AI heeft geen geheugen van jouw organisatie
Een taalmodel heeft miljarden teksten gelezen. Het weet wat klantdata is, hoe marketingcampagnes werken en wat een goede strategie er ongeveer uit ziet. Maar het weet niets over jouw klantdata, jouw campagnes of jouw strategie.
Elke keer dat je een nieuwe chat opent, begint het model met een blanco lei. Het kent je interne jargon niet. Het weet niet dat klant X een uitzonderingskorting krijgt, dat jullie marketingteam onderscheid maakt tussen merk A en merk B, of dat jullie feedbackresultaten van vorig kwartaal een verschuiving lieten zien in doelgroepgedrag.
Dat is het fundamentele probleem. En de oplossing is geen betere prompts schrijven. De oplossing is een kennisbank: een gestructureerde verzameling documenten die het taalmodel voorziet van alles wat het mist.
Wat is een AI-kennisbank precies?
De definitie is kort: alle informatie die een taalmodel nodig heeft, maar niet kent.
Dat klinkt breed, en dat is het ook. In de praktijk gaat het om dingen als: wie jullie zijn en welke merken onder jullie vallen. Doelstellingen, KPI’s, doelgroepomschrijvingen. Campagneresultaten en A/B-testuitkomsten. Hoe jullie een campagne opzetten, welke stappen je altijd doorloopt. Prijslijsten, klantprofielen, kortingsafspraken. En misschien het meest waardevolle: de learnings van de ene campagne die je bij de volgende wil meenemen.
Het gaat niet om een databasedump. Het gaat om de kennis die je team in z’n hoofd heeft, maar die nergens expliciet opgeschreven staat. Elke organisatie heeft dit: impliciete afspraken, ongeschreven regels, nuances die je na drie maanden vanzelf oppikt. Die kennis moet je expliciet maken, want een taalmodel pikt het niet vanzelf op.
Waarom je documenten niet AI-ready zijn
Hier zit een pijnpunt waar de meeste teams tegenaan lopen. Je hebt bergen aan informatie: strategiedecks in Google Slides, campagnerapporten als PDF, tarieven in Excel, projectplannen in PowerPoint. Het probleem: die formaten zijn gemaakt voor mensen, niet voor AI.
PDF: onbetrouwbaar voor gestructureerde data
Een PDF lijkt overzichtelijk voor ons. Mooi opgemaakt, tabellen netjes uitgelijnd, logo in de hoek. Maar voor een taalmodel is een PDF een ramp. Tabellen verschuiven, kolommen lopen door elkaar, nummers verspringen van de ene naar de andere pagina. Het model hallucineert getallen die het niet goed kan lezen. Prijzen, percentages, klantnummers: precies de data waar het om gaat.
Platte tekst: een wereld van verschil
Zet datzelfde document om naar platte tekst met koppen en structuur (markdown of een Google Doc), en de nauwkeurigheid gaat drastisch omhoog.
Waarom? Taalmodellen zijn getraind op tekst. Ze begrijpen koppen, opsommingen, tabellen in tekstformaat. Ze hoeven niet te raden waar een kolom ophoudt en de volgende begint. De inhoud is wat telt, niet de opmaak.
De praktische aanpak
Je hoeft niet alles om te zetten. Focus op je kerndocumenten: de 10-15 bestanden die je het vaakst gebruikt. De strategie van je merk, je campagneblauwdruk, je tarieven, je doelgroepomschrijving. Die maak je AI-ready. De rest gooi je er gewoon in als losse bijlage als je het nodig hebt.
Omzetten kan op meerdere manieren. Heb je Google Slides? Laat Gemini de slides lezen en omzetten naar gestructureerde tekst. Het model haalt de tekst eruit en beschrijft ook wat het op visuele elementen ziet (grafieken, schema’s, foto’s). Heb je een PDF? Upload hem en vraag om omzetting naar “rauwe markdown”. Maar beter nog: pak het originele bronbestand (het Word-document, de Google Sheet) en werk daarmee. Excel en Sheets exporteer je naar CSV of kopieer je als tekst. Tabellen in platte tekst werken prima.
Tip: zet Google Docs op “pageless” (via Bestand > Pagina-instelling). Je hebt geen paginascheiding nodig. Het gaat om de tekst, niet om hoe het eruitziet op papier.
Twee soorten documenten die je nodig hebt
In de praktijk merk je al snel dat je twee verschillende types documenten bouwt. Ze worden vaak door elkaar gehaald, maar het onderscheid is belangrijk.
1. Contextdocumenten
Een contextdocument beschrijft de inhoud: wie zijn jullie, wat doen jullie, hoe werken jullie. Het is de kennis zelf.
Voorbeelden:
- “Dit is merk X. De doelgroep is Y. De strategie voor 2026 richt zich op Z. Onze KPI’s zijn…”
- “Dit is ons campagneteam. Collega A doet social, collega B doet print. Onze planning loopt per kwartaal.”
- “Klant A krijgt 20% korting. Dit is besloten in Q3 2025 door [naam], reden: meerjarencontract.”
Dat laatste punt is belangrijk. Veel organisaties documenteren wat ze besloten hebben, maar niet waarom. Die korting staat ergens in een spreadsheet, maar de reden staat nergens. Dan gaat het taalmodel ervan uit dat alle klanten 20% korting krijgen. Dat soort fouten wil je voorkomen.
2. Wegwijzerdocumenten
Een wegwijzerdocument beschrijft de structuur: wat staat waar, hoe is de kennisbank georganiseerd, en welk document is leidend als er tegenstrijdigheden zijn.
Dit is wat in Claude een CLAUDE.md-bestand heet, en in Gemini een soortgelijke functie vervult. Het vertelt het model: “In map 1 vind je klantdata. In map 2 vind je tarieven. Het document tarieven-2026.md is de single source of truth voor prijzen.”
Single source of truth is een begrip dat je gaat gebruiken. Als op drie plekken in je kennisbank iets over trainingslengte staat (twee keer drie uur, drie keer twee uur, twee keer 2,5 uur), dan moet je ergens vastleggen welk document de waarheid is. Anders kiest het model willekeurig en krijg je inconsistente output.
Je blijft aan het stuur
Er is veel hype over AI-agents die volledig zelfstandig werken. E-mail beantwoorden, campagnes opzetten, analyses draaien. In de praktijk werkt het anders.
De werkwijze die wél werkt, zit in het midden: jij blijft in de loop. Het model doet voorwerk: door je kennisbank zoeken, relevante documenten ophalen, een eerste versie opstellen. Maar jij beoordeelt het resultaat en beslist wat ermee gebeurt.
Dat heet “agentic” werken. Je geeft het model een opdracht, het gaat zelfstandig aan de slag (doorzoekt documenten, maakt subchats aan, vergelijkt bronnen), en komt terug met een voorstel. Jij zegt ja, nee, of pas dit aan. Het model gaat weer verder. Zo werk je samen.
Dit is ook precies waar de nuance zit. Een taalmodel kan een campagneanalyse maken, maar het kan niet beoordelen of die analyse klopt in jullie specifieke context. Het kan een voorstel schrijven, maar het weet niet of de toon past bij die ene klant die altijd formeler aangesproken wil worden. Die beoordeling blijft bij jou.
En dat is geen tekortkoming. Dat is hoe kenniswerk werkt. Bij software kan AI bouwen, testen, fouten opsporen en opnieuw proberen. Bij consumenteninzichten of campagnestrategieën zit de waarde in menselijk oordeelsvermogen. Je baan verandert, maar verdwijnt niet.
Zo begin je: vier stappen
Stap 1: Inventariseer je kerndocumenten
Welke 10-15 documenten gebruik je het vaakst? Denk aan: merkstrategie, campagneblauwdruk, doelgroepomschrijving, tarieven, learnings van afgelopen kwartaal, teamrolverdeling.
Stap 2: Maak een contextdocument
Begin met één document dat beschrijft wie jullie zijn en wat jullie doen. Gebruik het als startpunt bij elke AI-interactie. Je kunt dit handmatig schrijven, of je laat het model je interviewen: plak je strategieslides erin en vraag om een gestructureerd contextdocument op basis daarvan.
Belangrijk: ga er daarna met chirurgische precisie doorheen. Het model maakt een prima eerste versie, maar als er een fout in je basisdocument zit, plant die zich voort in alles wat je ermee doet. Laat de mensen die erover gaan het document checken.
Stap 3: Zet kerndocumenten om naar platte tekst
Neem je strategiedeck, je campagnerapport, je tarieven. Zet ze om van PDF of Slides naar gestructureerde tekst. Koppen, subkoppen, opsommingen. Geen opmaak, geen logo’s, geen paginanummers. De inhoud telt.
Stap 4: Organiseer en markeer
Maak een mappenstructuur. Geef elke map een naam die beschrijft wat erin zit. Schrijf een wegwijzerdocument dat uitlegt hoe de kennisbank is opgebouwd. Markeer per onderwerp welk document de single source of truth is.
Veelgemaakte fouten
De meeste teams beginnen te groot. Ze willen alles in één keer omzetten. Doe dat niet. Begin met één contextdocument en vijf kerndocumenten. Bouw uit over tijd.
Een tweede klassieke fout: PDF’s erin gooien en hopen dat het werkt. Het werkt, maar niet goed genoeg voor werk waar nauwkeurigheid telt. Zet je kerndocumenten om.
Verder vergeten teams vaak de nuance. Het model leest wat je het geeft. Als nergens staat waarom een beslissing genomen is, weet het model dat ook niet. Documenteer het wat én het waarom.
Zet ook elk contextdocument op read-only, behalve voor de eigenaar. Als iedereen erin kan bewerken, verdwijnt de betrouwbaarheid.
En tot slot: ruim tegenstrijdigheden op. Als op twee plekken verschillende dingen staan over trainingslengte of tarieven, gaat het model struikelen. Wijs een single source of truth aan.
Dit is geen automatisering
Het is verleidelijk om een kennisbank te zien als een stap richting automatisering. Dat is het niet. Een kennisbank is een bron van waarheid. Hoe je werkt verandert (sneller, breder, met betere eerste versies), maar wat je doet en waarom je het doet, blijft hetzelfde.
Je verantwoordelijkheid verschuift van alles zelf uitzoeken naar het beoordelen en bijsturen van wat het model oplevert. Je rijkwijdte wordt groter. Je kunt meer. Maar het blijft jouw expertise die bepaalt of de output klopt.
De investering zit niet in de tool. Die heb je waarschijnlijk al. De investering zit in het opschrijven van wat je team weet. Dat kost tijd, en het is niet het spannendste werk. Maar elk uur dat je erin stopt, verdien je dubbel terug bij elk volgend project dat je met AI oppakt.
