Je AI vergeet dingen niet omdat het in de war raakt - het heeft geen ruimte meer. Elk model heeft een vast "contextvenster": de totale hoeveelheid tekst die het tegelijk kan bevatten en waarover het kan redeneren. Zodra dat venster vol is, moet er iets wijken: oudere berichten worden verdrongen, bedolven onder nieuwere of volledig verwijderd.
Laatst bijgewerkt: juli 2026 · Door het KissMySkills-team
Wat een contextvenster eigenlijk is
Elke keer dat je een bericht naar Claude, ChatGPT of Gemini stuurt, ziet het model niet alleen dat ene bericht. Het ziet het volledige gesprek tot dan toe - alles wat jij hebt getypt, alles waarop het heeft geantwoord, plus alle documenten, afbeeldingen of bestanden die je hebt bijgevoegd - samengevoegd tot één invoer. Die hele bundel is de "context". Het "venster" is de bovengrens voor hoeveel daarvan het model in één keer kan verwerken.
Contextvensters worden gemeten in tokens, kleine stukjes tekst - ongeveer ¾ woord per token. Een model met een venster van 100.000 tokens kan ongeveer 75.000 woorden aan gecombineerde gesprekken, documenten en instructies bevatten voordat het tegen de limiet aanloopt. Dat klinkt als veel, totdat je bedenkt dat één pdf van 40 pagina's, een spreadsheetexport of een lang vergaderverslag op zichzelf al tienduizenden tokens kan opslokken - nog voordat je je daadwerkelijke vraag hebt gesteld.
Het belangrijkste om te begrijpen: het contextvenster is geen database waarin het model dingen opzoekt. Het lijkt meer op het kortetermijngeheugen. Voor het model bestaat er helemaal niets buiten dat venster, en alles daarbinnen concurreert om de beperkte aandacht van het model.
Waarom het voelt alsof de AI "vergeet"
Mensen beschrijven dit als het AI dat het begin van een lange chat "vergeet" of de details uit een geüpload document niet meer kan volgen. Dat is een redelijke manier om te beschrijven wat je waarneemt, maar het is niet helemaal wat er onder de motorkap gebeurt. Er spelen twee verschillende dingen, en die versterken elkaar.
1. Zacht vergeten: verdunning
Naarmate een gesprek langer wordt, verdwijnt oudere inhoud niet - ze wordt gewoon een steeds kleiner deel van waar het model naar kijkt. Vroege instructies, beslissingen of feiten krijgen verhoudingsgewijs minder "gewicht" ten opzichte van alles wat sindsdien is gezegd. Het model heeft technisch gezien nog steeds toegang tot die inhoud, maar moet harder werken om die tussen alles wat verder in het venster is gepropt te vinden en prioriteit te geven. In de praktijk gaat de kwaliteit van lange gesprekken dan ook zichtbaar achteruit: het model spreekt eerdere antwoorden tegen, stelt vragen die je al hebt beantwoord opnieuw of raakt de draad kwijt van een genuanceerde instructie van tien uitwisselingen geleden.
2. Hard vergeten: afkappen
Zodra het gesprek de harde limiet van het venster daadwerkelijk overschrijdt, moet er iets worden verwijderd om ruimte te maken voor nieuwe invoer. De meeste chatproducten lossen dit op door de oudste berichten stilletjes te verwijderen of samen te vatten. Op dat moment is de inhoud niet alleen verdund - ze is echt verdwenen. Het model kan die inhoud letterlijk niet meer zien, hoe belangrijk die ook was.
Geen van beide is precies een bug. Het is het fysieke gevolg van een venster met een vaste omvang dat volloopt. Maar het betekent wel dat twee alledaagse gewoonten - een enorm document plakken en een chat lang en meanderend laten doorgaan - de snelste manieren zijn om de kwaliteit van de output onderuit te halen, vaak zonder dat je beseft waarom de antwoorden slechter werden.
De verborgen kosten van "upload het document gewoon"
Een groot bestand uploaden voelt gratis. Dat is het niet. Een omvangrijk contract, een onderzoeksrapport of een volledige dataset kan een enorm deel van het beschikbare venster opslokken voordat het model ook maar één woord van je daadwerkelijke verzoek heeft verwerkt. Als je model bijvoorbeeld een venster van 150.000 tokens heeft en je document 90.000 van die tokens in beslag neemt, houd je 60.000 over voor de systeemprompts, de gespreksgeschiedenis en de eigen redenering en reactie van het model - bij een taak waarvoor mogelijk echt synthese over het hele document nodig is.
Dit is precies de situatie waarin mensen bij zwaar analytisch werk vastlopen: marketingrapporten vol tabellen, financiële modellen en omvangrijke onderzoeksdatabases. Hoe groter en rommeliger de input, hoe minder ruimte er overblijft voor de AI om goed na te denken over wat je ermee wilt laten doen.
Rafa maakt van Claude een Senior Specialist in marketinganalyses voor precies dit probleem - het analyseren van omvangrijke rapporten, dashboards en campagnegegevens zonder dat de vaste instructies de ruimte opslokken die je document nodig heeft.
Bekijk Rafa - Specialist in marketinganalyses →Waarom lange, meanderende chats het ook erger maken
De andere valkuil is de marathonchat - de chat die je nooit afsluit omdat die "toch alle context al bevat." Elke heen-en-weeruitwisseling, elke verlaten zijspoor en elk "eigenlijk, laten we het anders proberen" blijft in het venster staan, neemt ruimte in en verdunt wat er werkelijk toe doet. Tegen bericht vijftig houdt het model een hoop halfrelevante geschiedenis vast naast je huidige, echte vraag - en geeft het aan alles ongeveer evenveel gewicht.
De oplossing is niet: "voer nooit lange gesprekken." Het gaat erom bewust om te gaan met wat daadwerkelijk ruimte inneemt in dat venster, en ervoor te zorgen dat de dingen waarop je wilt dat het model zwaar leunt - je huidige taak, je huidige document - niet worden overspoeld door dingen die niet langer relevant zijn.
Waar Skill-bestanden van pas komen
Dit is de praktische reden waarom Skill-bestanden (of systeemprompts, aangepaste instructies, projectinstructies - hetzelfde idee, maar afhankelijk van het platform een andere naam) bestaan. Een Skill-bestand scheidt twee heel verschillende soorten inhoud die normaal gesproken in het contextvenster door elkaar worden gehaspeld:
- Vaste instructies - wie de AI moet zijn, welke normen moeten worden toegepast en in welk formaat de uitvoer moet worden gegeven. Dit verandert niet van taak tot taak.
- Taakinhoud - het document dat je analyseert, de gegevens waarmee je werkt en het daadwerkelijke gesprek over het daadwerkelijke probleem. Dit verandert elke keer.
Wanneer je een lange, vrije uitleg van "doe alsof je een senior analist bent, volg deze structuur, gebruik deze toon, doe altijd X en nooit Y" in de chat zelf plakt, neemt die uitleg in het venster ruimte en aandacht in beslag, naast je document en je vragen - elke keer opnieuw, in elk gesprek. Een Skill-bestand laadt diezelfde instructieset één keer, compact, als een gedefinieerde rol waarin het model stapt. De tekst is beknopter dan een typische uitleg heen en weer en hoeft niet opnieuw te worden verdedigd of uitgelegd tijdens het gesprek, zoals dat bij ad-hocinstructies vaak wel gebeurt.
Het resultaat is eenvoudig: er blijft meer van het venster over voor wat daadwerkelijk varieert - het rapport dat je hebt geüpload, de gegevens waarover je vragen stelt en de twintig vervolgvragen in deze sessie. De kwaliteit blijft langer hoog omdat het model zijn beperkte aandacht niet hoeft te verdelen tussen "onthouden hoe het zich hoort te gedragen" en "begrijpen wat je nu eigenlijk vraagt."
Ryan configureert Claude voor precies het soort doorlopend werk voor leidinggevenden met veel context - bestuursstukken, briefings en beslisnota's - waarbij een beknopte vaste rol belangrijker wordt naarmate het gesprek langer duurt.
Bekijk Ryan - Chief of Staff →Praktische gewoonten die echt helpen
- Start nieuwe threads voor nieuwe taken. Een nieuw gesprek betekent een schoon venster - zonder verdunde geschiedenis die concurreert met je huidige verzoek.
- Houd vaste instructies apart en beknopt. Een Skill-bestand dat één keer wordt geladen, is beter dan je verwachtingen in elke chat opnieuw uitleggen.
- Beperk wat je uploadt. Als je alleen hoofdstukken 3 en 4 nodig hebt, upload dan niet het hele boek - elke overbodige pagina bevat tokens die het model niet aan je vraag kan besteden.
- Vat samen voordat je doorgaat. Vraag het model bij een langlopend project regelmatig om de belangrijkste beslissingen tot nu toe samen te vatten in een korte recap, of doe dit zelf. Start daarna een nieuwe thread met die recap en je Skill-bestand.
- Let op de waarschuwingssignalen. Herhaalde vragen, eerdere antwoorden die worden tegengesproken of vage reacties op specifieke verzoeken zijn vaak symptomen van een overvol of afgekapt venster - niet van een probleem met een slimmere prompt.
Samengevat:
Elk AI-model heeft een vast contextvenster en zodra dat vol raakt, wordt oudere inhoud afgezwakt of verwijderd - dat is het "vergeten" dat je opmerkt, geen verwarring. Zowel het uploaden van grote documenten als lange chatgeschiedenissen nemen een deel van diezelfde beperkte ruimte in. Door je vaste instructies compact en gescheiden te houden, zoals bij Rafa (Marketing Analytics Specialist) of Ryan (Chief of Staff), blijft er ruimte over voor de document- en taakinhoud die daadwerkelijk nodig is - zo blijven antwoorden langer scherp.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische schatting van het maandelijkse token- en geldverspilling door opnieuw prompten versus een permanent skillbestand. Geen registratie, geen e-mail - alleen de berekening uit dit bericht toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Wat telt precies mee voor het contextvenster?
Alles in het huidige gesprek: je berichten, de antwoorden van het model, eventuele systeemprompts of instructies uit skillbestanden en de volledige tekst die uit bijgevoegde bestanden of documenten is gehaald. Alles wordt samen als tokens gemeten tegen één gedeelde limiet.
Lost een nieuwe chat het probleem echt op?
Ja, in die zin dat het venster volledig wordt geleegd - geen afgezwakte geschiedenis en geen risico op afkapping vanaf een eerder punt in het gesprek. Het nadeel is dat je de context uit de oude thread kwijtraakt die je niet hebt meegenomen. Daarom is het de moeite waard om een korte samenvatting plus je skillbestand mee te nemen naar de nieuwe chat, in plaats van helemaal opnieuw te beginnen.
Waarom gebruik je niet gewoon een model met een groter contextvenster?
Een groter venster helpt, maar neemt de onderliggende dynamiek niet weg - afzwakking en prioritering spelen op grotere schaal nog steeds een rol, en enorme invoer kost nog altijd echte tokens, ongeacht of de limiet 100.000 of 1.000.000 is. Een groter venster geeft je meer ruimte; het geeft je geen model dat automatisch weet wat binnen die ruimte prioriteit moet krijgen.
Waarin verschilt een skillbestand van gewoon goede instructies in de chat schrijven?
Beide kunnen werken, maar instructies die je rechtstreeks in een chat typt, staan in hetzelfde drukke venster als al het andere en worden vaak herhaald, tegengesproken of afgezwakt naarmate het gesprek vordert. Een skillbestand wordt eenmaal geladen als een duidelijk gedefinieerde rol - compact en gescheiden van de taakinhoud - zodat het niet concurreert om ruimte met het document of de gegevens waarmee je daadwerkelijk werkt.
Gerelateerd: Beste Claude-skills voor leidinggevenden en chiefs of staff · Beste Claude-skillsmarktplaatsen (vergeleken)
