De volgende AI-strijd gaat niet over het slimste model, maar over context
Waarom context nu belangrijker wordt dan het model
De reflex bij AI is nog steeds: welk model is het slimst? Dat is logisch, want benchmarks zijn makkelijk te vergelijken. Maar in dagelijks werk is dat steeds minder de echte vraag. Een goed model zonder context blijft wachten op uitleg. Je moet de mail plakken, de klant uitleggen, de juiste versie van het document aanwijzen, vertellen wat gisteren is besloten en erbij zeggen wat wel en niet gedeeld mag worden. Pas daarna kan het model iets nuttigs doen.
De video noemt dat de verschuiving van intelligentie naar context. Frontier intelligence komt misschien langzamer beschikbaar of wordt selectiever uitgerold. Tegelijk worden open modellen goedkoper en beter. Daardoor verschuift het voordeel naar de laag eromheen: wie heeft zijn werk, rechten, data en processen zo ingericht dat elk goed model direct kan meewerken?
Voor bedrijven is dat een veel praktischer discussie dan wachten op de volgende modelnaam. De waarde zit niet alleen in een chatbot die mooie antwoorden geeft. De waarde zit in een AI-systeem dat weet welke klant erbij hoort, welke status actueel is, welke acties toegestaan zijn en waar de grens ligt. Dat is precies waar veel organisaties nu nog vastlopen. Ze hebben tools, maar geen werkende contextlaag.
Apple, Claude en Codex laten dezelfde beweging zien
De voorbeelden uit de video lijken op het eerste gezicht los van elkaar te staan. Apple probeert Siri bruikbaar te maken door dichter bij berichten, agenda, foto’s, notities en appstatus te komen. Anthropic zet Claude in Slack, waar teams het model toegang kunnen geven tot geselecteerde kanalen, tools en codebases. Codex werkt juist vanuit bestanden, repositories en lokale werkcontext.
Onderliggend is het dezelfde productbeweging. AI moet niet alleen slimmer praten, maar dichter bij het werk komen. Bij Apple is dat persoonlijke context. Bij Claude is dat teamcontext. Bij Codex is dat file- en projectcontext. In alle drie de gevallen wordt de vraag: wat mag AI zien, wat mag AI onthouden, wat mag AI doen en hoe controleren we dat?
Dat maakt de contextlaag strategisch. Niet omdat elk bedrijf ineens een eigen AI-lab moet bouwen, maar omdat losse promptsessies te traag worden. Als een medewerker elke keer tien minuten nodig heeft om de situatie uit te leggen, verdwijnt het voordeel. Als dezelfde context netjes beschikbaar is binnen duidelijke grenzen, wordt AI veel normaler onderdeel van de workflow.
De bottleneck bij bedrijven is niet inspiratie maar governance
Veel bedrijven zijn voorbij de inspiratiefase. Ze hebben ChatGPT geprobeerd, ze hebben een paar interne prompts, iemand heeft een automation gebouwd en er zijn waarschijnlijk al mensen die klantmails of documenten in een AI-tool zetten. Het probleem is alleen dat dit vaak buiten het proces gebeurt.
Daar ontstaat risico. Niet omdat AI per definitie gevaarlijk is, maar omdat onduidelijk is welke data waarheen gaat, welke bron leidend is, wie de uitkomst controleert en wanneer een actie echt mag worden uitgevoerd. De video benoemt dat bij Slack-context heel scherp: bedrijfscontext is gedeeld, politiek, verouderd, half af en verspreid over meerdere plekken. Daar kun je geen blind vertrouwen op plakken.
De oplossing is niet om AI dan maar tegen te houden. De oplossing is een betere werkstructuur: permissies, logging, bronverwijzingen, duidelijke scope, menselijke goedkeuring waar nodig en automatisering waar het veilig kan. Dat klinkt minder spannend dan “het nieuwste model”, maar in de praktijk bepaalt dit of AI bruikbaar wordt of alleen een losse speeltuin blijft.
Wat dit betekent voor marketing en sales
Voor marketing en sales is dit extra relevant. Klantcontext is bijna altijd verspreid. Een lead komt binnen via een formulier, heeft misschien eerder een mailing geopend, is gekoppeld aan een campagne, heeft een offertegesprek gehad en staat ondertussen ook in een CRM. Als AI alleen de losse vraag ziet, mist het de helft.
Een goede contextlaag maakt opvolging veel scherper. Niet omdat AI dan agressiever verkoopt, maar omdat het beter begrijpt wat relevant is. Een bestaande klant vraagt iets anders dan een koude lead. Iemand die drie keer een artikel over AI-automatisering leest, vraagt een andere opvolging dan iemand die alleen een algemene homepage bezoekt. Een makelaar, dealer of B2B-dienstverlener heeft bovendien andere taal, zorgen en beslismomenten.
Daarom is dit voor Funnel Adviseur een sterk haakje. We verkopen niet “een AI-tool”. We bouwen routes waarin data, content, CRM, opvolging en automatisering samenwerken. De AI-laag wordt dan geen losse chatbot, maar een praktische assistent in het proces: lezen, samenvatten, signaleren, voorbereiden en pas handelen als de context klopt.
De praktische keuze: bouw een contextlaag in plaats van modelhoppen
De komende maanden zullen er weer nieuwe modelnamen komen. Sommige zijn beter in code, andere goedkoper, sneller of sterker in lange context. Dat blijft belangrijk. Maar voor de meeste bedrijven is modelhoppen geen strategie.
De betere vraag is: als we morgen van model wisselen, blijft ons systeem dan werken? Staat onze klantcontext netjes beschreven? Hebben we duidelijke rechten? Weten we welke bronnen leidend zijn? Kunnen we achteraf zien waarom een automation iets heeft voorgesteld? Zit er een menselijke rem op acties die impact hebben?
Wie dat goed regelt, wordt minder afhankelijk van de hypecyclus. Dan kun je GPT, Claude, Gemini, open modellen of gespecialiseerde tools inzetten waar ze het best passen. De context blijft van jezelf. Het model wordt vervangbaar.
Dat is de echte les uit deze video. De AI-strijd gaat niet alleen over intelligentie. Hij gaat over de laag die intelligentie toepast op echt werk. Bedrijven die die laag nu bouwen, halen meer uit elk model dat daarna komt.
