{"id":1323627,"date":"2026-06-26T17:09:08","date_gmt":"2026-06-26T16:09:08","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=1323627"},"modified":"2026-06-27T16:56:38","modified_gmt":"2026-06-27T15:56:38","slug":"knowledge-graphs-and-context-engineering","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/knowledge-graphs-and-context-engineering\/","title":{"rendered":"Kennisgrafieken en contextengineering"},"content":{"rendered":"

\"\"<\/p>\n

De whitepaper downloaden<\/span><\/a><\/div>\n

We betreden een tijdperk waarin AI-agenten officieel de overstap hebben gemaakt van passieve assistenten naar zelfstandig besluitvormers. Van incidentafhandeling tot kredietgoedkeuringen: agenten doen nu aanbevelingen en co\u00f6rdineren werkzaamheden binnen complexe bedrijfssystemen. Deze ingrijpende verschuiving legt echter een cruciaal nieuw knelpunt bloot: context<\/strong>.<\/p>\n

Op basis van de inzichten uit onze onlangs gepubliceerde whitepaper, Kennisgrafieken en contextengineering<\/strong><\/em>, in dit artikel wordt een overzicht gegeven van de drieledige basis die ondernemingen nodig hebben om agentische AI betrouwbaar, controleerbaar en werkelijk autonoom te maken.<\/p>\n

In productieomgevingen hangt de prestatie van een AI-agent minder af van het onderliggende grote taalmodel en meer van de context waarover hij met succes kan redeneren. Het probleem is dat traditionele data-architecturen voor bedrijven niet zijn ontworpen om redeneringen vast te leggen. Ze leggen weliswaar de huidige toestanden vast, zoals een aangemelde klant, een open ticket of een ge\u00efmplementeerde versie, maar ze laten de impliciete geschiedenis van precedenten, afgeweken beleidsregels en toegestane uitzonderingen \u2013 die zich in de hoofden van mensen of in gefragmenteerde chatgesprekken bevinden \u2013 volledig buiten beschouwing.<\/p>\n

Om dit op te lossen, moeten organisaties context engineering omarmen door een gelaagde, onderling verbonden basis op te bouwen: kennisgrafieken, ontologie\u00ebn en contextgrafieken. Zoals Foundation Capital opmerkt, betekent dit \u201cDe kans van een biljoen dollar voor AI\u201d<\/strong>.<\/p>\n

Hoofdstuk 1: Kennisgrafieken \u2014 Het samenbrengen van de kennis van de onderneming<\/h2>\n

Van oudsher is de bedrijfsdata data gestructureerd in relationele tabellen, waarbij entiteiten zoals klanten of producten in onderling losstaande categorie\u00ebn worden ondergebracht. Hoewel deze relationele benadering uitstekend geschikt is voor transactieverwerking en rapportage, gaat zij volledig voorbij aan de manier waarop bedrijven daadwerkelijk functioneren. De meeste bedrijfsvraagstukken zijn inherent relationeel: wie heeft wat gekocht, welke systemen zijn van elkaar afhankelijk en hoe ontvouwen gebeurtenissen zich in de loop van de tijd.<\/p>\n

Kennisgrafieken zijn specifiek ontworpen om aan deze realiteit tegemoet te komen. In plaats van feiten in afzonderlijke tabellen op te slaan, zij geven informatie weer als een netwerk van entiteiten en expliciete relaties, waardoor het data-paradigma verschuift van \u201cstrings\u201d naar \u201cthings\u201d<\/strong>. Denk eens na over de uitdaging om een echt 360\u00b0-overzicht van een klant op te bouwen. In een traditionele SQL data-database vereist het achterhalen welke klanten een supportticket hebben geopend over een product dat via een specifieke campagne is gekocht, een trage, complexe en kwetsbare multi-way join. In een kennisgrafiek is dezelfde query een enkele, intu\u00eftieve doorloop langs benoemde randen zoals GEPLAATST<\/em>, BEVAT<\/em>, of GEOPEND<\/em>.<\/p>\n

Cruciaal is dat kennisgrafieken de nodige flexibiliteit bieden om impliciete kennis vast te leggen, de onzichtbare laag van bedrijfslogica. Impliciete kennis \u2013 zoals het feit dat een ervaren planner weet welke vertragingen bij leveringen aanvaardbaar zijn of welke leveranciers betrouwbaar zijn ondanks slechte prestatiecijfers \u2013 past niet in een vooraf gedefinieerd relationeel schema. Een kennisgrafiek neemt nieuwe entiteiten, relaties en uitzonderingen op zodra deze worden ontdekt<\/strong> zonder dat er verdere database-migraties nodig zijn. Dit maakt het de ideale basis voor agentgebaseerde AI, waardoor autonome systemen zich kunnen ori\u00ebnteren op daadwerkelijke bedrijfslogica in plaats van op losjes met elkaar verbonden tekst.<\/p>\n

Hoofdstuk 2: Ontologie\u00ebn en semantisch beheer \u2014 Een definitie van wat het inhoudt<\/h2>\n

Het koppelen van Enterprise data is slechts de eerste stap; een grafiek zonder gedefinieerde structuur is in wezen onbruikbaar. Om betrouwbaar te zijn, heeft een kennisgrafiek een ontologie nodig. Een ontologie biedt het conceptuele schema: deze definieert wat de entiteiten zijn, hoe zij zich tot elkaar verhouden en welke operationele regels van toepassing zijn.<\/p>\n

De noodzaak van ontologie\u00ebn wordt overduidelijk wanneer men kijkt naar de beperkingen van standaard Retrieval-Augmented Generation (RAG). Op bedrijfsniveau raken vectorruimten overvol. Een notulenverslag van een vergadering, een Jira-ticket en een Slack-discussie over vergelijkbare projecten zullen voor een embeddingmodel wiskundig identiek lijken, waardoor de AI irrelevante of uit hun context gehaalde feiten ophaalt. De oplossing bestaat uit de overstap van RAG naar GraphRAG.<\/strong> Door de ontologie te gebruiken om het ophalen van informatie te structureren op basis van expliciete relaties, baseert GraphRAG de antwoorden van de AI op verifieerbare bedrijfsrelaties in plaats van louter oppervlakkige tekstovereenkomsten.<\/p>\n

Bovendien fungeren ontologie\u00ebn als een semantisch contract wanneer ondernemingen ongestructureerde inhoud (zoals PDF\u2019s en gesprekken) in gestructureerde kennispijplijnen opnemen. Ze bieden deterministische grenzen voor probabilistische LLM\u2019s. Een ontologie waarborgt de betrouwbaarheid van agenten met name op drie essenti\u00eble manieren:<\/p>\n

    \n
  • Het afdwingen van wat waar moet zijn:<\/strong> Ontologie\u00ebn kunnen acties aan strikte regels onderwerpen. Zo kunnen zij er bijvoorbeeld voor zorgen dat een agent een lening pas naar de status \u201cgoedgekeurd\u201d kan verplaatsen als alle vereiste documenten expliciet zijn gecontroleerd, waardoor overtredingen worden opgespoord voordat deze zich verder verspreiden.<\/li>\n
  • Het in realtime afleiden van nieuwe feiten:<\/strong> Als een ontologie een \u201cVIP-klant\u201d definieert als iemand met vijf voltooide bestellingen, leidt het systeem automatisch de status van een klant af en verhoogt deze zodra die vijfde bestelling is geplaatst. Dit zet onmiddellijk nieuwe agentgebaseerde workflows in gang op het moment dat aan de voorwaarde is voldaan, zonder dat daarvoor aangepaste applicatielogica nodig is.<\/li>\n
  • Beslissingen begrijpelijk maken:<\/strong> Wanneer een medewerker een lening afwijst of een ticket prioriteit geeft, is de verklaring niet langer \u201cdat zegt het model\u201d. De beslissing is terug te voeren op een gemeenschappelijke zakelijke terminologie die door menselijke teams gemakkelijk kan worden gecontroleerd en begrepen.<\/li>\n<\/ul>\n

    Hoofdstuk 3: Contextgrafieken en agentgebaseerde AI \u2014 Kennis omzetten in actie<\/h2>\n

    Terwijl kennisgrafieken en ontologie\u00ebn beschrijven wat er bestaat en welke regels daarop van toepassing zijn, Echte agentische systemen vereisen een dynamische, operationele context<\/strong>. Zij moeten weten wat er op dit moment gebeurt en hoe de organisatie zich in het verleden heeft gedragen.<\/p>\n

    Registratiesystemen zoals Salesforce, ServiceNow of Workday zijn uitstekend geschikt om de huidige stand van zaken vast te leggen, maar schieten fundamenteel tekort voor agentische AI. Een complexe operationele beslissing, zoals het oplossen van een incident, kan zich uitstrekken over GitHub-logs, monitoring van de implementatie en een uitgebreide Slack-discussie. In een registratiesysteem wordt alleen de uiteindelijke status \u201copgelost\u201d opgeslagen. De causale keten, de afwegingen en de historische precedenten gaan simpelweg verloren.<\/p>\n

    Dit is precies waar contextgrafieken een rol spelen. Een contextgrafiek legt de redenering achter beslissingen vast. Hierin worden beslissingen opgeslagen als volwaardige entiteiten die gekoppeld zijn aan de toegepaste beleidsregels, de toegestane uitzonderingen en de daaruit voortvloeiende resultaten. Een belangrijke constatering uit de whitepaper luidt als volgt:<\/p>\n

    \u201cSoftware die voor mensen is ontwikkeld, legt vast wat waar is. Software die voor agenten is ontwikkeld, moet vastleggen hoe het waar is geworden.\u201d<\/em> \u2013 Florence Benezit, partner bij Artefact<\/strong><\/p>\n

    Zonder deze laag is een AI-agent een stateloze redeneerder, die elke keer dat hij wordt aangeroepen volledig vanaf nul begint. Met een contextgrafiek kan de agent redeneren als een ervaren medewerker: hij kan verwijzen naar eerdere voorbeelden, begrijpen waarom er in het verleden een uitzondering werd gemaakt en de gevolgen voor latere stappen voorzien.<\/p>\n

    Om hun weg te vinden in dit nieuwe landschap moeten leidinggevende teams een duidelijk onderscheid maken tussen drie fundamentele lagen van de agentische onderneming:<\/p>\n

      \n
    • Kennisgrafieken:<\/strong> Breng in kaart wat het bedrijf weet (klanten, producten, regelgeving, afhankelijkheden). Dit is het gedeelde, stabiele model van de onderneming.<\/li>\n
    • Geheugengrafieken:<\/strong> Leg vast wat een agent zich herinnert (gebruikersvoorkeuren, eerdere interacties, episodische en semantische lessen die zijn geleerd). Dit zorgt ervoor dat de agent niet helemaal vanaf nul hoeft te beginnen.<\/li>\n
    • Contextgrafieken:<\/strong> Leg vast hoe de organisatie tot beslissingen komt (beslissingstrajecten, precedenten, toegepast beleid en redeneringspaden). Op deze manier wordt de redenering binnen de organisatie berekenbaar.<\/li>\n<\/ul>\n

      Samen zorgen deze drie lagen voor een omgeving waarin beslissingen in de loop van de tijd een cumulatief effect hebben. Uiteindelijk stelt dit een onderneming in staat om verder te gaan dan het louter vastleggen van activiteiten, en een echte \u201csimulator\u201d te cre\u00ebren die actief kan anticiperen op organisatorisch gedrag en de daaruit voortvloeiende gevolgen.<\/p>\n

      Conclusie: Waar moeten ondernemingen beginnen?<\/h2>\n

      Aangezien er zoveel theoretische grond te bestrijken valt, is de eerste vraag voor organisaties: waar moeten we beginnen? Het antwoord is dat men niet meteen moet proberen een omvangrijke, monolithische bedrijfsgrafiek op te bouwen. In plaats daarvan moeten organisaties strikt bij de workflow beginnen.<\/p>\n

      Zoek een terugkerende beslissing met grote gevolgen waarbij het juiste antwoord momenteel sterk afhankelijk is van de impliciete ervaring van senior medewerkers die de kloof tussen gefragmenteerde systemen overbruggen. Als de bottleneck bestaat uit versnipperde informatie, begin dan met het opzetten van een kennisgrafiek. Als de uitdaging ligt in de continu\u00efteit tussen AI-interacties, richt u dan op het geheugen. Als de hindernis ligt in het begrijpen van eerdere beslissingen en het controleren van de redenering, bouw dan een contextgrafiek op.<\/p>\n

      We gaan een tijdperk binnen waarin AI onmiskenbaar de overstap maakt van het beantwoorden van vragen naar het uitvoeren van concrete taken in de praktijk. Wie in dit nieuwe tijdperk als winnaar uit de bus komt, zal niet uitsluitend worden bepaald door rekenkracht. Uiteindelijk zal het komende decennium op het gebied van bedrijfs-AI niet worden gewonnen door de bedrijven met de beste modellen, maar door de bedrijven die hun agents de beste context bieden.<\/p>","protected":false},"excerpt":{"rendered":"

      We betreden een tijdperk waarin AI-agenten officieel de overstap hebben gemaakt van passieve assistenten naar zelfstandig besluitvormers. Van incidentafhandeling tot kredietgoedkeuringen: agenten doen nu aanbevelingen en co\u00f6rdineren werkzaamheden binnen complexe bedrijfssystemen. Deze ingrijpende verschuiving legt echter een cruciaal nieuw knelpunt bloot: context. <\/p>","protected":false},"featured_media":1323628,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[],"blog-language":[2991],"class_list":["post-1323627","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/1323627","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/1323628"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=1323627"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=1323627"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=1323627"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}