Ik zag iemand live een AI-tuinontwerp-app bouwen
De achtertuin zag er verschrikkelijk uit. Bruine vlekken dood gras, een gebarsten betonnen terras en een schutting die bij de volgende stevige windvlaag als brandhout zou eindigen. Toen typte iemand "verbeter de tuinaanleg, maak het gras mooi en gezond" in een tekstveld — en binnen enkele seconden toonde dezelfde foto weelderig groen gazon, bijgesnoeide hagen en volwassen bomen met vol zomerblad.
Geen Photoshop. Geen designopleiding. Geen freelancer die €200 per ontwerp rekent.
Dit was een live demonstratie van een AI-tuinontwerp-app die volledig met Claude Code is gebouwd, en het deed me midden in het scrollen stoppen op dezelfde manier als een auto-ongeluk het verkeer doet stoppen. Niet omdat de technologie schokkend was — ik bouw al lang genoeg met AI-tools om indrukwekkende demo's te verwachten. Wat me deed stoppen was de volledigheid van het product. Foto-upload, omgevingsinstellingen, bewerkingen in natuurlijke taal, een bibliotheek met meer dan 500 AI-gegenereerde planten en videomorphing tussen voor- en na-situaties. Alles functioneel. Alles gebouwd tijdens een cursus die mensen leert om AI SaaS-producten te lanceren.
Ik heb het volgende uur elk onderdeel, elke workflowkeuze en elke technische beslissing in de demo ontleed. Dit is wat ik vond — en waarom ik denk dat deze aanpak voor het bouwen van AI-aangedreven SaaS-apps belangrijker is dan welke individuele functie dan ook.
Waarom een tuinontwerp-app de perfecte AI SaaS-casestudy is
De meeste AI SaaS-demo's tonen een chatbot. Of een tekstsamenvatter. Of een variatie op "plak je tekst en wij herschrijven het." Nuttig, zeker. Maar ze delen allemaal dezelfde beperking — het zijn dunne wrappers rondom een taalmodel-API, en ze zijn triviaal eenvoudig te klonen.
Een tuinvisualisatietool is anders. Het bevindt zich op het kruispunt van meerdere AI-mogelijkheden die oprecht moeilijk na te maken zijn: beeldbegrip, beeldgeneratie, omgevingscontext (seizoenen, weer, tijdstip), assetbeheer en videosynthese. Die combinatie creëert een productvoorsprong die een weekendhackathon niet kan reproduceren.
De doelgebruiker is ook duidelijk. Hoveniers die ontwerpen aan huiseigenaren moeten presenteren. Doe-het-zelvers die achtertuinrenovaties plannen. Makelaars die woningen voor verkoop voorbereiden. Dit zijn mensen die momenteel €150-€500 betalen per professioneel tuinontwerp — of uren worstelen in SketchUp om een terrasuitbreiding te visualiseren.
De docent achter deze cursus begreep iets dat de meeste AI-tutorials volledig missen: het moeilijkste deel van het bouwen van AI SaaS in 2026 is niet de technische implementatie. Claude Code handelt dat af. Het moeilijkste is het juiste probleem kiezen en de juiste ervaring ontwerpen rondom AI-mogelijkheden. Een tuinontwerp-app voldoet hier perfect aan, omdat de AI niet het product is — de visualisatie-ervaring is het product. De AI is slechts de motor eronder.
Dit onderscheid is belangrijk, en ik kom erop terug wanneer we bij de ontwerpbeslissingen komen. Maar laat me eerst uitleggen wat deze app daadwerkelijk doet — want de functionaliteit is geavanceerder dan het klinkt.
De functieset: van foto-upload tot videomorphing
Voor-en-na beeldverwerking
De app begint eenvoudig. Upload een foto van je achtertuin — de "voor"-situatie. De demo gebruikte een vrij standaard buitenwijk-achtertuin: vlekkerig gras, basale tuinaanleg, niets bijzonders. Vervolgens upload je een tweede foto, genomen vanuit een iets andere hoek, als basis voor het "na"-perspectief.
Waarom twee foto's vanuit iets verschillende hoeken? Dit is slim. Door twee echte foto's als ankerpunten te hebben, heeft de AI echte visuele referentiepunten voor het genereren van de morphingvideo later. In plaats van een camerabewerkking te hallicuneren vanuit één statische afbeelding, interpoleert het tussen twee echte perspectieven. Het resultaat is een video die aanvoelt alsof iemand daadwerkelijk door de ruimte liep, niet een goedkoop pan-en-zoom-effect.
Omgevingsinstellingen die daadwerkelijk werken
Hier wordt het productontwerp interessant. Voordat je AI-bewerkingen maakt, stel je omgevingsparameters in: tijdstip (ochtend, middag, gouden uur), seizoen (lente, zomer, herfst, winter) en weersomstandigheden (helder, bewolkt, mistig, regenachtig).
Dit zijn geen cosmetische filters die achteraf worden toegepast. Ze informeren het AI-generatiemodel over context. Wanneer je "zomerochtend" instelt en vraagt om "gezond gras met volwassen bomen," genereert het model gebladerte dat past bij de zomer — volle kruin, diepgroene bladeren, lange ochtendschaduwen. Schakel over naar "herfstmiddag" en dezelfde prompt produceert bomen met oranje en amberkleurige bladeren, andere schaduwhoeken en een warmere algehele kleurtemperatuur.
Ik heb te veel AI-beeldtools gezien die context als bijzaak behandelen. Deze app maakt het een eersteklas invoer, en de uitvoerkwaliteit weerspiegelt die beslissing.
Bewerken in natuurlijke taal — de kernloop
De bewerkingsworkflow is bedrieglijk eenvoudig. Typ wat je wilt in gewoon Nederlands. "Verbeter de tuinaanleg." "Voeg een ovaal zwembad toe met gestempeld beton." "Maak het gras mooi en gezond." De AI interpreteert de prompt, past de afbeelding dienovereenkomstig aan en retourneert het resultaat.
Wat dit meer maakt dan een verheerlijkte tekst-naar-beeld-generator is het iteratieve karakter. Je beschrijft niet het hele landschap in één prompt. Je bouwt het stap voor stap op — eerst gras, dan bomen, dan bestrating, dan waterpartijen. Elke bewerking behoudt de vorige wijzigingen. Het zwembad dat je twee prompts geleden hebt toegevoegd, is er nog steeds wanneer je om bloemperken rond het terras vraagt.
Deze iteratieve aanpak weerspiegelt hoe echte tuinontwerpers werken. Ze presenteren niet één statisch ontwerp. Ze leggen elementen laag voor laag, passen aan, krijgen feedback, passen weer aan. De AI-bewerkingsloop repliceert deze professionele workflow maar comprimeert uren rendering tot seconden typen.
De 500+ assetbibliotheek (aangedreven door Imagen 4)
Deze functie trok het meest mijn aandacht. De app bevat een uitgebreide assetbibliotheek met meer dan 500 afbeeldingen van specifieke planten, bomen, bloemen en landschapselementen — allemaal gegenereerd met Google's Imagen 4, dat in februari 2026 algemeen beschikbaar werd in de Gemini API.
In plaats van puur te vertrouwen op tekstprompts om te beschrijven wat voor soort klimplant je langs je schutting wilt, blader je door een visuele bibliotheek en selecteer je "Clematis" uit een gecureerde catalogus. Vervolgens schilder je het letterlijk op het huis met een penseeltool. De AI zorgt voor het mengen van de geselecteerde vegetatie in de bestaande afbeelding, waarbij belichting, perspectief en schaal worden afgestemd.
Deze ontwerpbeslissing lost een van de grootste problemen op met AI-beeldbewerking: gebruikers weten niet altijd de naam van wat ze willen. Ze 500+ opties tonen en laten aanwijzen-en-schilderen is dramatisch intuïtiever dan verwachten dat ze schrijven "voeg alstublieft Wisteria sinensis met paarse bloemen toe langs de oostelijk gerichte muur." Echte mensen praten niet zo. Ze wijzen en zeggen "ik wil die."
De Imagen 4-familie — die nu Imagen 4, Imagen 4 Fast en Imagen 4 Ultra omvat — ondersteunt uitvoer tot 2K-resolutie, waardoor deze bibliotheek-assets scherp genoeg zijn wanneer ze op hogeresolutiefoto's worden geschilderd. De snelheid van Imagen 4 Fast is hier bijzonder relevant. Wanneer een gebruiker in realtime verschillende planten doorbladt en bekijkt, tast elke milliseconde generatielatentie de ervaring aan.
Videomorphing: de showstopper
De finale van de demo was de videofunctie. Neem de voor-afbeelding. Neem de volledig bewerkte na-afbeelding. Genereer een video die ertussen morpht met een camera-orbieteffect.
Het resultaat: een 1080p-video die de achtertuin geleidelijk laat transformeren. Paden materialiseren zich. Het zwembad vult zich met water. Gras gaat over van bruine vlekken naar weelderig groen. De camera orbiteert langzaam naar links, wat een cinematische kwaliteit toevoegt die de transformatie fysiek laat aanvoelen in plaats van digitaal.
Is het perfect? Nee. De docent was hier eerlijk over — transitiebeheer is nog steeds ruw. In één generatie verscheen er onverwacht mist tijdens een transformatie met heldere lucht. De AI-videomodellen (waarschijnlijk gebruikmakend van iets in de Kling- of Veo-familie, gezien het huidige landschap van AI-videogeneratie in 2026) worstelen nog steeds met nauwkeurige controle over tussenliggende frames. Je kunt begin- en eindtoestanden definiëren, maar het pad ertussen heeft soms een eigen wil.
Dat gezegd hebbende — voor een verkooppraatje over tuinaanleg? Een animatie van padaanleg die 85% nauwkeurig is, is oneindig overtuigender dan een statische voor-en-na JPEG. De imperfecties doen er niet toe wanneer het alternatief helemaal geen video is.
Het UI-verhaal: van leeg canvas tot gepolijst product
Dit is het deel dat het meest bij me resoneerde als iemand die uitgebreid heeft geschreven over AI-ondersteunde designworkflows. De docent heeft de UI niet met de hand gemaakt. De initiële interface werd volledig door AI gegenereerd — en het begon ruw. Heel ruw. Een open canvas dat doet denken aan Figma's werkruimte, met elementen verspreid zonder duidelijke hiërarchie.
Toen kwam de iteratie. Met behulp van de Figma MCP-server — dezelfde bidirectionele brug tussen Claude Code en Figma die Figma en Anthropic officieel lanceerden in februari 2026 — verfijnde de docent progressief de interface. Duw de AI-gegenereerde lay-out naar Figma. Pas spacing, typografie en visuele hiërarchie aan. Trek het terug naar code. Herhaal.
Deze workflow bevestigt iets dat ik al maanden zeg: AI-gegenereerde UI is een startpunt, geen eindbestemming. De waarde zit niet in de eerste generatie — het zit in de snelheid van iteratie. Wat vroeger een ontwerper drie dagen wireframing en prototyping kostte, kost nu drie uur AI-generatie en menselijke verfijning.
De cursusfilosofie maakt dit expliciet: laat AI het initiële UI-ontwerp afhandelen zodat ontwikkelaars zich kunnen concentreren op productfunctionaliteit. Vecht niet tegen het eerste ontwerp van de AI. Accepteer het, verfijn het en besteed je creatieve energie aan de interacties en functies die je product daadwerkelijk onderscheiden.
Als je worstelt met precies dit probleem — functionele AI-apps die er generiek uitzien — heb ik specifieke technieken behandeld om door die barrière heen te breken in mijn designsysteemgids voor AI-apps. De tuinontwerp-app demo is een praktijkvoorbeeld van die principes in actie.
Wat dit leert over het bouwen van AI SaaS in 2026
De tuinontwerp-app is op zichzelf interessant. Maar de metales — datgene wat de cursus eigenlijk onderwijst — is belangrijker dan welke individuele functie dan ook. Laat me de principes uiteenzetten die ik uit het bekijken van deze demo heb gehaald.
Principe 1: AI maakt het technische deel eenvoudig. Designsmaak is de voorsprong.
Claude Code kan in minuten een functioneel foto-uploadcomponent genereren. Een API-aanroep naar Imagen 4 of het vision-endpoint van GPT-4o koppelen is een opgelost probleem. Deployen naar Vercel of Railway kost één commando.
Niets daarvan is nog je concurrentievoordeel.
Wat deze tuinontwerp-app onderscheidt van honderd weekendhackathonprojecten is het designdenken dat bovenop de AI-mogelijkheden is gelaagd. De omgevingsinstellingen. De penseel-en-schilder-interactie voor assets. De beslissing om een visuele bibliotheek te tonen in plaats van tekstprompts af te dwingen. De voor-en-na videofunctie die een hulpmiddel in een verkooptool transformeert.
Dit zijn geen technische beslissingen. Het zijn productbeslissingen. En ze vereisen iets dat AI je (nog) niet kan geven: de smaak om te weten wat juist aanvoelt en de discipline om te itereren totdat het klopt.
Principe 2: De assetbibliotheekstrategie is overal toepasbaar
Het genereren van 500+ gecategoriseerde assets met Imagen 4 en deze doorzoekbaar/schilderbaar maken is een patroon dat veel verder reikt dan tuinaanleg. Denk er eens over na:
- Interieurontwerp-app: 500+ meubels, stoffen en verlichtingsarmaturen. Schilder een nieuwe bank in je woonkamerfoto.
- Tatoeagevisualisatie: 500+ tatoeageontwerpen gecategoriseerd op stijl. Schilder er een op een foto van je arm. (Dit is letterlijk een ander studentenproject in dezelfde cursus.)
- Modestyling: 500+ kledingstukken. Bekijk hoe ze eruitzien op een foto van jezelf.
- Woningstyling voor verkoop: 500+ meubels en decorartikelen. Style een leeg pand virtueel.
Het patroon is: cureer een domeinspecifieke visuele bibliotheek met AI, bouw een schilder/plaats-interactie en laat AI de compositie afhandelen. De technische implementatie is vrijwel identiek in al deze verticals. De differentiatie is de curatie — weten welke 500 assets belangrijk zijn voor jouw specifieke doelgroep.
Principe 3: Workflowonderwijs verslaat technisch onderwijs
De cursus richt zich expliciet op workflow- en procesbeheersing in plaats van technische uitdagingen. Dit is de juiste keuze, en dit is waarom.
In 2024 vereiste het onderwijzen van iemand om een web-app te bouwen weken uitleg over React hooks, state management-patronen, API-authenticatiestromen en databaseschema's. De technische kennis was het knelpunt.
In 2026 kan Claude Code dat allemaal genereren vanuit een goed gestructureerde prompt. Het knelpunt is verschoven. Nu zijn de vragen die ertoe doen:
- Hoe besluit je welke functies je eerst bouwt?
- Hoe test je of gebruikers daadwerkelijk willen wat je bouwt?
- Hoe itereer je op een ontwerp zonder momentum te verliezen?
- Hoe scope je een product dat ambitieus genoeg is om waardevol te zijn maar gefocust genoeg om te lanceren?
Dit zijn workflowvragen, geen codeervragen. En ze zijn moeilijker te leren uit documentatie omdat ze oordeelsvermogen vereisen, niet alleen kennis. Een cursus die AI-aangedreven SaaS-bouwen onderwijst door de lens van workflowbeheersing leert de vaardigheid die er in 2026 daadwerkelijk toe doet.
Principe 4: Imperfecte AI-output lanceert sneller dan perfect handwerk
De videomorphing-functie heeft zichtbare imperfecties. Mist verschijnt wanneer het niet zou moeten. Transities verlopen niet altijd natuurlijk. Camera-orbieten produceren af en toe artefacten.
De docent lanceerde het toch.
Dit is een kritische mindsetverandering waar veel ontwikkelaars — vooral ervaren — mee worstelen. We zijn getraind om gepolijst, foutvrij werk op te leveren. Maar de berekening verandert wanneer AI 85% kwaliteitsoutput in 10 seconden kan produceren versus 100% kwaliteitsoutput die een menselijke VFX-artiest 4 uur kost.
Voor een hovenier die een huiseigenaar laat zien hoe hun achtertuin eruit zou kunnen zien? 85% is meer dan genoeg. De huiseigenaar beoordeelt geen VFX-kwaliteit. Ze stellen zich voor dat hun kinderen in dat zwembad spelen. Ze zien zichzelf op zomeravonden op dat nieuwe terras zitten. De emotionele impact van een enigszins imperfecte morphingvideo overtreft ruimschoots de rationele impact van een statische voor-en-na vergelijking.
Lanceer het imperfecte. Verbeter het later. Je gebruikers geven om de transformatie, niet om de overgangsframes.
Bouw je eigen AI-visuele SaaS: de praktische routekaart
Als deze demo je heeft geïnspireerd om iets vergelijkbaars te bouwen — of het nu in tuinaanleg is of een ander visueel domein — hier is de workflow die ik zou volgen op basis van wat ik heb gezien en zelf gebouwd.
Stap 1: Kies je visuele domein en valideer de vraag
Begin niet met technologie. Begin met een specifiek publiek dat momenteel geld betaalt voor visuele transformaties. Hoveniers die betalen voor ontwerpen. Interieurontwerpers die betalen voor stylingmodellen. Tatoeëerders die betalen voor klantvisualisaties. Makelaars die betalen voor virtuele woningstyling.
De validatievraag is simpel: besteden mensen momenteel €100+ per visuele output in dit domein? Zo ja, je hebt een SaaS-kans. Als ze €500+ besteden, heb je een sterke.
Stap 2: Genereer je assetbibliotheek
Gebruik Imagen 4 (via de Gemini API) om je domeinspecifieke assetcatalogus te genereren. Voor een tuinaanleg-app zijn dat planten, bomen, bloemen, bestratingsselementen, waterpartijen. Voor interieurontwerp zijn het meubels, stoffen, armaturen, kunst.
Organiseer ze in doorzoekbare categorieën. Genereer minimaal 200 assets verdeeld over 10-15 categorieën. De breedte van je bibliotheek correleert direct met hoe nuttig het product aanvoelt. Een bibliotheek met 50 generieke planten voelt als speelgoed. Een bibliotheek met 500 specifieke, benoemde variëteiten voelt als een professioneel hulpmiddel.
Pro-tip: Genereer elke asset op een transparante of eenkleurige achtergrond. Dit maakt de schilder/composietstap dramatisch eenvoudiger voor de AI. Consistente belichting in je assetbibliotheek is ook belangrijk — als de helft van je plantenafbeeldingen linkszijdige belichting heeft en de andere helft rechtszijdige, zal de compositie er niet kloppen.
Stap 3: Bouw de kernbewerkingsloop met Claude Code
Dit is waar Claude Code zijn waarde bewijst. De kernloop is:
- Gebruiker uploadt een foto
- Gebruiker stelt omgevingscontext in (tijd, seizoen, weer)
- Gebruiker typt een bewerking in natuurlijke taal of selecteert een asset om te schilderen
- AI verwerkt de bewerking en retourneert de aangepaste afbeelding
- Gebruiker itereert
Bouw eerst deze loop. Laat je niet afleiden door de videofunctie of social sharing of betalingsverwerking. De bewerkingsloop IS het product. Al het andere is verbetering.
Met Claude Code kun je het hele frontend — uploadcomponent, canvasviewer, tekstinvoer, omgevingsinstellingen, assetbrowser — in één uitgebreide sessie opbouwen. Ik heb vergelijkbare interfaces in minder dan twee uur gebouwd met Claude Code met Opus 4.6. De code is niet altijd fraai, maar het is functioneel, en je kunt de architectuur later verfijnen.
Als je liever iemand hebt die dit soort AI SaaS-opzet vanaf nul bouwt, neem ik aangepaste AI-ontwikkelingsprojecten aan. Je kunt zien wat ik heb gebouwd op fiverr.com/s/EgxYmWD.
Stap 4: Verfijn de UI met Figma MCP
Zodra het functionele prototype werkt, duw het naar Figma met behulp van de MCP-server. Dit is waar je overschakelt van ontwikkelaarsmodus naar ontwerpersmodus.
In Figma, focus op drie dingen:
- Visuele hiërarchie — zorg ervoor dat de afbeelding 70%+ van het scherm inneemt. De bewerkingsknoppen moeten secundair aanvoelen.
- Interactieduidelijkheid — de gebruiker mag nooit afvragen "wat moet ik nu doen?" De stroom van upload naar bewerking naar opslaan moet vanzelfsprekend zijn.
- Professionele afwerking — consistente spacing, doordachte typografie, een kleurenpalet dat "professioneel hulpmiddel" uitstraalt en niet "weekendhackathon."
Trek het verfijnde ontwerp terug naar code. Test het met iemand die geen ontwikkelaar is. Kijk waar ze in de war raken. Itereer.
Stap 5: Voeg de videofunctie toe (maar lanceer eerst zonder)
Videomorphing tussen voor- en na-situaties is de wow-factor. Maar het is ook de functie die je het meest waarschijnlijk frustreert met imperfecte output. Bouw het nadat het kernproduct solide is, niet ervoor.
Wanneer je er klaar voor bent, is de aanpak: stuur beide afbeeldingen (voor en na) naar een videogeneratiemodel dat beeld-naar-videotransities ondersteunt. Kling 3.0, dat in februari 2026 werd gelanceerd met native 4K-output bij 60fps, doet dit goed. Google's Veo 3.1 is een andere optie, bijzonder sterk voor fotorealistische output.
Vraag een kort fragment (3-5 seconden) met een subtiele camerabeweging — orbit of dolly. Houd de transities eenvoudig. Hoe dramatischer het verschil tussen voor en na, hoe harder het model moet werken om de kloof te overbruggen, en hoe waarschijnlijker je artefacten krijgt.
Stap 6: Vraag geld voordat je je er klaar voor voelt
Als de bewerkingsloop werkt en resultaten produceert die 80% zo goed zijn als een professioneel ontwerp, heb je een product dat geld waard is. Een tuinontwerp dat een hovenier €0,50 aan API-kosten en 30 seconden van zijn tijd kost, is €25-€50 waard als het alternatief een professioneel ontwerp van €200 is of een onhandige doe-het-zelfpoging in SketchUp.
Wacht niet tot de videofunctie perfect is. Wacht niet tot de assetbibliotheek 1.000 items bereikt. Wacht niet tot de UI designprijzen wint. Lanceer de kernwaarde — snelle, betaalbare tuinvisualisaties — en laat betalende klanten je vertellen wat je hierna moet bouwen.
De eerlijke beperkingen (wat de demo niet liet zien)
Ik zou je een slechte dienst bewijzen als ik alleen sprak over wat werkte. Hier is wat me opviel dat de demo overgeslagen of niet behandeld heeft.
Beeldconsistentie over meerdere bewerkingen is fragiel. Wanneer je vijf of zes opeenvolgende bewerkingen maakt, kan de afbeelding afdrijven. Het zwembad dat je bij bewerking twee hebt toegevoegd, kan subtiel van positie of stijl verschuiven bij bewerking zes. Dit is een fundamentele beperking van huidige beeldgeneratiemodellen — ze behouden geen echt 3D-begrip van de scène. Elke bewerking is een nieuwe generatie die probeert vorige elementen te bewaren maar daar niet altijd in slaagt.
Het probleem met videomorphing-controle is reëel. De demo toonde mist die verscheen bij een transformatie met heldere lucht. Dit is geen klein probleempje — het is een fundamentele uitdaging met huidige videosynthese-modellen. Je kunt punt A en punt B definiëren, maar het pad ertussen is probabilistisch. Voor marketing-kwaliteitsoutput moet je mogelijk drie of vier video's genereren en de beste kiezen. Dat voegt latentie en API-kosten toe.
Kwaliteit van assetcompositie varieert sterk per foto. Een goed belichte, hogeresolutiefoto van een achtertuin levert geweldige resultaten op. Een donkere, onscherpe telefonfoto levert op zijn best matige compositie op. De demo gebruikte schone, goed gecomponeerde foto's — wat slim is voor een demo maar niet representatief is voor de gemiddelde invoerkwaliteit van gebruikers.
API-kosten lopen snel op. Elke beeldbewerking, elke assetcompositie, elke videogeneratie raakt een API. Als je typische gebruikerssessie 8-10 bewerkingen plus een videogeneratie omvat, kunnen de API-kosten per sessie variëren van $2-$8 afhankelijk van de modellen en resoluties. Je prijsmodel moet hiermee rekening houden met gezonde marges, anders vernietigen zware gebruikers je unit economics.
Geen van deze is een dealbreaker. Het zijn technische problemen met technische oplossingen — caching, kwaliteitsvalidatie, invoervoorbewerking, gebruiksniveaus. Maar als je van plan bent iets vergelijkbaars te bouwen, weet er dan van voordat je begint, niet nadat je hebt gelanceerd.
Wat dit signaleert over AI SaaS in 2026
Zoom even uit van de tuinontwerp-app. Wat deze demo werkelijk vertegenwoordigt is de volwassenwording van een nieuwe categorie: AI-native verticale SaaS.
De eerste golf van AI SaaS was horizontaal — tools die iedereen helpen beter te schrijven, sneller samen te vatten of generieke afbeeldingen te genereren. ChatGPT-wrappers. Jasper-klonen. Die producten concurreerden op modelkwaliteit en prijs, wat betekende dat ze concurreerden op een dimensie die ze niet controleerden.
De tweede golf — wat we nu zien — is verticaal. AI-tools gebouwd voor specifieke industrieën met domeinspecifieke assetbibliotheken, workflows afgestemd op professionele use cases en output gekalibreerd op industriestandaarden. Een tuinvisualisatietool. Een tatoeage-preview-app. Een virtueel stagingplatform voor vastgoed.
Deze producten zijn moeilijker te bouwen omdat ze domeinkennis vereisen, niet alleen API-integratie. Je moet weten dat hoveniers verkopen met ontwerpen. Je moet weten dat huiseigenaren geven om seizoensnauwkeurigheid. Je moet weten dat 500 plantensoorten de drempel is tussen "speelgoed" en "hulpmiddel."
Die domeinkennis creëert een voorsprong die horizontale AI-producten niet kunnen oversteken. En het is een voorsprong die technische vaardigheid alleen niet kan bouwen. De cursus achter deze demo begrijpt dat. Het leert workflow, productdenken en iteratie — de vaardigheden die een AI-API in een bedrijf veranderen.
Eén voorspelling: tegen het einde van 2026 zullen de meest succesvolle AI SaaS-producten niet degene zijn met de beste modellen. Het zullen degene zijn met het diepste begrip van de visuele behoeften van één specifieke industrie. De tuinontwerp-app demo is vroeg bewijs dat deze these zich ontvouwt.
Veelgestelde vragen
Kan ik een AI-tuinontwerp-app bouwen zonder programmeerervaring?
Ja — tools zoals Claude Code en Replit handelen nu de technische implementatie af vanuit beschrijvingen in natuurlijke taal. De echte vaardigheid die nodig is, is productontwerp: weten welke functies ertoe doen, hoe je de gebruikerservaring opbouwt en wanneer je lanceert. Voor een stapsgewijze aanpak van bouwen zonder code, zie het vibe coding workflow-gedeelte hierboven.
Hoeveel kost het om een AI-beeldbewerkings-SaaS te draaien?
API-kosten per sessie liggen doorgaans tussen $2-$8, afhankelijk van het aantal bewerkingen en videogeneraties per gebruikerssessie. Imagen 4 Fast is het meest kosteneffectief voor assetgeneratie, terwijl videomorphing via Kling 3.0 of Veo 3.1 hogere kosten per verzoek heeft. Reken op 60-70% brutomarges bij een prijspunt van $25-$50 per render.
Welke AI-modellen sturen de beeldbewerking in tuinontwerp-apps aan?
De gedemonstreerde app gebruikt Google's Imagen 4-familie voor assetbibliotheekgeneratie, een multimodaal vision-language model voor beeldbewerking in natuurlijke taal, en een videosynthese-model (waarschijnlijk in de Kling- of Veo-familie) voor voor-en-na morphing. De Imagen 4-familie werd in februari 2026 algemeen beschikbaar via de Gemini API.
Is de Figma MCP-server noodzakelijk voor het bouwen van AI SaaS-apps?
Niet strikt noodzakelijk, maar het versnelt UI-verfijning dramatisch. De Figma MCP-server creëert een bidirectionele brug tussen Claude Code en Figma — duw AI-gegenereerde code naar Figma voor visuele bewerking, trek verfijnde ontwerpen terug als productiecode. Voor de volledige installatiehandleiding, zie mijn Claude Code en Figma MCP workflow-gids.
Hoe nauwkeurig zijn AI-gegenereerde tuinvisualisaties?
Huidige modellen produceren ongeveer 85% nauwkeurigheid vergeleken met professionele tuinontwerpen. Ze verwerken vegetatie, bestrating en omgevingsbelichting goed. Beperkingen omvatten consistentie-afdrijving over meerdere bewerkingen, onnauwkeurige videotransitiecontrole en variabele kwaliteit afhankelijk van de resolutie van de invoerfoto. Voor klantgerichte verkooppresentaties vinden de meeste hoveniers dit nauwkeurigheidsniveau voldoende.
Laten we samenwerken
Wilt u AI-systemen bouwen, workflows automatiseren of uw technische infrastructuur opschalen? Ik help u graag.
- Fiverr (op maat gemaakte builds en integraties): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (enterprise-oplossingen): ramlit.com
- ColorPark (ontwerp en branding): colorpark.io
- xCyberSecurity (beveiligingsdiensten): xcybersecurity.io
