Een paar jaar geleden draaide alles om de juiste vraag stellen aan AI. Wie de slimste formulering vond, kreeg het beste antwoord. Dat tijdperk loopt op zijn einde, en er is iets anders voor in de plaats gekomen.
Context engineering is het ontwerpen van de volledige informatieomgeving waarin een AI werkt, zodat het model op het juiste moment de juiste gegevens, instructies en hulpmiddelen tot zijn beschikking heeft. Niet de vraag zelf staat centraal, maar alles eromheen: welke bedrijfsdata het model mag inzien, welke regels het volgt, welke systemen het mag raadplegen en wat het zich herinnert van eerdere stappen.
Voor jou als ondernemer betekent dit een verschuiving in hoe je naar AI kijkt. De vraag is niet langer "hoe formuleer ik mijn opdracht slim", maar "heeft de AI toegang tot de juiste informatie om mijn werk goed te doen". Dat is een fundamenteel verschil, en het bepaalt of AI in jouw bedrijf betrouwbaar werkt of geregeld de plank misslaat.
Wat is context engineering precies?
Om context engineering te begrijpen, helpt het om eerst het verschil met prompt engineering helder te krijgen. Een prompt is de vraag of opdracht die je aan een AI geeft. "Schrijf een offerte voor klant X" is een prompt. Hoe je die vraag formuleert, hoeveel detail je geeft en welke voorbeelden je meestuurt, dat is prompt engineering. Handige prompt engineering tips blijven nuttig, maar ze zijn niet langer het hele verhaal.
Context engineering kijkt naar de hele omgeving rond die vraag. Het model krijgt niet alleen je opdracht, maar ook een zorgvuldig samengestelde bundel informatie die het nodig heeft om de opdracht goed uit te voeren. Die context bestaat uit meerdere onderdelen die samen het werkgeheugen van de AI vormen.
Context omvat doorgaans het volgende:
- Systeeminstructies: de vaste regels en rol van de AI. Wie is het, wat mag het wel en niet, in welke toon antwoordt het, en welke grenzen gelden er. Dit is de basis die voor elke vraag geldt.
- Opgehaalde bedrijfsdata: relevante informatie uit jouw eigen systemen die op het juiste moment wordt aangereikt. Denk aan klantgegevens, prijslijsten, handleidingen of eerdere offertes. Dit gebeurt vaak via een techniek die retrieval-augmented generation, oftewel RAG heet.
- Hulpmiddelen die het model mag gebruiken: systemen en acties die de AI kan aanroepen, zoals je agenda, je CRM of een rekenfunctie. Hoe je die koppelingen veilig regelt, gebeurt steeds vaker via een standaard als het model context protocol, kortweg MCP.
- Geheugen van eerdere stappen: wat er eerder in het gesprek of het proces is gebeurd. Zonder geheugen begint een AI bij elke stap weer met een schone lei, wat in een werkproces met meerdere handelingen onbruikbaar is.
- Goede voorbeelden: concrete voorbeelden van hoe een goed antwoord eruitziet. Een paar voorbeelden van perfect ingevulde offertes leren het model meer dan een lange beschrijving in woorden.
De prompt is hierbij nog steeds aanwezig, maar als één onderdeel van een veel groter geheel. Je formuleert nog steeds een vraag, alleen werkt die vraag binnen een omgeving die jij of je partner bewust hebt ingericht.
Waarom is prompt engineering niet meer genoeg?
De grens van prompt engineering is in de praktijk snel bereikt. Je kunt een vraag nog zo slim formuleren, als het model de juiste gegevens niet kent, blijft het gissen. Een perfect geformuleerde vraag over de openstaande facturen van een klant levert niets op als de AI die facturen niet kan inzien.
Dat besef is breed doorgedrongen. Onderzoek in 2026 laat zien dat ongeveer 82 procent van de IT- en dataverantwoordelijken vindt dat prompt engineering op zichzelf niet meer volstaat om AI op schaal in te zetten. De knelpunten zitten niet meer in de formulering, maar in de bedrijfsdata en de context eromheen. Betrouwbaarheid komt voort uit een goede architectuur, niet uit een handige woordkeuze.
Dit is een belangrijke verschuiving om te begrijpen. Toen iedereen nog dezelfde algemene AI-modellen gebruikte, was de formulering een van de weinige knoppen waar je aan kon draaien. Maar de echte waarde voor een bedrijf zit in de eigen, unieke gegevens: jouw klanten, jouw processen, jouw kennis. Wie die data goed ontsluit voor de AI, heeft een voorsprong die met geen enkele slimme prompt te evenaren is.
| Prompt engineering | Context engineering | |
|---|---|---|
| Focus | De formulering van de vraag | De volledige informatieomgeving |
| Wat je stuurt | De tekst van je opdracht | Instructies, data, tools, geheugen en voorbeelden |
| Schaalbaarheid | Moeilijk: elke taak vraagt om nieuw handwerk | Goed: een ingerichte omgeving werkt voor veel taken |
| Betrouwbaarheid | Wisselend, sterk afhankelijk van de formulering | Hoger, omdat het model gegrond is in echte data |
| Wie doet het | Vaak de eindgebruiker zelf | Een partner of team dat de architectuur ontwerpt |
De tabel maakt duidelijk waarom de aandacht verschuift. Prompt engineering blijft een nuttige vaardigheid voor losse taken, maar het schaalt slecht. Zodra je AI structureel in je bedrijf wilt inzetten, voor klantenservice, offertes of rapportages, heb je een doordachte omgeving nodig die niet bij elke taak opnieuw met de hand wordt opgebouwd.
Hoe maakt context engineering AI betrouwbaar?
De grootste klacht over AI is dat het soms met overtuiging onzin produceert. Een model verzint een prijs, een datum of een beleidsregel die er nooit is geweest. Dat fenomeen heet hallucineren, en het is precies waar context engineering een groot verschil maakt. Wie meer wil weten over hallucinaties en de betrouwbaarheid van AI, vindt daar de achtergrond.
De kern van de oplossing is grounding: het model verankeren in echte gegevens. In plaats van het model te laten antwoorden uit zijn eigen, vage trainingsgeheugen, geef je het via retrieval de relevante feiten uit jouw systemen mee. De AI antwoordt dan niet op basis van wat het ooit ergens heeft gezien, maar op basis van jouw actuele prijslijst, jouw handleiding of jouw klantdossier. Het verschil in betrouwbaarheid is groot.
Een voorbeeld maakt het concreet. Stel dat een klant vraagt of een bepaald product nog op voorraad is. Zonder context gokt de AI er maar een eind op los. Met context engineering haalt het model eerst de actuele voorraad uit je systeem op, en pas daarna formuleert het een antwoord. Het antwoord is dan niet alleen vriendelijk geformuleerd, maar ook feitelijk juist. Dat is het verschil tussen een leuke demo en een systeem waar je echt op kunt bouwen.
Bespaar 6 uur per week op AI-antwoorden corrigeren en herwerken
Betrouwbaarheid is ook waarom context engineering de basis vormt onder elke serieuze AI-agent die zelfstandig taken uitvoert. Een agent die meerdere stappen achter elkaar zet, moet bij elke stap over de juiste informatie en hulpmiddelen beschikken. Eén stap met de verkeerde of ontbrekende context, en het hele proces loopt vast of levert een fout op. Hoe meer je AI laat doen, hoe belangrijker de omgeving eromheen wordt.
Waar begin je als MKB-bedrijf?
Het goede nieuws is dat je dit niet zelf hoeft te bouwen. Context engineering is technisch werk, maar als ondernemer hoef je vooral te begrijpen wat het is en welke voorbereidingen helpen. Met een paar praktische stappen zet je de juiste richting in.
Begin met je gegevens op orde brengen. AI kan alleen geaard worden in data die toegankelijk en betrouwbaar is. Als je klantgegevens verspreid staan over losse Excel-bestanden, oude mappen en de hoofden van medewerkers, dan is dat het eerste wat aandacht verdient. Je hoeft niet alles in één keer perfect te maken, maar zorg dat de data voor je belangrijkste proces vindbaar en actueel is. Het helpt ook om je informatie machineleesbaar te maken, bijvoorbeeld via een llms.txt-bestand voor betere AI-vindbaarheid.
Kies vervolgens één concrete toepassing om mee te starten. Probeer niet je hele bedrijf in één keer te automatiseren. Pak een afgebakend proces met duidelijke pijn, zoals het beantwoorden van veelgestelde klantvragen of het opstellen van standaardoffertes. Een afgebakende toepassing is makkelijker goed in te richten, sneller te toetsen en levert eerder een resultaat op waar je iets aan hebt.
Werk samen met een partner voor de inrichting. Het ontwerpen van de informatieomgeving, het veilig koppelen van systemen en het bewaken van de betrouwbaarheid is specialistisch werk. Een goede partner zorgt dat de AI de juiste data ziet, binnen veilige grenzen blijft en doet wat je verwacht. Jij houdt de regie over wat je wilt bereiken, de partner zorgt voor de techniek eronder.
Meer weten over AI advies?
Bekijk dienstTot slot
De verschuiving van prompt engineering naar context engineering is geen modegril, maar een teken dat AI volwassen wordt. De winst zit niet meer in een slimme zin, maar in een goed ontworpen omgeving die de AI voedt met jouw eigen kennis en gegevens. Dat is precies wat AI van een aardige demo verandert in een hulpmiddel waar je dagelijks op kunt vertrouwen.
Je hoeft die omgeving niet zelf te bouwen, maar het loont om te begrijpen waarom hij nodig is. Wil je weten welke toepassing voor jouw bedrijf het meeste oplevert en hoe je je data daarop voorbereidt? Met gericht AI-advies brengen we samen in kaart waar je het beste kunt beginnen, zonder dat je meteen een heel team hoeft op te tuigen.