Context engineering is de nieuwe basisvaardigheid voor iedereen die AI inzet voor marketing en contentcreatie. Content is king was 30 jaar lang het antwoord, context engineering is wat in 2026 het verschil maakt tussen generieke en bruikbare AI-output. Voor MKB-bedrijven en scale-ups die met AI willen werken, bepaalt context engineering of die investering rendeert of niet.
Dat principe werkt het sterkst in een AI workflow die meegroeit, opgebouwd uit kleine stappen.
Content is king was 30 jaar lang het antwoord, context engineering is de volgende stap
Bill Gates schreef het in 1996. Sindsdien is “content is king” het meest herhaalde marketingmantra ter wereld. En het klopte. Wie de beste blogposts, video’s of productbeschrijvingen maakte, won.
Maar dat was voordat AI in zes seconden een complete blogpost kon produceren.
Ik werk dagelijks met tools als Claude, ChatGPT en geautomatiseerde workflows in n8n. En eerlijk, in het begin dacht ik ook dat het om het model ging. Dat je met een beter model automatisch betere output kreeg. Klopt niet. De kwaliteit hangt af van wat je het model vertelt. Dezelfde tool, dezelfde prompt-structuur, maar met betere context? Totaal ander resultaat.
Daarom zeg ik: context is king, en content volgt daar vanzelf uit.
Waarom context engineering nu het verschil maakt in AI-output
AI heeft content gecommoditiseerd. Iedereen met een ChatGPT-account kan binnen een minuut een blogpost, e-mail of social media post genereren. Het resultaat? Een vloed aan generieke, inwisselbare teksten die niemand raken.
Het verschil zit niet meer in de content zelf. Het zit in de input die eraan voorafgaat:
- Ken je de exacte pijnpunten van je klant, of beschrijf je “de doelgroep”?
- Heb je echte klantdata, of werk je met aannames?
- Weet je welke tone of voice converteert, of laat je AI “iets professioneels” schrijven?
Hoe specifieker je context, hoe scherper de output. Dat geldt voor AI personal assistants, voor geautomatiseerde contentproductie, en voor elke prompt die je ooit typt.
Wat ik in de praktijk zie met context engineering bij MKB-klanten
Bij klanten waar ik AI-workflows bouw voor contentcreatie, begint het project nooit met “welk model gebruiken we?” Het begint met: welke kennis heeft dit model nodig om te presteren?
Denk aan: klantpersona’s op basis van echte data uit Google Analytics 4 of CRM-systemen. Tone of voice documenten die verder gaan dan “professioneel en toegankelijk.” Productkennis die specifiek genoeg is om te differentiëren van concurrenten.
Eén van de meest onderschatte fouten die ik tegenkom: bedrijven die AI inzetten zonder hun eigen expertise te documenteren. Ze verwachten dat het model hun branche begrijpt, hun klanten kent, hun merkstem aanvoelt. Ik snap die verwachting, want de demo’s zijn indrukwekkend. Maar een demo is geen implementatie. Zonder context levert elk model dezelfde generieke output.
De verschuiving van content marketing naar context engineering, in één beeld
Stel je twee bedrijven voor die beide AI gebruiken voor hun marketing. Bedrijf A typt “schrijf een blogpost over duurzame verpakkingen” in ChatGPT. Bedrijf B voert eerst hun klantonderzoek in, hun merkwaarden, hun SEO-analyse, en hun concurrentiepositie. Vervolgens laten ze AI de content schrijven.
Beide gebruiken hetzelfde model. Het verschil in output is enorm. Niet door het model, maar door de context die eraan voorafging.
Wat context engineering betekent voor MKB en scale-ups
Voor MKB-bedrijven en scale-ups die met AI aan de slag gaan, is dit goed nieuws. Je hoeft geen duur contentteam in te huren. Maar je moet wel investeren in het vastleggen van je eigen kennis:
- Documenteer je tone of voice zodat AI consistent communiceert
- Leg klantinzichten vast in formats die AI kan verwerken
- Structureer je productkennis zodat elke prompt de juiste details bevat
- Bouw AI-workflows die context automatisch meegeven, niet afhankelijk van handmatige input
De bedrijven die hierin het snelst investeren, produceren content die niet van menselijk geschreven te onderscheiden is. Niet omdat ze betere AI gebruiken, maar omdat ze betere context leveren.
Context engineering is geen eenmalige investering
De beste aanpak die ik ken: bouw een systeem dat elke iteratie bijleert. Laat dat na elke blogpost, e-mail of campagne vastleggen wat werkte en wat niet. Welke tone of voice converteert bij welk segment? Welke productclaims resoneren? Welke hooks trekken aandacht?
Laat die lessen opslaan in een format dat je AI-tools kunnen toepassen. Niet in iemands hoofd, niet in losse notities, maar gestructureerd. Zodat elke volgende prompt beter is dan de vorige.
Dat is het echte verschil tussen bedrijven die AI als speelgoed gebruiken en bedrijven die er structureel mee groeien. De eerste groep typt steeds opnieuw dezelfde vage briefing. De tweede groep bouwt een kennissysteem dat zelf verbeterend werkt.
Vier soorten context die elk MKB-bedrijf aan AI moet leveren
Context engineering klinkt abstract, maar in de praktijk valt het uiteen in vier categorieën. Wie deze vier op orde heeft, krijgt direct bruikbare AI-output. Wie er één overslaat, krijgt generieke content die je daarna alsnog handmatig moet herschrijven.
1. Merkcontext: tone of voice, doelgroep, positionering
Het belangrijkste type context, en tegelijk het meest onderschat. Hier draait het om hoe je merk klinkt, welke woorden je wel en niet gebruikt, voor wie je schrijft en wat je positionering is in de markt. Een AI-model zonder merkcontext schrijft generieke marketing-Engels-in-het-Nederlands die op tienduizend andere bedrijven past. Een AI-model mét merkcontext schrijft alsof het tien jaar bij je bedrijf werkt.
In de praktijk leg ik dit vast in een Tone of Voice document van twee tot vier pagina’s. Een korte beschrijving van de stem (direct, data-gedreven, anti-hype), een lijst met verboden woorden (clichés als ‘naadloos’, ‘ontketen’, ’transformeer’), drie voorbeelden van zinnen die wel passen en drie die niet passen, plus de doelgroep in één alinea. Dat document gaat in elke chat, project of prompt.
2. Branchecontext: jargon, normen, klantgedrag
Elke branche heeft eigen vocabulair, regelgeving en klantverwachtingen. Een AI-model dat niet weet dat ‘CE-markering’ voor industriële klanten doorslaggevend is, schrijft over ‘kwaliteit’ in plaats van over compliance. Branchecontext bestaat uit drie lagen: technische termen die in je markt gangbaar zijn, normen en certificeringen die je klanten checken voor ze kopen, en typisch koopgedrag (een B2B-inkoper leest anders dan een D2C-consument).
Een bouwgroothandel die AI-content laat schrijven zonder branchecontext krijgt teksten over ‘duurzame oplossingen voor uw projecten’. Met branchecontext krijgt diezelfde groothandel teksten over ‘EN 388 cat. II handschoenen voor metaal- en glasbewerking, conform NEN 5491’. Het verschil is het verschil tussen een lead en een sale.
3. Klantsegmentcontext: persona, pijnpunten, beslissingscriteria
Wie leest dit? Een marketingmanager met een budget, een MKB-eigenaar met geen tijd, een inkoper met een specificatielijst? Per segment verandert wat relevant is. De toon, de openingszin, het type bewijs dat overtuigt, alles verschilt per segment.
Concreet: ik geef AI-modellen per project één van drie personas: ‘MKB-ondernemer omzet €1-5M, dagelijks operationeel betrokken, marketing is afgeleide van groeidruk’, ‘Scale-up marketingmanager omzet €5-50M, eigen team, KPI-gedreven’ of ‘E-commerce manager met internationale ambitie, focus op CRO en attribution’. Diezelfde prompt geeft drie totaal andere outputs als ik alleen de persona-context wissel.
4. Historische context: eerder werk, lopende projecten, klantdata
De vierde categorie wordt meestal vergeten. AI-modellen werken sessie-gebaseerd: elke chat begint blanco. Maar jouw bedrijf heeft een geschiedenis. Eerder gepubliceerde content, lopende klantprojecten, productlanceringen die nog niet zichtbaar zijn op de website. Zonder historische context krijg je content die contradicteert met wat je vorige maand publiceerde.
In de praktijk koppel ik dit via Claude Projects (knowledge files met laatste tien blogposts), of via een eigen vector-database met klantgesprekken en case studies. Voor MKB-bedrijven die net beginnen volstaat een Google Doc met je laatste vijf belangrijkste content-stukken, manually meegegeven in de prompt.
Voorbeeld: hetzelfde prompt, drie context-niveaus
Dit is de meest concrete manier om context engineering te begrijpen. Hieronder dezelfde vraag aan Claude, drie keer, met oplopende context. De outputs verschillen niet in lengte maar in bruikbaarheid.
Prompt zonder context:
“Schrijf een productomschrijving voor een industriële vloermat.”
Output: “Onze industriële vloermat biedt comfort en veiligheid op de werkvloer. Gemaakt van duurzaam materiaal, geschikt voor zware belasting. Eenvoudig te onderhouden en lang houdbaar. Bestel vandaag nog voor snelle levering.”
Generiek, inwisselbaar, geen onderscheid van concurrenten.
Prompt met basale context (merk + doelgroep):
“Schrijf een productomschrijving voor een industriële vloermat. Schrijf in directe B2B-tone of voice voor inkopers bij Nederlandse productiebedrijven. Geen marketing-clichés.”
Output: “Industriële vloermat 90×150 cm voor staand werk in productie en magazijn. 14 mm dikte, hoekafgeschuind, antivermoeidheid. Past tegen werktafels en machines zonder vastzetten. Voldoet aan ISO 13287. Standaard uit voorraad leverbaar.”
Beter, specifieker, maar nog steeds generiek per branche.
Prompt met volledige context engineering (alle vier de lagen):
“Schrijf een productomschrijving voor een industriële vloermat 90×150 cm. Merkcontext: ITM Interma, directe B2B-tone voor productie- en magazijninkopers. Branchecontext: technische klanten checken op antivermoeidheid (ISO 13287), chemische resistentie (NSF), en compatibiliteit met heftruckverkeer. Klantsegment: inkoper die per stuk koopt voor twintig+ werkplekken, beslissingscriteria zijn levertijd, bulkprijs en garantie. Historische context: vergelijkbare matten voor de auto-industrie hebben in 2024-2025 voor 200+ klanten gewerkt.”
Output: “Industriële werkmat 90×150 cm voor staand werk in productie, magazijn en lasinrichtingen. 14 mm nitrilrubber, dezelfde basis als chemiebestendige matten in olie- en gasindustrie. 35% meer vermoeidheidsreductie versus standaard 8 mm matten volgens onafhankelijk TNO-onderzoek (2023). Hoekafgeschuind, geschikt voor vorkheftruck-passage. Voldoet aan ISO 13287, NSF-gecertificeerd voor voedingsmiddelenproductie. Standaard uit voorraad, bulkkorting vanaf vijftig stuks. Gebruikt door 200+ Nederlandse productiebedrijven.”
Drie keer dezelfde prompt, drie totaal verschillende outputs. Het derde stuk kun je direct publiceren. De eerste twee zijn werk-in-uitvoering.
Vier tools om context herbruikbaar te maken
Context engineering wordt pas rendabel als je het niet elke keer opnieuw hoeft te bouwen. Vier tools die je context herbruikbaar maken, geordend van eenvoudig naar geavanceerd.
Claude Projects
Anthropic’s projectfunctie laat je een dossier met knowledge files koppelen aan elke chat in dat project. Upload je Tone of Voice, branchecontext, klantsegmenten en de laatste tien content-stukken als PDF of markdown. Elke chat in dat project heeft die context automatisch beschikbaar. Kosten: inbegrepen in Claude Pro (€20 per maand). Geschikt voor: MKB-ondernemers die alleen werken of in klein team.
ChatGPT Custom Instructions
De variant van OpenAI. Twee tekstvelden waarin je permanent context kunt opslaan: “wie ik ben” en “hoe ik wil dat je antwoordt”. Beperkt qua omvang (1500 tekens per veld), maar voor merk- en persona-context vaak voldoende. Kosten: inbegrepen in ChatGPT Plus (€20 per maand). Geschikt voor: snelle setup, single user.
NotebookLM voor knowledge bases
Google’s NotebookLM accepteert tot 50 bronbestanden per notebook (documenten, PDF’s, websites, video’s). Specifiek sterk voor research-context: case studies, klantinterviews, branche-rapporten. Output verwijst altijd terug naar de bron, wat hallucinaties beperkt. Kosten: gratis voor Google-accounts. Geschikt voor: research-intensieve content (whitepapers, deep dives).
n8n met vector database
Voor wie context dynamisch wil injecteren in workflows. Combineer een vector database (Supabase, Pinecone, Qdrant) met een n8n-workflow die per prompt de relevante context ophaalt en injecteert in de Claude- of OpenAI-call. Kosten: vanaf €20 per maand n8n cloud, €25 voor Supabase. Geschikt voor: scale-ups die context op grote schaal automatiseren (denk: contentgeneratie voor honderden producten of categorieën).
De keuze hangt af van schaal. Voor de meeste MKB-bedrijven volstaat Claude Projects of ChatGPT Custom Instructions. Pas bij contentvolumes boven de honderd stuks per maand wordt de n8n-route rendabel.
Wanneer context engineering meer kost dan oplevert
Niet elke AI-use case rechtvaardigt context-investering. Drie scenario’s waarin je beter generieke AI-output gebruikt en je tijd elders steekt.
Lage gebruiksfrequentie. Een MKB-bedrijf dat vier keer per jaar een blogpost laat schrijven, hoeft geen volledige context-stack te bouwen. Eén keer per kwartaal handmatig de relevante context in een prompt plakken kost minder tijd dan het inrichten en onderhouden van een knowledge base. De drempel ligt rond tien tot vijftien AI-taken per maand. Daaronder is generiek werk plus handmatige correctie efficiënter.
Simpele transactionele content. Productspecificaties, FAQ-vertalingen, korte standaard-bevestigingsmails. Dit type output heeft weinig baat bij merkcontext omdat de inhoud zelf gestandaardiseerd is. Wel branchecontext voor terminologie, maar verder volstaat de generieke output van het model. Pas op bij content waar tone en positionering doorklinken (blogs, landingspagina’s, e-mailcampagnes).
Taken waar generieke modellen al goed in zijn. Samenvatting van een lang artikel, vertaling van een document, omzetten van bullet points naar lopende tekst. Hier voegt context-engineering weinig toe. De winst zit in het basis-prompten, niet in de context-laag.
De algemene heuristiek: investeer in context engineering wanneer je consistent en frequent content produceert die je merk vertegenwoordigt. Voor incidenteel of operationeel werk is generieke AI-output prima.
Veelgestelde vragen over context engineering
Wat wordt bedoeld met “content is king, context is queen”?
De uitdrukking “content is king, context is queen” stamt uit de digitale marketingwereld en stelt dat kwalitatieve content essentieel is, maar dat de context (timing, kanaal, doelgroep, relevantie) bepaalt of die content ook daadwerkelijk werkt. In 2026, met de opkomst van AI-tools als ChatGPT en Claude, verschuift de balans: context wordt de bepalende factor voor contentkwaliteit, omdat AI de productie van content zelf heeft geautomatiseerd.
Hoe bepaalt context de kwaliteit van AI-content?
AI-modellen genereren output op basis van de input die ze ontvangen. Hoe specifieker de context (klantdata, tone of voice, productkennis, marktpositie), hoe relevanter en scherper de gegenereerde content. Zonder goede context produceert elk AI-model generieke teksten die niet onderscheidend zijn van wat concurrenten publiceren.
Hoe begin ik als MKB met het verbeteren van AI-context?
Start met drie stappen: documenteer je tone of voice in een gestructureerd format, leg klantinzichten vast uit bronnen als Google Analytics 4 en je CRM-systeem, en bouw geautomatiseerde workflows (bijvoorbeeld in n8n of Zapier) die deze context automatisch meegeven bij elke AI-prompt.
Context is één stap in een groter geheel: bekijk de AI content workflow van idee tot meten.
