Kan ik in 90 dagen $250.000 verdienen met AI?

“Onze diepste angst is niet dat we ontoereikend zijn. Onze diepste angst is dat we onmetelijk krachtig zijn. Het is ons licht, en niet onze duisternis, dat ons het meest beangstigt. We vragen ons af: ‘Wie ben ik om briljant, prachtig, getalenteerd, fantastisch te zijn?’ Eigenlijk, wie ben jij om niet te zijn? Je bent een kind van God. Jouw kleine spel dient de wereld niet. Er is niets verlichts aan je terugtrekken, zodat andere mensen zich bij jou niet onzeker zullen voelen. Het is de bedoeling dat we allemaal stralen, net als kinderen. Wij zijn geboren om de glorie van God die in ons is, openbaar te maken. Het zit niet alleen in sommigen van ons; het zit in iedereen. En terwijl we ons eigen licht laten schijnen, geven we onbewust andere mensen toestemming om hetzelfde te doen. Naarmate we bevrijd worden van onze eigen angst, bevrijdt onze aanwezigheid automatisch anderen.”

— Marianne Williamson, Een terugkeer naar liefde

Ik zal niet de eerste persoon zijn die iets probeert dat ooit onmogelijk leek.

Het technologietijdperk heeft al oprichters en bedrijven voortgebracht die in zes maanden tijd $100 miljoen of meer hebben verdiend. Als een solo-oprichter in ongeveer zes maanden een bedrijf met een waarde van 250 miljoen dollar kan opbouwen, is een uitdaging van 250.000 dollar misschien niet eens groot genoeg.

De publieke uitdaging bedraagt ​​$250.000. Privé duw ik mezelf richting $ 1 miljoen.

Het gaat er niet om een ​​terloopse voorspelling te doen. Het gaat erom een ​​doel te stellen dat groot genoeg is om een ​​echte test af te dwingen van wat deze instrumenten – en één persoon die ze aanstuurt – nu kunnen bereiken.

Misschien moeten we onszelf allemaal harder pushen dan we denken dat we kunnen.

Maar het diepere punt is dat één persoon die iets buitengewoons doet, het voor alle anderen voorstelbaar maakt. Het laat zien dat de grens is verschoven.

Ik wil een licht werpen op wat meer mensen nu kunnen proberen met deze hulpmiddelen. Niet omdat iedereen hetzelfde pad zal bewandelen, maar omdat iedereen kan leren systemen te bouwen, testen, aansturen en verbeteren waarvoor ooit een hele organisatie nodig was.

Ik ga erachter komen – en kijken hoeveel één persoon nu daadwerkelijk kan doen.

Een paar dagen geleden kwam ik een bedrijf tegen met de naam Polsia.

Wat mijn aandacht trok was niet alleen wat het had gebouwd, maar ook hoe snel het het blijkbaar had gebouwd.

Oprichter Ben Cera lanceerde het bedrijf eind 2025. Binnen ongeveer zes maanden had hij $30 miljoen opgehaald tegen een waardering van $250 miljoen en zei hij publiekelijk dat het bedrijf een omzet van ongeveer $10 miljoen op jaarbasis naderde.

Dat is buitengewoon.

Maar wat mij het meest interesseerde was het product.

Van buitenaf leek het mij niet dat Polsia gebaseerd was op een onmogelijke technologische doorbraak. Een groot deel van de waarde leek voort te komen uit het benutten van mogelijkheden die steeds vaker voorkomen in systemen als Claude en deze bruikbaar maken voor mensen die geen inzicht willen krijgen in terminals, API’s, agenten, software-infrastructuur of hoe alle technische onderdelen in elkaar passen.

Het zou oneerlijk zijn om het louter een Claude-verpakking te noemen.

Het gebruiksvriendelijk maken van ingewikkelde technologie is op zichzelf al waardevol.

Zelfs de naam maakte deel uit van de grap. Polsia is “AI slop” achterstevoren. Cera leunde in die sfeer en bouwde een Instagram-account rond bewust absurde, door AI gegenereerde video’s. Sommige bereikten tientallen miljoenen views. Een link naar Polsia in de bio zette die aandacht om in verkeer.

Maar dat was precies de les.

Je hoeft niet noodzakelijkerwijs de onderliggende technologie uit te vinden. Je moet begrijpen wat het mogelijk maakt en dat omzetten in iets nuttigs.

Dat bracht mij tot een enigszins ongemakkelijke vraag.

Waar wacht ik precies op?

Ik heb veel tijd besteed aan het bestuderen van AI.

Onderzoek.

Automatisering.

Vibe-codering.

Agenten.

Websites.

Databases.

Bedrijfsmodellen.

Ik heb er ook over nagedacht om uiteindelijk een praktijkgericht AI-trainingsbedrijf op te richten voor ervaren leidinggevenden en ondernemers.

Maar voordat ik iemand leer hoe deze tools commercieel te gebruiken, wil ik zien hoe ver ik er zelf mee kan gaan.

Niet door naar demonstraties te kijken.

Door te bouwen.

Dus ik heb mezelf een uitdaging gesteld.

$ 250.000 in 90 dagen

Mijn doel is om AI te gebruiken, gecombineerd met de zakelijke ervaring die ik al heb, om de komende 90 dagen €250.000 aan nieuwe inkomsten te genereren.

Ik weet niet of ik daar kom.

Dat maakt het experiment interessant.

En ik ga iets anders doen dat een paar jaar geleden bijna absurd zou hebben geklonken.

Ik ga tegelijkertijd aan verschillende projecten werken terwijl ik mijn bestaande bedrijf blijf runnen.

Dat zou uiteindelijk het belangrijkste experiment kunnen worden.

Ik heb eigenlijk heel lang geleden leren programmeren

Er is één stukje achtergrond dat de moeite waard is om uit te leggen.

Ik ben geen software engineer, maar ik ben ook niet geheel onbekend met programmeren.

Ik leerde BASIS toen ik 13 was.

Later, in de jaren tachtig, schreef ik een optieprijsprogramma in BASIC op Windows.

En toen stopte ik feitelijk.

Het grootste deel van drie decennia heb ik niet serieus geprogrammeerd.

De technologie ging verder.

De softwareontwikkeling ging verder.

Het internet gebeurde.

Cloud computing is gebeurd.

Moderne databases zijn ontstaan.

Het is gebeurd.

API’s zijn gebeurd.

JavaScript-frameworks zijn gebeurd.

Alles rond softwareontwikkeling werd enorm geavanceerder.

Ik heb hier en daar een beetje Python opgepikt, maar vóór dit experiment had ik niet kunnen gaan zitten en zelf een serieus Python-project hebben gebouwd.

Dus als ik zeg dat ik een technische achtergrond heb, bedoel ik dat ook.

Ik begrijp logica.

Ik begrijp systemen.

Ik begrijp wat software kan doen.

Maar de moderne softwareontwikkeling was aan mij voorbijgegaan.

En toen deed AI iets onverwachts.

Het bracht me weer binnen.

Alleen word ik niet echt een programmeur

Dit is een van de vreemdste dingen die ik heb ontdekt.

Ik leer steeds meer over softwareontwikkeling, terwijl ik AI bijna alle code laat schrijven.

Dat klinkt tegenstrijdig.

Dat is niet zo.

Omdat het steeds meer mijn taak is om de code niet te typen.

Het is mijn taak om te begrijpen wat het systeem zou moeten doen.

Hoe de componenten moeten aansluiten.

Waar de gegevens moeten staan.

Hoe de applicatie zich moet gedragen.

Wat de gebruiker zou moeten ervaren.

Wat gebeurt er als iets mislukt.

Hoe beveiliging zou moeten werken.

Hoe de database moet worden gestructureerd.

Hoe de applicatie moet worden geïmplementeerd.

Hoe verschillende diensten moeten communiceren.

En hoe je kunt herkennen wanneer de AI het verkeerde heeft gebouwd.

Met andere woorden: ik kom steeds meer in de buurt van een softwarearchitect.

En ik denk dat dit een van de belangrijkste veranderingen kan zijn die AI teweegbrengt in de softwareontwikkeling.

De waardevolle vaardigheid kan in toenemende mate niet:

Kun jij elke regel code persoonlijk schrijven?

Maar:

Kun jij een goed systeem ontwerpen en de AI goed genoeg aansturen om het te bouwen?

Dat vereist een ander soort competentie.

Je moet software nog steeds begrijpen.

Mogelijk meer dan mensen zich realiseren.

Maar misschien hoef je niet langer elk mechanisch onderdeel van het maken ervan persoonlijk uit te voeren.

Ik zal daar later nog veel meer over schrijven, omdat het een van de belangrijkste lessen uit deze hele oefening is geweest.

Het eerste experiment: DarinOliver.com

Een van de eerste dingen die ik deed was de site bouwen die je aan het lezen bent.

DarinOliver.com was gedeeltelijk een oefening in het aanleren van moderne, door AI ondersteunde softwareontwikkeling.

Ik wilde een meertalig publicatieplatform waar ik kon schrijven over het bedrijfsleven, besluitvorming, technologie en wat ik leerde.

Dus ik heb het gebouwd.

Ik gebruikte Astro.

Ik heb meerdere talen toegevoegd.

Ik heb gesproken commentaar toegevoegd.

Ik heb de artikelarchitectuur gebouwd.

Ik heb de infrastructuur aangesloten.

Ik heb het ingezet.

De eerste versie duurde ongeveer 24 uur.

En hier is het deel dat mij nog steeds verbaast.

Het werkte onmiddellijk heel goed.

Dit was geen kapot prototype dat nauwelijks laadde.

De site geïmplementeerd.

De architectuur werkte.

Het meertalige systeem werkte.

Het publicatiesysteem werkte.

En ik had in ongeveer een dag iets gebouwd waarvan ik, nog niet zo lang geleden, had verwacht dat er een ontwikkelaar bij betrokken zou zijn, wekenlang heen en weer, specificaties, revisies, testen en waarschijnlijk een zinvol budget.

Natuurlijk ben ik het blijven verbeteren.

Maar het verbazingwekkende was hoe goed het eerste resultaat al was.

Dat veranderde mijn perceptie van wat mogelijk was geworden.

AI is ongelooflijk goed geworden in coderen

Er is nog iets dat mensen die deze systemen niet elke dag gebruiken, misschien niet op prijs stellen.

Het tempo van verbetering is buitengewoon.

Zelfs een jaar geleden konden AI-coderingstools erg nuttig zijn, maar ze maakten ook veel fouten.

Ze zouden de architectuur verkeerd begrijpen.

Breek dingen.

Bibliotheken bedenken.

Verlies de context uit het oog.

Creëer het ene probleem terwijl je het andere oplost.

Vandaag de dag is de ervaring dramatisch anders.

De huidige systemen zijn verbazingwekkend capabele programmeurs.

Ze maken nog steeds fouten.

Natuurlijk doen ze dat.

Maar geef een sterk model een goed gestructureerd probleem, voldoende context en duidelijke instructies, en het kan opmerkelijk snel een enorme hoeveelheid software van hoge kwaliteit produceren.

En het vermogen om fouten te debuggen is wellicht nog indrukwekkender.

Er gaat iets kapot.

Je laat de fout zien.

Het traceert het probleem.

Inspecteert de omringende code.

Vindt de afhankelijkheid of het architecturale conflict.

Repareert het.

Voert de tests uit.

Vindt iets anders.

Ook dit opgelost.

Soms kijk ik gewoon hoe het werkt en denk ik:

Dit is een machine.

Een absolute machine.

En het belangrijkste is dat deze verbetering ongelooflijk snel plaatsvindt.

Zelfs de tools waarover Ben Cera beschikte toen hij eind vorig jaar met Polsia begon, waren niet zo capabel als wat we vandaag de dag hebben.

Dat betekent dat de kans onder ons door beweegt terwijl wij deze proberen te begrijpen.

Mensen kijken naar wat zes of twaalf maanden geleden mogelijk was en gaan ervan uit dat dit bepaalt wat AI nu kan doen.

Dat is niet het geval.

Dat is een van de redenen waarom ik enige urgentie voel rond dit experiment.

Toen heb ik TallyPop gebouwd

Na DarinOliver.com wilde ik iets technisch veeleisends.

Een publicatiesite is één ding.

Ik wilde een echte applicatie bouwen met persistente gegevens.

Ik heb het probleem thuis gevonden.

Mijn zoon had moeite met de tafels van vermenigvuldiging.

Dus besloot ik iets voor hem te bouwen.

Dat werd TallyPop.app.

In eerste instantie ging het om een ​​aanvraag voor één kind.

Toen dacht ik:

Andere ouders moeten dit probleem hebben.

Dan:

Leraren vinden dit wellicht nuttig.

Dan:

Dit zou eigenlijk een commercieel product kunnen zijn.

In ongeveer 48 uur heb ik de applicatie gebouwd en geïmplementeerd.

Het had een database.

Volgen van gebruikersstatus.

Feedbacklussen ontworpen om te reageren op hoe een kind presteerde.

Meerdere talen.

Een functionerende webapplicatie.

En ik moest technologieën leren die ik nog nooit eerder persoonlijk had gebruikt.

Supabase.

Vercel.

GitHub.

Wolkenvlam.

Claude.

Codex loopt via Terminal op mijn MacBook.

Ik had GitHub nog nooit in mijn leven goed gebruikt.

Nu was ik er een database-ondersteunde applicatie mee aan het implementeren.

Nogmaals schreef AI het overgrote deel van de code.

Maar ik leerde wat alles deed.

Ik moest de architectuur begrijpen.

Ik moest begrijpen waarom de database zo verbonden was.

Ik moest authenticatie begrijpen.

Inzet.

Omgevingsvariabelen.

Takken.

Fouten.

Rechten.

En als er iets kapot ging, moest ik genoeg leren om te kunnen zeggen of de voorgestelde oplossing zinvol was.

Dat bedoel ik als ik zeg dat ik software-architect word.

TallyPop is nu live.

Ik ben van plan nog een aantal functies toe te voegen en deze vervolgens aan de leerkrachten hier in België te presenteren.

En dat introduceert het volgende probleem.

Omdat AI het bouwen aanzienlijk eenvoudiger heeft gemaakt.

Het heeft de noodzaak om klanten te werven niet geëlimineerd.

Ondertussen blijft Simply Alpha actief

Ik doe dit allemaal terwijl ik Simply Alpha Capital, LLC, mijn iGaming-adviesbureau, blijf runnen.

Mijn team maakt in het hele bedrijf al op grote schaal gebruik van AI.

We werken ook aan een apart project in de iGaming-sector dat zich momenteel in stealth bevindt.

Ik denk dat dit project uiteindelijk zeer waardevol zou kunnen worden.

Maar het telt niet mee voor deze uitdaging.

Gewone Simply Alpha-inkomsten ook niet.

Ik wil dat de regels schoon zijn.

De 250.000 dollar moet afkomstig zijn van de nieuwe projecten die ik publiekelijk ontwikkel als onderdeel van dit experiment.

Gewoon Alpha gaat verder.

Onze klanten gaan door.

Ons bestaande werk gaat door.

Het stealth-project gaat door.

En tegelijkertijd bouw ik deze nieuwe systemen.

Dat is een deel van wat ik probeer te testen.

Vervolgens heb ik AI in onderzoek omgezet

Een aanzienlijk deel van wat we bij Simply Alpha doen, vereist het bijhouden van de ontwikkelingen op het gebied van iGaming, sweepstakes gaming, crypto, voorspellingsmarkten, game-ontwikkeling, regelgeving, betalingen, marketing en aanverwante sectoren.

Er is een enorme hoeveelheid informatie.

Wetgeving.

Geschillen.

Regulerende activiteit.

Bedrijven die markten betreden en verlaten.

Betalingsontwikkelingen.

Productlanceringen.

Marketingactiviteit.

Transacties.

Concurrenten.

Dus begon ik te experimenteren met AI-onderzoek.

De resultaten waren buitengewoon.

Ik bouwde steeds geavanceerdere onderzoeksprompts en liet het systeem een ​​enorme hoeveelheid nuttige informatie verzamelen, ordenen en samenvatten.

Uiteindelijk liet ik Claude de uitvoer omzetten in een doorzoekbaar HTML-onderzoeksdocument.

Het was buitengewoon nuttig.

Maar ik besefte al snel dat ik eenvoudigweg een zeer geavanceerd handmatig proces had gecreëerd.

Ik moest het nog initiëren.

Ik moest het nog uitvoeren.

En als ik het niet uitvoerde, gebeurde er niets.

Dat bracht mij bij agenten.

Dit weekend: SweepsMonitor.com

Mijn volgende experiment is SweepsMonitor.com.

Ik ben van plan om dit weekend de eerste versie te bouwen en, als alles volgens verwachting verloopt, deze maandag of dinsdag operationeel te hebben.

Het zal zich specifiek richten op de ontwikkelingen op de Amerikaanse markt voor sweepstakes-gaming.

Maar de site zelf is bijna secundair.

Wat ik echt wil leren is of ik een agent op een virtuele privéserver kan inzetten en het hele systeem continu kan laten werken.

Een VPS is in wezen een computer die 24 uur per dag ergens anders draait.

De agent moet automatisch kunnen ontwaken.

Onderzoek.

Identificeer belangrijke ontwikkelingen.

Analyseer ze.

Produceer publiceerbaar materiaal.

En voer dat materiaal naar de site.

Dat betekent dat ik ga testen of ik een autonoom publicatiesysteem kan creëren.

Niet theoretisch.

Een echte.

Kan het continu draaien?

Kan het nieuws van lawaai onderscheiden?

Kan het nuttige inhoud genereren?

Kan het publiceren?

Kan het blijven werken als ik iets anders doe?

Dat is wat ik wil dat SweepsMonitor bewijst.

Dan wil ik de marketingagent bouwen

Zodra ik de onderzoeks- en publicatiearchitectuur heb bewezen, wil ik de distributie aanpakken.

Ik heb gezien hoe mensen door AI gegenereerde korte video’s gebruikten om buitengewone hoeveelheden verkeer te genereren op platforms zoals Instagram.

Wat mij interesseert is niet het kopiëren van bepaalde inhoud.

Het is het model.

Genereer creatieve variaties.

Test ze.

Observeer wat aandacht krijgt.

Leer.

Produceer meer.

Gebruik die aandacht om mensen ergens nuttig te maken.

Zodra SweepsMonitor bewijst dat ik een persistente agent kan inzetten en beheren, ben ik van plan een marketingagent te bouwen.

Het doel zal zijn om een ​​systeem te creëren dat in staat is ideeën te identificeren die de moeite waard zijn om te promoten, korte videoconcepten te ontwikkelen, scripts en creatieve middelen te produceren, berichten voor te bereiden en verkeer van platforms zoals Instagram naar een van de bedrijven te leiden die ik aan het ontwikkelen ben.

Ik verwacht dat dit systeem bijzonder nuttig zal worden voor Agentic Radar, wat ik in een later artikel zal uitleggen.

En dat brengt de architectuur dichter bij een complete commerciële machine:

Onderzoek → analyse → product → inhoud → publicatie → distributie → verkeer → klant

Als ik die stukken kan laten samenwerken, begint één persoon capaciteiten te krijgen waarvoor ooit een heel team nodig was.

Dit is het deel dat ik diepgaand vind

Denk tegelijkertijd na over wat ik aan het doen ben.

Ik gebruik Simply Alpha.

Mijn team ontwikkelt een afzonderlijk stealth iGaming-project.

Ik ga door met DarinOliver.com.

Ik ben TallyPop aan het verbeteren.

Ik bouw een AI-onderzoeksinfrastructuur.

Ik lanceer SweepsMonitor.

Ik zet een autonoom onderzoeks- en publicatiebureau in.

Ik ben van plan een marketingagent op te zetten.

En ik ben van plan Agentic Radar te ontwikkelen.

Traditioneel zou je naar die lijst kijken en zeggen:

Dat is te veel. Kies één ding.

En historisch gezien was dat waarschijnlijk een uitstekend advies.

Maar AI verandert de eenheidseconomie van menselijke inspanning.

Ik hoef niet elke regel code persoonlijk te schrijven.

Ik hoef niet elk verhaal persoonlijk te onderzoeken.

Ik hoef niet elke pagina handmatig te vertalen.

Ik hoef niet elk eerste concept persoonlijk te maken.

Ik hoef niet elk softwareprobleem persoonlijk op te lossen.

Ik hoef niet elk stukje marketinginhoud te creëren.

En steeds vaker hoef ik niet eens elke taak persoonlijk te initiëren.

De machines kunnen werken terwijl ik iets anders doe.

Dat maakt mijn aandacht niet onbeperkt.

Mijn oordeel blijft eindig.

Mijn vermogen om beslissingen te nemen blijft eindig.

En agenten kunnen spectaculaire fouten maken als ze slecht worden aangestuurd.

Maar de beperking is aan het veranderen.

De oude vraag was:

Hoeveel werk kan één persoon doen?

De vraag die opkomt is:

Hoeveel productieve systemen kan één persoon op intelligente wijze aansturen?

Dat vind ik diepgaand.

Bijna bovenmenselijke productiviteit

Mensen beschrijven AI als een hulpmiddel voor de productiviteit.

Ik denk steeds vaker dat die beschrijving te klein is.

Productiviteit betekent:

Vroeger had ik vier uur nodig om iets te doen en nu neem ik er één.

Dat is handig.

Maar wat ik ervaar voelt anders.

AI stelt mij in staat dingen te proberen die ik voorheen helemaal niet zou hebben geprobeerd.

TallyPop zou ooit hebben betekend dat ik ontwikkelaars moest inhuren voordat ik wist of iemand het wilde.

SweepsMonitor had mogelijk onderzoekers, schrijvers, ontwikkelaars, redacteuren en iemand nodig die de hele dag de markt in de gaten hield.

Voor een serieuze acquisitie van sociale media zijn mogelijk onderzoekers, scenarioschrijvers, ontwerpers, video-editors en marketingmensen nodig.

Nu kan één persoon op zijn minst proberen al deze mogelijkheden te orkestreren.

Dat begint bijna bovenmenselijk te voelen.

Niet omdat de persoon bovenmenselijk is geworden.

Omdat de persoon plotseling machines heeft.

En hoe capabeler deze machines worden, hoe belangrijker de menselijke rol verschuift naar architectuur, beoordelingsvermogen, smaak, strategie en richting.

Dat is misschien wel de echte vaardigheid die ik leer.

Niet hoe te coderen.

Hoe ik intelligente systemen kan aansturen die voor mij coderen, onderzoeken, publiceren, analyseren en uiteindelijk op de markt brengen.

Waarom ik dit doe voordat ik het lesgeef

Een voor de hand liggende manier om geld te verdienen met wat ik leer, is door het te onderwijzen.

Er is een zeer grote populatie ervaren leidinggevenden en ondernemers die hun bedrijf buitengewoon goed begrijpen, maar nauwelijks verder zijn gekomen dan het gebruik van ChatGPT om e-mails te schrijven.

Ik heb serieus nagedacht over het creëren van praktijkgerichte AI-onderwijs- en adviesdiensten voor die groep.

Waarschijnlijk wel.

Maar eerst wil ik kijken hoe ver ik zelf met deze tools kan gaan.

Ik wil praktische competentie op het gebied van AI-ondersteunde softwareontwikkeling, onderzoek, databases, automatisering, agenten, infrastructuur, contentproductie, marketing, klantenwerving en het genereren van inkomsten.

Omdat een AI-systeem iets indrukwekkends laten doen, niet hetzelfde is als het creëren van economische waarde.

De test is of iemand je betaalt.

Daarom hou ik van de 90-dagen uitdaging.

Het forceert de kwestie.

Wat telt

De regels blijven eenvoudig.

Inkomsten uit Simply Alpha tellen niet mee.

De inkomsten uit het afzonderlijke stealth iGaming-project tellen niet mee.

De 250.000 dollar moet afkomstig zijn van de nieuwe projecten die als onderdeel van dit experiment worden gebouwd of ontwikkeld.

Op dit moment betekent dat:

• TallyPop.app
• SweepsMonitor.com
• Agentische radar
• Alles wat nieuw is, rechtstreeks gemaakt via DarinOliver.com
• Al het andere dat ik de komende 90 dagen verzin

Het gaat er niet om bestaande inkomsten naar een andere emmer te verplaatsen en de overwinning uit te roepen.

Het is om te kijken wat ik vanaf hier kan creëren.

Het experiment

Dus de komende 90 dagen ga ik bouwen.

Implementeren.

Onderzoek.

Publiceren.

Markt.

Verkopen.

Automatiseer.

Breek dingen.

Repareer ze.

En laat zien wat er gebeurt.

Misschien verdien ik €250.000.

Misschien niet.

Maar steeds vaker is het geld niet eens het meest interessante deel van de uitdaging.

De grotere vraag is:

Hoeveel kan één persoon nu eigenlijk doen?

Hoeveel bedrijven kan één persoon testen?

Hoeveel producten kan één persoon bouwen?

Hoeveel software kan één persoon regisseren?

Hoeveel onderzoek kan één persoon begeleiden?

Hoeveel inhoud kan één persoon publiceren?

Hoeveel distributie kan één persoon creëren?

Hoeveel autonome systemen kan één persoon bedienen terwijl hij nog steeds een bestaand bedrijf runt?

Ik weet het niet.

Maar ik vermoed dat het antwoord dramatisch meer is dan de meeste mensen zich momenteel voorstellen.

Tot nu toe:

SimplyAlpha.com — actief.

DarinOliver.com — gebouwd en voortgezet.

TallyPop.app — gebouwd, live en gaat door.

AI-onderzoeksinfrastructuur — onderweg.

SweepsMonitor.com — dit weekend.

Autonome uitgeverij — volgende.

Marketingagent — daarna.

Agentic Radar — komt eraan.

En ik ben van plan ze parallel te laten lopen.

Dat zou uiteindelijk het echte verhaal kunnen zijn.

Niet dat AI één persoon sneller maakt.

Die AI maakt het mogelijk dat één persoon de architect wordt van een hoeveelheid productieve activiteiten waarvoor ooit een organisatie nodig was.

$250.000.

90 dagen.

Tijdens het runnen van het bedrijf dat ik al heb.

Laten we eens kijken wat één persoon nu kan doen.