Stel je het volgende voor. Je opent een chatvenster: 1)Je typt een vraag. Hmmm...het antwoord is vaag. Niet fout maar oppervlakkig. Je herformuleert.... je voegt meer uitleg toe en nog steeds niet wat je zocht. Je sluit het venster en doet het zelf.
Dit scenario speelt zich elke dag af in organisaties die serieus met AI willen werken. De conclusie die mensen dan trekken is bijna altijd dezelfde: het model is niet goed genoeg of we moeten betere prompts schrijven.
Beide conclusies missen het punt.
Het probleem zit niet in hoe je de vraag stelt. Het zit in wat het model weet op het moment dat het jouw vraag beantwoordt. En dat is waar context engineering over gaat.
EénVan prompt engineering naar context engineering
Tot voor kort was prompt engineering het dominante begrip in de wereld van AI-toepassingen. De kunst van het formuleren. De juiste instructie. De slimme structuur van een verzoek.
Inmiddels is de praktijk verder. AI-onderzoeker Andrej Karpathy gaf dit fenomeen in 2025 een scherpere naam: context engineering. Zijn definitie is simpel: het is de kunst en wetenschap van het vullen van het contextvenster met precies de juiste informatie voor de volgende stap.
Prompt engineering gaat over de woorden die je naar een model stuurt. Context engineering gaat over alles wat het model verder kan zien op het moment dat het jouw vraag beantwoordt. De doelen van je organisatie. De definities die jij gebruikt. De beslissingen die al zijn genomen. De kennis die er wel toe doet maar nergens is opgeschreven.
Prompt engineering werkt op interactieniveau. Context engineering werkt op infrastructuurniveau.
Het verschil lijkt subtiel. In de praktijk is het het verschil tussen een AI die generieke antwoorden geeft en een AI die jouw specifieke situatie begrijpt.
"Het model is niet het probleem. Wat het model weet op het moment dat het antwoord geeft is het probleem."
TweeWaarom AI-projecten mislukken ondanks goede tools
Onderzoek naar organisaties die aantoonbaar waarde halen uit AI laat een consistent patroon zien. De winnaars bouwen geen losse oplossingen. Ze bouwen systemen. Systemen die bestaan uit technologie maar ook uit verbeterde datakwaliteit, aangepaste werkpraktijken en heldere verwachtingen.
De organisaties die achterblijven doen iets anders. Ze leggen AI over bestaande werkwijzen. Ze verwachten dat de tool de context zelf wel vindt. Ze ontdekken dan dat het model antwoorden geeft die kloppen voor een gemiddeld bedrijf. Niet voor hun bedrijf.
Een patroon dat we keer op keer terugzien: organisaties die anderhalf jaar nodig hadden om een AI-model te implementeren. Niet vanwege slechte technologie. Vanwege slechte context. Data verspreid over silo's. Maanden nodig om data te vinden en toegangsrechten te regelen. Eenmalige koppelingen die door andere teams niet konden worden hergebruikt.
Zodra diezelfde organisaties een uniforme datalaag bouwen en eigenaarschap over kennis beleggen bij hun bedrijfsdomeinen, daalt de doorlooptijd van maanden naar weken. Dezelfde modellen. Andere context. Een veelvoud sneller.
DrieDe werkwijze van TriadeTech is context engineering
Bij TriadeTech noemen we het het Digitaal Brein. Wat we daarmee bedoelen is een centrale kennislaag die beschikbaar is voor elke AI-agent, elke beslissing en elke volgende stap in de pijplijn.
Onze werkwijze bestaat uit zeven stations. Wie er goed naar kijkt ziet dat ze samen een ding doen: de juiste context opbouwen, bewaken en continu verrijken.
Station 1 en 2: het gesprek wordt context
Elk traject bij TriadeTech begint met een gesprek. Dat gesprek wordt opgenomen en getranscribeerd. Niet als archief. Als grondstof.
Wat gezegd wordt gaat het Digitaal Brein in: Doelen? Doelgroepen? Dossiers? Afwegingen? Twijfels? Alles wat normaal gesproken in hoofden blijft of in e-mails verdwijnt wordt nu blijvende context voor elk AI-systeem dat daarna wordt gebouwd.
Bedrijfskennis vertalen naar context die AI daadwerkelijk kan gebruiken. Niet in prompts die telkens opnieuw worden getypt. In een kennisfundament dat elke vraag beter maakt.
Praten is genoeg; dat is geen marketingslogan.... het is een architectuurkeuze.
Station 3: de criticaster bewaakt de kwaliteit van context
Meer context is niet altijd beter. Dit is de valkuil die we het vaakst zien bij organisaties die al een stap verder zijn. Ze hebben een kennislaag gebouwd. Ze blijven er bronnen aan toevoegen. En op een gegeven moment geeft het systeem antwoorden die niemand meer kan verklaren. De input is tegenstrijdig geworden.
De eerste keer dat we dit echt zagen was bij een traject waarbij een klant enthousiast drie jaar aan documentatie in het brein had gestopt. Vergaderingen. Notulen. Oudere beleidsversies naast nieuwe. Het systeem wist alles. Het begreep niets.
Een AI-agent die niet kan bepalen welke kennis in een situatie leidend is produceert output die niemand vertrouwt. Hetzelfde geldt voor de toolset. Als een medewerker niet kan zeggen welke tool wanneer ingezet wordt, kan een AI-agent dat ook niet. Houd de kennislaag zo smal en scherp mogelijk. Elke bron die je toevoegt moet een afgebakend doel hebben.
Daarom heeft TriadeTech de criticaster. Elke wens, elk idee, elk verzoek wordt getoetst voordat het de pijplijn ingaat. Welk probleem lost dit op? Voor wie? Is het bewezen? Hier valt ook een nee.
Die nee is geen obstakel. Het is kwaliteitscontrole op de context.
Station 5 en 7: agents voeren uit, mensen bewaken, gebruik verrijkt
In de bouwfase voeren AI-agents uit. Mensen toetsen. Dat is de juiste taakverdeling. Niet alleen vanwege kwaliteitscontrole. Ook omdat mensen iets zien wat het systeem niet ziet: of de output klopt met de werkelijkheid die de context beschrijft.
AI-fluency is weten wat je overdraagt aan een agent. Weten wat je controleert voor je handelt. Weten wanneer menselijk oordeel het overneemt. Agents hebben toegang tot de context in het brein. Mensen bewaken of dat brein de juiste werkelijkheid weerspiegelt.
Na de lancering komen gebruikssignalen terug naar station 2. Wat werkt? Welke functies worden genegeerd? Die signalen verrijken het brein. Elke maand worden de beslissingen scherper.
Het licht dooft nooit. Het voedt zichzelf.
De token-economie: context is eindig en kostbaar
Het contextvenster van een AI-model is eindig. Elke token die daarin zit is een keuze. Wat je erin stopt bepaalt wat het model kan zien. Wat je eruit laat bepaalt wat het mist.
Uit onderzoek blijkt dat 95% van datateams in 2026 wil investeren in context engineering. Niet omdat het een hype is. Maar omdat ze hebben ondervonden dat modelkeuze weinig uitmaakt als de context niet klopt. Ruim acht op de tien IT en data-leiders bevestigt dat prompt engineering alleen niet meer voldoende is voor AI op schaal.
Bij TriadeTech houden we de tokenkosten actief in de gaten. We sturen op AI-verbruik. We bouwen modelneutraal zodat wisselen van model een instelling is en geen herbouw. We zorgen dat prijsstijgingen van AI-leveranciers onze klanten niet gijzelen.
Dat is geen technische noot in de kleine lettertjes. Het is een architectuurprincipe dat bepaalt of een AI-systeem op de lange termijn beheersbaar blijft.
VierMens, Proces en Techniek in een pijplijn
Mens levert de kennis die context wordt. Dit is verreweg de zwaarst onderschatte pijler. Zonder betrokken mensen die vertellen wat er echt toe doet blijft een brein leeg. Zonder mensen die output toetsen verwildert het. De criticaster is een menselijke rol. De kwartaalreview is een menselijk ritme.
Wat we ook merken: de kwaliteit van het brein weerspiegelt de kwaliteit van de gesprekken die eraan voorafgaan. Organisaties die vaag zijn over hun doelen bouwen een vaag brein. Organisaties die scherp zijn over wat ze willen oplossen bouwen een systeem dat scherpe vragen kan beantwoorden. Die scherpte zit niet in de technologie. Die zit in de mensen die het gesprek voeren.
Zelfredzaamheid staat daarom expliciet in ons doelenregister. Niet als mooie gedachte maar als meetbaar eindpunt van elk traject.
Proces bepaalt hoe context wordt opgebouwd, bewaard en verrijkt. De zeven stations zijn geen stappenplan voor softwareontwikkeling. Ze zijn een procesontwerp voor contextbeheer. Elk station heeft een functie in de kwaliteit en continuiteit van de kennislaag. Dat procesontwerp is ook de reden dat een Vonk-gesprek geen vrijblijvende kennismaking is. Het is het begin van de contextlaag.
Techniek maakt context schaalbaar en toegankelijk. Het Digitaal Brein. De agents. De pijplijn. De monitoring. De terugkoppeling van gebruikssignalen. Een goede kok met het verkeerde recept maakt geen goed gerecht. De techniek is de keuken. Maar wat erin gaat bepaalt wat eruit komt.
"Context engineering is geen technisch concept. Het is de vraag: wat moet een AI-systeem weten om jouw situatie te begrijpen? En wie is daarvoor verantwoordelijk?"
VijfWat dit betekent voor jouw organisatie
De meeste organisaties starten met de verkeerde vraag. Welk model kiezen we? Welk platform?
De juiste eerste vraag is een andere. Welke kennis heeft een AI-systeem nodig om ons werk te begrijpen? Waar ligt die kennis nu? In hoofden? In e-mails? In Excel-bestanden die niemand meer bijhoudt? In processen die nergens zijn beschreven?
Dat is de context-inventaris. Die inventaris bepaalt meer dan welk model je kiest hoe goed het systeem uiteindelijk wordt.
Je hoeft niet alles tegelijk op orde te hebben. Context engineering is geen eenmalig project. Het is een doorlopend proces van opbouwen, toetsen en bijsturen.
Je begint met een gesprek. Dat gesprek wordt de eerste laag context. Die laag groeit met elk volgend gesprek. Met elk stuk feedback. Met elk gebruikssignaal dat terugkomt naar het brein.
Na zes weken staat er werkende software en een gevuld brein. Na zes maanden weet het systeem meer over jouw organisatie dan de meeste nieuwe medewerkers na een jaar.
Wil je zien hoe een Vonk-gesprek direct context wordt voor jouw eerste AI-systeem? Plan een Vonk-gesprek
Inzichten in dit artikel zijn mede gebaseerd op breed gepubliceerd onderzoek naar AI-adoptie en organisatievolwassenheid, augustus-september 2026.