← Terug naar blog

Waarom AI faalt zonder context en hoe je dat oplost

Waar faalt je AI pilot op? Niet op het model of de instructies of de leverancier maar op context met definities en business logic en bronnen.

Het is dinsdagochtend en het MT bespreekt de evaluatie van de AI pilot. De financieel directeur vraagt de assistent hoeveel actieve klanten jullie hebben. Er komt 1.840 uit. De commercieel directeur heeft in zijn eigen rapport 2.310 staan. Beide getallen zijn correct berekend en toch kan niemand aan tafel zeggen welk getal klopt. Het model doet precies wat het moet doen. Wat ontbreekt is AI context.

Dat is de kern van deze blog. Een AI pilot mislukt zelden op het model. Hij mislukt op wat het model niet over jouw organisatie weet. Onderzoek van MIT NANDA uit 2025 laat zien dat maar 5 procent van de AI toepassingen die bedrijven op maat laten bouwen in productie komt. Het onderzoek keek naar meer dan 300 implementaties in de eerste helft van 2025.

Ligt het aan het model?

De eerste reflex na een tegenvallende pilot is bijna altijd dezelfde. We kiezen een beter model. We schrijven langere instructies. We vragen een andere leverancier. De onderzoekers van MIT NANDA zien de oorzaak ergens anders. Volgens hen ligt het minder aan de kwaliteit van het model en meer aan de uitvoering. Ze noemen werkprocessen die niet aansluiten en systemen die context en feedback niet vasthouden.

Terug naar het MT. Een duurder model rekent sneller met dezelfde twee definities van actieve klant. Het antwoord wordt daar niet juister van. Het klinkt alleen zekerder.

Welke context mist AI over jouw organisatie?

Een taalmodel kent de wereld maar niet jouw bedrijf. Het weet wat een klant in het algemeen is. Het weet niet dat bij jullie een klant pas telt als er in de afgelopen twaalf maanden een factuur is verstuurd. Het weet dat finance en sales verschillende rollen hebben. Het weet niet dat bij jullie de CFO ook eindverantwoordelijk is voor de prijsstrategie. En het weet niet welke van jullie zeventien systemen leidend is voor contractwaarde en welke drie elkaar al jaren tegenspreken.

Zonder die context gaat het model raden. Soms gaat dat goed. Vaak gaat het net verkeerd genoeg om een manager naar een verkeerde conclusie te leiden. Juist omdat het antwoord zo overtuigend klinkt.

Waarom lost betere documentatie het niet op?

De klassieke oplossing is beter documenteren. Er komt een begrippenlijst of een datacatalogus of een wikipagina met definities. Dat werkt een kwartaal. Daarna veroudert het omdat niemand er eigenaar van is en niemand merkt dat de werkelijkheid verschuift. Je eindigt met een map vol documentatie die niemand meer opent.

Documentatie staat los van de systemen die hij beschrijft. Hij is naslagwerk en geen waarheid. Een assistent die zijn context uit een verouderd document haalt geeft verouderde antwoorden. Een agent die beslist op basis van onduidelijke definities neemt onduidelijke beslissingen.

Hoe leg je AI context vast zodat hij klopt?

De oplossing is geen nieuw document. Afspraken over je data krijgen dezelfde status als afspraken over software. In de softwarewereld heten ze tests. In de datawereld spreken we van data contracts of werkafspraken. Drie eigenschappen maken het verschil.

  • Eén vindplaats. Elke afspraak staat op precies één plek. Mensen en AI weten hem allebei te vinden.
  • Een eigenaar. Per afspraak is één persoon verantwoordelijk. Verandert de werkelijkheid dan past die eigenaar de afspraak aan.
  • Automatische controle. De afspraak is een regel die je kunt toetsen. Breekt een systeem de afspraak dan weet je het meteen.

Zo ziet dat eruit voor de vraag uit het MT.

DefinitieEen klant aan wie in de afgelopen twaalf maanden minstens één factuur is verstuurd.
EigenaarCFO.
Leidende bronHet ERP omdat daar de facturen staan.
Andere bronnenHet CRM en het klantportaal volgen het ERP.
WerkafspraakHet aantal actieve klanten in het CRM is gelijk aan het aantal in het ERP.
Als de afspraak breektDe eigenaar ziet het dezelfde dag en ziet in welk systeem het verschil zit.
Wat AI ermee doetDe assistent haalt de definitie en de leidende bron op en noemt ze allebei in zijn antwoord.

In de MT-vergadering had de assistent dan één getal gegeven. Met de definitie erbij en de bron waar het vandaan komt. Het gesprek gaat dan over wat het getal betekent en niet meer over welk getal klopt.

Is jouw organisatie klaar voor AI?

Loop deze acht vragen door voordat je een AI pilot start. Doe het voor de begrippen die in de pilotvraag zitten. Elk nee is een plek waar het model gaat raden.

1. Heeft elk begrip één definitie?Bij nee kiest AI er zelf een en dat is elke keer een andere.
2. Weet iedereen waar die definitie staat?Bij nee ontstaan er kopieën die uit elkaar groeien.
3. Heeft elk begrip een eigenaar die mag beslissen?Bij nee blijft een verschil liggen omdat niemand het mag oplossen.
4. Is per gegeven bekend welk systeem leidend is?Bij nee pakt AI de bron die toevallig het eerst antwoord geeft.
5. Merk je het als een systeem afwijkt van de afspraak?Bij nee hoor je het pas van een klant of van de accountant.
6. Verandert de definitie mee als het beleid verandert?Bij nee werkt AI met de regel van vorig jaar.
7. Haalt AI de context zelf op?Bij nee hangt het antwoord af van wie de vraag stelt en wat die in de prompt zet.
8. Zie je bij een antwoord op welke definitie en bron het rust?Bij nee durft niemand er een besluit op te nemen.

Wat kun je morgen al doen?

Hier heb je geen nieuw systeem voor nodig. Vaak zitten er maar een paar begrippen in één vraag.

Zes stappen zonder nieuw systeem
Kies één vraag die jullie MT aan AI wil stellenStap 1
↓
Schrijf de begrippen op die in die vraag zittenStap 2
↓
Leg per begrip in één zin vast wat het betekentStap 3
↓
Wijs per begrip een eigenaar aan uit de business en niet uit ITStap 4
↓
Spreek per begrip af welk systeem leidend isStap 5
↓
Stel de vraag opnieuw aan AI met deze context en vergelijk de antwoordenStap 6

Waar Spreash helpt

In Spreash® leg je deze context één keer vast in de digitale blauwdruk van je organisatie. Definities en eigenaren en bronnen staan op één plek. Werkafspraken controleren zichzelf en melden zich als een bron ervan afwijkt. Via de API haalt je AI die context live op zodat elk antwoord rust op één waarheid. Hoe dat werkt lees je in de release van november 2026.

Wat kost onduidelijke context jouw organisatie?

Wil je weten wat onduidelijke definities en ontbrekend eigenaarschap jou nu kosten? De rekentool geeft in twee minuten een indicatie op basis van je organisatiegrootte en branche.

Leg het fundament onder je AI strategie

Op donderdag 26 november laten we in een half uur zien hoe je werkafspraken inricht en koppelt aan je AI. Of start vandaag met een gratis testomgeving.

← Back to blog

Why AI fails without context and how to fix it

What does your AI pilot fail on? Not the model or the instructions or the vendor but context with definitions and business logic and sources.

It is Tuesday morning and the leadership team is reviewing the AI pilot. The finance director asks the assistant how many active customers you have. The answer is 1,840. The commercial director has 2,310 in his own report. Both numbers are calculated correctly and still nobody at the table can say which one is right. The model is doing exactly what it should. What is missing is AI context.

That is the point of this blog. An AI pilot rarely fails on the model. It fails on what the model does not know about your organization. Research by MIT NANDA from 2025 shows that only 5 percent of custom enterprise AI tools reach production. The study looked at more than 300 implementations in the first half of 2025.

Is the model the problem?

The first reflex after a disappointing pilot is almost always the same. We pick a better model. We write longer instructions. We ask a different vendor. The MIT NANDA researchers see the cause elsewhere. In their view it has less to do with model quality and more to do with execution. They point to workflows that do not fit and systems that do not retain context or feedback.

Back to the leadership team. A more expensive model calculates faster with the same two definitions of active customer. The answer does not get more accurate. It only sounds more certain.

What context is AI missing about your organization?

A language model knows the world but not your business. It knows what a customer is in general. It does not know that in your organization a customer only counts if an invoice went out in the past twelve months. It knows finance and sales have different roles. It does not know that your CFO is also ultimately responsible for pricing strategy. And it does not know which of your seventeen systems is the source of truth for contract value and which three have contradicted each other for years.

Without that context the model guesses. Sometimes that works. Often it is just wrong enough to lead a manager to the wrong conclusion. Precisely because the answer sounds so convincing.

Why doesn't better documentation solve it?

The classic fix is to document better. A glossary appears or a data catalog or a wiki page with definitions. It works for a quarter. Then it goes stale because nobody owns it and nobody notices that reality has moved. You end up with a folder of documentation nobody opens anymore.

Documentation sits apart from the systems it describes. It is a reference and not a truth. An assistant that pulls its context from an outdated document gives outdated answers. An agent that decides on unclear definitions makes unclear decisions.

How do you capture AI context so it holds?

The solution is not another document. Agreements about your data get the same status as agreements about software. In software they are called tests. In the data world we speak of data contracts or working agreements. Three properties make the difference.

  • One location. Every agreement lives in exactly one place. People and AI both know where to find it.
  • An owner. Each agreement has one responsible person. When reality changes that owner updates the agreement.
  • Automatic checking. The agreement is a rule you can test. When a system breaks the agreement you know right away.

This is what it looks like for the question from the leadership meeting.

DefinitionA customer who received at least one invoice in the past twelve months.
OwnerCFO.
Source of truthThe ERP because that is where invoices live.
Other sourcesThe CRM and the customer portal follow the ERP.
Working agreementThe number of active customers in the CRM equals the number in the ERP.
When the agreement breaksThe owner sees it the same day and sees which system holds the difference.
What AI does with itThe assistant retrieves the definition and the source of truth and names both in its answer.

In the leadership meeting the assistant would then have given one number. With the definition and the source it came from. The conversation is then about what the number means and no longer about which number is right.

Is your organization ready for AI?

Go through these eight questions before you start an AI pilot. Do it for the terms in the pilot question. Every no is a place where the model will guess.

1. Does every term have one definition?If not AI picks one itself and it is a different one each time.
2. Does everyone know where that definition lives?If not copies appear and drift apart.
3. Does every term have an owner who can decide?If not a difference stays open because nobody is allowed to resolve it.
4. Do you know which system is the source of truth for each data point?If not AI uses whichever source happens to answer first.
5. Do you notice when a system deviates from the agreement?If not you hear about it from a customer or from the auditor.
6. Does the definition change when policy changes?If not AI works with last year's rule.
7. Does AI retrieve the context itself?If not the answer depends on who asks and what they put in the prompt.
8. Can you see which definition and source an answer is based on?If not nobody dares to base a decision on it.

What can you do tomorrow?

You do not need a new system for this. Often there are only a few terms in one question.

Six steps without a new system
Pick one question your leadership team wants to ask AIStep 1
↓
Write down the terms in that questionStep 2
↓
Capture in one sentence what each term meansStep 3
↓
Assign an owner for each term from the business and not from ITStep 4
↓
Agree which system is the source of truth for each termStep 5
↓
Ask AI again with this context and compare the answersStep 6

Where Spreash helps

In Spreash® you capture this context once in the digital blueprint of your organization. Definitions and owners and sources live in one place. Working agreements check themselves and flag when a source deviates. Through the API your AI pulls that context in live so every answer rests on one truth. Read how it works in the November 2026 release.

What does unclear context cost your organization?

Want to know what unclear definitions and missing ownership cost you today? The calculator gives you an estimate in two minutes based on your organization's size and industry.

Lay the foundation under your AI strategy

On Thursday November 26 we show in half an hour how to set up working agreements and connect them to your AI. Or start today with a free test environment.