Stel je voor: je development team zet een AI-agent in en de productiviteit stijgt meteen. De agent schrijft vloeiende code, lost bugs op en levert in dagen wat vroeger weken duurde. Tot het moment dat de agent een onderdeel van jullie systeem opnieuw bouwt waarover twee jaar geleden een belangrijke architectuurbeslissing is genomen. Een besluit waar het team destijds bewust voor heeft gekozen en die ergens in een Confluence-pagina die niemand meer leest gedocumenteerd staat. De agent kent deze beslissing niet. En bouwt vervolgens precies datgene wat jullie toen hadden afgezworen.
Dit is geen fictief scenario: agents schrijven prima code, maar kennen het systeem en de achterliggende keuzes niet. En juist dat maakt de volgende stap in AI-gedreven ontwikkeling geen modelvraag, maar een kennisvraag.
Context is het knelpunt, niet het model
In een vrij technische post schrijft Anthropic, maker van Claude, dat context het echte knelpunt is, niet het model zelf. Vertaal je dit naar de boardroom dan krijg je: de waarde van je AI-investering wordt niet bepaald door welke agent je koopt, maar door welke kennis je die agent voedt.
Dat besef is niet nieuw. In zijn boek Living Documentation: Continuous Knowledge Sharing by Design beschrijft Cyrille Martraire al jaren geleden waarom documentatie alleen waardevol is als ze meebeweegt met de organisatie. Zijn uitgangspunten blijken nu, in het tijdperk van AI-agents, verrassend actueel. Sterker: ze zijn relevanter dan ooit.
Achterhaalde kennis: het verborgen risico van je AI-strategie
De intuïtieve oplossing is simpel: geef de agent toegang tot alles. Je volledige Confluence, Notion of wiki. Hoe meer context, hoe beter, toch?
Het tegenovergestelde is waar. Organisaties zitten vol met knowledge rot: verouderde documentatie die mensen allang niet meer gebruiken. Mensen filteren dat weg op basis van ervaring en gezond verstand. Een agent doet dat niet. Die neemt de verouderde kennis plotseling wél mee, met alle risico’s van dien: foute beslissingen die klinken als goede beslissingen, omdat ze gebaseerd lijken op documentatie.
Voor een CTO betekent dat je kwaliteitsborging een blind spot heeft gekregen. Voor een CEO of CFO betekent het dat een deel van je AI-investering nu mogelijk negatieve waarde oplevert, simpelweg omdat de onderliggende kennisbank niet op orde is.
Drie soorten kennis, drie manieren van beheren
Niet alle kennis is gelijk. Martraire onderscheidt drie soorten, en dat onderscheid is direct bruikbaar voor iedereen die met AI-agenten werkt:
- Vluchtige kennis: gesprekken, retro’s, dagelijkse afstemming. Waardevol in het moment, maar nauwelijks gezaghebbend.
- Permanente kennis: architectuurbeslissingen, high-level diagrammen, beleidskeuzes. Dit is de kennislaag van je organisatie.
- Veranderende kennis: alles wat direct samenhangt met de code zelf en voortdurend meebeweegt.
De kern: permanente kennis zou meer gezag moeten hebben voor een agent dan vluchtige kennis, en veranderlijke kennis moet zo dicht mogelijk bij de bron zitten om betrouwbaar te blijven. Een agent die een architectuurbeslissing en een losse opmerking uit een oud gesprek even zwaar laat meewegen, gaat gegarandeerd de fout in.
Zo breng je je kennisbank op orde
Wil je voorkomen dat verouderde of tegenstrijdige documentatie je AI-agents belemmert, doorloop dan deze drie stappen:
- Breng je kennisbank op orde door gezaghebbende of verouderde bronnen te markeren. Voor je agent bruikbare kennis en ruis zijn niet hetzelfde. Markeer welke bronnen leidend zijn en welke alleen historische waarde hebben. Dit is misschien geen klus voor één middag, maar het is de enige manier waarop je agent verschil kan maken tussen gezag en achtergrond.
- Leg besluiten direct bij de bron vast, met het ‘waarom’ centraal. Een beslissing die alleen in het hoofd van je architect bestaat, bestaat voor je agent niet. Leg beslissingen vast op het moment dat je ze neemt, op de plek waar de agent ze vindt, en vooral: schrijf op waarom. Het waarom is precies datgene wat een agent niet uit code kan afleiden.
- Koppel je agent aan de kennisbank om documentatie te onderhouden en te controleren. Als de kennisbank eenmaal op orde is, is de agent de logische bewaker: hij signaleert afwijkingen tussen documentatie en werkelijkheid.
De agent als archivaris van je organisatie
Hier wordt het interessant. Tot nu toe is de agent vooral een gebruiker van je kennisbank. Maar dezelfde agent kan ook helpen met de curatie. Zie het als een archivaris die:
- veroudering signaleert (“deze documentatie past niet meer bij de huidige code”),
- tegenstrijdige besluiten detecteert (“dit ADR spreekt een eerdere keuze tegen”),
- voorstellen doet voor ontbrekende documentatie (“over dit onderdeel bestaat nog geen besluit”).
Laat deze agent op een vast schema draaien en je organisatie krijgt automatisch ondersteuning om de kennisbank betrouwbaar en levend te houden. Wat voorheen een onbeduidend klusje was dat niemand oppakte, wordt een continu proces. Dat is precies wat levende documentatie betekent: geen statisch archief, maar een meelevend systeem dat samen met je software en je organisatie groeit.
Kennisbeheer is AI-beleid
Uiteindelijk is dit meer dan een technische kwestie. Als AI-agents een structureel onderdeel worden van je softwareontwikkeling, dan wordt je kennisbank een bedrijfskritisch asset, net als je codebase of je data. En dan verdient het dezelfde aandacht: eigenaarschap, governance en doorlopend onderhoud.
Of je nu vanaf een schone lei begint of al jaren aan documentatie hebt opgebouwd: de vraag is niet óf je je kennisbank op orde brengt, maar hoe snel. Je AI-agent is namelijk exact zo goed als de kennis die je erin stopt. Wij denken graag met je mee over hoe je die kennisbank zo inricht dat je er, ook met AI, jaren vooruitgang van hebt.








