Maar het stelt organisaties ook voor lastige technische, organisatorische en ethische keuzes. CustomerFirst is in gesprek gegaan met drie experts om te ontdekken of geheugenrijke AI een zegen is voor klantcontact of dat het misschien zelfs een (groot) risico oplevert.

Tijdens het KSF Jaarcongres afgelopen december schetste Pim Zwaan, Principal Solutions Consultant bij Zendesk, tijdens zijn breakout-sessie een herkenbaar probleem. Veel AI-agents kunnen inmiddels een eerste vraag goed beantwoorden, maar lopen vast zodra gesprekken complexer worden of klanten van kanaal wisselen. ‘83% van de CX-leiders zegt dat AI-agents met een rijk geheugen de sleutel zijn tot echt gepersonaliseerde trajecten’, stelde hij. ‘Hier zijn we nog niet, maar dit is wel wat zowel klanten als organisaties verwachten.’ Volgens Zwaan draait memory richness daarbij niet om het opslaan van steeds meer data, maar om het kunnen voortzetten van een gesprek op basis van wat al bekend is. ‘De klant wisselt van kanalen binnen dezelfde interactie. Als je AI hier zonder historie op loslaat, vraagt het systeem opnieuw: “Waarmee kan ik je helpen?”, terwijl we dat eigenlijk al weten.’

Dat patroon staat volgens Zwaan op het punt te veranderen. In plaats van generieke openingszinnen kan AI steeds vaker beginnen met context. ‘Ik zie dat je onlangs een stoel hebt besteld die nog niet geleverd is. Is dat de reden dat je contact opneemt?’ Dat maakt gesprekken korter, relevanter en menselijker, terwijl taal steeds minder een barrière vormt. Tegelijkertijd waarschuwt hij dat die ontwikkeling de lat voor organisaties hoger legt. Zodra systemen menselijker communiceren, gaan klanten er impliciet vanuit dat ze ook begrijpen en onthouden wat er eerder is gebeurd. ‘Die verwachting ontstaat niet doordat organisaties dat expliciet beloven, maar doordat technologie die indruk wekt’, aldus Zwaan. Juist die combinatie van hoge verwachtingen en beperkte continuïteit maakt memory richness volgens hem tot een urgent thema in klantcontact.

Wat memory richness wel én niet is
Deze constatering roept de vraag op wat memory richness nu precies betekent. Carla Verwijmeren, CCO bij Y.digital en lid van het projectteam ‘Doorontwikkeling AI-visie KSF’, zegt hierover: ‘In essentie gaat het over hoe goed AI in staat is om context te onthouden en te gebruiken in gesprekken met klanten.’ Volgens Verwijmeren zijn veel organisaties al een stap verder gekomen dan de eerste generatie chatbots zonder geheugen. ‘Eerst hadden systemen helemaal geen geheugen. Daarna kwam het kortetermijngeheugen: binnen één sessie onthouden waar het gesprek over ging. Dat was al winst.’ De huidige fase draait om langetermijngeheugen: informatie uit eerdere contacten, over verschillende kanalen heen. ‘Maar daar zit meteen een belangrijk probleem: als die data niet in context wordt geplaatst, heb je er eigenlijk nog niks aan. Dan onthoud je wel, maar begrijp je niet.’

Carla Verwijmeren

Juist dat langetermijngeheugen laat zien wat memory richness níet is: onbeperkt onthouden zonder context. Volgens dr. Frederik Situmeang, Associate Professor AI and Data Driven Business bij de Hogeschool van Amsterdam en Scientific Director van RankmyAI, schuilt daar een fundamenteel risico. ‘In tegenstelling tot traditionele chatbots maakt geheugenrijke AI geen eenmalige fouten. Het systeem hergebruikt eerdere informatie, waardoor kleine dataproblemen kunnen uitgroeien tot terugkerend gedrag over meerdere gesprekken en kanalen heen’, aldus Situmeang. Daarom vraagt memory richness om scherpere keuzes: niet alles onthouden, maar selectief bepalen welke informatie relevant is, hoelang die geldig blijft en onder welke voorwaarden deze opnieuw mag worden ingezet.

‘Bedenk goed: wat wil je onthouden en wat mág je onthouden?’

Arnon Post, voorzitter van de KSF Expertgroep Data, is het eens met Zwaan dat AI kan ondersteunen in een gepersonaliseerd traject met een klant. Nieuw is het volgens hem niet. ‘Konden we dat niet al een hele tijd met de traditionele AI binnen klantcontact? 25 jaar geleden werkte ik binnen klantcontact al met algoritmes die konden voorspellen wanneer klantcontactmedewerkers het beste gekoppeld konden worden aan de juiste klant op basis van real-time informatie én historische gegevens van de klant. Een soort van data-containertje dat werd gevuld met allerlei data die van belang kon zijn bij een goede afhandeling van het contact. Daarbij was het altijd al van groot belang welke data je mocht of wilde gebruiken.’ Met de verdergaande technologie onderschrijft Post de mening van Situmeang.

Context, data en vertrouwen
In klantcontact wordt het belang van context vooral zichtbaar zodra gesprekken complexer worden of zich over meerdere momenten uitstrekken. ‘Voor eenvoudige vragen – zoals: wanneer komt mijn pakketje? – is geheugen nauwelijks relevant’, zegt Verwijmeren. ‘Maar zodra gesprekken langer duren, meerdere contactmomenten kennen of via verschillende kanalen lopen, verwachten klanten dat organisaties weten wat er eerder is besproken.’ Waar klanten eerder accepteerden dat zij hun verhaal opnieuw moesten doen, wordt dat nu sneller gezien als falen van de organisatie. Memory richness raakt daarmee direct aan vertrouwen. ‘Dan wek je verwachtingen die je niet waarmaakt’, aldus Verwijmeren.

Datakwaliteit bepaalt of AI met geheugen leidt tot een soepelere klantbeleving of juist steeds opnieuw fouten maakt. Post plaatst dat risico in een breder organisatorisch perspectief. Hij wijst erop dat ‘garbage in, garbage out’ in klantcontact al jaren een hardnekkige realiteit is, maar dat AI met geheugen de consequenties daarvan veel zichtbaarder maakt. Zodra een foutieve adresregel, een verkeerd gekoppeld klantnummer of een verouderde status eenmaal onderdeel wordt van de context, gaat die informatie niet alleen mee naar het volgende kanaal, maar beïnvloedt het ook de toon en richting van het gesprek.

‘We weten vaak niet wie de regels in systemen vastlegt en wat er precies met data gebeurt’

Verwijmeren benadrukt dat dit precies de reden is waarom organisaties meer nodig hebben dan simpelweg meer data. Zij ziet een verschuiving richting kennisstructuren die context kunnen bieden, zoals ontologieën en knowledge graphs. Daarmee kun je explicieter vastleggen wat een feit is, wat een aanname is en hoelang iets geldig blijft. Een noodzakelijke discipline als je geheugenrijke AI wilt inzetten zonder dat het systeem ruis gaat stapelen.

Tijdsbewustzijn is ook volgens Situmeang een cruciale factor. ‘Geheugenrijke AI moet onderscheid maken tussen informatie die waarschijnlijk geldig blijft en informatie die per definitie tijdelijk is.’ Zonder tijdstempels, betrouwbaarheidsindicatoren of vervalregels kan het systeem niet beoordelen of eerdere aannames nog kloppen. Ook de manier waarop geheugen wordt vastgelegd vraagt discipline. ‘Vrije tekstsamenvattingen, afgeleide emoties of informele notities zijn extra risicovol wanneer ze later als feitelijk geheugen worden behandeld.’ Herbruikbare context moet daarom gestructureerd en begrensd zijn, niet opgeslagen als ongekwalificeerde tekst. Vooral retrieval-mechanismen zijn kwetsbaar: wanneer te brede of irrelevante context wordt opgehaald, vult AI hiaten in, met antwoorden die kunnen afwijken van de feitelijke klantsituatie.

Arnon Post

Large language models en transparantie
De inzet van large language models, zoals ChatGPT en Claude, vergroot de uitdagingen rond memory richness aanzienlijk. Hoewel organisaties technisch grip kunnen houden op datastromen, blijkt die controle in de praktijk kwetsbaar. Te brede contextselectie, het overmatig loggen van prompts of een onduidelijke scheiding tussen operationeel geheugen en analytische data zorgen ervoor dat informatie langer circuleert dan bedoeld, waarschuwt Situmeang. Daarbij komt dat taalmodellen zelf geen directe, causale verklaring geven voor hun output. ‘Uitlegbaarheid is in de praktijk nauwelijks uit het model zelf af te leiden en moet buiten het model worden georganiseerd, op systeemniveau, met inzicht in gebruikte databronnen, hergebruikte context en toegepaste regels.’ Onderzoek naar retrieval-augmented generation1 suggereert volgens hem dat betrouwbaarheid, en in bredere zin ook transparantie, daarbij sterker samenhangen met retrieval en orkestratie dan met de interne werking van het taalmodel.

Als AI eerdere context hergebruikt, wordt het gedrag vaak menselijker ervaren en groeit daarmee de verwachting rond begrip, intentie en verantwoordelijkheid.2 Onderzoek naar de wisselwerking tussen antropomorfisme en transparantie suggereert volgens Situmeang dat transparantie cruciaal is om vertrouwen te behouden wanneer AI ‘relationeler’ overkomt.3 Wanneer systemen vervolgens onverklaarbaar of ondoorzichtig handelen, wordt dat niet alleen ervaren als een technische beperking, maar ook als een verlies van controle. ‘Transparantie wordt dan een praktische noodzaak, geen theoretisch ideaal’, aldus Situmeang. Transparantie vraagt volgens hem om expliciete ontwerpkeuzes: welke context mag invloed hebben, welke signalen worden genegeerd en hoe wordt vastgelegd waarom een bepaald antwoord of voorstel is gedaan.

‘Geheugenrijke AI maakt geen eenmalige fouten’

Volgens Post speelt de bredere infrastructuur een cruciale rol bij geheugenrijke AI. Zolang Europese organisaties grotendeels afhankelijk blijven van large language models buiten Europa, blijft volledige controle over data en geheugen beperkt, terwijl opgeslagen context zich over tijd opstapelt en langdurig invloed heeft op gedrag. Europese initiatieven rond eigen modellen en infrastructuur zijn daarom niet alleen technologisch, maar ook strategisch relevant. Zo wordt in Nederland sinds 2024 gewerkt aan een eigen taalmodel: GPT-NL (zie kader). Tegelijkertijd schuilt volgens Post een van de grootste risico’s in het gebrek aan die transparantie. ‘We weten vaak niet wie de regels in systemen vastlegt en wat er precies met data gebeurt.’ Daarbij is ook de vraag wie uiteindelijk toegang heeft tot informatie essentieel. Europese regelgeving zoals de Algemene Verordening Gegevensbescherming ziet hij daarbij als een belangrijk tegenwicht. ‘Die regelgeving is soms lastig, maar beschermt ons ook. Het houdt ons scherp en voorkomt dat we te makkelijk over grenzen gaan.’ Ook de Europese AI Act (zie kader) speelt een belangrijke rol in de transparantie van geheugenrijke AI.

Privacy en ethiek
Verwijmeren benadrukt dat memory richness verder gaat dan techniek alleen. ‘Geheugen betekent dat je dingen gaat onthouden. Dan moet je heel goed nadenken: wat wil je onthouden, en wat mág je onthouden? Dat is geen puur technisch vraagstuk, maar vooral een business- en ethisch vraagstuk.’ Daarbij wijst zij op het risico van het opslaan van gevoelige context. ‘Je kunt bijvoorbeeld emoties uit gesprekken halen. Dat is waardevolle informatie om dienstverlening te verbeteren, maar wil een klant dat zijn boosheid of verdriet ergens wordt opgeslagen? Dat voelt voor veel mensen ongemakkelijk.’ Volgens Verwijmeren is er geen universele grens. ‘Die grens ligt niet op één vaste plek. Dat verschilt per sector, per organisatie en per context. In e-commerce vinden mensen het vaak prima dat hun bestelgeschiedenis wordt gebruikt. In de zorg ligt het bewaren van gegevens totaal anders.’

​dr. Frederik Situmeang

Ook Post maakt een scherp onderscheid tussen wat juridisch mogelijk is en wat ethisch wenselijk is. ‘Veel kan tegenwoordig, maar wil je het ook?’ Hij verwijst naar organisaties die bewust verder gaan dan wetgeving voorschrijft. ‘Wat ik sterk vond, is hoe Ikea dat aanpakt. Zij leggen hun normen bewust hoger dan de wet. Als klanten bijvoorbeeld foto’s uploaden voor een online inrichttool en daar staat per ongeluk iemand op, dan nemen zij die beelden niet op in hun database. Ze vragen klanten om nieuwe foto’s te maken. Dat is een duidelijke keuze: privacy staat voorop.’

Tekst Tamara de Vos

Dit artikel werd (geheel) gepubliceerd in CustomerFirst #02 - 2026