AI geeft collega’s verschillende antwoorden doordat hun gesprekken, geheugen, instructies, bestanden en modellen verschillen. Zelfs bij gelijke invoer kan de uitvoering variëren. Eén lijn krijg je met gedeelde, actuele bedrijfscontext, vaste beslisregels en controle op feiten en toezeggingen. Laat de formulering vrij waar dat helpt; leg vast welke bron en bevoegdheid ieder antwoord moet respecteren.
Door Bombos. Gepubliceerd op 17 november 2026. Bronnen gecontroleerd op 17 november 2026.
Voorbeeld: een klant vraagt of een bestelling nog gewijzigd kan worden. De binnendienst krijgt van ChatGPT een afwijzing, de klantenservice van Copilot een vriendelijke bevestiging. Beide teksten lezen goed. Maar de ene collega gebruikte een oude werkinstructie, de andere zag een eerdere uitzondering zonder de voorwaarden erbij. De klant heeft nu twee antwoorden van hetzelfde bedrijf.
Hieronder staan voorgestelde werkafspraken en fictieve voorbeelden. De technische verklaringen en productfuncties zijn onderbouwd met documentatie en onderzoek. De vergelijkingsproef en beoordelingsmatrices zijn ons advies, geen gemeten Bombos-resultaten.
Waarom geeft dezelfde AI twee collega’s verschillende antwoorden?
Het antwoord van een AI-assistent hangt af van meer dan de zichtbare vraag. Eerdere berichten, persoonlijke instructies, herinneringen en opgehaalde documenten kunnen meewegen. OpenAI beschrijft die verschillende persoonlijke contextbronnen in Memory in ChatGPT. Microsoft zegt bij generatieve antwoorden in Copilot Studio expliciet dat eerdere gesprekscontext herhaalde vragen kan beïnvloeden.
Maak bij de diagnose onderscheid tussen drie niveaus: andere invoer, een ander model en andere uitvoering. Het eerste kun je als team grotendeels organiseren. Het tweede vraagt een bewuste modelkeuze. Het derde verdwijnt niet door iedereen hetzelfde document te geven.
| Mogelijke oorzaak | Wat je bijvoorbeeld ziet | Wat je gericht kunt doen |
|---|---|---|
| Andere vraagformulering | De ene vraag stuurt op overtuigen, de andere op voorwaarden | Gebruik dezelfde taakomschrijving en vergelijk daarna parafrases |
| Andere gespreksgeschiedenis | Een eerdere uitzondering klinkt ineens als algemene regel | Begin de vergelijking in nieuwe gesprekken |
| Persoonlijke instructies of geheugen | Andere aanspreekvorm, voorkeur of veronderstelling | Controleer personalisatie en gebruik passende projectafscherming |
| Eigen uploads | Twee versies van dezelfde procedure | Wijs de geldige versie aan en verwijder oude kopieën uit de taakcontext |
| Andere rechten of zoekbronnen | Eén collega vindt het contract, de ander alleen de brochure | Vergelijk de gebruikte bronnen en de toegestane toegang |
| Ander model of andere modelversie | Andere afweging ondanks dezelfde stukken | Leg de beschikbare modelkeuze vast bij een vergelijking |
| Sampling of numerieke uitvoering | Verschillen blijven bestaan bij dezelfde zichtbare invoer | Herhaal de proef en beoordeel betekenis, niet alleen tekst |
Deze tabel is een diagnosehulp, geen ranglijst van oorzaken. Zonder vergelijking weet je niet welk aandeel elke factor in jullie verschil heeft. Twee collega’s brengen bovendien mogelijk verschillende factoren tegelijk mee; twee gesprekken van één collega houden diens persoonlijke instellingen vaker gelijk.
Ook kleine vormverschillen verdienen aandacht. Sclar en collega’s vonden in ICLR 2024 bij LLaMA-2-13B tot 76 procentpunt verschil in nauwkeurigheid tussen betekenisbehoudende promptopmaken met voorbeelden. Dat is een oudere benchmark met specifieke modellen en taken, geen voorspelling voor jullie klantmails. Het onderbouwt wel waarom een kleine promptwijziging een aparte vergelijking verdient.
Voorbeeld: vergelijk eerst letterlijk dezelfde opdracht over een wijzigingsverzoek. Vergelijk pas daarna “help deze klant” met “pas de wijzigingsvoorwaarden toe”. Anders onderzoek je tegelijk contextverschillen en een andere taakopvatting.
Welke onderdelen moeten gelijk zijn en wat mag verschillen?
Teamconsistentie betekent dat dezelfde relevante feiten tot dezelfde bevoegde uitkomst leiden. De begroeting, lengte en uitleg mogen verschillen. Prijsafspraken, voorwaarden, productclaims en toezeggingen moeten hun betekenis behouden. Dit is een ontwerpkeuze voor jullie werkproces; geen eis dat een taalmodel telkens dezelfde woorden produceert.
| Onderdeel | Wat vast moet staan | Welke ruimte helpt |
|---|---|---|
| Prijs en korting | Goedgekeurde prijsbron, toepasselijkheid en bevoegdheid | Uitleg van de opbouw |
| Levering | Bevestigde status en onderscheid tussen verwachting en toezegging | Volgorde en hoeveelheid toelichting |
| Retour of wijziging | Geldende voorwaarden en goedgekeurde uitzondering | Empathische formulering |
| Contract en juridische tekst | Vastgestelde tekst of betekenis, volgens de aangewezen eigenaar | Alleen vooraf toegestane toelichting |
| Producteigenschappen | Onderbouwde mogelijkheden en beperkingen | Voorbeelden passend bij de klant |
| Toon | Beleefdheid, aanspreekvorm en grenzen van de merkstem | Eigen woorden en passend taalniveau |
| Escalatie | Wanneer de AI stopt en wie beslist | Hoe de medewerker de vervolgstap uitlegt |
Voorbeeld: “We verwachten de levering vrijdag” en “Je ontvangt het vrijdag” lijken stilistisch verwant. De tweede zin maakt de zekerheid groter. Controleer dus niet alleen dat beide antwoorden vrijdag noemen, maar ook de modaliteit: verwacht, bevestigd, afhankelijk van of gegarandeerd.
Hetzelfde geldt voor ontbrekende voorwaarden. “Wijzigen kan na akkoord van de planning” is een ander antwoord dan “Wijzigen kan”. Een vergelijking op trefwoorden ziet in beide dezelfde handeling. Een bruikbare inhoudscontrole vraagt of toestemming, beperking en verantwoordelijke zijn blijven staan.
Wil je één passage letterlijk gelijk houden, bijvoorbeeld een vastgestelde clausule, voeg die dan als goedgekeurde tekst in. Laat de AI de omliggende uitleg schrijven. Zo vraag je geen creatieve herformulering op de plek waar je juist tekstuele gelijkheid nodig hebt.
Welke verschillen zou je klant prettig vinden, en bij welke verschillen moet hij opnieuw uitzoeken wat jullie werkelijk hebben afgesproken?
Helpt het om de temperatuur op nul te zetten?
Temperatuur nul is geen algemene garantie op identieke AI-antwoorden. Bij sampling kiest het model uit een kansverdeling over volgende tokens, de tekstfragmenten van een antwoord. Temperatuur beïnvloedt hoe sterk die keuze op waarschijnlijkere tokens wordt geconcentreerd. Bij nul wordt doorgaans de waarschijnlijkste voortzetting gekozen. Numerieke verschillen kunnen dan nog een andere keuze opleveren.
Thinking Machines Lab laat zien hoe veranderende batchgrootte, het samen verwerken van aanvragen, de rekenvolgorde en afronding kan beïnvloeden. Dat is geen uitwisseling van gegevens tussen gebruikers. Een klein verschil bij een tokenkeuze kan de rest van de tekst veranderen.
In hun proef met Qwen3-235B-A22B-Instruct-2507 leverden 1.000 antwoorden op één prompt bij temperatuur nul 80 unieke teksten op, bij een generatie van 1.000 tokens per antwoord. Met rekenfuncties die onafhankelijk waren van de batchgrootte waren alle antwoorden identiek. Diezelfde proef weerlegt dus ook dat taalmodellen principieel nooit herhaalbaar kunnen zijn.
Het experiment betreft die modelopstelling, geen algemeen percentage voor ChatGPT of Copilot. Ons advies: optimaliseer voor inhoudelijke juistheid en controleerbare besluiten; eis alleen woordelijke herhaalbaarheid waar de taak die nodig heeft. Dat advies is onze afweging, niet de conclusie van de onderzoekers.
Voorbeeld: voor een goedgekeurde standaardpassage kies je vaste tekst. Voor een klantuitleg mag variatie blijven, zolang de feiten en voorwaarden kloppen. Vraag een ontwikkelaar bij een eigen toepassing de ondersteunde generatie-instellingen vast te leggen. Een temperatuurinstelling vervangt de broncontrole niet: twee identieke antwoorden kunnen identiek onjuist zijn.
Waarom is één lijn belangrijk voor de klant?
Voor klantcommunicatie betekent één lijn dat een collega verder kan gaan waar een ander gebleven is. Richt de context daarom in rond de klant en diens afspraken, naast de algemene bedrijfsregels. Een consistente standaardprocedure is onvoldoende wanneer voor deze order aantoonbaar iets anders is afgesproken.
Voorbeeld: een klant heeft al uitgelegd waarom een wijziging nodig is. De volgende collega hoeft niet dezelfde verontschuldiging te gebruiken. Hij moet wel weten dat de aanvraag loopt, wie toestemming moet geven en wat eerder aan de klant is beloofd. Daarmee behandel je het contact als één doorlopend gesprek.
Maak bij het beoordelen van antwoorden de overdracht zichtbaar. Staat de bestaande afspraak erin? Wordt de klant opnieuw om dezelfde informatie gevraagd? Wordt een eerdere toezegging herroepen zonder uitleg? Dit zijn bruikbare beoordelingsvragen, ook wanneer beide teksten afzonderlijk vriendelijk en foutloos lijken.
Presenteer dat niet als een bewezen effectpercentage op klantvertrouwen. Onderzoek naar AI-antwoordvariatie meet niet automatisch wat een klant bij zo’n overdracht ervaart. De praktische norm hier is eenvoudiger: de klant moet zijn dossier niet zelf tussen jullie collega’s hoeven dragen.
Als deze klant morgen een andere collega treft, welke kennis zou hij dan vanzelfsprekend aanwezig verwachten?
Hoe ontdek je of het verschil door context of door het model komt?
Onderzoek verschillen tussen collega’s met een gecontroleerde vergelijkingsproef: houd de klantvraag en de goedgekeurde informatie gelijk, verander één factor tegelijk en herhaal elke situatie in een nieuw gesprek. Je krijgt daarmee aanwijzingen voor de oorzaak. Je bewijst niet welke verborgen interne berekening een leverancier uitvoerde.
Gebruik een fictief dossier of een dossier dat voor deze toepassing gebruikt mag worden. Schrijf vooraf de juiste uitkomst op, inclusief de voorwaarden en de reden om eventueel te escaleren. Anders wordt de meest overtuigende tekst ongemerkt het antwoord waarmee je de andere vergelijkt.
Voorbeeld van een proefopzet:
- Leg de beginsituatie vast. Noteer tool, zichtbare modelkeuze, project of agent, vraag, personalisatie en gebruikte documenten. Bewaar beide antwoorden.
- Vergelijk nieuwe gesprekken. Geef beide collega’s dezelfde taaktekst en dezelfde goedgekeurde dossierinformatie. Laat andere uploads en webzoeken buiten deze vergelijking.
- Beperk persoonlijke context. Gebruik waar mogelijk een afgeschermd gedeeld project of schakel de relevante personalisatie voor de proef uit. Noteer wat je werkelijk kon uitschakelen.
- Vergelijk bronnen en toegang. Vraag welke passages het besluit dragen en controleer ze zelf. Hetzelfde document noemen is onvoldoende als verschillende passages zijn gebruikt.
- Voeg factoren afzonderlijk terug. Eerst persoonlijke instructies, daarna bijvoorbeeld dossierzoekwerk of een andere formulering. Begin elke vergelijking opnieuw.
- Herhaal en wissel pas daarna van model. Meerdere uitvoeringen laten zien of één afwijking terugkomt. Vergelijk modellen met hetzelfde dossier en dezelfde beoordeling.
Voorbeeld van een eerste verkenning: kies tien verschillende gevallen en laat iedere collega elk geval vijf keer uitvoeren. Bepaal vooraf welke fouten tot afkeuring leiden, zoals een onbevoegde toezegging of het weglaten van een verplichte voorwaarde. Deze proefomvang biedt geen statistische garantie.
Verandert de uitkomst zodra een oude upload terugkomt, dan heb je een gerichte aanwijzing voor versieconflict. Verschilt het antwoord omdat één collega de contractbijlage niet mag lezen, dan is dat een toegangsprobleem. Geef die collega niet automatisch ruimere rechten; regel een bevoegde overdracht.
Blijft het verschil bij gelijkgemaakte zichtbare omstandigheden bestaan, dan is uitvoeringsvariatie een mogelijkheid. Ook verborgen instructies, routering of niet-zichtbare instellingen zijn daarmee niet uitgesloten. Noem het geen bewezen samplingprobleem op grond van twee schermafbeeldingen.
Weet je bij jullie laatste tegenstrijdige antwoord welke stukken beide assistenten werkelijk tot hun beschikking hadden?
Wat delen ChatGPT, Claude, Copilot en Gemini werkelijk met het team?
ChatGPT, Claude, Copilot en Gemini hebben voorzieningen om instructies of kennis te delen. Dat is iets anders dan ieders persoonlijke geheugen samenvoegen. Kies voor een terugkerende taak bewust het gedeelde project, de gedeelde agent of de herbruikbare instructies die bij jullie product en account passen.
| Omgeving | Gezamenlijke basis | Belangrijke grens |
|---|---|---|
| ChatGPT | Gedeeld project met chats, bestanden en projectinstructies | Projectcontext geldt binnen dat project |
| Claude | Gedeelde projectkennis en projectinstructies; daarnaast Skills | Een correctie in een chat is niet vanzelf gedeelde projectkennis |
| Microsoft Copilot | Een gedeelde agent met ingestelde kennisbronnen | Persoonlijke herinneringen en toegang blijven apart te beoordelen |
| Gemini | Gedeelde Gem of beschikbare Skills, afhankelijk van product en account | Workspace-instructies en Gemini Apps-instructies synchroniseren niet |
ChatGPT: gebruik het gedeelde project bewust
Volgens OpenAI, Projects in ChatGPT gebruiken gedeelde projecten automatisch project-only memory. Ze hebben geen toegang tot persoonlijke herinneringen, instructies of context van leden buiten het project. Projectinstructies gelden binnen het project en gaan daar vóór de algemene persoonlijke instructies.
Dat is een concrete oplossing voor verschillen door persoonlijke context. Ze geldt niet automatisch voor gewone chats buiten het project. Houd het werk waarvoor dezelfde basis nodig is dus daadwerkelijk binnen die gedeelde omgeving.
Een bestaande aangepaste GPT bevat herbruikbare instructies en bronnen, maar is geen reden om nu ieder teamlid een eigen kopie te geven. OpenAI plant de beëindiging van aangepaste GPT’s op 11 december 2026. Voor FedRAMP en bepaalde Enterprise-werkruimten met goedgekeurd uitstel geldt 11 februari 2027. Migratie naar een plugin vraagt controle; eigen acties gaan niet automatisch mee. Beschikbaarheid en planning volgen de melding van het account.
Claude: zet teamregels in de gedeelde kennis
Volgens Anthropic, Projects beheren kun je op Team en Enterprise projecten delen. Projectinstructies gelden voor alle chats in het project. De pagina waarschuwt dat context tussen chats niet wordt gedeeld tenzij de informatie in de projectkennis staat. Claude beschrijft daarnaast projectgeheugen en een instelling om accountgeheugen buiten te sluiten. Daaruit volgt geen garantie dat elke persoonlijke correctie teambeleid wordt.
Skills in Claude bieden herbruikbare kennis en werkwijzen en kunnen binnen organisaties beschikbaar worden gesteld. Controleer de activering en beheerinstellingen. Een beschikbare vaardigheid en een toegepaste vaardigheid zijn verschillende dingen. De inrichting van projecten staat uitgebreider in Claude Projects delen met je team.
Copilot: deel de agent, onderzoek de rechten
Microsoft beschrijft personalisatie en geheugen als preview. Herinneringen, afgeleide chatdetails en persoonlijke instructies staan in de Exchange-mailbox van de gebruiker. Dat is een andere laag dan een agent met gezamenlijke bronnen.
Agent Builder ondersteunt delen met collega’s; Microsoft onderscheidt dat van organisatiebrede uitrol en andere kanalen. Bij Copilot Studio-kennisbronnen zoals SharePoint kan de toegang van de vragende gebruiker bepalen wat beschikbaar komt. Eén agent betekent daardoor niet dat iedereen dezelfde vertrouwelijke stukken mag zien.
Gemini: verwar Workspace niet met Gemini Apps
Google biedt gedeelde Gems. Gebruikers met toegang kunnen de instructies en toegevoegde bestanden bekijken. Volgens de overgangsplanning van Gems naar Skills verschilt de overgang per account: persoonlijke accounts vanaf november 2026, zakelijke Workspace-accounts in maart 2027. Trek dus geen conclusie voor het hele bedrijf op basis van iemands privéaccount.
De afzonderlijke Gemini Enterprise Business Edition heeft al Skills met deel- en beheerfuncties. Dat bewijst geen beschikbaarheid in elke Workspace-editie. Bovendien zijn persoonlijke instructies in Workspace gescheiden van Gemini Apps. Noteer daarom ook waar je Gemini gebruikt, bijvoorbeeld in Gmail of in de Gemini-app.
Voorbeeld: kies voor wijzigingsverzoeken één gedeelde werkomgeving met een eigenaar. Laat collega’s dezelfde taak daar uitvoeren voordat je een platformmigratie overweegt. De werkafspraken zelf staan bij AI-afspraken in een team; de afweging rond losse kopieën bij iedereen zijn eigen GPT: goed idee?.
Welke bedrijfscontext moet onder alle AI-tools hetzelfde blijven?
De gedeelde bedrijfscontext moet per gegeven vastleggen welke bron leidend is, voor wie de regel geldt en wie bij een conflict beslist. Eén lijn vraagt geen kopie van het hele bedrijf in elke chat. Ze vraagt de juiste, toegestane informatie bij de actuele taak. Dat past bij context engineering zoals Anthropic het beschrijft: bepalen welke context het model voor zijn volgende stap nodig heeft.
Voorbeeld van een bronverdeling, aan te passen aan jullie systemen:
| Gegeven | Aan te wijzen bron | Wat erbij moet staan |
|---|---|---|
| Actuele prijs of korting | Goedgekeurd prijsregister of offertesysteem | Product, klantafspraak en geldigheidsperiode |
| Leverstatus | Order- of planningssysteem | Tijdstip en status: verwacht of bevestigd |
| Klantspecifieke afspraak | Contract, orderbevestiging of vastgelegde goedkeuring | Reikwijdte, bevoegd akkoord en eventuele einddatum |
| Procedure | Beheerde kennisbank | Eigenaar, versie en ingangsdatum |
| Juridische passage | Vastgesteld tekstregister | Geldende tekst en aangewezen beoordelaar |
| Eerder klantcontact | Bevoegd toegankelijk dossier of correspondentie | Wie wat zei, en of het een besluit of verzoek was |
Een mailboxbericht met “kunnen we een uitzondering maken?” is geen goedgekeurde uitzondering. Een recente brochure is niet vanzelf leidend boven een ouder, nog geldig contract. Laat actualiteit, toepasselijkheid en bevoegdheid afzonderlijk beoordelen. Een simpele instructie “gebruik het nieuwste document” mist dat onderscheid.
Voorbeeld: de procedure zegt dat een wijziging na vrijgave niet kan. In het dossier staat een goedgekeurde uitzondering voor één order. Bewaar die beperking bij de uitzondering. Een andere order valt terug op de gewone procedure; een vraag zonder ordernummer vraagt eerst om identificatie.
Voorbeeld van contextlevering: bij een wijzigingsverzoek identificeert de toepassing eerst de klant en de order, controleert de toegangsrechten en haalt de actuele orderstatus op. Vervolgens kiest zij de toepasselijke procedure en een eventuele goedgekeurde uitzondering, met bron en geldigheid erbij. Alleen die relevante informatie gaat naar de agent. Ontbreekt informatie die nodig is om te beslissen, dan vraagt de agent erom of draagt hij het verzoek over aan een bevoegde medewerker.
Webzoeken kan helpen bij publieke productinformatie of marktonderzoek. Spreek voor interne voorwaarden af dat alleen aangewezen bedrijfsbronnen de beslissing dragen. Microsoft’s broninstellingen voor Copilot Studio laten bovendien een grens zien: het uitschakelen van antwoorden zonder bron garandeert niet dat algemene modelkennis nooit in een antwoord wordt verwerkt. Controleer de inhoud naast de instelling.
Leg de basis één keer vast, met verwijzingen naar de systemen die eigenaar blijven van hun gegevens. De praktische uitwerking staat in bedrijfscontext vastleggen voor AI. Versies en verversing komen aan bod in bedrijfskennis van je GPT of Copilot actueel houden.
Als jullie contract, mailbox en werkinstructie elkaar tegenspreken, weet een nieuwe collega dan welke bron voor dit geval voorgaat?
Welke instructie helpt zonder schijnzekerheid te geven?
Een gezamenlijke AI-instructie helpt wanneer zij het antwoordproces beschrijft: identificeer het geval, raadpleeg de aangewezen bron, controleer de voorwaarden en leg ontbrekende informatie voor. Een stijlgids kan dat aanvullen. “Wees consequent en klantgericht” bepaalt nog niet of de wijziging is toegestaan.
Onderstaand invulbaar voorbeeld van een antwoordcontract legt vast wat een concept moet bevatten. Het is een voorstel voor jullie werkwijze, geen technische beveiliging.
Taak: bereid een antwoord voor op [soort klantvraag].
Geval: gebruik [klant-, order- of dossierkenmerk]. Vraag het ontbrekende kenmerk voordat je een klantspecifiek besluit formuleert.
Bronnen: gebruik [aangewezen bron per gegeven]. Controleer geldigheid en toepasselijkheid. Leg bronconflicten voor aan [eigenaar].
Vaste inhoud: behoud [feiten, voorwaarden, bevoegdheden en goedgekeurde passages]. Maak van een verwachting geen toezegging.
Vrije formulering: pas [aanspreekvorm, taalniveau en lengte] aan zonder nieuwe rechten of beloften toe te voegen.
Bij ontbrekend bewijs: benoem wat ontbreekt en stel de vraag of draag over aan [rol]. Vul geen prijs, toestemming of leverzekerheid in.
Interne onderbouwing: geef gebruikte bron, relevante passage, versie of datum en reden voor de voorgestelde uitkomst. Zet deze toelichting apart van de klanttekst.
Goedkeuring: een bevoegde medewerker controleert het besluit en keurt het externe antwoord goed.
Voorbeeld: de AI vindt wel de procedure maar geen orderstatus. Het passende concept is dan een verzoek om de ontbrekende controle, zonder alvast wijziging te bevestigen. Voeg twee goedgekeurde voorbeelden toe: één waarin wijzigen mag en één waarin dezelfde vriendelijke toon een afwijzing begeleidt. Zo laat je zien dat klantvriendelijkheid geen toestemming betekent.
Een tekstinstructie is onvoldoende als de toepassing technisch onbevoegd kan handelen. Laat bij een eigen agent ook de beschikbare handelingen en goedkeuringsstap aansluiten op het contract. Wie alleen concepten voorbereidt, heeft voor die taak geen zelfstandig verzendrecht nodig.
Hoe meet je of antwoorden inhoudelijk op één lijn zitten?
Meet teamconsistentie afzonderlijk op feiten, beleidsuitkomst, toezeggingen, brongebruik, toon en escalatie. Vergelijk ieder antwoord met de vooraf vastgestelde juiste behandeling. Alleen antwoorden onderling vergelijken mist de situatie waarin iedereen dezelfde fout maakt. NIST AI RMF Core ondersteunt taakgerichte evaluatie, documentatie en doorlopende beoordeling; het schrijft geen universele teamconsistentiescore voor.
Een veelgenoemd cijfer vraagt precisie. Washington State University beschrijft onderzoek met 719 zakelijke onderzoekshypotheses, telkens tien identieke vragen. De samenvatting noemt 73% consequent correct beoordeelde uitspraken. Dat is geen percentage identieke teksten, geen algemene betrouwbaarheid van ChatGPT en geen meting van jullie klantenservice.
Voorbeeld van een beoordelingsmatrix voor wijzigingsverzoeken:
| Onderdeel | Concrete controlevraag | Voorbeeld van een fout |
|---|---|---|
| Feiten | Kloppen product, order en status? | Verkeerde order behandeld |
| Regel | Geldt de juiste procedure voor dit geval? | Oude regeling toegepast |
| Toezegging | Blijven zekerheid en voorwaarden intact? | Verwachting als garantie geschreven |
| Bron | Draagt de aangehaalde passage het besluit? | Juiste titel, verkeerde uitzondering |
| Bevoegdheid | Is de benodigde toestemming aanwezig? | Zelf een uitzondering toegekend |
| Toon | Past de uitleg bij klant en merk? | Verwijtende afwijzing |
| Escalatie | Wordt ontbrekend of strijdig bewijs voorgelegd? | Toch beslist zonder orderstatus |
Neem gewone gevallen én grensgevallen op: ontbrekende gegevens, twee strijdige documenten, een geldige uitzondering, een verlopen uitzondering en een gebruiker zonder toegang tot het contract. Formuleer dezelfde intentie ook op verschillende manieren. Je wilt weten of de werkwijze overeind blijft wanneer een collega normaal Nederlands gebruikt.
Rapporteer twee uitkomsten apart: het aandeel inhoudelijk juiste antwoorden en het aandeel herhalingen zonder tegenstrijdige besluiten. Houd daarnaast kritieke fouten apart bij. Een mooie gemiddelde score mag een onbevoegde toezegging niet verbergen. Noteer bij elk resultaat de taak, versies, bronnen, herhalingen en beoordelaar; zonder die gegevens zijn twee percentages moeilijk vergelijkbaar.
Exacte tekstvergelijking keurt veilige parafrases af. Een beoordeling op algemene betekenis kan juist een verdwenen voorwaarde missen. Controleer daarom ook expliciet de verplichte inhoudselementen. Laat een vakinhoudelijk verantwoordelijke verschillen beoordelen; overeenstemming tussen meerdere modellen is op zichzelf geen bewijs tegen de bedrijfsbron.
Zou jullie huidige kwaliteitscontrole een vriendelijke, overtuigende mail afkeuren zodra één noodzakelijke voorwaarde ontbreekt?
Hoe wordt een correctie van één collega kennis voor iedereen?
Een correctie wordt teamkennis wanneer iemand vastlegt wat er is geleerd, voor welke gevallen dat geldt en wie de wijziging goedkeurt. Bewaar de aanleiding naast de regel. Daarmee kun je later onderscheiden of het om een algemene werkwijze, een klantspecifieke afspraak of een eenmalig besluit ging.
Voorbeeld: een medewerker verbetert “de bestelling kan niet meer gewijzigd worden” naar “de planning mag nog beslissen zolang de productie niet is gestart”. Leg vervolgens vast:
- Aanleiding: een te stellige afwijzing bij een nog niet gestarte order.
- Regel: controleer de productiestatus en vraag zo nodig toestemming aan de planning.
- Reikwijdte: de aangewezen productgroep en orderfase.
- Bewijs en eigenaar: goedgekeurde procedure, met verantwoordelijke en ingangsdatum.
- Begrenzing: geen wijziging bevestigen voordat het vereiste akkoord er is.
Werk de gedeelde bron bij en beoordeel daarna ook een geval waarin de productie al gestart is. Alleen de oorspronkelijke mail opnieuw proberen laat niet zien of de nieuwe regel te ruim werd. Bewaar de vorige versie voor vergelijking en herstel, maar bied haar niet als gelijkwaardige actuele instructie aan.
Dit is de beheerstap achter leren van feedback. Een klik op “goed antwoord” bewijst niet welke zin correct was. Een medewerker kan de toon waarderen terwijl de voorwaarden niet zijn gecontroleerd. Laat feedback daarom aangeven wat werd gecorrigeerd: feit, bron, bevoegdheid of formulering.
Wie de verantwoordelijkheid en het bredere gebruik wil vastleggen, kan verder bij AI-beleid opstellen. Voor deze pagina is de kern: de les moet terechtkomen waar de volgende bevoegde collega en diens assistent haar kunnen gebruiken.
Welke correctie geven jullie inmiddels voor de derde keer, omdat de les in één gesprek is blijven staan?
Wanneer is een gedeeld project genoeg en wanneer helpt een aparte geheugenlaag?
Een gedeeld project of een gedeelde agent is een goed startpunt als de taak binnen één omgeving blijft, de bronnen beheersbaar zijn en een eigenaar wijzigingen bijhoudt. Een aparte geheugenlaag wordt relevant wanneer dezelfde bedrijfsregels in meerdere tools nodig zijn en het overnemen van correcties tussen die tools werk blijft kosten.
De sterkste tegenwerping tegen zo’n extra laag is concreet: de bestaande tools delen al context en hebben al koppelingen. OpenAI biedt bijvoorbeeld een SharePoint-app die toegankelijke werkbestanden doorzoekt. Copilot Studio kan SharePoint, Dataverse en andere gekoppelde bedrijfsbronnen gebruiken. “Iedereen heeft zijn eigen chatbot” betekent dus niet dat een extra product noodzakelijk is.
Voorbeeld: blijft alle klantenservice in één Copilot-agent en staat de geldige procedure beheerd in SharePoint, verbeter dan eerst die inrichting. Als dezelfde uitzondering daarna ook nodig is bij offertes in Claude en ontwikkeling in een eigen agent, onderzoek dan welke context gezamenlijk moet worden aangeboden. Dat is onze beslisgrens, geen vergelijkend effectonderzoek van de leveranciers.
Ook één platform kiezen kan beheer vereenvoudigen. Het heft persoonlijke context, verschillende rechten of uitvoeringsvariatie niet vanzelf op. Omgekeerd hoeft gebruik van verschillende modellen geen inhoudelijke tegenspraak op te leveren als zij aantoonbaar dezelfde geldige regels respecteren.
Een geheugenlaag vraagt zelf beheer van toegang, bronconflicten en geldigheid. Ze lost onbeslist bedrijfsbeleid niet op. Als de leiding geen eenduidige regel kan geven, organiseer dan eerst dat besluit. Meer context zonder duidelijk eigenaarschap geeft de assistent vooral meer materiaal om tussen te kiezen.
Hoe doet Bombos dit?
Bombos is de geheugenlaag onder de AI-tools die je team al gebruikt. Jij leert van de AI. Maar de AI niet van jou. Met Bombos wel. Voor deze vraag betekent dat: bedrijfscontext bewaren en het relevante deel bij de taak aanleveren, zodat de assistent van een collega dezelfde afspraken kan meenemen.
Het uitgangspunt is één bedrijfsgeheugen onder de tools, met kennis over hoe jullie werken. Een correctie hoort daarmee verder te komen dan de chat waarin zij ontstond. Bij wijzigingsverzoeken gaat het bijvoorbeeld om de geldende procedure, de betekenis van een orderstatus en de grens waar toestemming nodig is. Het bronsysteem blijft leidend voor het actuele gegeven.
Dat is onze productbeschrijving, geen garantie op identieke of foutloze antwoorden. Welke koppeling voor jullie tools beschikbaar is en welke context zij kan aanleveren, bespreken we aan de hand van jullie taak. Waar de AI handelt, is menselijke goedkeuring de standaard. Die grens kan alleen op verzoek van de klant en op eigen risico worden uitgezet.
We nemen je mee in het vastleggen van de eerste taak en de controle, zodat jullie het daarna zelf kunnen. Eén persoon kan beginnen met de plugin voor zijn eigen agents en vervolgens laten zien welke kennis het team samen nodig heeft.
Wat kan dit artikel niet vaststellen?
Dit artikel kan niet vaststellen hoeveel van jullie antwoordverschillen door geheugen, modellen, rechten of uitvoering ontstaat. Daarvoor is de beschreven vergelijking met jullie taak nodig. De aangehaalde experimenten meten specifieke modellen en onderzoekstaken. De productdocumentatie beschrijft functies, geen gemeten verbetering van Nederlandse teams.
Ook volgt uit die documentatie geen universeel consistentiepercentage of causaal effect op klantvertrouwen. Een gedeelde bron garandeert geen juiste interpretatie. De voorgestelde matrices zijn een manier om die grens zichtbaar te maken, met een bevoegde medewerker die beslist wat correct is.
Voorbeeld: twee tools noemen dezelfde procedure maar behandelen een uitzondering anders. Zonder het dossier en de geldige bevoegdheid kun je niet uit de teksten alleen bepalen welke gelijk heeft. Los dat geval inhoudelijk op voordat je het als modelvoorkeur of toonverschil registreert.
Welke vragen stellen teams hier vaak over?
De keuze voor één model, één prompt of een extra hulpmiddel volgt uit de taak en de oorzaak van de verschillen. Begin daarom met de gezamenlijke bronnen en de gewenste uitkomst, en vergelijk vervolgens wat de bestaande omgeving daarmee doet.
Moeten alle collega’s hetzelfde AI-model gebruiken?
Voor een diagnose helpt een gelijke modelkeuze. Voor het dagelijks werk is de eis dat de gebruikte modellen de juiste bedrijfsbronnen, voorwaarden en bevoegdheden respecteren. Vergelijk de uitkomsten voordat je een overstap besluit.
Is één gedeelde prompt voldoende?
Een gedeelde prompt legt de taak gelijk vast. Hij houdt documenten, toegangsrechten, persoonlijke context en de modeluitvoering niet automatisch gelijk. Gebruik hem naast bronbeheer en inhoudelijke controle.
Moet het persoonlijke geheugen helemaal uit?
Dat hoeft niet voor iedere taak. Scherm taken met bindende bedrijfsafspraken passend af. Gedeelde ChatGPT-projecten doen dat met project-only memory; andere producten hebben hun eigen instellingen en grenzen.
Waarom spreken twee antwoorden met dezelfde bron elkaar toch tegen?
Ze kunnen andere passages, voorwaarden of klantgegevens gebruiken. Controleer de dragende passage en de toepasselijkheid. Een bronverwijzing is het begin van verificatie, geen bewijs dat het besluit klopt.
Kunnen we dit eerst zonder extra software oplossen?
Ja. Begin met één taak, de bestaande gedeelde omgeving, een broneigenaar en een inhoudelijke vergelijking. Onderzoek een aparte laag wanneer dezelfde kennis daarna nog tussen tools of personen verloren gaat.
Plan je half uur: we kijken samen welke context jullie AI nodig heeft om collega’s dezelfde afspraken te laten volgen. Kosteloos, en het plan houd je, ook zonder Bombos.
Bronnen
- OpenAI: Memory in ChatGPT. Actuele productdocumentatie over persoonlijke context en beschikbaarheid.
- Microsoft Learn: AI-based agent authoring overview. Generatieve antwoorden en invloed van gesprekscontext.
- Sclar, Choi, Tsvetkov en Suhr, ICLR 2024: Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design. Betekenisbehoudende promptopmaak in specifieke benchmarks.
- Thinking Machines Lab, Horace He, 10 september 2025: Defeating Nondeterminism in LLM Inference. Sampling, batchafhankelijkheid en de Qwen3-proef.
- OpenAI: Projects in ChatGPT. Gedeelde context en project-only memory.
- OpenAI: Custom GPT retirement and migration FAQ. Geplande beëindiging, uitzonderingen en migratie naar plugins.
- Anthropic, Claude Help Center: How can I create and manage projects?. Delen, instructies, projectkennis en geheugeninstellingen.
- Anthropic, Claude Help Center: Use skills in Claude. Herbruikbare werkwijzen en organisatie-instellingen.
- Microsoft Learn: Manage Copilot personalization and memory. Previewstatus en opslag van persoonlijke context.
- Microsoft Learn: Share and manage agents built in Agent Builder. Delen tegenover bredere uitrol.
- Microsoft Learn: Knowledge sources summary, Copilot Studio. Bronnen, gebruikersrechten en grenzen van broninstellingen.
- Google, Gemini Apps Help: Share a Gem. Deelbare instructies en bestanden.
- Google, Gemini Apps Help: About the transition from Gems to skills. Planning per accounttype.
- Google, Gemini Enterprise Business Edition Help, 26 augustus 2026: Create and manage Skills. Beschikbaarheid, delen en beheermogelijkheden in deze editie.
- Google, Chat Help: Customize Gemini in Workspace’s responses with your instructions. Scheiding tussen Workspace en Gemini Apps.
- Anthropic, 29 september 2025: Effective context engineering for AI agents. Selectie van context voor agenttaken.
- NIST: AI RMF Core. Evaluatie, meetmethoden, documentatie en feedback.
- Washington State University, Shawn Vestal, 16 maart 2026: AI gets a D: Study shows inaccuracies, inconsistency in ChatGPT answers. Institutionele samenvatting van onderzoek naar herhaalde beoordeling van hypotheses.
- OpenAI: SharePoint app and setup in ChatGPT. Bestaande koppeling met toegankelijke SharePoint- en ondersteunde OneDrive-werkbestanden.
