Context Graphs: de ontbrekende laag in Agentic AI

Een senior accountmanager vertrekt na vijftien jaar. In die periode heeft zij honderden deals gesloten, tientallen uitzonderingen onderhandeld en een netwerk opgebouwd dat precies weet hoe jouw organisatie werkt. Haar opvolger krijgt toegang tot het CRM, de contractdatabase en alle relevante systemen. Toch duurt het maanden voordat zij op hetzelfde niveau functioneert.

De reden? De systemen bevatten wel de uitkomsten van beslissingen, maar niet de redenering erachter. Niet de context waarin uitzonderingen werden gemaakt. Niet de precedenten die bepalen hoe vergelijkbare situaties worden afgehandeld.

Dit probleem wordt acuut nu organisaties AI-agents inzetten. Want een agent die alleen toegang heeft tot data, maar niet tot de besluitvormingsgeschiedenis van de organisatie, maakt dezelfde fouten als een nieuwe medewerker zonder begeleiding.

Het probleem

In gesprekken met organisaties van uiteenlopende omvang en sectoren herkennen wij een terugkerend patroon. Bedrijven investeren in AI, bouwen agents voor specifieke taken en lopen vervolgens tegen dezelfde muur aan: de agent doet technisch wat hij moet doen, maar mist het oordeelsvermogen dat ervaren medewerkers wel hebben. De oorzaak ligt niet in de technologie. De oorzaak ligt in wat organisaties nooit systematisch hebben vastgelegd: hoe beslissingen tot stand komen.

Neem een verzekeraar die een AI-agent inzet voor schadeafhandeling. De agent heeft toegang tot polisvoorwaarden, claimhistorie en alle relevante documenten. Toch escaleert hij cases die een ervaren medewerker direct zou afhandelen, en keurt hij claims goed waar een mens vraagtekens bij zou zetten.

Waarom? Omdat de ervaren medewerker weet dat bij klant X vorig jaar een vergelijkbare situatie speelde, dat de directie toen besloot coulant te zijn vanwege de langdurige relatie, en dat dit precedent sindsdien geldt voor vergelijkbare gevallen. Die kennis staat nergens. Het leeft in hoofden, in oude e-mailthreads, in de collectieve herinnering van het team.

Of neem een groothandel waar de salesafdeling werkt met complexe prijsafspraken. De standaardkorting is 12%, maar voor zorgorganisaties geldt 18% omdat hun inkooptrajecten langer duren. Voor klanten boven een bepaalde omzet is er ruimte voor maatwerkafspraken, mits goedgekeurd door een manager. En dan zijn er de historische uitzonderingen: klant Y kreeg ooit een speciale deal die nog steeds loopt.

Een AI-agent die offertes moet opstellen, ziet alleen het eindresultaat in het systeem: de uiteindelijke prijs. Hij ziet niet het pad ernaartoe. Niet wie wat heeft goedgekeurd, niet welk precedent gold, niet welke overwegingen meespeelden.

De oplossing

Foundation Capital introduceert twee concepten die dit probleem helder maken: decision traces en context graphs.

Een decision trace is het vastgelegde spoor van een beslissing: niet alleen de uitkomst, maar ook de inputs die werden meegewogen, het beleid dat werd toegepast, de uitzondering die werd gemaakt en de persoon die goedkeurde. Het is het verschil tussen weten wat er is besloten en begrijpen waarom.

Een context graph is de optelsom van al die sporen: een doorzoekbaar netwerk van beslissingen, verbonden aan klanten, producten, medewerkers en beleid. Het is, in essentie, het institutionele geheugen van de organisatie – maar dan gestructureerd en toegankelijk voor zowel mensen als AI-agents.

Urgentie

Zolang alleen mensen beslissingen namen, was het ontbreken van decision traces een inefficiëntie. Kennis zat in hoofden, nieuwe medewerkers leerden door ervaring, en het systeem werkte – zij het niet optimaal.

Met de komst van AI-agents verandert dit. Een agent kan niet leren door mee te lopen. Een agent kan niet even vragen aan een collega hoe iets vroeger is opgelost. Een agent is volledig afhankelijk van wat expliciet beschikbaar is.

Dit verklaart waarom veel organisaties teleurgesteld zijn in hun eerste AI-implementaties. De agent werkt volgens de regels, maar mist de nuance. Hij volgt het beleid, maar begrijpt niet wanneer een uitzondering gepast is. Hij heeft toegang tot alle data, maar niet tot de wijsheid die bepaalt hoe die data moet worden geïnterpreteerd.

Relevantie

Bij ai.nl en The Automation Group zien wij AI-agents niet als vervanging van menselijke oordeelskracht, maar als versterking ervan. De vraag is niet: hoe automatiseren we beslissingen weg? De vraag is: hoe maken we de collectieve wijsheid van onze organisatie toegankelijk voor iedereen – inclusief AI? Dit betekent dat succesvolle AI-implementatie begint met een fundamentelere vraag dan welke technologie u kiest. Het begint met: hoe legt de organisatie besluitvorming vast?

In de praktijk zien wij drie niveaus waarop organisaties hier nu mee kunnen beginnen:

- Niveau 1: Vastleggen bij uitzondering. Elke keer dat een medewerker afwijkt van standaardbeleid, leg vast waarom. Dit alleen al creëert een waardevolle database van precedenten.

- Niveau 2: Vastleggen bij goedkeuring. Wanneer een manager een beslissing accordeert, registreer niet alleen de uitkomst maar ook de redenering. Welke factoren wogen mee? Welk precedent gold?

- Niveau 3: Vastleggen in de workflow. Integreer decision traces in jouw agent-architectuur. Elke handeling die een agent voorstelt en een mens accordeert, wordt onderdeel van de context graph.

Wat dit betekent voor jouw organisatie

De organisaties die het meeste waarde halen uit AI-agents zijn niet per se de organisaties met de beste technologie of de grootste budgetten. Het zijn de organisaties die begrijpen dat een agent slechts zo goed is als de context die hij kan raadplegen.

Start met processen waar uitzonderingen de regel zijn. Juist in complexe processen – contractonderhandeling, klachtafhandeling, kredietbeoordeling – zit de meeste waarde in het vastleggen van besluitvorming. En juist daar maken agents het verschil wanneer ze toegang hebben tot voorheen niet vastgelegde informatie.

Zie de human-in-the-loop fase als investering. Veel organisaties beschouwen menselijke tussenkomst als een tussenstap naar volledige automatisering. Je kunt het het ook beschouwen als een kans om decision traces op te bouwen. Elke menselijke correctie op een agent-voorstel is een precedent voor de toekomst.

Kijk verder dan de agent zelf. De echte waarde van AI-agents zit niet in wat ze vandaag kunnen automatiseren, maar in het institutionele geheugen dat ze helpen opbouwen. Dat geheugen blijft waardevol, ongeacht welke technologie er over vijf jaar gebruikt wordt.

De volgende stap

Het concept van context graphs is nog jong, maar de onderliggende gedachte is dat niet. Succesvolle organisaties hebben altijd manieren gevonden om institutionele kennis te borgen en over te dragen. Wat verandert, is dat AI dit voor het eerst expliciet en doorzoekbaar maakt.

Voor ondernemers en bestuurders die nadenken over AI-strategie, is de boodschap helder: investeer niet alleen in agents, maar ook in de infrastructuur die agents effectief maakt. De technologie om beslissingen te nemen wordt steeds beter. De kunst is om de wijsheid van de organisatie toegankelijk te maken voor die technologie.

Dat is waar wij in geloven. En dat is waar wij organisaties mee helpen. Interesse? Vanuit ai.nl en The Automation Group adviseren organisaties over AI-strategie en ondersteunen bij implementatie. Wij combineren strategisch inzicht met technische hands-on expertise door Forward Deployed Engineers. Wij werken voor organisaties in diverse sectoren, van financiële dienstverlening tot logistiek, van zorg tot professional services.