Context engineering: waarom goede AI niet begint bij het model, maar bij de context

Gebruik je GPT? Gemini? Claude? Een open source model? Het is begrijpelijk dat dit de eerste vraag is die opkomt, maar het verschil zit vaak elders. De kracht van AI ligt in de context: niet alleen of er context is, maar welke context, in welke vorm, op welk moment en met welke prioriteit.

Context engineering klinkt technisch, maar het idee erachter is heel menselijk. Als je iemand een taak geeft zonder achtergrondinformatie, spelregels of relevante voorbeelden, krijg je een onvoorspelbare uitkomst. Geef je diezelfde persoon de juiste informatie, duidelijke instructies en voorbeelden, dan stijgt de kwaliteit direct. Voor AI werkt dat exact hetzelfde.

Wat is context engineering?

Context engineering is het ontwerpen en structureren van alle informatie die een AI-model nodig heeft om een taak goed uit te voeren. Het gaat verder dan alleen een prompt schrijven; het omvat vragen als:

• Welke informatie is echt relevant voor deze taak?

• Welke regels moeten altijd voorrang krijgen?

• Welke voorbeelden helpen, en welke vervuilen juist?

• Wat moet het model weten over deze klant, dit documenttype of proces?

• Welke data hoort op welk moment beschikbaar te zijn?

Een model zonder goede context is als een slimme stagiair die direct in een complexe operatie wordt gegooid: potentie aanwezig, maar een grote kans op fouten. Context engineering zorgt ervoor dat de AI niet alleen slim is, maar ook begrijpt hoe jouw wereld in elkaar zit.

Waarom dit juist nu zo belangrijk is

AI-modellen zijn krachtiger dan ooit, maar in serieuze bedrijfsprocessen werkt “gewoon een prompt geven” zelden. Zeker in logistiek zijn processen complex: informatie zit verspreid over e-mails, bijlagen, PDF’s, Excel-bestanden en informele notities. Interpretatie hangt af van klantafspraken, laadlocaties, ordertypes, uitzonderingen, interne definities en historische patronen. Zonder context blijft het model gissen, en gissen is geen fundament voor operationele betrouwbaarheid.

Het verschil tussen een demo en een echt systeem

Veel AI-oplossingen schitteren in een demo: één document, een nette prompt, een mooi resultaat. Maar echte processen zijn rommelig: klanten gebruiken verschillende termen, informatie is incompleet, referenties zitten in bijlagen, uitzonderingen en business rules zijn vaak niet formeel vastgelegd. Alleen context engineering zorgt dat het systeem weet wat belangrijk is, wat genegeerd kan worden en welke regels leidend zijn.

Context is geen bak data

Meer context is niet altijd beter. Te veel irrelevante informatie maakt AI trager, minder scherp en afgeleid. Goede context engineering draait om selecteren: wat moet absoluut mee? Wat alleen onder bepaalde omstandigheden? Wat moet buiten beeld blijven? Het gaat om ontwerp en volgorde: soms eerst documenttype herkennen, dan regels ophalen, pas daarna extractie uitvoeren.

Hoe context engineering eruitziet in logistiek

In logistieke documentverwerking is context engineering cruciaal. Bij een binnenkomende transportorder moet AI bijvoorbeeld klant-specifieke instructies, veldbeschrijvingen, voorbeelden van correct verwerkte orders, validatiedata, bekende uitzonderingen en eerdere correcties begrijpen. Alleen zo kan het model echt begrijpen hoe een order verwerkt moet worden.

Van prompt engineering naar context engineering

Prompt engineering is belangrijk, maar beperkt. Context engineering kijkt breder: hoe wordt context verzameld, opgeschoond, gerankt, regels en uitzonderingen beheerd, feedback verwerkt en oude voorbeelden verwijderd. Het gaat om het systeem eromheen, niet alleen om één prompt.

Waarom dit cruciaal is voor schaalbaarheid

Zonder context engineering werkt automatisering goed tot de variatie toeneemt: nieuwe klanten, formats, uitzonderingen en afwijkende werkwijzen. Dan begint de kwaliteit te schommelen. Wie AI operationeel wil inzetten, moet naast modelkwaliteit vooral letten op contextkwaliteit. Alleen zo wordt schaalbare, betrouwbare automatisering mogelijk.

Context engineering is ook productdesign

Context engineering is niet alleen technisch; het is ook productdesign. Context komt vaak uit hoofden van medewerkers, gewoontes en kleine opmerkingen. AI-producten moeten deze kennis kunnen ophalen, structureren en beheren. UX speelt hierbij een rol: hoe voeg je regels toe, maak je actieve instructies zichtbaar en laat je iemand corrigeren zodat het systeem slimmer wordt?

Wat dit voor de toekomst betekent

Modellen zullen steeds meer commoditiseren. De echte voorsprong zit in de contextlaag: ophalen, ordenen, filteren, prioriteren en toepassen van context. Bedrijven verschuiven van vragen als “welk model gebruiken jullie?” naar “hoe zorgen jullie dat AI consistent de juiste beslissingen neemt?”

Hoe wij ernaar kijken bij Chainfill

Bij Chainfill draait goede AI niet om het model alleen, maar om een systeem dat begrijpt wat relevant is, klant-specifieke regels meeneemt, validatiedata gebruikt en eerdere feedback omzet in betere beslissingen. Niet zoveel mogelijk tekst naar een model, maar de juiste informatie op het juiste moment: dat is context engineering.

AI wordt vaak verkocht als magie, maar magie is geen basis voor serieuze processen. Wat werkt, is een goed ontworpen geheel van modellen, regels, validatie, feedback en context. Kijk niet alleen naar het model, kijk naar de context. Daar gebeurt het echte werk.