Het antwoord op de vraag hoe je betere resultaten uit AI haalt, ligt niet in het wachten op een nieuw model, maar in het verbeteren van de context die je aan het systeem geeft. Volgens Jeff Dean, voormalig Chief Scientist bij Google, is de kwaliteit van de informatie die je meestuurt met je vraag inmiddels belangrijker dan het model zelf. Dit betekent dat je met de tools die je nu hebt, direct betere output kunt krijgen door slimmer te werk te gaan.

Wat er aan de hand is

Jeff Dean, jarenlang een van de meest invloedrijke AI-onderzoekers ter wereld en voormalig Chief Scientist bij Google, heeft onlangs uitgelegd waarom hij gelooft dat context engineering steeds belangrijker wordt. Volgens hem verschuift de focus in de AI-wereld van het ontwikkelen van steeds grotere en krachtigere modellen naar het beter begrijpen en structureren van de informatie die aan die modellen wordt gegeven. De uitspraken van Dean, gepubliceerd via Search Engine Journal, wijzen op een fundamentele verschuiving: het is niet langer alleen de vraag welk model je gebruikt, maar vooral hoe je het model voedt met de juiste achtergrondinformatie, voorbeelden en instructies. Deze ontwikkeling is relevant voor elke ondernemer die AI gebruikt voor taken zoals het schrijven van teksten, het beantwoorden van klantvragen of het analyseren van data. De kern van zijn boodschap is dat een goed model met slechte context minder goede resultaten oplevert dan een minder goed model met uitstekende context.

Wat dit betekent

Voor Nederlandse ondernemers betekent dit dat de concurrentie niet langer draait om wie de duurste of nieuwste AI-tool heeft, maar om wie zijn processen het beste kan vertalen naar duidelijke instructies voor AI. Een bedrijf dat klantenservice automatiseert, kan bijvoorbeeld betere antwoorden genereren door het AI-systeem niet alleen de vraag te stellen, maar ook bedrijfsbeleid, productinformatie en veelvoorkomende klantproblemen mee te geven. Dit is een verschuiving van technologie naar vaardigheid: het vermogen om context te creëren wordt een kerncompetentie. Voor kleine bedrijven is dit goed nieuws, omdat het minder afhankelijk maakt van dure, geavanceerde systemen. Het betekent wel dat je moet investeren in het documenteren en structureren van je eigen kennis, zodat je die context aan een AI-systeem kunt voeden. De uitspraken van Dean suggereren dat bedrijven die hierin investeren, een voorsprong kunnen opbouwen die niet eenvoudig is in te halen door alleen een ander model aan te schaffen.

Hoe je dit kunt toepassen

Als je een webshop runt en AI gebruikt voor productbeschrijvingen, dan is de kans groot dat je teleurgesteld bent in de generieke teksten die het systeem produceert. Een mogelijkheid is om een document aan te maken waarin je de unieke kenmerken van je producten beschrijft, je doelgroep, je merkkernwaarden en voorbeelden van teksten die je eerder goed vond. Je zou dit document kunnen gebruiken als vaste context bij elke nieuwe schrijfopdracht. Overweeg om dit ‘merkkompas’ te creëren en het telkens opnieuw te gebruiken, zodat de AI niet alleen weet wat je verkoopt, maar ook hoe je het wilt vertellen.

Als je een team aanstuurt dat veel tijd kwijt is aan het opstellen van offertes of voorstellen, dan kun je AI inzetten om een eerste concept te maken. De valkuil is dat het concept vaak te algemeen is. Een optie is om een template te bouwen waarin je de vaste bedrijfsinformatie, je sterke punten en je prijsstructuur hebt opgenomen. Je zou het AI-systeem dan alleen nog de specifieke klantinformatie en de uitdaging van die klant hoeven te geven. Het resultaat is een concept dat direct bruikbaar is, omdat de context al volledig is ingebouwd.

Als je in de zorg werkt en AI gebruikt voor het samenvatten van patiëntendossiers of het opstellen van communicatie, dan is nauwkeurigheid cruciaal. Je zou kunnen overwegen om een strikt protocol op te stellen voor welke informatie altijd moet worden meegegeven, zoals relevante medische geschiedenis, allergieën en de voorkeuren van de patiënt. Een mogelijkheid is om een checklist te maken die je bij elke AI-opdracht gebruikt, zodat geen enkele essentiële context wordt vergeten. Overweeg om dit protocol te testen met een klein aantal dossiers en de output te vergelijken met de werkelijkheid, voordat je het op grotere schaal toepast.

Als je verantwoordelijk bent voor contentcreatie voor meerdere kanalen, zoals een blog, nieuwsbrief en social media, dan weet je dat elk kanaal een eigen toon vereist. Een manier om dit aan te pakken is door per kanaal een aparte set instructies en voorbeelden te maken die je als context meestuurt. Je zou kunnen beginnen met het verzamelen van je drie beste berichten per kanaal en deze als referentiepunt gebruiken. Het idee is dat de AI leert van deze voorbeelden en zo automatisch de juiste toon en stijl aanhoudt, zonder dat je dit elke keer opnieuw hoeft uit te leggen.

De praktische toepassing hangt af van jouw situatie, maar de kern is duidelijk: investeer in het vastleggen van kennis en het formuleren van duidelijke instructies. De kwaliteit van je AI-output wordt bepaald door de kwaliteit van de context die je levert.

Bron: Search Engine Journal