de kern (knop, vraag, kort antwoord), in lijn met Saskia’s “maak het klein”.

    Prototype 2 · 19–20 oktober

    Henk op de ZBOS-robot

    Een werkende robot: knop, vraag, kort gesproken antwoord met kennis uit de makerspace. Gebouwd in kleine stappen, elke stap getest op de echte robot. Klik door de keten.

    Demo van Henk

    In acht stappen gebouwd

    elke stap getest op de robot

      Ontwerpkeuzes

      Wat ik leerde

      over robot en model

      Beeld

      hier mis ik materiaal
      Henk bij de lasersnijder in het Makers Lab, met zijn bordje
      Henks gezicht van dichtbij: de ogen op zijn scherm
      Henk loopt rond in de makerspace

      Test in het Makers Lab van de HvA · 20 oktober

      Amsterdam · veldtest met het werkende prototype

      Henk stond in het Makers Lab; studenten en docenten probeerden hem uit en ik sprak ze kort na afloop. Reacties schreef ik direct op stickers. Dit is een kleine veldtest, dus citaten wegen zwaarder dan aantallen.

      Henk in het Makers Lab van de HvA, 20 oktober
      Kanttekeningen. Enthousiasme is nog geen gebruik (nieuwigheidseffect). Medewerkers zoeken een oplossing voor de drukte. “Ik zou hem vertrouwen” is wat mensen zeggen, niet wat ze doen. Het gevoel van toezicht bij een robot met camera en gezichtsherkenning. Weinig deelnemers, dus dit zijn signalen, geen bewijs.
      De testresultaten op het board
      Henk · makerspace CMD

      Leer Henk iets nieuws

      Dit is de echte kennisbank waar captains kennis toevoegen aan Henk. Weet jij iets over een machine of een regel in de makerspace? Schrijf het op, dan weet Henk het ook. Alleen voor captains.

      Interactief Probeer het zelf in het scherm hieronder: kies een onderwerp, schrijf een tekst en kijk hoe Henk hem oppakt.

      Henk · kennisbank
      Thinking · server zoeken

      Nieuwe kennis

      01

      Schrijf het zoals je het aan een eerstejaars uitlegt. Kort, één ding per tekst. Het komt in de map van het onderwerp dat je kiest.

      Onderwerp

      Wat Henk al weet

        Alles blijft op deze Mac, binnen de HU. Elke tekst wordt een .md bestand in de map kennis. Wil je iets aanpassen of weghalen? Doe dat in die map. Weet Henk iets niet, dan zegt hij dat en verwijst hij naar [CAPTAIN].

        Week 3 · Customer Journey Map

        Voor en na de assistent

        Noor wil een zine risoprinten. Dezelfde student, dezelfde makerspace, vijf momenten: eerst zonder Henk, dan met Henk. Sleep de schuif of speel de animatie en kijk hoe haar gevoelsscore (1 tot 5) verschuift.

        Persona

        Noor, 20

        Tweedejaars student creatieve opleiding. Komt naar de makerspace voor projecten met deadline. “Ik wil het gewoon even snel vragen, maar iedereen is zo druk.”

        Doelen
        • Snel verder met haar project
        • Het zelf leren, niet alles laten doen
        • Niet dom overkomen
        Frustraties
        • Medewerker is bezet, ze moet wachten
        • Kent de regels en cultuur niet
        • Leest geen handleidingen of A4’tjes
        Gedrag
        • Probeert eerst zelf, dan YouTube of TikTok
        • Vraagt liever een medestudent dan een docent
        • Denkt visueel: wil het zien
        Over AI
        • Gebruikt ChatGPT voor kleine vragen
        • Vertrouwt een robot met korte, simpele dingen
        • Feedback op haar ontwerp wil ze van een mens

        Gebaseerd op: interviews studenten (12 okt), interview Inge, autoetnografisch interview, test (16 okt) en de test in het Makers Lab van de HvA (20 okt).

        Zonder HenkMet Henk
        Voelen
        Nu: zonder Henk (deels aanname, uit interviews en test)Met Henk (ontwerpkeuzes uit de test in het Makers Lab)
        Persona Noor en beide journeys op het board: zonder Henk (rood) en met Henk (groen)
        Week 3 & 4 · Testen over het gezicht

        Welk gezicht past bij een makerspace?

        Vorm en gezicht kwamen steeds terug in de feedback: schattig, simpel, “duidelijk een ding en geen persoon”. Henk laat op zijn scherm altijd zien wat hij doet, met een vorm, een kleur en een woord. Probeer de vijf standen.

        IDLE

        Wat zoek je?

        Overzicht

        Alle feedback, en wat ik ermee deed

        De gele blokken door de pagina laten zien waar feedback iets veranderde. Hier staat alles op één rij. Klik een rij voor de sprong naar de plek.