Wat is een context graph?

Kort antwoord

In de definitie van Foundation Capital is een context graph een structuur van beslissporen (decision traces) die over personen, klanten en tijd met elkaar verbonden zijn. Een beslisspoor legt vast wat er in één concreet geval gebeurde: de gegevens uit verschillende systemen, het beleid, de uitzondering en wie akkoord gaf. Samen maken die sporen precedent doorzoekbaar, zodat een AI-agent niet alleen ziet hoe iets is, maar ook waarom.

Waar het idee vandaan komt

Een heldere definitie komt van Ashu Garg en Jaya Gupta van investeerder Foundation Capital, in het essay “AI’s trillion-dollar opportunity: Context graphs”. Hun punt begint bij een gat in de software van nu. Systemen als een CRM, boekhoudpakket of HR-systeem bewaren de huidige stand: deze klant heeft 20% korting. De reden en het akkoord liggen er zelden als samenhangend spoor vast, ook als er losse notities zijn. Die reden staat in een chat, een telefoongesprek, een mail aan de financiële afdeling of in iemands hoofd.

Hun samenvatting: “The wall isn’t missing data. It’s missing decision traces.” Wat ontbreekt zijn niet de gegevens, maar de sporen van beslissingen.

De twee bouwstenen

Begrip Wat het is Voorbeeld
Beslisspoor (decision trace) Vastlegging van één concrete beslissing: gegevens uit meerdere systemen, het toegepaste beleid, de uitzondering, wie akkoord gaf, wat er is vastgelegd Een verlengingsagent stelt 20% korting voor, legt de uitzondering voor aan Financiën en bewaart de reden
Context graph De structuur die ontstaat als sporen zich opstapelen, met klanten, tickets, beleid en beslissers verbonden via beslissingen en “waarom”-verbanden Vraagt een vergelijkbare klant later hetzelfde, dan vindt de agent dat precedent en de redenering erachter

De auteurs benadrukken dat de graaf “not ‘the model’s chain-of-thought,’” is, maar een levend archief van beslissporen over entiteiten en tijd.

Waarom het telt voor AI-agents

Een AI-agent die alleen de huidige stand ziet, kan zeggen hoeveel korting er is. Hij kan niet zeggen of de volgende klant die ook moet krijgen. Regels beschrijven het beleid in het algemeen; sporen laten zien hoe het in de praktijk werd toegepast, met de uitzonderingen die in de meeste bedrijven het eigenlijke beleid zijn.

Dit is context engineering op de schaal van een organisatie. Anthropic raadt bij agents aan lichte verwijzingen in de context te houden en details pas op te halen als ze nodig zijn. Een context graph is een goede plek om uit op te halen: in plaats van een hele geschiedenis in het venster te plakken, haalt de agent de twee of drie precedenten die bij dit geval passen.

Het misverstand

De meest gemaakte fout: denken dat een context graph een dataproject is. Alle systemen koppelen, alles in een graaf gieten, klaar. Het argument van Foundation Capital zelf spreekt dat tegen. Een datawarehouse krijgt de gegevens pas na de beslissing binnen, en dan is de context al weg. De sporen moeten vastgelegd worden op het moment van beslissen, in de workflow zelf.

Daarmee is vastleggen het lastige deel, niet opslaan: beslissingen nauwkeurig en consequent bewaren terwijl het werk gebeurt. Een graaf vol half vastgelegde redenen is weinig beter dan geen.

Wat het betekent voor een team

In een team dat AI gebruikt ontstaan elke dag beslissporen en verdwijnen ze elke dag weer. Iemand verbetert ChatGPT over hoe een klant zijn facturen wil; iemand legt Claude Code uit waarom een module zo vreemd gebouwd is. Die correctie blijft in de sessie van één persoon. De volgende collega, of dezelfde persoon in een andere tool, begint bij nul. Een gedeelde context graph kan nagekeken correcties als precedent beschikbaar maken voor de AI van iedereen, met hun bron, waar ze voor gelden en wie ze mag zien.

Voor het bredere plaatje: wat is context engineering en hoe richt je context engineering in voor een team.

Waar Bombos past

Bombos is een context graph voor teams die al met AI werken: het verbindt teamkennis, geleerde regels en wat er al in mail, documenten en repo’s staat, en haalt daaruit op via gelijkenis, trefwoorden, nabijheid in de graaf en regels die alleen in een bepaalde context gelden. Elke AI-tool van het team, van Claude en ChatGPT tot Copilot, Cursor of eigen agents, leest uit dezelfde graaf, en je ziet waarop elk antwoord rust. Het draait in de cloud of op je eigen server, en één persoon kan beginnen met zijn eigen agents.

Vragen die hierbij horen

Is een context graph hetzelfde als een knowledge graph?

Niet helemaal. Een knowledge graph verbindt meestal feiten, zoals deze klant hoort bij die regio, al kan hij ook beslissingen modelleren. Een context graph zoals Foundation Capital hem beschrijft legt de nadruk op beslissporen en precedent: waarom deze klant die uitzondering kreeg, en wie daar akkoord op gaf.

Is een context graph de redenering van het model?

Nee. Foundation Capital zegt het met zoveel woorden: het is geen chain-of-thought van het model, maar een levend archief van beslissporen over entiteiten en tijd.

Waar komen de gegevens vandaan?

Van het moment waarop besloten wordt: akkoorden, uitzonderingen, mailwisselingen, tickets en de redenen die mensen geven. Daarom kun je ze volgens de auteurs het best vastleggen in de workflow zelf, niet achteraf in een datawarehouse.

Is dit alleen iets voor grote bedrijven?

Nee. Elk team dat uitzonderingen maakt, zijn AI corrigeert of 'zo doen wij dat hier' kent, heeft beslissporen. Meestal gaan ze verloren in persoonlijke chats.

Bronnen

  1. Foundation Capital: AI's trillion-dollar opportunity, Context graphs
  2. Anthropic: Effective context engineering for AI agents
Het eerste half uur · kosteloos

Wat vergeet jullie AI?

  1. 01Je vertelt welke AI jullie gebruiken en waar het steeds opnieuw moet.
  2. 02We laten zien wat een gedeeld geheugen daar verandert, op jullie eigen voorbeelden.
  3. 03Je krijgt het plan mee. Dat houd je, ook zonder Bombos.
Piet Baudoin
Piet BaudoinJe spreekt Piet, van het team van BombosNederlands team uit Utrecht en Nijmegen · data in Europa
We reageren dezelfde werkdag.