Werkt context engineering in marketing?

Prompt engineering en vibe coding. Twee termen die veel online worden gebruikt. De ene gaat over het formuleren van je vragen op een manier die precies het perfecte antwoord krijgt van AI-modellen. De andere stelt mensen, voornamelijk niet-ontwikkelaars, in staat om functies te maken zonder een enkele regel code te schrijven.

Nu hebben we een derde in de mix – context engineering.

Context engineering is de superset van prompt engineering. Een methodologie waarbij je systemen bouwt voor grote taalmodellen (LLMs) die je AI-agenten de juiste informatie en hulpmiddelen geven, in het juiste formaat, zodat ze een taak kunnen voltooien.

Hoe complex het ook mag zijn.

Omdat context engineering werkt door het synchroniseren van gegevens, geheugen, hulpmiddelen en gebruikersintentie, is het een zekere manier om resultaten te krijgen die er echt toe doen, en hoe beter je contextkwaliteit, hoe beter de prestaties. Momenteel wordt het gebruikt om AI-codeerassistenten en service-chatbots te maken die productontwikkeling en klantenservice versnellen.

Maar hoe zit het met context engineering in marketing – hoe werkt het? In dit artikel vind je de antwoorden op deze vraag en leer je hoe marketeers het kunnen gebruiken om de werklast te verminderen en personalisatie op schaal te bereiken.

Wat Is Context Engineering?

Hoewel relatief nieuw, is context engineering geworteld in de principes van het beheren van informatiestromen voor AI-systemen. Het is niets meer dan het voeden van een AI-model met alles wat het nodig heeft, of het nu gaat om gegevens, hulpmiddelen of instructies, zodat het zijn werk betrouwbaar kan doen, elke keer opnieuw.

Hier is een tweet van Andrej Karpathy, een voormalig lid van het OpenAI-oprichtingsteam, over de aard van context engineering:

"Mensen associëren prompts met korte taakbeschrijvingen die je aan een LLM zou geven in dagelijks gebruik. Terwijl bij elke industriële LLM-toepassing, context engineering de delicate kunst en wetenschap is van het vullen van het contextvenster met precies de juiste informatie voor de volgende stap."

Het is niet zoals prompt engineering, waarbij je een opdracht zou intypen. Een enkele prompt kan je immers maar zo ver brengen. Want wat gebeurt er als AI eerdere gesprekken moet herinneren, gebruikersgegevens moet ophalen, eerdere discussies moet samenvatten en vervolgens een gepersonaliseerde e-mail naar een gebruiker moet schrijven?

Niet in delen, maar in één workflow?

Daar is context engineering voor gebouwd. Het verschuift het verhaal van prompt-gerichte ontwerpen naar holistische systemen die LLM-modellen een "extern brein" geven – compleet met gestructureerde context, gesprekslogboeken, documentopslag, API's en realtime gegevens.

Hoe werkt context engineering?

Laten we beginnen met wat de "context" in context engineering betekent. Context is alles waar AI-modellen naar verwijzen voordat ze een output genereren. En dat zijn niet alleen de zoekopdrachten van de gebruiker; het omvat ook systeemprompts over hoe de agent zich moet gedragen, samen met gebruikersinteractierecords, op aanvraag opgehaalde gegevens en de hulpmiddelen die het model kan gebruiken.

Met de juiste context wordt een stateless LLM getransformeerd in een agent die aanvoelt alsof deze "onthoudt", "begrijpt" en "handelt" naar jouw aanwijzingen.

Dit zijn de essentiële componenten van "context" in context engineering:

• Systeemprompt: Definieert de rol, regels en stem van de agent ("Je bent een marketing-assistent...").
• Gebruikersprompt: Het directe verzoek of de taak van de gebruiker.
• Kortetermijngeheugen: Een samenvatting of geschiedenis van het huidige gesprek.
• Langetermijngeheugen: Gebruikersvoorkeuren, projectarchieven en eerdere gespreksgeschiedenissen opgeslagen in een externe kennisbank.
• Retrieval Augmented Generation (RAG): Dynamisch ophalen van externe documenten, databases of API's om actuele feiten te leveren.
• Beschikbare hulpmiddelen en definities: Een catalogus van aanroepbare functies (API's, code runners, document parsers) met namen en beschrijvingen.
• Gestructureerde output: Vooraf gedefinieerde formaten (JSON, tabellen of markdown-sjablonen) die de vorm van het modelantwoord sturen.
• Metadata: Contextuele aanwijzingen zoals tijdstempels, gebruikerslocatie of apparaattype.

Zo komen deze elementen samen. Eerst instrueert de systeemprompt de AI-assistent hoe deze zich moet gedragen. Dan stelt de gebruiker een vraag. Dit start een gegevensophaalproces dat relevante informatie ophaalt, terwijl het geheugen zowel de huidige gespreksamenvatting als eerdere gebruikersvoorkeuren levert.

We hebben ook de toolscatalogus stand-by. Bijvoorbeeld, APIs om e-mails te versturen, databases om klantgegevens op te vragen, of parsers om PDF-inhoud te extraheren.

Al deze componenten komen samen in een "contextbundel" die het model in één keer verwerkt. De LLM verwerkt alles — gespreksgeschiedenis, externe gegevens en toolinstructies — als een geheel. Het produceert vervolgens een output die perfect aansluit bij het gedefinieerde schema, of het nu gaat om een marketing e-mail concept of een productsamenvatting tabel.

Zodra het een antwoord genereert, start een feedbacklus. Als het antwoord aanpassingen nodig heeft, kun je de contextcomponenten verfijnen. Na verloop van tijd zorgt deze iteratieve afstemming ervoor dat elke contextbundel nauwkeuriger wordt en beter afgestemd op de behoeften van de gebruiker.

Dus, waarom is context engineering tegenwoordig zo belangrijk?

LLMs, zoals we ze kennen, nemen eigenlijk niets mee van de ene interactie naar de volgende. Ze beginnen bijna altijd elk nieuw gesprek zonder herinnering aan eerdere gebeurtenissen.

Een agentische AI kan niet navigeren wie de gebruiker is of wat de taak vereist zonder een duidelijk kader om relevante context te leveren. In plaats daarvan dwaalt het af, herhaalt fouten, of doet simpelweg een gok. Context engineering vult deze hiaten door alles wat het model nodig heeft samen te voegen in één, goed gestructureerde eenheid.

Met contextbundels elimineer je de vier belangrijkste problemen die geassocieerd worden met LLMs: hallucinaties, statusloosheid, generieke antwoorden en verouderde antwoorden.

• Hallucinaties omdat outputs gebaseerd zijn op echte data.
• Statusloosheid omdat je korte- en langetermijngeheugensystemen bouwt.
• Generieke antwoorden vanwege gebruikersvoorkeuren en eerdere interactiegegevens.
• Verouderde antwoorden dankzij actuele documenten of API-feeds.

Meestal faalt een AI-agent niet omdat het niet de juiste data of tools heeft om het werk te doen, maar omdat de LLM waarop het draait het verpest. Het komt grotendeels doordat LLMs niet de juiste context krijgen om een goed antwoord te genereren.

Ofwel de context ontbreekt, of deze is slecht geformatteerd.

En zelfs de beste modellen helpen niet als de kwaliteit van de context slecht is. Dus, naarmate je AI-workflows complexer worden, zorgt het volgen van beste praktijken, zoals het definiëren van een duidelijk schema of het taggen van databronnen, ervoor dat je agent altijd de juiste informatie in het juiste formaat heeft.

Door context te ontwikkelen, precies te bepalen wat de agent "ziet," hoe het dit ziet, en in welke volgorde, verander je een text generator met één prompt in een betrouwbare, meerstaps assistent. Het beste eraan? Het volgt jouw regels en leert van eerdere fouten.

Context Engineering vs. Prompt Engineering

Je denkt misschien: "Is context engineering niet gewoon fancy prompt engineering?" Niet helemaal. Prompt engineering gaat over het kiezen van de juiste zinnen, trefwoorden en zinsstructuren om de best mogelijke reactie van een LLM te krijgen.

Maar op zichzelf werkt deze methode in een vacuüm: het verschaft het model geen aanvullende gegevens, noch voegt het instructies toe of maakt het verbinding met externe hulpmiddelen. Het verfijnt alleen een enkele opdracht zonder het model de intelligentie te geven die het nodig heeft om complexe uitdagingen op te lossen.

Daarentegen verweeft context engineering regels, documenten, dynamische datasets en hulpmiddelen in één raamwerk. In marketing kan het betekenen dat een LLM wordt gevoed met een productcatalogus, merkrichtlijnen en gebruikersgedragsgegevens, samen met duidelijke instructies over toon en formaat.

Infographic van Dex Horthy, geplaatst op X/Twitter.

Dit betekent niet dat prompts niet belangrijk zijn binnen een context-engineered systeem.

Het creëren van specifieke vragen helpt AI-toepassingen om hun uitgebreide kennisbasis correct te navigeren. Maar prompts zijn slechts een onderdeel van het grotere geheel. Wanneer je een AI-agent bouwt die eerdere gesprekken kan herinneren, externe gegevens kan ophalen of kan integreren met een CRM, beoefen je context engineering.

Je prompts sturen de acties van het model, maar de context levert het "geheugen," de gegevens en de regels van het model.

Vier Belangrijke Toepassingen van Context Engineering

Volgens Tobi Lutke, de CEO van Shopify, "[Context engineering]... beschrijft de kernvaardigheid (van prompt engineering) beter: de kunst om alle context te bieden zodat de taak aannemelijk oplosbaar is door de LLM."

De methode stelt je in staat om dynamische systemen te bouwen die niet alleen toegang hebben tot externe gegevens, maar ook externe hulpmiddelen kunnen gebruiken tijdens gesprekken. Ze kunnen documenten opzoeken, relevante informatie vinden met behulp van APIs, en deze opnemen in het contextvenster naast de vraag of taak. En hoe langer je ze gebruikt, hoe beter ze werken.

Het is dan ook geen verrassing dat context engineering voor verschillende doeleinden kan worden gebruikt, waarvan we er hieronder een aantal hebben behandeld.

AI-codeerassistenten

Context engineering staat centraal bij moderne codeerassistenten. Windsurf en Cursor zijn hier de beste voorbeelden van, waarbij RAG wordt gecombineerd met agent-achtig gedrag om te interacteren met zeer gestructureerde, onderling verbonden codebases.

Neem een verzoek zoals het refactoren van een functie. Het lijkt misschien alsof je gewoon een paar regels herschrijft. Maar een AI-assistent heeft meer context nodig. Het moet weten waar die functie wordt gebruikt in de codebase, welke datatypes het verwerkt, hoe het interacteert met externe afhankelijkheden, en wat er kapot kan gaan als de logica zelfs maar een beetje verandert.

Goede codeeragenten zijn gebouwd om deze complexiteit aan te kunnen. Ze passen zich aan aan je codeerstijl, houden rekening met de projectstructuur en bestandsrelaties, en volgen recente commits om een werkgeheugen van het systeem te ontwikkelen.

Kennisbeheer

Voor bedrijven die intern agentische systemen gebruiken, brengt context engineering gefragmenteerde gegevenssilos samen – CRM-records, Jira-tickets, interne wiki's en meer – om actuele antwoorden te leveren zonder hun menselijke tegenhangers te overweldigen.

Deze systemen vatten automatisch sessiegeschiedenissen samen, halen relevante documenten op en passen gepersonaliseerde regels toe zodat elk antwoord in lijn is met interne richtlijnen. Tegelijkertijd coördineren ze geheugen en taakwisseling tussen afdelingen, zodat de AI gelaagde, meerstaps vragen kan afhandelen en toch met één antwoord kan reageren.

Klantenservice chatbot(s)

Bij klantenservice kan context engineering worden gebruikt om intuïtieve chatbots en conversatie-AI-systemen te bouwen die elke klantinteractie begeleiden.

Weet dat een basis-chatbot algemene antwoorden geeft, soms met verouderde gegevens.

Echter, context engineering transformeert deze basisbots in systemen die een gevoel van vertrouwdheid geven.

Aangezien ze toegang hebben tot verschillende gegevens, zoals ondersteuningsnotities, factureringsverzoeken, gebruikersaccountstatus, voorkeuren en productdocumenten, kunnen ze consequent informatie verstrekken die op de gebruiker is afgestemd.

Dus uiteindelijk heb je supportmedewerkers die je bij naam noemen, zich herinneren waar je eerdere vragen over gingen en je accountstatus controleren voordat ze een oplossing aanbevelen.

AI agents

Autonome AI agents zijn de volgende stap in context engineering. Ze gaan verder dan basis RAG-systemen en worden dynamische, doelgerichte entiteiten die kunnen redeneren, plannen en actie ondernemen.

Deze agents reageren niet alleen op prompts; ze lossen problemen op.

Context engineering versterkt hun vermogen om geheugen te beheren, doelen te stellen en de juiste hulpmiddelen te gebruiken, zelfs tijdens lange of complexe sessies. Ze kunnen bijvoorbeeld een marketing API aanroepen om advertentie-inzichten op te halen of meerdere tools verbinden om een volledige campagneworkflow te voltooien. Ze beslissen in realtime welke tools ze gebruiken op basis van de taak.

In plaats van eenmalige antwoorden te geven, passen deze agents zich aan aan veranderende situaties en voeren ze meerstaps-taken uit in praktijksituaties. Ze fungeren als digitale collega's, signaleren problemen en leveren resultaten met minimaal menselijk toezicht.

Tot nu toe hebben we vier gebruiksscenario's van context engineering in verschillende sectoren behandeld.

Dus, kan context engineering worden toegepast op marketing? Absoluut. In het volgende deel bekijken we hoe het algemene outreach transformeert in gepersonaliseerde ervaringen die daadwerkelijk engagement stimuleren.

Context, AI Agents en Marketing Workflows

Een tijdje geleden heeft Christina J. Inge, een marketing docent aan de Harvard University, Delve AI uitgelicht in haar Marketing AI & Analytics News digest op LinkedIn.

Om te beginnen sprak ze over hoe je de software kunt gebruiken om persona's te maken met behulp van je websitegegevens. Wat interessant is, is de use case die ze later noemde: het invoeren van de gegenereerde persona's in ChatGPT en het prompt geven om contentkalenders te maken, berichtstrategieën te testen en focusgroepreacties te simuleren.

Dit is niet zomaar een voorbeeld van nog een experiment in automatisering; het is een oefening in context engineering.

De soort fusie die je hier ziet tussen persona's en generatieve AI, waarbij het ene hulpmiddel data-rijke tekst in het andere invoert om een marketingstrategie te creëren, is waar context engineering in marketing om draait.

Wanneer deze aanpak wordt gecombineerd met agents — autonome AI entiteiten die tools kunnen gebruiken en beslissingen kunnen nemen met minimale menselijke betrokkenheid — wordt het mogelijk om grote delen van je marketing workflows te automatiseren zonder de strategische diepgang te verliezen die je zou verwachten van een door mensen geleide team.

Dit zou kunnen betekenen dat je een end-to-end e-mailcampagne uitvoert.

De e-mail agent schrijft niet alleen e-mails; het segmenteert je doelgroep, controleert je agenda, put uit je CRM, past zich aan aan promoties en meet betrokkenheid. Het zal elk beschikbaar hulpmiddel en datapunt gebruiken om je marketingdoelen te bereiken.

Maar in tegenstelling tot een mens, raakt het niet overweldigd bij het beheren van duizenden klanten. Het vergeet geen details of verliest geen context.

Wat context engineering betekent voor marketeers...

Het betekent het creëren van een marketing agent, of een copilot, die draait op een systeem dat de relevante context heeft: je doelgroepprofielen, campagneprestaties, merkactiva, concurrentieanalyse, bedrijfsdoelstellingen, marktsignalen en meer.

Zodat het niet alleen een generieke tekstgenerator is, maar een dynamische, contextbewuste assistent.

Prompt engineering is oud nieuws. Marketeers moeten verder gaan dan oppervlakkig gebruik van tools zoals ChatGPT en Claude, en betrokkenheid en conversies verhogen met context engineering.

In plaats van naar data, functies en tools te kijken als geïsoleerde componenten, moet je een onderling verbonden, holistisch systeem bouwen dat begrijpt: wie de klant is, waar ze zich bevinden in de customer journey, waar het merk voor staat, en hoe eerdere campagnes hebben gepresteerd om taken te voltooien en beslissingen te nemen.

Zodra je klaar bent met het opbouwen van context, het verenigen van middelen, tools, marktgegevens, regels en zakelijke KPI's, kan je AI-agent:

• Marketingmaterialen maken die aansluiten bij de merkidentiteit en boodschap.
• Gepersonaliseerde content en productaanbevelingen leveren op basis van browsegeschiedenis en aankoopgedrag.
• Real-time gegevens zoals locatie of weer benutten om kortingen of coupons te verstrekken.
• Herhalende marketingtaken automatiseren zoals leadgeneratie, opvolgacties en nurture flows.
• Gebruikersbehoeften voorspellen en het beste volgende product of content aanbevelen voordat de gebruiker erom vraagt.

Deze AI-agents geven je het vermogen om alles op schaal te personaliseren en je marketingplannen automatisch te optimaliseren op basis van real-time marktgegevens, met een responsieve feedbackloop die steeds beter wordt.

De Problemen met Context Engineering

Hoewel context engineering grote voordelen biedt, brengt het ook uitdagingen met zich mee die slimme oplossingen nodig hebben om goed te werken.

1. Context vergiftiging

Wanneer AI hallucineert of zijn trainingsgegevens verkeerd interpreteert, kan dat slechte antwoord in zijn context sluipen. Vanaf dat moment kan het systeem foute details blijven citeren of daarop voortbouwen. Na verloop van tijd stapelen deze fouten zich op en wordt het verwijderen ervan een probleem.

Oplossing: Bouw strikte validatiecontroles en versiebeheerde context opslag in. Wanneer je een slecht fragment opmerkt, kun je alleen dat fragment terugdraaien of vervangen, zonder alles te wissen.

2. Context afleiding

Als je meer gegevens aan het model begint te voeden, kunnen er situaties ontstaan waarbij het zich gaat concentreren op opgebouwde geschiedenis. In plaats van te putten uit zijn training, blijft het oude antwoorden herhalen.

Oplossing: Gebruik context samenvatting en abstractie. Comprimeer lange geschiedenissen periodiek tot beknopte samenvattingen. Dit houdt de AI gefocust op verse, relevante informatie.

3. Context verwarring

Het overladen van de context met extra informatie kan leiden tot verwarde antwoorden. Irrelevante gegevens, zoals marketingrichtlijnen wanneer je een support e-mail opstelt, kunnen de AI van koers brengen. Je eindigt met antwoorden die twee of meer taken door elkaar halen.

Oplossing: Pas contextfilters toe. Filter voor elke aanvraag alle niet-gerelateerde documenten of toolbeschrijvingen uit zodat het model alleen "ziet" wat het nodig heeft voor die taak.

4. Context botsing

Soms spreken twee bronnen in de context elkaar tegen, bijvoorbeeld twee versies van een productspecificatie of verouderde prijzen versus huidige tarieven. De AI moet dan raden welke te vertrouwen, wat leidt tot verwarde antwoorden.

Oplossing: Gebruik context snoeien. Scan regelmatig op verouderde of tegenstrijdige vermeldingen en verwijder deze. Dit houdt het "geheugen" coherent en betrouwbaar.

Het aanpakken van deze uitdagingen is de sleutel tot het bouwen van marketingworkflows die efficiënt en nauwkeurig zijn.

Een Weg Vooruit

Context engineering is een van de meest essentiële vaardigheden in het AI-tijdperk. Het heeft, vrij duidelijk, traditionele prompt engineering overtroffen en geeft zijn gebruikers een aanzienlijk voordeel ten opzichte van hun concurrenten.

Je hebt geen perfecte prompt meer nodig om advertentieteksten te schrijven; je hebt een slim systeem nodig dat hele campagnes beheert en uitvoert.

Met context engineering en AI-agents kun je content op grote schaal personaliseren, aanpassen aan veranderende klantvoorkeuren, en domeinspecifieke antwoorden leveren die merkwaarde opbouwen, zonder handmatige invoer.

Dit is geen verre toekomst. Met context engineering kun je workflows bouwen waarin AI-agents functioneren als marketing assistenten. Ze kennen je klanten, spreken je merktaal en nemen datagestuurde beslissingen.

Natuurlijk staan er nog steeds mensen centraal, die de agent begeleiden en campagneresultaten verfijnen. Maar de repetitieve, contextrijke taken? Die kunnen nu worden afgehandeld door je AI-aangedreven collega's.

En voor marketeers die snel willen bewegen zonder nuance te verliezen, is dat een grote overwinning.