Laatst zag ik in een demo hoe een AI-agent een afspraak probeerde in te plannen. Hij vroeg om een tijd. Punt. Geen dossier, geen agenda, geen inzicht in eerdere mails. Resultaat: een bot die een vraag terugkaatste — en niets oploste. Een paar dagen later zag ik hetzelfde verzoek, maar dan met context: agenda-informatie, contactgeschiedenis, communicatiestijl en beschikbare tools. De bot plande direct een meeting met uitnodiging én bijlage. Het verschil? Niet het model, maar de context. Zoals wij in de workshops zeggen:
“Agent failures are context failures.”
Wat is context engineering?
Waar prompt engineering draait om het schrijven van de juiste vraag, richt context engineering zich op de wereld rondom die vraag. Welke informatie heeft het AI-model nodig om een taak écht goed uit te voeren? Welke tools mag het gebruiken? In welk format moet het informatie zien?
LangChain verwoordt het als volgt:
“Context engineering is building dynamic systems to provide the right information and tools in the right format such that the LLM can plausibly accomplish the task.”
En dat maakt het tot een vak apart. Geen extraatje voor techneuten, maar een cruciale succesfactor voor iedereen die AI wil inzetten in HBO onderwijs, beleid of studentondersteuning. Anderhalf jaar en meer met een team chatbots en agents maken voor het HBO onderwijs, bedrijfsleven en overheid: we hebben veel geleerd. Genoeg T-shirts and scars. We blijven leren. En we gaan door gelukkig, ons werk wordt als strategisch gezien, we krijgen ook budget voor 26 en 27.
Vier verhalen uit de onderwijspraktijk
1. De vergeten beoordelaar
Een team lanceerde een AI-tool die essays nakijkt. Mooie interface, duidelijke prompt, maar de terugkoppeling bleef vaag en algemeen. Pas toen we extra context toevoegden — zoals eerder werk van de student, de beoordeling rubrics en voorbeelden van succesvolle antwoorden — veranderde alles. De AI begon nuance te tonen, inhoudelijk sterkere feedback te geven. Niet omdat het model slimmer werd, maar omdat het eindelijk begrepen wat relevant was.
2. De verwaarloosde leerroute
Een opleiding probeerde adaptief leren met AI. De belofte was groot: persoonlijke oefenstof op basis van voortgang. Maar in praktijk voelde het willekeurig aan. De AI wist niets over de motivatie van de student, eerdere feedback of leerdoelen. Toen die context alsnog werd toegevoegd — inclusief notities van de coach en reflecties van de student — werd de leerervaring pas echt op maat.
3. De administratieve overbelasting
Een studentenbalie gebruikte AI om veelgestelde vragen af te handelen. Toch bleven studenten bellen en mailen, want de antwoorden klopten vaak nét niet. Wat ontbrak? Toegang tot actuele inschrijfdata, roosters en specifieke opleidingsregels. Nadat die informatie gestructureerd werd toegevoegd aan de context, daalde de werkdruk merkbaar. Studenten kregen nu heldere, actuele antwoorden, zonder dat de medewerkers er steeds tussen hoefden te komen.
4. De inclusieve chatbot die niemand begreep
Een chatbot voor studiekeuzebegeleiding werd gelanceerd met de beste intenties. Maar studenten haakten snel af. De reden? De AI sprak in beleidsjargon, zonder gevoel voor hun achtergrond of situatie. Toen we de context uitbreidden met veelgestelde vragen van eerdere studenten, taalgebruik uit intakegesprekken en persona’s van verschillende doelgroepen, veranderde de toon, en steeg het gebruik. De bot werd menselijker, bruikbaarder en vooral: begrepen.
Waarom context engineering de next big thing is
- Efficiëntie wint aan betekenis In plaats van eindeloos bijschaven aan prompts, richt je je op wat écht mist: welke informatie en tools maken het verschil in de taakuitvoering?
- Systeemdenken vervangt trial-and-error De valkuil van prompt engineering? Je optimaliseert lokaal, maar het systeem blijft suboptimaal. Context engineering kijkt naar het geheel: data, taken, interacties, formats.
- Geloofwaardigheid én betrouwbaarheid AI die werkt met juiste, transparante context bouwt vertrouwen op. Studenten voelen zich gehoord, docenten voelen zich ondersteund, organisaties voelen zich in controle.
Hoe begin je?
- Inventariseer je contextbronnen Welke systemen, tools en documenten bevatten al waardevolle informatie? Denk aan toetsmatrijzen, roosterdata, vorige feedbackrondes of leerdoelen.
- Ontwerp je context flow Bepaal wie wanneer welke informatie levert, en hoe je deze opschoont en structureert.
- Bouw klein, schaal slim Begin met één use case, bijvoorbeeld toetsfeedback of intake advies, en verfijn het context ontwerp per iteratie.
- Evalueer niet alleen op output, maar ook op context kwaliteit Is de input compleet, relevant, begrijpelijk? Voelt het systeem ‘aansluitend’? Vraag gebruikers ook om context feedback, niet alleen tevredenheid.
Conclusie
In een tijd waarin AI toegankelijker en krachtiger wordt, ligt het verschil niet langer in prompts of modellen, maar in de kwaliteit van de context.
Voor het HBO betekent dat: je AI-initiatieven verdienen systeemdenken. Niet alleen tools, maar regie. Niet alleen techniek, maar betekenis. Niet alleen pilots, maar impact.
Wil je dat AI echt iets toevoegt aan leren, begeleiden en organiseren? Begin dan met bouwen aan context. En vraag jezelf niet langer: “Wat moet ik het model vragen?”, maar: “Wat moet het model weten om mij écht te kunnen helpen?”