Zo geef je je AI-agent de kennis van je bedrijf

De demo was indrukwekkend. Je AI-agent trok klantgegevens op, stelde een rapportage samen, gaf overal keurig antwoord. Drie weken later, in de echte omgeving met echte data, geeft dezelfde agent op maandag een ander antwoord dan op donderdag. Op dezelfde vraag. En niemand op de werkvloer weet welk van de twee klopt.

Dit is het punt waarop de meeste AI-projecten stilvallen. De agent werkt in de demo, maar zodra hij het echte werk in moet, blijkt hij je organisatie niet te kennen. Het kortste antwoord op de vraag waarom: het model is slim genoeg, maar het weet niet hoe jouw bedrijf werkt. Wat jullie onder een actieve klant verstaan, hoe een offerte wordt goedgekeurd, welke data de deur niet uit mag. Die kennis zit in de hoofden van je mensen en verspreid over losse systemen, niet in het taalmodel. Wie dat gat dicht, haalt een agent van de demo naar de productie. Wie het negeert, blijft steken in indrukwekkende pilots die niets opleveren.

Waarom een slim model alsnog de plank misslaat

Uit de State of AI in Business 2025 van MIT bleek dat 95 procent van de zakelijke AI-pilots geen meetbaar effect had op de winst- en verliesrekening, terwijl bedrijven er tientallen miljarden in staken. De onderzoekers zochten de oorzaak in een leergat: systemen die geen feedback onthouden en zich niet aanpassen aan hun omgeving lopen telkens tegen dezelfde muur.

Prukalpa Sankar, medeoprichter van databedrijf Atlan, heeft daar een scherpe verklaring voor. Een model dat via ChatGPT of Claude bij je systemen kan, mist de laag die een goede analist wél in zijn hoofd heeft. Het weet niet wat jouw cijfers betekenen, hoe je teams werken, hoe jouw bedrijf omzet definieert ten opzichte van de rest van de wereld. Zonder die laag gaat een agent gokken. En een gokkende agent hallucineert, verwart cijfers en overtreedt regels waarvan hij het bestaan niet kent.

Dat je medewerkers met een chatbot sneller mailen, betekent nog niet dat je organisatie er als geheel op vooruitgaat. Die winst verdampt zodra het werk gedeeld en herhaalbaar moet worden. We schreven eerder waarom persoonlijke tijdwinst nog geen organisatievoordeel is. Bij agenten die zelfstandig taken uitvoeren geldt precies hetzelfde mechanisme, alleen zijn de gevolgen groter.

Drie soorten context die je agent nodig heeft

Context klinkt vaag, dus het helpt om het op te splitsen. Sankar onderscheidt drie soorten, en die vertalen zich direct naar je eigen werkvloer.

1. Kennis: de kaart van je bedrijf. Wat betekent een klant, een product, omzet, een geëscaleerd dossier? Dit is de laag waarop een mens en een agent het eens moeten worden over wat woorden betekenen. Zolang sales en finance een andere definitie van omzet hanteren, kiest de agent er willekeurig één en presenteert die als de waarheid.

2. Expertise: hoe het werk echt gebeurt. De stappen van de maandafsluiting, hoe je een binnenkomende lead kwalificeert, wanneer je een supportvraag opschaalt. Deze kennis staat zelden ergens opgeschreven. Ze leeft in werkinstructies, in oude Slack-berichten en in het hoofd van de drie mensen die er lang genoeg werken om te weten waarom iets zo gaat.

3. Regels: wat mag. Welke klant welke korting krijgt, welke actie een menselijke goedkeuring vereist, welke data een land niet uit mag. Deze laag vertelt de agent niet wat waar is of hoe iets moet, maar wat is toegestaan. Juist hier gaat het mis als je hem overslaat, want een agent die de grenzen niet kent, gaat er overheen.

Met agenten telt een misser zwaarder dan met een chatbot

Een losse chatbot was vergevingsgezind. Die gaf één antwoord, een mens keek ernaar, de sessie was klaar. Was de context dun, dan bleef de schade beperkt. Een agent die meerdere stappen achter elkaar zet, taken doorgeeft aan andere agenten en zijn werk over sessies heen vasthoudt, is dat niet. De context moet elke stap overleven, elke overdracht en elke nieuwe dag.

Dat verklaart waarom een sales-agent en een finance-agent die aan hetzelfde account werken, dezelfde definitie van omzet moeten delen. Doen ze dat niet, dan loopt de hele keten vast. Dit is ook waar de vraag naar sturing binnenkomt: hoe houd je grip als steeds meer agenten door je systemen bewegen? We beschreven dat spanningsveld in het stuk over de twee AI-bewegingen die naast elkaar door je organisatie lopen. De koppeling tussen agent en systeem verloopt technisch steeds vaker via het Model Context Protocol, maar het protocol lost alleen de verbinding op. De inhoud van de context moet je zelf leveren.

Jouw context is het enige dat je concurrent niet kan kopiëren

Hier zit een kans die verder reikt dan het redden van één pilot. Je concurrent gebruikt straks hetzelfde model als jij. Dezelfde GPT, dezelfde Claude, tegen ongeveer dezelfde prijs. Wat je dan onderscheidt, is niet het model maar hoe jouw bedrijf werkt: hoe je omzet berekent, hoe je escalaties afhandelt, hoe je je cultuur in beslissingen vertaalt. Zoals Sankar het stelt, wordt context "het IP van bedrijven, de intelligentie niet."

Die redenering zagen we terug toen Satya Nadella pleitte voor een AI-stack waarin de bedrijfscontext bovenaan staat en de modellen uitwisselbaar zijn. Het vastleggen van jouw manier van werken is dus geen administratieve kostenpost. Het is het stuk eigendom dat een agent voor jóu laat werken en niet voor iedereen die hetzelfde abonnement afsluit.

Zo begin je zonder een heel dataplatform te bouwen

De grote voorbeelden komen van bedrijven als Mastercard en Workday, die een compleet contextplatform optuigen. Voor de meeste organisaties is dat niet de eerste stap, en gelukkig ook niet nodig. Je kunt kleiner beginnen en toch het principe te pakken krijgen.

Kies één afgebakend proces waar een agent waarde moet leveren. Leg voor dat proces expliciet vast wat de agent moet weten: de definities die jullie hanteren, de stappen die het werk doorloopt, de grenzen waarbinnen hij mag opereren. Behandel dat document niet als een eenmalige prompt maar als een levend stuk met een eigenaar, dat je bijwerkt als het werk verandert. Zet de agent daarna aan het werk op echte gevallen, kijk waar hij de fout ingaat en vul precies daar de ontbrekende context aan. Elke misser wijst je de weg naar een gat dat je nog moet dichten.

Dit is dezelfde volgorde die we klanten adviseren: eerst helder krijgen of een proces geschikt is en welke kaders gelden, dan pas opschalen. In de vijf vragen die je stelt voordat je een AI-project start werken we die eerste stap verder uit. De winst van deze aanpak is concreet: een agent die niet gokt maar antwoordt op basis van hoe jouw bedrijf echt werkt, en die met elke ronde een stukje bruikbaarder wordt.

De vraag om mee terug te nemen naar je team is simpel: als je twee agenten dezelfde vraag stelt, krijg je dan hetzelfde antwoord? Zo niet, dan heb je geen contextprobleem van morgen maar van vandaag. Wil je weten hoe zo'n aanpak er voor jouw organisatie uitziet? Plan een kennismaking in, we denken graag mee.