Je AI vergeet dingen niet omdat het in de war raakt - de ruimte raakt gewoon op. Elk model heeft een vast "contextvenster": de totale hoeveelheid tekst die het tegelijkertijd kan bevatten en waarover het kan redeneren. Zodra dat venster vol is, moet er iets wijken: oudere berichten worden verdrongen door nieuwere, eronder bedolven of helemaal verwijderd.
Op deze pagina
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 hele gesprek tot dan toe - alles wat je hebt getypt, alles wat het heeft geantwoord, plus eventuele documenten, afbeeldingen of bestanden die je hebt bijgevoegd - samengevoegd tot één invoer. Dat hele pakket 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 eigenlijke 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 niets buiten dat venster, en alles wat erin staat concurreert om de beperkte aandacht van het model.
Waarom het voelt alsof AI "vergeet"
Mensen beschrijven dit als het AI dat het begin van een lange chat "vergeet" of de draad van details uit een geüpload document kwijtraakt. 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 - het wordt alleen een steeds kleiner deel van waar het model naar kijkt. Vroege instructies, beslissingen of feiten krijgen verhoudingsgewijs minder "gewicht" ten opzichte van alles wat er 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 neemt de kwaliteit in lange gesprekken zichtbaar af: het model spreekt eerdere antwoorden tegen, herhaalt vragen die je al hebt beantwoord 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 contextvenster 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 - hij is echt verdwenen. Het model kan hem letterlijk niet meer zien, hoe belangrijk die ook was.
Geen van beide is precies een bug. Het is het fysieke gevolg van het vollopen van een venster met een vaste omvang. Maar het betekent wel dat twee gewone gewoonten - een enorm document plakken en een chat lang en meanderend laten doorgaan - de twee snelste manieren zijn om de kwaliteit van de uitvoer te kelderen, vaak zonder dat je beseft waarom de antwoorden slechter werden.
De verborgen kosten van "gewoon het document uploaden"
Een groot bestand uploaden voelt gratis. Dat is het niet. Een groot contract, een onderzoeksrapport of een volledige dataset kan een enorm deel van het beschikbare venster in beslag nemen 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 inneemt, houd je 60.000 over voor de systeeminstructies, de gespreksgeschiedenis en de eigen redenering en reactie van het model - voor een taak waarvoor mogelijk echt synthese over het hele document nodig is.
Dit is precies de situatie waarin mensen vastlopen bij zwaar analytisch werk: marketingrapporten vol tabellen, financiële modellen, lange onderzoeksdataverzamelingen. Hoe groter en rommeliger de invoer, hoe minder ruimte er overblijft voor de AI om daadwerkelijk goed na te denken over wat je ermee wilt laten doen.
Rafa verandert Claude in een Senior Specialist in marketinganalyses voor precies dit probleem - het analyseren van dichte 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 thread die je nooit sluit omdat die "alle context al bevat". Elke heen-en-weeruitwisseling, elke afgedwaalde zijweg, elk "eigenlijk, laten we het anders proberen" blijft in het venster staan, neemt ruimte in en verwatert wat er werkelijk toe doet. Tegen bericht vijftig houdt het model een stapel deels relevante geschiedenis vast naast je huidige, echte verzoek - en behandelt het dat allemaal ongeveer even belangrijk.
De oplossing is niet om "nooit lange gesprekken te voeren". Het gaat erom bewust om te gaan met wat daadwerkelijk ruimte inneemt in dat venster, en ervoor te zorgen dat de dingen waaraan je wilt dat het model veel gewicht toekent - je huidige taak, je huidige document - niet worden overspoeld door dingen die er niet meer toe doen.
Waar Skill-bestanden van pas komen
Dit is de praktische reden waarom Skill-bestanden (of systeemprompts, aangepaste instructies, projectinstructies - hetzelfde idee, afhankelijk van het platform een andere naam) bestaan. Een Skill-bestand scheidt twee heel verschillende soorten inhoud die normaal gesproken door elkaar worden gegooid in het contextvenster:
- Vaste instructies - als wie de AI moet optreden, welke normen moeten worden toegepast en in welk formaat de uitvoer moet worden geleverd. 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 doe nooit Y" in de chat zelf plakt, neemt die uitleg ruimte en aandacht in het contextvenster in, direct 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 over en weer en wordt niet halverwege het gesprek opnieuw ter discussie gesteld of uitgelegd, zoals vaak gebeurt met ad-hocinstructies.
Het resultaat is eenvoudig: meer van het contextvenster blijft 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 daadwerkelijk 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
- Begin voor nieuwe taken een nieuwe thread. Een nieuw gesprek betekent een schoon contextvenster - zonder verwaterde geschiedenis die concurreert met je huidige vraag.
- Houd vaste instructies apart en beknopt. Een Skill-bestand dat één keer wordt geladen, is beter dan je verwachtingen in elke chat opnieuw uit te leggen.
- 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 verdergaat. Vraag het model bij een langdurig project regelmatig om de belangrijkste beslissingen tot nu toe samen te vatten in een korte recap, of doe dat zelf. Begin vervolgens 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 contextvenster - niet van een probleem met een slimmere prompt.
Samengevat:
Elk AI-model heeft een vast contextvenster. Zodra dat vol is, wordt oudere inhoud afgezwakt of verwijderd - dat is het 'vergeten' dat je opmerkt, geen verwarring. Zowel grote documentuploads als lange chatgeschiedenissen nemen een deel van diezelfde beperkte ruimte in beslag. 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 er echt toe doet - zo blijven antwoorden langer scherp.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische schatting van het maandelijkse tokenverlies en de kosten in euro's voor 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 systeemprompt- of skillbestandinstructies 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 leeggemaakt - geen afgezwakte geschiedenis en geen risico op afkappen vanaf een eerder punt in het gesprek. De afweging is dat je alle context uit de oude thread verliest die je niet meeneemt. Daarom is het beter om een korte samenvatting plus je skillbestand mee te nemen naar de nieuwe chat dan 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 blijven op schaal optreden, en enorme invoer kost nog steeds 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 het binnen die ruimte moet prioriteren.
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 overvolle venster als al het andere en worden vaak herhaald, tegengesproken of afgezwakt naarmate het gesprek vordert. Een skillbestand wordt één keer geladen als een gedefinieerde rol - compact en los 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)