Context voor de context

Iedereen die serieus met AI werkt, leert vroeg of laat hetzelfde: context is alles.

Geef de AI meer context en de output wordt beter. Dat klopt. Dat heb ik zelf bewezen, honderden keren. Maar ergens in de afgelopen maanden stuitte ik op iets waar ik niet op gerekend had.

Meer context loste mijn probleem niet op. Het verschoof het.

Niveau 1: de meeste mensen

Als je ChatGPT gebruikt, plak je tekst in een leeg venster. De AI weet niets over jou, je bedrijf, je klanten, je tone of voice, wat je vorige week besloten hebt.

De output is dan ook precies zo: generiek. Bruikbaar als startpunt. Maar je herkent jezelf er niet in. Je past het aan, je schrijft de helft over, je denkt: “dit scheelt tijd maar veel is het niet.”

Dat is niveau 1. De AI weet te weinig.

De logische reactie — en de juiste — is: meer context toevoegen. Custom instructions inrichten. Een projectmap aanmaken. Brand voice documenteren. En inderdaad: de output wordt beter. Merkbaar beter. Je begint te begrijpen waarom mensen hier enthousiast over zijn.

Niveau 2: waar ik terechtkwam

In de afgelopen maanden heb ik 170+ sessies gedraaid met mijn AI-team. Elke klant heeft een eigen orbit — een verzameling bestanden met wie ze zijn, wat ze verkopen, hoe hun markt eruitziet, wat er de afgelopen weken is veranderd. Elke sessie voegt context toe. Beslissingen worden opgeslagen. Correcties worden geregistreerd. Brand voice, tone voorbeelden, eerder afgewezen ideeën, lopende campagnes.

Na verloop van tijd had ik honderden bestanden. En de output was beter. Echt beter.

Totdat ik een nieuwsbrief moest schrijven voor een klant in de vastgoedsector.

Een simpele nieuwsbrief. Drie woningen uitlichten, de stem van de eigenaar, één duidelijke call-to-action. Eerder had ik zoiets in één sessie afgerond. Nu kostte het vijf sessies om tot een goedgekeurde versie te komen.

Niet omdat de AI dom was. Maar omdat hij verdronk.

De orbit van de vastgoedklant bevat op dit punt de complete bedrijfsgeschiedenis, expo-rapporten, klantgesprekken, campagneplannen, projectbeschrijvingen, beslissingen van drie maanden geleden, correcties die ik gaf op heel andere taken. Allemaal context. Allemaal relevant — in een andere situatie.

Voor die nieuwsbrief? Ruis.

De AI begon te wegen. Moet ik rekening houden met de expo van vorige week? Met de campagne die parallel loopt? Met de klant die drie weken geleden afhaakt? Hij laadde alles in, probeerde alles te betrekken, en produceerde output die technisch klopte maar nooit precies juist was. Elke correctie die ik gaf bracht nieuwe context mee die hij dan ook weer probeerde te verwerken.

Vijf sessies voor één nieuwsbrief. Dat is geen AI-probleem. Dat is een architectuurprobleem.

Het probleem verschuift

Dit is wat ik niet had zien aankomen.

Op niveau 1 is het probleem: de AI weet te weinig.

Op niveau 2 is het probleem: de AI weet te veel en weet niet wat nu relevant is.

Die twee problemen lijken op elkaar maar zijn fundamenteel anders. Het eerste los je op door meer context toe te voegen. Het tweede los je daar niet mee op — je maakt het juist erger.

In “Context is de moat” schreef ik dat context je concurrentievoordeel is, niet tooling. Dat klopt nog steeds. Maar het is niet het volledige verhaal.

De moat is niet de bibliotheek. De moat is de catalogus.

Een bibliotheek met 10.000 boeken is waardeloos als je niet weet in welk rek je moet zoeken. De boeken zijn er. De kennis is er. Maar zonder structuur kosten ze meer tijd dan ze opleveren. Meer boeken toevoegen maakt het alleen maar erger.

Wat je nodig hebt is een catalogus — een systeem dat weet welke boeken relevant zijn voor welke vraag, op welk moment.

Dat is context voor de context.

Wat dit concreet betekent

In “Agents bestaan niet” legde ik uit dat agents configuraties zijn, geen entiteiten. Ze krijgen context mee, en die context bepaalt hun gedrag. Dat is precies het punt.

Als je niet nadenkt over welke context een agent meekrijgt voor welke taak, dan gooi je alles in de la en hoopt dat hij zelf uitzoekt wat relevant is. Soms lukt dat. Bij eenvoudige taken, bij weinig context, bij een scherpe vraag.

Maar naarmate je systeem groeit — meer klanten, meer sessies, meer beslissingen, meer bestanden — wordt die aanpak steeds broser. Elke keer dat je meer context toevoegt omdat de output niet goed was, vergroot je het probleem dat je probeert op te lossen.

Het is als meer water in een lekkende emmer gieten. Op korte termijn houdt hij het niveau. Op lange termijn heb je een emmer vol gaten.

Hier zit ik nu. Ik heb een systeem gebouwd dat goed werkt op niveau 1 en beter dan gemiddeld op niveau 2. Maar ik ben bezig met de overgang naar niveau 3: niet meer context toevoegen, maar context contextualiseren.

Welke informatie is relevant voor een nieuwsbrief-taak? Welke voor een strategische beslissing? Welke voor een klantgesprek? Dat zijn drie verschillende contexten, en ze overlappen maar gedeeltelijk.

Drie niveaus, één vraag

Als je niveau 1 herkent — weinig tot geen vaste context, de AI weet steeds opnieuw niets over je situatie — dan is het antwoord inderdaad: begin met context opbouwen. Brand voice documenteren. Klantprofielen aanmaken. Beslissingen opschrijven. Dat maakt een merkbaar verschil en het is de juiste eerste stap.

Als je niveau 2 herkent — veel context opgezet, maar sessies worden trager, de AI dwaalt af, je corrigeert steeds op dezelfde dingen, één taak die eerder snel ging kost nu ineens drie sessies — dan is meer context niet het antwoord. Het probleem is niet de hoeveelheid. Het is de structuur.

De sprong van niveau 2 naar niveau 3 is geen data-probleem. Het is een architectuurprobleem. Je hebt niet meer bestanden nodig. Je hebt een systeem nodig dat bepaalt welk bestand wanneer geladen wordt.

Hoe dat systeem er precies uitziet, werk ik nog aan. Dat is het eerlijke antwoord.

Maar de vraag — wanneer is welke context relevant? — is de vraag die ik de komende tijd centraal zet. Want het is een andere vraag dan “hoe bouw ik meer context op.” En als je hem niet stelt, bouw je een bibliotheek zonder catalogus.

Dat is precies wat ik gedaan heb.