Je AI geeft slechte antwoorden — maar het model is niet het probleem
Je hebt een AI-chatbot voor je klantenservice. Een klant vraagt: "Wat is de status van mijn bestelling?" De chatbot antwoordt met een generiek verhaal over levertijden. Niet fout, maar ook niet nuttig. De klant wilde weten dat pakket #4821 vanmiddag om 14:00 is bezorgd.
Het model kan dat antwoord geven — maar alleen als het weet welke klant er vraagt, toegang heeft tot je ordersysteem, en de juiste gegevens op het juiste moment krijgt aangeleverd. Dat is precies waar context engineering over gaat.
De term werd in juni 2025 populair gemaakt door Shopify-CEO Tobi Lütke, die het omschreef als "de kunst om alle context aan te bieden zodat de taak geloofwaardig oplosbaar is voor het AI-model." Andrej Karpathy, voormalig AI-directeur bij Tesla en OpenAI, beaamde dat met nadruk: in elke serieuze AI-toepassing draait het niet om de prompt, maar om de context die je het model geeft.
Van prompt engineering naar context engineering
Tussen 2022 en 2024 was prompt engineering het toverwoord. Teams investeerden in de perfecte formulering: "Gedraag je als een klantenservicemedewerker met tien jaar ervaring. Antwoord in maximaal drie zinnen." Die aanpak hielp — tot op zekere hoogte.
Maar in 2026 is de realiteit anders. AI-modellen worden ingezet voor complexe taken: documenten beoordelen, klantverzoeken afhandelen, rapporten genereren op basis van bedrijfsdata. Bij dat soort taken bepaalt niet de formulering van je vraag de kwaliteit van het antwoord, maar de informatie die het model tot zijn beschikking heeft.
Anthropic beschrijft context engineering als de set van strategieën om de optimale verzameling informatie samen te stellen en te onderhouden tijdens het gebruik van een AI-model. Het gaat om alles wat in het "contextvenster" van het model terechtkomt — niet alleen je instructie, maar ook bedrijfsdata, documentatie, gebruikersgegevens en de tools die het model mag aanroepen.
Of korter: prompt engineering gaat over wat je zegt. Context engineering gaat over wat je aanlevert.
Waarom dit het verschil maakt voor bedrijven
Een MIT-rapport stelt dat 95% van de AI-projecten nooit productie haalt. Niet omdat de modellen niet goed genoeg zijn, maar door problemen in de architectuur eromheen — lees: de context. Als je een AI-model loslaat op je bedrijfsdata zonder na te denken over welke informatie het wanneer nodig heeft, krijg je hallucinaties, irrelevante antwoorden en medewerkers die het systeem na twee weken links laten liggen.
Gartner adviseerde organisaties medio 2025 al om "context boven prompts te prioriteren." De reden: bij complexe AI-toepassingen bepaalt de context naar schatting 80% van de kwaliteit van de output. De prompt zelf — de formulering van je vraag — bepaalt de overige 20%.
Dat verklaart waarom twee bedrijven die hetzelfde AI-model gebruiken totaal verschillende resultaten kunnen behalen. Het verschil zit niet in het model. Het zit in de context die ze meegeven.
De drie lagen van context engineering
In de praktijk bestaat context engineering uit drie lagen die samen bepalen hoe goed je AI presteert:
1. Kennislaag: welke informatie kent het model?
Dit is de bedrijfskennnis die je het model beschikbaar maakt: productcatalogi, FAQ's, handleidingen, contractvoorwaarden, procesbeschrijvingen. Technieken als RAG (Retrieval-Augmented Generation) zorgen ervoor dat het model relevante documenten kan ophalen op het moment dat het ze nodig heeft — in plaats van alles vooraf in te laden.
Het verschil met een statische kennisbank: de informatie past zich automatisch aan als je documenten bijwerkt. Je hoeft het model niet opnieuw te trainen; je past de context aan.
2. Gebruikerscontext: wie stelt de vraag?
Een AI-systeem dat weet dat de gebruiker een bestaande klant is met ordernummer #4821, geeft een ander antwoord dan wanneer het een anonieme bezoeker bedient. Gebruikerscontext omvat gespreksgeschiedenis, voorkeuren, taalinstellingen en de specifieke rol of rechten van de persoon.
Dit is waar personalisatie begint. Niet door het model anders te instrueren, maar door het de juiste achtergrond te geven over de persoon die het bedient.
3. Toollaag: wat mag het model doen?
De derde laag bepaalt welke acties het model kan uitvoeren: een orderstatus opzoeken in je ERP, een factuur aanmaken in je boekhoudsoftware, of een afspraak inplannen in je agenda. Dit is waar het Model Context Protocol (MCP) een centrale rol speelt — het verbindt AI-modellen met je bedrijfssystemen via een gestandaardiseerde interface.
Zonder deze laag kan je AI wel antwoorden formuleren, maar niets doen. Met de toollaag wordt het een agent die daadwerkelijk taken uitvoert.
MCP als fundament voor context engineering
Het Model Context Protocol, oorspronkelijk ontwikkeld door Anthropic en inmiddels ondergebracht bij de Agentic AI Foundation onder de Linux Foundation, is de open standaard die de toollaag invult. Met MCP geef je een AI-model gestructureerde toegang tot je CRM, database, boekhoudsoftware of elk ander systeem dat een API biedt.
Inmiddels zijn er volgens marktanalyses meer dan 10.000 publieke MCP-servers beschikbaar, en grote partijen als Google, Microsoft en Amazon hebben het protocol geadopteerd. Dat betekent dat investeren in MCP-gebaseerde integraties geen gok meer is, maar bouwen op een industriestandaard.
Voor bedrijven die al MCP inzetten om in natuurlijke taal met hun bedrijfsdata te praten, is context engineering de volgende stap: niet alleen de verbinding leggen, maar ook bepalen welke informatie wanneer wordt opgehaald en hoe die wordt samengesteld.
Praktijkvoorbeeld: klantenservice met en zonder context engineering
Stel: een e-commerce bedrijf zet AI in voor klantenservice. Zonder context engineering ziet dat er zo uit:
- Klant vraagt: "Waar is mijn bestelling?"
- AI antwoordt met algemene informatie over levertijden
- Klant is gefrustreerd en belt alsnog het callcenter
Met context engineering:
- Het systeem herkent de klant op basis van inloggegevens (gebruikerscontext)
- Het haalt via MCP de orderstatus op uit het ERP-systeem (toollaag)
- Het kent de retourvoorwaarden en levertermijnen (kennislaag)
- Antwoord: "Je bestelling #4821 is vandaag om 14:02 bezorgd bij het afhaalpunt in Meppel. Wil je de track-en-trace-link?"
Het verschil is niet een beter model of een slimmere prompt. Het verschil is dat het model de juiste context heeft om een concreet, waardevol antwoord te geven. Uit enterprise-implementaties blijkt dat dit soort aanpakken de nauwkeurigheid van AI-antwoorden verhoogt van circa 45% naar meer dan 85%.
Wat dit betekent voor je AI-investeringen
Context engineering verandert hoe je over AI-projecten nadenkt. Een paar concrete gevolgen:
Het model is niet je bottleneck
De meeste bedrijven die teleurgesteld zijn in AI, hebben een contextprobleem — geen modelprobleem. Voordat je overstapt naar een duurder of nieuwer model, is het verstandiger om te investeren in betere data-aanlevering, MCP-koppelingen en kennisbeheer.
Begin bij de data, niet bij de AI
Een AI-integratie is zo goed als de data die je meegeeft. Dat betekent: eerst je bedrijfsinformatie op orde brengen. Zijn je productbeschrijvingen actueel? Is je klantdata gestructureerd? Zijn je processen gedocumenteerd? Die basis is geen IT-project — het is een voorwaarde voor elke succesvolle AI-implementatie.
Denk in lagen, niet in één oplossing
Context engineering is geen eenmalig project. Het is een architecturale aanpak die meegroeit met je gebruik van AI. Begin met een kennislaag (RAG op je documentatie), voeg gebruikerscontext toe (wie vraagt wat), en breid uit met tools (MCP-koppelingen met je bedrijfssystemen). Elke laag voegt waarde toe — en je hoeft ze niet allemaal tegelijk te bouwen.
Conclusie: de context maakt het verschil
In 2026 is het verschil tussen een AI-implementatie die werkt en een die teleurstelt zelden het model. Het is de context. Bedrijven die investeren in het gestructureerd aanbieden van de juiste informatie — via RAG, MCP-koppelingen en doordachte gebruikerscontext — halen aantoonbaar meer waarde uit dezelfde AI-modellen dan bedrijven die alleen prompts optimaliseren.
Context engineering is geen hype. Het is de engineering-discipline die bepaalt of je AI-investering rendeert. En het goede nieuws: je hoeft niet bij nul te beginnen. Als je al werkt met MCP, RAG of AI-chatbots, doe je al aan context engineering. De vraag is of je het bewust en gestructureerd doet.
