Inleiding
Nu verschuift het zwaartepunt. Naarmate AI, en met name grote taalmodellen (LLM’s), steeds meer in onze werkprocessen wordt geïntegreerd, hangt de prestatie minder af van data waarover data beschikken en meer van de manier waarop systemen worden aangestuurd om deze te gebruiken.Context is nu de cruciale factor geworden: prompts, instructiesets, draaiboeken, het geheugen van agents, handleidingen voor het gebruik van tools en domeinheuristieken die het redeneringsproces tijdens de inferentie sturen.Context is de nieuwe data.
Een ongereguleerde context leidt nu al totcontextchaos: er verschijnen steeds meerprompts , teams herschrijven instructies ad hoc, knowhow vervalt tot algemene samenvattingen en het gedrag raakt uit koers. Recent onderzoek wijst op een oplossing.Het ACE-raamwerk (Agentic Context Engineering) van Stanford en UC Berkeley behandelt context als eenuitgebreid, evoluerend draaiboekdat wordt verfijnd via een cyclusvan genereren → reflecteren → cureren. In gerapporteerde benchmarks laat ACE een verbetering zien van+10,6 procentpunten bij agenttakenen+8,6 punten bij domeinspecifiek financieel redeneren, met snellere aanpassing en verbeteringen die zelfs worden bereikt door natuurlijke feedback tijdens de uitvoering.
De beperkingen van traditionele MDM in het AI
MDM opgelost voor data: het centraliseerde en synchroniseerde entiteitsrecords, handhaafde schema's en survivorship, verzoende duplicaten en zorgde voor lineage en stewardship. AI draaien echter opcontext. Context is dynamisch en operationeel. Het verandert naarmate systemen nieuwe scenario's tegenkomen, wordt door vele handen (mensen en modellen) gecreëerd en de kwaliteit ervan wordt beoordeeld op basis van de prestaties en veiligheid van downstream-taken, niet op basis van schema-conformiteit.
Er zijn drie veelvoorkomende foutenpatronen.De ‘brevity bias’gaat ervan uit dat korte prompts beter zijn; in de praktijk presteren LLM’s vaakbeter met lange, gedetailleerde contextenen kunnen ze tijdens de uitvoering zelf de relevante informatie selecteren. Context collapsetreedt op wanneer herhaaldelijk herschrijven rijke kennis comprimeert tot saaie samenvattingen; in één ACE-geval kromp een context van18.282 tokens met een nauwkeurigheid van 66,7%tot122 tokens met een nauwkeurigheid van 57,1%in één enkele herschrijving. Enongecontroleerde proliferatieleidt tot inconsistent gedrag, trage aanpassing en blootstelling aan nalevingsrisico's. Traditionele services bieden hier services hulp.
Master Context Management (MCM)
Wat is MCM?
Master Context Managementis een gestructureerde methode om de contexten die AI sturente beheren, te versioneren en voortdurend te verbeteren. In plaats van prompts te beschouwen als wegwerpbare fragmenten, behandelt MCM ze alslevende draaiboeken waarin institutionele kennis, beleid, tactieken, randgevallen en toolrecepten worden verzameld, en die zich verder ontwikkelen zonder hun geheugen te verliezen.
Ontwerpprincipes
MCM is gebaseerd op een aantal werkwijzen die de kwaliteit hoog houden en afwijkingen tot een minimum beperken. Ten eerste: geef de voorkeur aanuitgebreide draaiboekenboven beknopte samenvattingen; modellen met een brede context en optimalisaties voor het trekken van conclusies (zoals hergebruik van KV-caches) maken dit haalbaar. Ten tweede:scheid rollenin de leercyclus: een Generator voert taken uit en produceert trajecten; een Reflector analyseert die sporen om inzichten te verkrijgen en storingsmodi te diagnosticeren; en een Curator zet inzichten om inbeperkte, gecontroleerde updates. Ten derde: geef de voorkeur aandelta-bewerkingenboven grote herschrijvingen, zodat verbeteringen gespecificeerd, testbaar en omkeerbaar zijn. Ten vierde:leer van uitvoeringsfeedback, succes/mislukking , tool-outputs en gebruikersbeoordelingen, zodat contexten verbeteren zonder gelabelde data. Tot slot: pas multi-epoch-verfijningtoe door veelvoorkomende zoekopdrachten opnieuw te bekijken, waarbij de begeleiding wordt versterkt en redundantie wordt weggewerkt.
Een praktische taxonomie
Om een evenwicht te vinden tussen hergebruik en specificiteit, verdeelt MCM de context in drie lagen die op natuurlijke wijze in elkaar grijpen.De bedrijfscontext omvat organisatiebrede regels, compliance, beveiligingsstatus en goedgekeurde tools. De functionele context omvat de operationele kennis van een bedrijfsonderdeel, procedures, uitzonderingsgevallen, KPI’s en regionale nuances. De individuele contextstemt de taakconfiguratie en de voorkeursstijl af op een specifieke gebruiker of workflow. Samen stellen ze teams in staat om voor elk verzoek één samenhangend draaiboek op te stellen, zonder het wiel opnieuw uit te vinden.
Kerncompetenties
Contextrepository en samenstelling. MCM begint met een repository waarin zowel offline assets (systeemprompts, instructiesjablonen, beleidsplaybooks, handleidingen voor tools) als online assets (agentgeheugens, uitvoeringstraces, herbruikbare gespreksfragmenten) worden opgeslagen. Elk item bevat metadata, de eigenaar, het domein, de risicoklasse en de herkomst, en kan op verzoek worden samengesteld tot de context die een toepassing nodig heeft.
Routing en samenstelling.Een lichtgewicht routinglaag bepaalt welk model moet worden gebruikt en hoe de bedrijfs-, functionele en individuele context voor een bepaald verzoek moeten worden samengevoegd. Hierdoor worden afwegingen tussenkosten, kwaliteit en latentieexpliciet en herhaalbaar gemaakt, in plaats van verborgen te blijven in ad-hocaanpassingen.
Versiebeheer en experimenteren.Alle wijzigingen worden vastgelegd alsreeksen van delta’s. Teams kunnen parallelle varianten uitvoeren, vergelijkende statistieken toevoegen (nauwkeurigheid, naleving van beleid, latentie, percentage onjuistheden en zakelijke impact), wijzigingen geleidelijk doorvoeren en bij regressie automatisch terugkeren naar de vorige versie. Gestructureerde updates verkorten de aanpassingstermijn en verminderen het risico.
De leerworkflow.Tijdenshet genereren werken agents volgens de huidige richtlijnen en registreren ze plannen, toolaanroepen, invoer/uitvoer en resultaten. Inde reflectiefase worden die sporen geanalyseerd tot concrete richtlijnen: “blader door API-resultaten voordat je ze samenvoegt”, “valideer schema vóór het schrijven”, “beleid X heeft voorrang op Y in regio Z”. In de curatiefase worden inzichten samengevoegbare items met ID's en bewijslinks; duplicaten worden verwijderd, opmaak en veiligheidsmaatregelen worden afgedwongen, en het draaiboek groeit zonder in te storten.
Governance en risico’s. MCM wijst beheerders toe aan belangrijke domeinen, stelt goedkeuringsdrempels vast voor voorgestelde updates, handhaaft beveiligingsclassificaties (PII, gereguleerd, vertrouwelijk) en zorgt ervoor dat volledig kan worden nagegaan wie wat, wanneer en waarom heeft gewijzigd. Dezelfde governanceprincipes die voor datahebben gewerkt – eigendom, normen en escalatieprocedures – laten zich naadloos toepassen op de context.
Observeerbaarheid en feedback. Gebruiksanalyses laten zien waar contexten worden ingevoegd en hoe ze presteren. Promptanalyses brengen de passages in kaart die het meest bijdragen aan de resultaten. Driftdetectoren signaleren plotselinge afnames of pieken in „schadelijke“ tellers – vroege tekenen van instorting. Gebruikersfeedback vormt essentiële input voor de verbeteringscyclus.
Integratie en bedrijfsvoering.Tot slot wordt MCM geïntegreerd in AI dagelijkse AI : modellen worden geëvalueerd en geïmplementeerd volgens de LLMOps-methodiek; tools en integraties worden aangeboden als gereguleerde functionaliteiten; API’s voegen samengestelde contexten toe aan agents en RAG-systemen; en functies voor caching en token-economie houden de kosten binnen de perken.
Een kort voorbeeld
Stel je een ondersteunende copiloot voor die soms de terugbetalingen verkeerd berekent wanneer loyaliteitsniveaus veranderen. De generatie levert traces op van mislukte gevallen; reflectie brengt de regel aan het licht: „als het niveau in de afgelopen 30 dagen is gewijzigd, bereken dan de prijs opnieuw vanaf de ingangsdatum vóór de terugbetaling.” Curatie voegt een kleine aanpassing toe, twee zinnen en een uitgewerkt voorbeeld, gekoppeld aan het terugbetalingsgedeelte met een link naar het mislukte spoor. De volgende implementatie laat een meetbare verbetering zien in het aantal opgeloste problemen bij het eerste contact, zonder ingrijpende herschrijvingen en met een eenvoudige terugdraaiing indien nodig. Dit is MCM in de praktijk: kleine, aantoonbare aanpassingen die samen leiden tot robuust gedrag.
Wat MCM voorkomt
Door deze werkwijzen toe te passen, vermijden organisaties veelvoorkomende valkuilen: de cultuur van de ‘prompt van de dag’, ingrijpende herschrijvingen die moeizaam opgebouwde kennis tenietdoen, het ongebreidelde kopiëren en plakken tussen teams, en het onvermogen om uit te leggen welke instructies tot een bepaald resultaat hebben geleid. MCM zorgt ervoor dat AI weerherkenbaar, controleerbaar en reproduceerbaar wordt.
De toekomst: zichzelf verbeterende context-ecosystemen
Met MCM kunnen systemenleren van de uitvoeringen automatisch updates voorstellen op basis van natuurlijke signalen, zoals het al dan niet slagen van taken en de resultaten van tools. ACE toont aan dat dit labelvrije leren grote voordelen kan opleveren (bijvoorbeeld+17,1 puntenop agenttaken), wat wijst op veerkrachtige systemen die verbeteren naarmate ze in gebruik zijn. In de jaren 2010 waren data het belangrijkst; in de jaren 2020–2030 zullencontextmoats, gecodificeerde knowhow, leiders onderscheiden. Verwacht een heropleving van kennismanagement nu operationele draaiboeken controleerbare, door uitvoering gevalideerdeactiva worden, nauwere banden met kennisgrafieken voor feitelijke onderbouwing, en grotere veiligheid door expliciet, omkeerbaar gedrag. Uitbreiding van contextvensters en optimalisaties van inferenties maken uitgebreide draaiboeken op schaal economisch haalbaar.
Conclusie
MCM vervangt MDM niet, maar breidt het uit naar een nieuwe categorie van bedrijfsmiddelen. De governance-concepten die orde brachten in data – zoals beheer, ‘golden sources’, taxonomieën, levenscyclus en kwaliteitsmaatstaven – zijn nu van toepassing op contexten: de instructies en heuristieken die bepalen hoe AI en handelt. Het ACE-raamwerk laat zien dathet behandelen van contexten als evoluerende draaiboekenen het bijwerken ervan viageneratie → reflectie → curatiede nauwkeurigheid verbetert (+10,6 en +8,6 punten), de aanpassing versnelt en zichzelf kan verbeteren op basis van uitvoeringssignalen alleen. Behandel context als data, voorkom instorting met op delta's gebaseerde curatie, maak gebruik van uw governancebasis en koppel de leercirkel aan sterke observeerbaarheid. Teams die MCM beheersen, zullen profiteren van betrouwbaardere AI, snellere iteratie en een duurzaam voordeel; teams die context nonchalant beheren, zullen de wildgroei van vóór MDM herhalen, maar dan met hogere risico's en kosten.
