Stel: je bent op zoek naar input voor een bedrijfspresentatie. Je weet dat het ergens staat, maar niet precies waar. In Confluence, op SharePoint of in een mail van drie maanden geleden. Of zit het toch gewoon in het hoofd van een collega? Je zoekt, je vraagt rond en uiteindelijk vind je drie verschillende documenten met contrasterende informatie. Herkenbaar?
Kennisversnippering is een van de meest ondermijnende krachten in hedendaagse organisaties.
Op het oog geen grote crisis, maar dagelijks wordt er veel tijd verloren aan het opnieuw uitvinden van het wiel. Ook worden er beslissingen genomen op basis van onvolledige informatie en loopt kennis de deur uit zodra een collega vertrekt. Context Engineering helpt om kennis uit verschillende bronnen zo te organiseren dat mens én AI op het juiste moment toegang hebben tot actuele en betrouwbare informatie.
Context Engineering
De reflex ligt voor de hand: alles naar één centrale plek. Maar dat is niet realistisch en niet noodzakelijk. Context Engineering gaat niet over hoe je alles gestructureerd opslaat in één systeem. De echte vraag is: ‘hoe zorg je dat de juiste, actuele en betrouwbare context beschikbaar is op het moment dat mens of AI die nodig heeft?’
Het is een vraagstelling met een enorme impact. Met de onderstaande vier stappen kan jij Context Engineering inzetten om meer uit AI te halen:
Antwoorden: AI vindt relevante informatie en geeft daar een gericht antwoord op
Leren: feedback en nieuwe inzichten verrijken de beschikbare context
Adviseren: AI gebruikt die context om voorstellen of aanbevelingen te doen
Handelen: AI kan met het juiste beleid en binnen afgesproken kaders bepaalde acties uitvoeren
Stap 1: Antwoorden
Wageningen University & Research stond voor een uitdaging die veel organisaties herkennen: informatie verspreid over tienduizenden webpagina's, een zoekfunctie die bij de zoekopdracht 'PhD' ruim 64.000 resultaten teruggaf en bezoekers die dan zelf maar moesten uitzoeken welk van deze resultaten relevant was. Hierdoor duurde het regelmatig te lang voor de bezoeker om het juiste antwoord op diens vraag te vinden.
Je had het vast al geraden: de oplossing ligt bij context. Om het beste antwoord te bieden, wordt de informatie per pagina uitgebreid geanalyseerd. Elk stuk tekst wordt:
opgeknipt op basis van contenttype: een onderzoekspagina vraagt een andere aanpak dan een blogpost
verrijkt met metadata: een pagina kan Hans en Grietje introduceren in de eerste alinea, maar daarna alleen nog spreken over 'hem' en 'haar'. Als die pagina wordt opgeknipt in losse stukken tekst, verliest elk stuk zijn context. Door AI de volledige pagina te laten lezen en namen als metadata toe te voegen aan elk tekstfragment, weet het systeem dat 'hem' hier verwijst naar Hans. Zoek je op ‘Hans’, dan verschijnt ook alle tekst die verderop over ‘hem’ gaat.
geïndexeerd op duizenden assen: elk stuk tekst wordt omgezet in getallen die de betekenis vastleggen. Neem twee assen: 'onderdak' en 'voertuig'. Een huis scoort hoog op onderdak, laag op voertuig. Een camper scoort punten op beide. In werkelijkheid worden er duizenden van dit soort assen gebruikt. Hierdoor kan het systeem op basis van betekenis bepalen hoe relevant de tekst is.
Daarnaast willen we het systeem voorzien met informatie over de doelgroep (wie stelt de vraag?) en helpen we deze doelgroep op weg met query-uitbreiding. Wanneer iemand bijvoorbeeld ‘open dag’ intypt, geeft het systeem voorstellen als: ‘wanneer is de open dag’ of ‘hoe schrijf ik me in voor de open dag’ als opties om de vraagstelling duidelijk te krijgen.
Het zijn extra vragen die erbij gegenereerd worden om een rijker antwoord te geven op de zoekterm "open dag". Op basis van al deze context kan de zoekmachine iedere bron van informatie herschikken om alleen de relevantste antwoorden met de bezoeker te delen.
Stap 2: Leren
Elke conversatie met AI is een bron van nieuwe context. Wie op de website van Wageningen University & Research zoekt op 'open dag', stelt eigenlijk meerdere vragen: wanneer is dit? Hoe schrijf ik me in? Waar is het?
Die nuance leert het systeem uit gesprekken, zonder dat de gebruiker er iets van merkt. AI kan patronen herkennen over meerdere gesprekken en daarmee de contextlaag doelgerichter verrijken. Zo probeert de AI in te schatten wie de vraag stelt en op welk moment in de user journey diegene zit om relevantere antwoorden te bieden.
Hetzelfde principe zet je ook intern in, als company brain: één toegangspunt voor de kennis die al in je organisatie zit. Projectupdates, notulen, besluiten die via de mail zijn gecommuniceerd – allemaal doorzoekbaar en beschikbaar voor het hele team. Kennis hoeft niet op één plek te staan om altijd vindbaar te zijn.
Denk ook aan het moment dat een collega vertrekt. Iemand met jarenlange projectervaring neemt bij vertrek een enorme hoeveelheid contextuele kennis mee. Met een company brain verdwijnt die kennis niet. Door belangrijke projectkennis, besluiten en leermomenten structureel vast te leggen, blijft meer van die kennis beschikbaar wanneer een collega vertrekt.
Stap 3: Adviseren
Voor deze stap pakken we er een ander voorbeeld bij: een kindercentrum heeft een klein team dat handmatig bijhoudt of externe wet- en regelgeving invloed heeft op het eigen beleid. Websites monitoren, signalen verzamelen, relevante documenten opsporen en aanpassen: een tijdrovend en foutgevoelig proces, waarbij een werkplek makkelijk volraakt met tientallen sticky notes.
Met de juiste contextlaag neemt AI dit grotendeels over:
Ophalen: continu informatie verzamelen uit externe publieke bronnen
Beoordelen: bepalen of een signaal impact heeft op bestaande beleidsdocumenten
Opzoeken: de relevante documenten identificeren
Adviseren: wijzigingen voorstellen in de eigen tone of voice van de organisatie
De medewerker staat niet meer aan het begin van het proces, maar aan het einde: denk aan controleren, bijsturen en goedkeuren. AI adviseert, de mens beslist.
Hoe zet je dit zelf in voor jouw organisatie? Kijk naar processen waarin medewerkers veel tijd besteden aan het verzamelen en vergelijken van informatie voordat ze een beslissing nemen. Juist daar kan AI een eerste analyse of voorstel doen, terwijl de uiteindelijke beoordeling bij een medewerker blijft.
Stap 4: Handelen
De vierde stap is de meest vergevorderde. AI voert acties daadwerkelijk uit. Dat gebeurt niet autonoom, maar binnen duidelijk gedefinieerde kaders en met de juiste randvoorwaarden op zijn plek. Die randvoorwaarden zijn niet optioneel. Correct handelen is pas mogelijk als de vorige drie stappen goed zijn ingericht. Belangrijke zaken zijn bijvoorbeeld:
een permissielaag: die bepaalt exact welke acties de agent mag uitvoeren (en welke niet)
een human-in-the-loop: een medewerker die aan het einde van het proces staat om te controleren, goed te keuren of bij te sturen
een vertrouwensbasis: opgebouwd via de voorgaande stappen, want je laat een agent pas handelen als je eerst hebt gezien hoe hij antwoordt, leert en adviseert
Dat vertrouwen bouw je niet in één dag. Het groeit naarmate de contextlaag rijker wordt en het systeem zich bewijst.
Waar kan je nu zelf mee beginnen?
Identificeer wat veel tijd kost. Waar verliest je team uren aan (uit)zoeken, rapporteren of analyseren? Daarna kan je het proces structureren. Het werkproces moet begrijpelijk zijn, want AI versterkt een goed proces maar repareert geen slecht proces. Bepaal daarna pas waar AI ingezet kan worden. Welke stap, antwoorden, leren, adviseren of handelen, sluit aan op jouw situatie en ambitieniveau?
Een eerste toepassing hoeft niet groot te zijn. Kies één afgebakend proces waarin betrouwbare context aantoonbaar verschil kan maken en bouw vanuit daar verder. Dat kan AI Search, een company brain of een andere toepassing zijn die ondersteunt met antwoorden, leren, adviseren of handelen.
Onthoud dat informatie beschikbaar maken op zichzelf niet genoeg is. Kijk ook wie verantwoordelijk is voor de bron, hoe je informatie actueel houdt en welke bronnen AI wel of niet mag gebruiken. De kwaliteit van het antwoord blijft afhankelijk van de kwaliteit van de context die je beschikbaar stelt.
De basis bepaalt het plafond
Wil je onderzoeken wat Context Engineering voor jouw organisatie kan betekenen? Dan helpt het om eerst te kijken naar je huidige informatiebronnen, processen en AI-ambities. Zo wordt duidelijk welke context je nodig hebt en waar een eerste toepassing de meeste waarde kan opleveren.
Voor organisaties die dit willen aanpakken, bieden wij Bonzai aan: ons unified AI-platform voor integraties, governance en AI-orkestratie. Dit is de infrastructuur om die contextlaag schaalbaar, compliant en gecontroleerd op te bouwen.
