In mijn behoefte aan meer overzicht ben ik gaan experimenteren met de MCP-server Puppeteer. Dit robotje houdt voor mij automatisch de statistieken van LinkedIn-posts bij.

(het enige nadeel aan Hey.com is dat ik geen videos kan embedden, dus even op de link onder dit plaatje klikken)

In dit korte filmpje zie je het in werking: Mijn MCP haalt data op van verschillende LinkedIn-pagina's, slaat ze op en geeft ze grafisch mooi weer.

Het systeem verzamelt automatisch cijfers van LinkedIn-pagina's en slaat deze op in een SQLite-database. Met Node.js draai ik op mijn computer een lokale webserver die de gegevens uitleest. In mijn browser heb ik een webpagina met JavaScript die de cijfers ophaalt en overzichtelijk weergeeft. Het mooie is dat ik er ook mee kan interacteren en berekeningen mee kan uitvoeren.

Blijkbaar heb ik slechts een beperkt aantal bouwstenen nodig om interessante dingen te doen met data die ik al heb. Dankzij Claude en MCP-Servers kan ik lokaal van alles ontwikkelen zonder veel moeite. De AI maakt de software en ik bepaal wat er moet gebeuren en hoe het eruit moet zien. De data verlaat mijn computer niet en AI doet alleen het denkwerk, niet het verwerken van mijn gegevens.

Voor dit soort projecten blijken steeds dezelfde elementen terugkomen. Gestructureerde data heb ik in overvloed dankzij YAML in mijn Obsidian-bestanden (hier schreef ik er meer over). HTML zorgt voor de opmaak, kleuren en knoppen zodat de output er grafisch aantrekkelijk uitziet, hoewel ik er weinig van begrijp. SQLite dient als kleine lokale database waar het robotje gegevens kan opslaan en terugvinden.

Node.js simuleert een lokale webomgeving, terwijl JavaScript ervoor zorgt dat websites veranderen van statische pagina's naar interactieve omgevingen. Wispr Flow gebruik ik als spraaksoftware zodat ik kan spreken met Claude Desktop in plaats van typen.

Vroeger zou ik bij het horen van termen als Node.js, databases en webservers het liefst wegrennen. Nu laat ik een AI-tool op mijn Mac hetzelfde in enkele seconden voor me regelen. Het resultaat ziet er naar mijn mening spectaculair uit en het bleek het begin van een nieuwe verkenning.

Dit succes bracht me op een idee. Zou ik mijn finance-parser die ik enkele weken geleden had gemaakt niet ook kunnen voorzien van zo'n interface? Ik beschik al over extreem gestructureerde financiële data, gepersonaliseerd naar mijn eigen behoeften. Deze data is rijker dan wat welke bank me ooit kan geven.

Als bankdata slechts zeven velden bevat (transactiedatum, rentedatum, bedrag, mijn rekening, tegenrekening, naam transactiepartij en omschrijving), waarom zou ik dan niet mijn eigen boekhoudsoftware kunnen maken die precies doet wat ik wil?

Toen begon het me te dagen. Zoals Felienne Hermans me al eerder deed inzien: IT is vaak nodeloos complex en vooral veel te duur. Een deel van het probleem ligt in ongestructureerde data. Maar dat is prima op te lossen en hoeft weinig te kosten. Het is vooral een kwestie van gedrag en aanpak.

Momenteel ben ik bezig met het ontwikkelen van mijn eigen boekhoudsoftware. Met mijn eigen logica maar wel op basis van harde data. De output is voor mij veel logischer dan die van Exact of andere dure software. Wat ik leer tijdens het maken is van enorme waarde en levert bouwstenen op voor nog interessantere projecten dan taken zoals boekhouden.

Zonder het schrijven van 📗 Starten met Obsidian was dit me niet gelukt. Het dwong me tot dieper nadenken over de rol van metadata in alles wat we met informatie doen.

Dit zou zomaar eens een hele grote ontwikkeling kunnen worden. Want als ik dit met mijn beperkte kennis en skills nu al kan, wat kunnen die honderdduizenden geeks dan over een paar maanden? 

Bye bye grote tech-bedrijven??