Drie stappen van AI-volwassenheid
95% van de organisaties is blijven hangen bij stap 1. De echte waarde zit in stap 2 en 3, en die vragen iets heel anders dan betere prompts.
Vorige week sprak ik een manager die trots vertelde dat zijn hele team “met AI werkt.” Iedereen had een ChatGPT-account. Ze gebruikten het dagelijks.
Ik vroeg: heeft het team gedeelde instructies? Weet de AI wat jullie huisstijl is? Wat jullie kwaliteitscriteria zijn? Wat jullie klanten verwachten?
Nee. Iedereen deed zijn eigen ding.
Dat is geen AI-implementatie. Dat is vijftien mensen die los van elkaar met dezelfde tool aan het experimenteren zijn. En dat is precies waar 95% van de organisaties staat.
In het vorige deel schreef ik over de groeiende bubbel van AI-mogelijkheden en de verschuiving van doen naar beslissen. Vandaag maak ik concreet hoe die transitie eruitziet. In drie stappen, elk met een eigen logica.
Stap 1: Prompt Engineering
“Hoe praat ik met AI?”
Dit is waar iedereen begint. Individuele medewerkers leren betere vragen stellen. Ze ontdekken dat context meegeven helpt. Ze bouwen een gevoel op voor wat werkt en wat niet.
De AI-rol hier is reactief: jij vraagt, de AI antwoordt. Jij stuurt, de AI voert uit. Alles gebeurt in losse sessies, synchroon, eenmalig.
Quick wins zijn er volop. Een marketeer die in tien minuten een eerste versie van een LinkedIn-post heeft. Een developer die boilerplate code laat genereren. Een HR-medewerker die vacatureteksten sneller schrijft.
Maar het schaalt niet.
Elke sessie begint vanaf nul. Kennis gaat verloren zodra het chatvenster sluit. Wat de ene collega leert over effectief prompten, bereikt de andere niet. Er is geen gedeelde basis, geen consistentie, geen opbouw.
Stap 1 is waardevol als startpunt. Als eindpunt is het een gemiste kans.
Stap 2: Context Engineering
“Wat moet AI weten?”
Hier verschuift de focus van het individu naar de organisatie. In plaats van elke keer opnieuw context te typen, bouw je een gedeelde kennisinfrastructuur. Elke afdeling documenteert wat de AI moet weten om goed te functioneren in hun domein.
Denk aan een gelaagde structuur. Op het hoogste niveau: organisatiebrede richtlijnen. Tone of voice, kernwaarden, kwaliteitscriteria. Daaronder: afdelingsspecifieke kennis. Productinformatie voor sales. Complianceregels voor juridisch. Technische documentatie voor development. Klantsegmenten en campagnehistorie voor marketing.
De AI-rol verandert. Niet langer een blanco gesprekspartner, maar een assistent die jouw context kent. Die weet hoe jullie organisatie werkt. Die het verschil snapt tussen wat jullie wel en niet doen.
Concreet voorbeeld. Een supportteam zonder context engineering: elke medewerker promptt anders, antwoorden zijn inconsistent, nieuwe mensen moeten het wiel opnieuw uitvinden. Hetzelfde team met context engineering: de AI kent de productcatalogus, de veelgestelde vragen, de escalatiecriteria, de tone of voice. Antwoorden zijn consistent, onboarding is sneller, kwaliteit is meetbaar.
Dit is waar de meeste organisaties nog niet zijn. En het is de reden dat veel AI-initiatieven teleurstellende resultaten opleveren. Niet omdat de technologie niet kan wat je verwacht. Maar omdat je de technologie laat werken zonder de kennis die het nodig heeft.
Stap 3: Intent Engineering
“Wat moet AI nastreven?”
Dit is de stap waar het spannend wordt. En waar bijna niemand over praat.
Bij intent engineering vertaal je je organisatiedoelen naar parameters waarbinnen agents zelfstandig kunnen opereren. Je OKRs worden kaders voor AI-beslissingen. Je definieert niet alleen wat de AI weet, maar wat de AI wil bereiken en welke afwegingen daarbij horen.
Hier verschuift de menselijke rol van sturen naar delegeren. Je geeft niet meer per taak een opdracht. Je zet een kader neer en monitort of het resultaat aansluit bij je intentie.
Stel: je complianceafdeling wil dat een agent zelfstandig contracten screent. Bij stap 1 doet iemand dat handmatig met copy-paste in ChatGPT. Bij stap 2 heeft de agent alle relevante regelgeving en interne policies als context. Bij stap 3 weet de agent: welk risiconiveau is acceptabel? Wanneer escaleer ik naar een mens? Hoe weeg ik snelheid af tegen grondigheid? Wat is de organisatienorm voor “goed genoeg”?
Dat is het verschil tussen een tool en een teamgenoot.
Waarom de volgorde ertoe doet
Ik zie regelmatig organisaties die stappen willen overslaan. Die meteen agents willen inzetten zonder eerst hun kennisbasis op orde te hebben. Of die context documenteren maar geen duidelijke intentie definieren.
Dat werkt niet. En de reden is logisch als je erover nadenkt.
Context zonder workflows levert je mooie documentatie op die niemand gebruikt. Workflows zonder context geven onbetrouwbare resultaten, want de agent mist de kennis om goede beslissingen te nemen. En intentie zonder context is als een kompas zonder kaart: je weet welke kant je op wilt, maar niet hoe je er komt.
De stappen bouwen op elkaar. Stap 1 leert je team denken in termen van AI-mogelijkheden. Stap 2 maakt die mogelijkheden consistent en schaalbaar. Stap 3 maakt ze autonoom en doelgericht.
De stap die je vandaag kunt zetten
Als je herkent dat jouw organisatie bij stap 1 hangt, is dat geen probleem. Het is een vertrekpunt. De vraag is niet waar je staat, maar of je bewust naar stap 2 toewerkt.
Begin met inventariseren. Welke kennis heeft jouw team in het hoofd die de AI niet weet? Wat zijn de ongeschreven regels van jullie afdeling? Welke context typ je steeds opnieuw in?
Dat is je startpunt voor context engineering. En het mooie is: die oefening heeft ook los van AI enorme waarde. Je maakt impliciete kennis expliciet. En dat helpt niet alleen je AI, het helpt je hele team.
In de volgende delen van deze serie ga ik dieper in op de praktische kant: hoe richt je zo’n kennisinfrastructuur in, en hoe bewaak je de kwaliteit ervan?
Klaar om de stap van prompten naar context te maken? Neem contact op voor een vrijblijvend gesprek over AI-volwassenheid in jouw organisatie, of bekijk onze trainingen.