Je kent dat gevoel. Bericht veertig van een chat die scherp begon, levert je nu antwoorden op die de helft van je instructies negeren, iets tegenspreken wat het tien berichten eerder zei of terugvallen op een generieke standaard die je een uur eerder had gecorrigeerd. Er is niets “kapotgegaan”. Het model is niet slechter geworden. Wat is veranderd, is de berg tekst die het nu moet lezen voordat het op je kan reageren.
Wat er echt gebeurt in een lange chat
Elk antwoord dat een AI-model je geeft, wordt gegenereerd door het volledige gesprek tot dat moment te lezen — je oorspronkelijke instructies, elke vervolgvraag, elke correctie, elke zijstap, elke “eigenlijk, kun je ook nog…” — en te voorspellen wat daarna moet komen. Dat volledige transcript heet het contextvenster en wordt niet kleiner naarmate het gesprek groeit. Het wordt groter, bericht voor bericht, totdat het veel meer tekst bevat dan waarmee het begon.
Aan het begin van een chat vormen je instructies bijna de volledige context. De taak van het model is eenvoudig: een duidelijke briefing lezen en die volgen. Bij bericht dertig is je oorspronkelijke briefing nog maar een klein deel van een veel langer document, begraven onder tientallen uitwisselingen over specifieke bewerkingen, specifieke cijfers en specifieke eenmalige verzoeken. Het model “heeft” je oorspronkelijke instructies technisch gezien nog steeds in zijn context — maar ze zijn nu verdund en moeten concurreren om aandacht met een veel grotere hoeveelheid recentere, specifiekere en vaak tegenstrijdige tekst.
Daarom mislukken lange chats niet allemaal tegelijk. Ze gaan geleidelijk achteruit. Het model gaat recente berichten zwaarder meewegen dan vroege berichten (wat vaak de juiste keuze is — recentheid wijst meestal op relevantie), maar wanneer je fundamentele regels in diezelfde verouderende thread staan, raken “recent” en “belangrijk” door elkaar. Een terloopse opmerking van vijf minuten geleden kan zwaarder wegen dan een instructie die een uur geleden de standaard bepaalde, simpelweg door de plek ervan in het transcript.
Er is nog een tweede, stillere kostenpost: het model moet je bedoeling telkens opnieuw afleiden uit een rommeliger document. In plaats van “je bent een ervaren groeistrateeg die de uitvoer altijd structureert als X en Y altijd vermijdt” als een duidelijke instructie te lezen, verwerkt het datzelfde idee via parafrases, uitzonderingen die je halverwege het gesprek hebt toegestaan en bewerkingen die alleen op één specifieke taak van toepassing waren. Hoe meer tekst het met elkaar moet verzoenen, hoe groter de kans dat het model alles middelt, zich indekt of stilletjes een beperking laat vallen die nooit opnieuw is herhaald.
De twee oplossingen waar mensen naar grijpen — en waarom ze allebei informatie verliezen
Oplossing één: scroll omhoog en plak de oorspronkelijke instructies opnieuw
Dit is de meestgebruikte noodoplossing. Je scrolt terug naar bericht één, kopieert je oorspronkelijke briefing en plakt die bij bericht veertig opnieuw, met iets als ‘even ter herinnering, houd je hier alsjeblieft aan’. Het werkt ongeveer vijf antwoorden lang. Daarna treedt dezelfde afwijking opnieuw op, omdat je niets hebt veranderd aan de manier waarop het contextvenster werkt - je hebt alleen nog een kopie van je instructies toegevoegd aan een al overvolle transcriptie. De chat is nu nog langer, de verhouding tussen signaal en ruis is niet verbeterd, en je blijft dit de rest van het project af en toe opnieuw doen.
Oplossing twee: start een gloednieuwe chat en typ alles opnieuw
De andere veelgebruikte aanpak is drastischer: laat de chat achter je en begin opnieuw. Dit lost het probleem van verwatering inderdaad op - een nieuwe chat heeft een schone, korte context, waardoor instructies weer duidelijk worden gelezen. Maar samen met de ruis gooi je ook iets waardevols weg: de nuttige, taakspecifieke context die de AI goed maakte in dit specifieke project. De voorbeelden die je hebt aangeleverd, de randgevallen waar je de AI al doorheen hebt geleid, de beslissingen die jullie samen al hebben genomen - dat alles is weg. Je begint weer vanaf nul en bent bovendien afhankelijk van je geheugen (of van een haastige zoektocht door oude berichten) om instructies te reconstrueren die je misschien nergens buiten die chat hebt opgeslagen.
Beide oplossingen pakken het symptoom aan. Geen van beide lost het onderliggende probleem op: je ROL, OPMAAK en NORMEN staan nergens anders dan in een steeds groter wordende stapel heen-en-weerberichten.
Een compact, herbruikbaar skillbestand dat de rol, uitvoerindeling en normen van een senior groeistrateeg vastlegt - zodat een nieuwe chat scherp begint in plaats van vanaf een blanco pagina.
Bekijk Sofia - Strategist voor groeimarketing →De betere oplossing: scheid het signaal van de ruis
De echte oplossing is geen scrolltruc of een nieuwe start - het is een structurele verandering in waar je instructies staan. In plaats van dat je ROL, OPMAAK en NORMEN in bericht één van een steeds langer wordende chat staan, staan ze in een klein, zelfstandig bestand: een skill. Je laadt dat bestand telkens opnieuw in een nieuwe chat of een Claude/ChatGPT-project wanneer je het nodig hebt, waarna het gesprek uitsluitend gefocust blijft op de taak die voor je ligt.
Zie het als het opsplitsen van een gesprek in twee lagen die vroeger met elkaar verstrengeld waren:
- Signaal - de zaken die nooit mogen veranderen en nooit mogen verwateren: wie de AI vertegenwoordigt, precies hoe de uitvoer moet worden opgemaakt, en welke normen en beperkingen altijd gelden. Dit staat in het skillbestand, buiten de chat.
- Ruis - de zaken die specifiek zijn voor deze taak, deze week, deze ene heen-en-weerwisseling: ‘maak het korter’, ‘gebruik de cijfers van deze klant’, ‘nee, de andere versie’. Dit staat in de chat en het is prima als die lang wordt, omdat het niet concurreert met je kerninstructies om de aandacht van het model.
Wanneer die twee lagen gescheiden zijn, is een lang project niet langer één lange, aftakelende chat. Het wordt een reeks overzichtelijke chats, die elk beginnen met exact dezelfde scherpe instructieset uit het Skill-bestand, en die elk vrij lang kunnen doorgaan over het daadwerkelijke werk zonder ooit opnieuw te hoeven bepalen wat 'goed' betekent. Je krijgt de frisheid van oplossing twee (een nieuwe chat, een schone context) zonder de kosten van oplossing twee (alles opnieuw uit je geheugen typen), omdat de instructies nooit in de oude thread opgesloten zaten.
Dit lost ook een probleem op dat geen van beide slechte oplossingen aanpakt: consistentie tussen sessies. Als je normen in je hoofd zitten en je ze elke keer net iets anders opnieuw typt, verschuift de kwaliteit niet alleen binnen één chat, maar ook van project tot project. Een Skill-bestand is elke keer hetzelfde bestand — versioneer het één keer, verfijn het wanneer je iets nieuws leert, en elke toekomstige chat erft de verbetering onmiddellijk.
Analytics-threads lopen lang door — dashboards, gebeurtenisschema's, rapportagefrequenties. Rafa houdt de analytische normen vast in een Skill-bestand, zodat week zes van het project dezelfde grondigheid heeft als dag één.
Bekijk Rafa - Specialist in marketinganalytics →Hoe dit er in de praktijk uitziet
Stel dat je een opdracht van meerdere weken uitvoert — een groeiaudit, een doorlopende analytics-uitwerking, een consultancyproject met een klant. In plaats van één marathonchat die langzaam de draad kwijtraakt, ziet het patroon er als volgt uit:
- Je ROL/OPMAAK/NORMEN staan in een Skill-bestand (een kort, gestructureerd document — het soort dat je als systeemprompt of als projectinstructie voor Claude/ChatGPT zou plakken).
- Elke werksessie, of elke nieuwe fase van het project, begint met een nieuwe chat waarin dat Skill-bestand is geladen.
- De chat zelf mag zo lang en rommelig worden als de daadwerkelijke taak vereist, omdat de fundamentele instructies niet in datzelfde transcript meegaan en daardoor door recentere tekst worden overstemd.
- Wanneer je iets leert dat op elke toekomstige sessie van toepassing zou moeten zijn — een opmaakvoorkeur, een beperking die je steeds opnieuw moet vermelden — pas je het Skill-bestand één keer aan, niet elke volgende chat.
Het netto-effect is dat de kwaliteit gedurende een lang project stabiel blijft in plaats van af te nemen. Je vecht niet tegen het contextvenster; je vraagt het simpelweg niet om een taak uit te voeren waarvoor het nooit echt geschikt was: je permanente geheugen zijn voor blijvende instructies.
Door McKinsey getraind gestructureerd denken, bij elke sessie opnieuw geladen — zodat een langdurige adviesopdracht niet de drift van één overbelaste chatthread overneemt.
Bekijk Thomas - Business Consultant →Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een echte maandelijkse schatting van verspilde tokens en kosten in euro's voor opnieuw prompten versus een blijvend Skill-bestand. Geen registratie, geen e-mail — alleen de berekening uit dit bericht toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Waarom lijkt een AI instructies die ik eerder in dezelfde chat gaf te "vergeten"?
Hij is het niet letterlijk vergeten — de tekst staat nog steeds in het contextvenster. Maar naarmate het gesprek groeit, vormen je oorspronkelijke instructies een steeds kleiner deel van alles wat het model moet meewegen, en recentere berichten krijgen doorgaans meer invloed op het antwoord. Het resultaat lijkt op vergeten, maar is in werkelijkheid verdunning.
Is een nieuwe chat starten niet de eenvoudigste oplossing?
Het lost het verdunningsprobleem op, maar creëert een nieuw probleem: je verliest de taakspecifieke context die de AI juist nuttig maakte voor dit specifieke project, en je moet je oorspronkelijke instructies onthouden (of opzoeken) om ze opnieuw te typen. Een Skill-bestand biedt het voordeel van een schone context van een nieuwe chat zonder de geheugenkosten, omdat je vaste instructies volledig buiten de chat staan.
Wat is het verschil tussen een Skill-bestand en gewoon een langere, gedetailleerdere prompt?
Een langere prompt blijft in de chat staan en veroudert op dezelfde manier als elk ander bericht — hij is onderhevig aan dezelfde verdunning in een lange thread. Een Skill-bestand staat los van een afzonderlijk gesprek: je laadt het aan het begin van elke nieuwe chat of elk nieuw project opnieuw in, zodat het nooit hoeft te concurreren met recente berichten om de aandacht van het model en nooit de ruis van een specifieke taak opstapelt.
Kort samengevat:
Lange chats worden niet dommer omdat het model achteruitgaat — ze worden dommer omdat je vaste instructies bedolven raken onder een groeiende berg taakspecifieke heen-en-weerberichten. Houd de ROL/OPMAAK/NORMEN in een compact, herbruikbaar Skill-bestand — zoals Sofia, Rafa of Thomas — laad het bij elke nieuwe chat opnieuw in en laat het gesprek alleen de ruis meedragen die het daadwerkelijk nodig heeft.
