Het systeem moet weten wat het nodig heeft

Ik dacht lang dat meer context het antwoord was.

Meer informatie over de klant. Meer beslissingen opgeslagen. Meer brand voice-documentatie. Meer van alles. En een tijdje werkte dat ook — de output werd beter, specifieker, herkenbaarder.

Totdat een simpele nieuwsbrief vijf sessies kostte.

Hoe het vastliep

Na 170 sessies had ik per klant honderden bestanden opgebouwd. Sessielogs, brand voice, marktanalyse, campagnegeschiedenis, correcties, koerswijzigingen. Alles wat ik wist over een klant stond ergens. Keurig gedocumenteerd.

Het probleem: de AI laadde alles.

Als ik vroeg om een nieuwsbrief, zat het systeem te worstelen met informatie die er niet toe deed. Marktanalyse uit november. Campagnes die allang afgelopen waren. Beslissingen uit een heel andere context. De relevante informatie was er wel — maar begraven onder irrelevante informatie die even hard schreeuwde om aandacht.

Ik heb een nieuwsbrief herschreven. En herschreven. En nog een keer. Niet omdat de inhoud verkeerd was, maar omdat de focus niet klopte. De AI wist te veel, en niet het juiste.

Drie niveaus van context-gebruik

Als ik terugkijk op hoe mensen AI gebruiken — inclusief mijzelf, in de verschillende fases — zie ik drie niveaus.

Niveau 1 is hoe de meeste mensen beginnen: je vertelt de AI elke keer alles. “Ik werk voor klant X, ze verkopen Y, ze praten zoals Z, schrijf nu een nieuwsbrief.” Kost tijd. Je vergeet dingen. De output is zo goed als wat je die dag toevallig onthield uit te leggen.

Niveau 2 is wat ik bouwde: alles staat opgeschreven in bestanden. De AI leest die bestanden voor elke taak. Beter — veel beter zelfs. Maar het proces breekt als je genoeg hebt opgebouwd, want het systeem weet niet wat relevant is voor deze taak. Het laadt alles of het laadt niets.

Niveau 3 is wat ik zoek: het systeem weet zelf wat het nodig heeft. Als je zegt “schrijf een nieuwsbrief voor klant X”, laadt het systeem automatisch: brand voice klant X, recente campagnes, beslissingen van de afgelopen twee weken, tone-voorbeelden. Niet alles. Niet niets. Precies wat die taak nodig heeft.

Ik ben op niveau 2. Niveau 3 bestaat nog niet — in elk geval niet in de manier waarop ik het wil.

De goede medewerker als metafoor

Er is een technische naam voor wat ik zoek — declarative context resolution — maar die hoef je niet te kennen. Het idee is simpeler.

Denk aan een medewerker die drie maanden bij je werkt. De eerste week vraag je hem alles te lezen. Hij stelt vragen. Jij legt uit. De tweede week begint hij te begrijpen wat hij nodig heeft voor welke taak. Na drie maanden zeg je “maak het kwartaalrapport” en hij pakt de juiste map. Zonder uitleg. Zonder dat jij elke keer vertelt wat erin moet.

Dat is het verschil. Niet meer informatie geven. Niet minder informatie opslaan. Het systeem dat zelf weet: voor dit type taak hoor ik dit op te halen.

Wat ik nu heb is een medewerker met perfect geheugen die toch elke keer de hele archiefkast door wil pluizen. Goed bedoeld. Maar niet wat ik nodig heb.

Waarom dit het eigenlijke spel is

In een eerder artikel schreef ik dat context de moat is, niet tooling. Dat klopt nog steeds. Maar ik was er niet precies genoeg in.

De moat is niet de context zelf. De moat is het systeem dat weet wanneer welke context relevant is.

Want context opbouwen kan iedereen. Documenten schrijven, beslissingen vastleggen, brand voice uitschrijven — dat is werk, maar het is uitvoerbaar werk. Als je het lang genoeg doet, heb je een berg informatie over je klanten.

Maar als je systeem die berg elke keer op je afgooit, heb je een probleem opgelost en een groter probleem gecreëerd. Je hebt meer context, maar de AI verdrinkt erin.

Dit is ook de reden waarom “agents bestaan niet” nog een laag dieper gaat dan ik toen beschreef. Een agent is een configuratie — dat klopt. Maar een goede configuratie weet ook wat hij moet laden. Declaratieve context resolution maakt die configuraties pas echt krachtig. Zonder dat is het een slimme prompt met een vaste instructie.

Wat ik nu doe

Ik werk aan een systeem dat per taaktype beschrijft welke context relevant is. Een nieuwsbrief laadt andere bestanden dan een campagneplan. Een eerste contactmoment laadt andere informatie dan een follow-up na drie maanden samenwerking.

Technisch gezien: een mapping van taaktypes naar contextbronnen, die het systeem raadpleegt voordat het ergens induikt. Geen mens die dat elke keer specificeert. Het systeem doet het zelf.

Ik heb de architectuur. Ik heb de sessielogs om het te trainen. Ik heb de klantdata om het te testen.

Wat ik nog niet heb: een versie die consistent werkt.

Maar er is een richting die me hoopvol maakt. Het blijkt dat je niet de hele context hoeft te beschrijven — je hoeft alleen genoeg te beschrijven om te weten welke context geladen moet worden. Niet het boek. De cataloguskaart. En zo’n cataloguskaart past in 1024 tekens.

170+ sessies. Miljoenen woorden context. En misschien blijkt de oplossing 1024 tekens per taaktype te zijn.

Dat is nog niet bewezen. Maar het voelt voor het eerst als de juiste schaal.

En er is een tweede stuk van de puzzel. De cataloguskaart vertelt je wat voor context nodig is. Maar niet waar die zit voor deze specifieke klant. Dat antwoord zit in de verbindingen.

Elke klant is een knooppunt. Brand voice hangt eraan. Lopende projecten hangen eraan. Contactpersonen, systemen, beslissingen — allemaal verbonden. Als het systeem weet dat een nieuwsbrief brand voice, een draft en recente feedback nodig heeft, dan volgt het de verbindingen vanaf de klant naar die drie dingen. Meer klantkennis toevoegen is dan niet meer complexiteit — het is één verbinding erbij. De kaart groeit. De complexiteit niet.

Verbindingen tussen kennis zijn minstens zo belangrijk als de kennis zelf. Niet alles weten, maar weten hoe dingen samenhangen — dat is hoe je navigeert zonder te verdrinken.

Waarom ik dit schrijf terwijl het niet af is

Omdat het probleem reëel is, ook als je geen systeem van 170 sessies hebt.

Elke keer dat je de AI van context moet voorzien voordat hij kan beginnen, is dat bewijs dat het systeem de context niet kent. Elke keer dat de output klinkt als een generieke versie van wat je vroeg, is dat bewijs dat de verkeerde context geladen was — of helemaal geen.

De oplossing is niet de AI meer vragen. De oplossing is een systeem bouwen dat de vraag begrijpt en zelf weet wat het nodig heeft om goed te antwoorden.

Dat is het onopgeloste probleem. Voor mij, en voor vrijwel iedereen die serieus met AI werkt.

Ik ga je niet vertellen dat ik er ben. Maar ik weet tenminste waar ik naartoe rij.