🤖 AI

Knowledge Activation: AI Skills as the Institutional Knowledge Primitive for Agentic Software Development

Dit paper introduceert het 'Knowledge Activation'-framework, dat institutionele kennis omzet in gestructureerde, actiebereide 'Atomic Knowledge Units' (AKUs) om autonome AI-agenten te laten handelen zonder menselijke interpretatie en zo de effectiviteit van agente softwareontwikkeling te maximaliseren.

Oorspronkelijke auteurs: Gal Bakal

Gepubliceerd 2026-03-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gal Bakal

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grote Misverstand: Waarom AI nog niet slim genoeg is voor jouw bedrijf

Stel je voor dat je een supersterke, maar zeer nieuwsgierige stagiair hebt. Deze stagiair (de AI) kan alles leren, heeft een enorm geheugen en kan razendsnel coderen. Maar er is één groot probleem: deze stagiair weet niets van jouw bedrijf.

Hij weet niet hoe jullie koffieapparaat werkt, niet welke regels er zijn voor het veilig maken van een website, en niet wie de "baas" is van de server. Als je hem vraagt om een taak te doen, raakt hij in paniek, maakt hij fouten, en moet je (de senior engineer) hem telkens corrigeren.

Dit paper zegt: Het probleem ligt niet bij de AI, maar bij de manier waarop we onze kennis opslaan.

1. Het Probleem: De "Kennis-Stop" (Institutional Impedance Mismatch)

In de meeste bedrijven zit kennis verspreid over duizenden documenten, wiki's, Slack-berichten en in het hoofd van de oudste engineers.

Voor mensen: Dit is prima. Een nieuwe medewerker leert dit door te kijken, te luisteren en te vragen.
Voor AI: Dit is een nachtmerrie. Als je de AI een hele wiki geeft om te lezen, raakt hij de draad kwijt (het paper noemt dit Context Rot). Hij probeert te raden, maakt een fout, jij corrigeert, hij probeert het opnieuw... en zo gaat het maar door.

De Analogie:
Stel je voor dat je een reistourist bent die een nieuwe stad binnenkomt.

Huidige situatie: Je krijgt een stapel van 500 pagina's aan toeristische folders, krantenartikelen en historische boeken. Je moet zelf proberen te raden welke bus je moet nemen. Je loopt de verkeerde kant op, raakt verdwaald en moet iemand vragen om hulp.
Het probleem: De AI is die tourist. De documenten zijn die stapel folders. Het kost te veel tijd en energie om alles te lezen en te begrijpen.

2. De Oplossing: "Kennis Activeren" (Knowledge Activation)

De auteurs zeggen: "Stop met het geven van boeken aan de AI. Geef haar stappenplannen."

Ze introduceren een nieuw concept: AKU's (Atomic Knowledge Units).
In plaats van een lang document te geven, maak je een klein, strak pakketje met de exacte instructies.

De Analogie: De "IKEA-instructie" vs. Het "Architectenplan"

Huidige kennis (RAG): Dit is als een architect die je een heel boek geeft over hoe huizen gebouwd worden. Je moet zelf bedenken welke schroef je waar moet gebruiken.
Nieuwe kennis (AKU): Dit is een IKEA-instructieblad voor één specifieke kast.
- Stap 1: Pak plank A.
- Stap 2: Gebruik schroef B.
- Stap 3: Check of de muur stevig is (veiligheidscheck).
- Stap 4: Als het misgaat, doe dan X.

De AI hoeft niet te denken over de theorie; hij hoeft alleen de instructies te volgen.

3. De Zeven Delen van een "Slim Pakketje"

Elk van deze slimme pakketjes (AKU's) heeft zeven onderdelen, net als een goed recept:

Het Doel: Wat gaan we doen? (Bijv. "Een nieuwe server starten").
De Stappen: Exact wat je moet doen.
De Gereedschappen: Welke knoppen of software moet je gebruiken?
De Context: Wie is de eigenaar? In welke omgeving (test of productie) doen we dit?
De Regels (Governance): Mag dit? Moet er een mens toestemming geven? (Bijv. "Niet doen op vrijdagmiddag").
Wat nu? Als het lukt, ga dan naar stap X. Als het mislukt, ga dan naar stap Y.
De Controleur: Een klein stukje code dat automatisch checkt of alles goed is gegaan voordat de AI verder gaat.

4. Waarom dit geweldig is voor iedereen

Dit werkt niet alleen voor de AI, maar ook voor mensen.

Voor de AI: Hij krijgt geen rommelige tekst, maar een helder stappenplan. Hij maakt minder fouten en raakt niet in de war.
Voor de Nieuwe Medewerker: In plaats van maanden te moeten leren hoe het bedrijf werkt, kan hij gewoon kijken naar dezelfde "IKEA-instructies" die de AI gebruikt. Hij wordt sneller productief.
Voor de Oude Garde (Senior Engineers): Zij hoeven niet meer 100 keer per dag uit te leggen hoe iets werkt. De kennis staat in het pakketje. Ze hoeven niet meer als "menselijke Google" te fungeren.

De Analogie: De "Gouden Weg"
Stel je voor dat een bedrijf een gouden pad heeft voor developers.

Vroeger: Dit pad was een stenen muur met een vast pad erdoorheen. Als je afweek, viel je in de modder. Als je een nieuw pad wilde, moest je wachten tot de aannemer (de IT-afdeling) een nieuwe muur bouwde.
Nu (AI-Generated Golden Paths): De AI loopt door een bos met borden (de kennis). Omdat de borden zo duidelijk zijn (de AKU's), kan de AI zelf een veilig pad kiezen naar zijn bestemming, zelfs als het een pad is dat nog nooit eerder is gelopen. Hij bouwt het pad terwijl hij loopt, maar volgt wel de regels van het bos.

5. De Belangrijkste Les

Het paper concludeert met een krachtige boodschap:

Het succes van AI in bedrijven hangt niet af van hoe slim de AI is, maar van hoe goed de kennis is verpakt.

Bedrijven die hun kennis omzetten in deze kleine, duidelijke "stap-voor-stap" pakketjes, zullen veel sneller en slimmer werken dan bedrijven die alleen maar investeren in de duurste AI-modellen.

Kort samengevat:
Geef de AI geen encyclopedie. Geef haar een GPS met duidelijke instructies, veiligheidscontroles en een route die automatisch wordt aangepast. Dan werkt het voor iedereen.

Titel: Knowledge Activation: AI-skills als het institutionele kennisprimitief voor agentische softwareontwikkeling

Auteur: Gal Bakal (Onafhankelijk Onderzoeker)
Datum: Maart 2026 (Preprint)

1. Het Probleem: De Institutionele Impedantie-Mismatch

Het paper identificeert een fundamentele blokkade in de effectieve implementatie van autonome AI-agenten in enterprise software-ontwikkeling. Hoewel AI-modellen (LLM's) steeds capabeler worden in het oplossen van taken (zoals aangetoond door benchmarks als SWE-bench), falen ze in enterprise-omgevingen door een gebrek aan institutionele kennis.

De Impedantie-Mismatch: Er bestaat een structurele kloof tussen de parametrische kennis van het AI-model (getraind op open-source code) en de specifieke institutionele patronen van een organisatie (architecturale beslissingen, compliance-regels, deployment-procedures, teamconventies).
De Productiviteitsparadox: Zonder deze kennis proberen agenten op basis van algemene training te raden. Dit leidt tot een cyclus van "gokken, falen, corrigeren en opnieuw proberen".
Context Rot: Elke iteratie van deze cyclus vult het eindige contextvenster van de LLM met irrelevante foutmeldingen en correcties. Dit veroorzaakt "context rot" (degradatie van de redeneercapaciteit door overbelasting), wat de prestaties van de agent doet instorten.
De Institutionele Kennisbelasting (Institutional Knowledge Tax): Senior engineers moeten handmatig de ontbrekende context leveren om de agent te corrigeren. Dit creëert een disproportionele last op senior personeel en vertraagt de onboarding van nieuwe engineers, die dezelfde tacit knowledge (impliciete kennis) moeten absorberen.

Bestaande oplossingen zoals RAG (Retrieval-Augmented Generation) zijn ontoereikend omdat ze ongestructureerde tekstfragmenten teruggeven die de agent moet interpreteren, in plaats van direct uitvoerbare instructies.

2. Methodologie: Het Knowledge Activation Framework

Het paper introduceert Knowledge Activation, een raamwerk dat institutionele kennis transformeert van passieve documentatie naar actieve, agent-consumeerbare eenheden. De aanpak bestaat uit drie fasen en een nieuwe primitief:

A. De Context Window Economy

Het paper formaliseert de beperkingen van LLM's als een economisch probleem. Kennislevering moet worden geoptimaliseerd voor drie constraints:

Token Budget: De harde limiet van het contextvenster.
Attention Decay: Het vermogen van het model om informatie in het midden van een lange context te negeren ("lost in the middle").
Latency Cost: De kosten van inferentie die lineair stijgen met de contextgrootte.

De oplossing is niet het vergroten van het venster, maar het maximaliseren van de Kennisdichtheid ( $\rho$ ): de verhouding tussen actieerbare informatie en verbruikte tokens.

B. Het Primitief: Atomic Knowledge Unit (AKU)

In plaats van documenten te zoeken, worden Atomic Knowledge Units (AKU's) gebruikt. Een AKU is een gespecialiseerde vorm van een "AI Skill" (gebaseerd op de Anthropic Agent Skills standaard), maar uitgebreid voor enterprise-behoeften. Een AKU is een zelfstandige, onbreekbare eenheid van kennis die bestaat uit zeven componenten:

Intent Declaration: Wat de skill doet en onder welke voorwaarden deze wordt geactiveerd (machine-matchable triggers).
Procedural Knowledge: Stap-voor-stap instructies, inclusief patronen en anti-patronen, geoptimaliseerd voor transformer-attention.
Tool Bindings: Duidelijke specificaties van welke API's of tools moeten worden aangeroepen (geen inferentie nodig).
Organizational Metadata: Context zoals team-eigendom, service-tier, SLA's en omgevingsclassificatie.
Governance Constraints: Declaratieve regels voor permissions, goedkeuringsworkflows en "blast radius" (impact).
Continuation Paths: Logica voor wat er daarna gebeurt (succes, falen, escalatie), waardoor skills een navigeerbaar kennisnetwerk vormen.
Validators: Deterministische scripts (code, geen tekst) die pre- en post-executie controles uitvoeren om governance te verifiëren zonder menselijke tussenkomst.

C. Het Proces: Codificatie, Compressie, Injectie

Codificatie: Het vastleggen van tacit knowledge van experts in gestructureerde vorm.
Compressie: Het distilleren van deze kennis tot compacte AKU's die maximale kennisdichtheid hebben (verwijdering van retorische scaffolding).
Injectie: Het runtime-mechanisme waarbij de juiste AKU op het juiste moment in het contextvenster van de agent wordt geladen, gebaseerd op de huidige taak.

3. Belangrijkste Bijdragen

Het paper levert drie interconnecterende bijdragen:

Probleemformalisering:
- Definieert de Context Window Economy als het regiem waarin kennis moet worden geleverd.
- Benoemt de Institutionele Impedantie-Mismatch als de oorzaak van falen.
- Kwantificeert de Institutionele Kennisbelasting als de sociotechnische kost van het ontbreken van deze architectuur.
Kennisarchitectuur (Knowledge Activation):
- Introduceert de AKU als het fundamentele artefact.
- Beschrijft de Agent Knowledge Architecture met drie lagen:
  - AKU Registry: Een querybare catalogus van beschikbare skills.
  - Knowledge Topology: Een graafstructuur die skills met elkaar verbindt via continuation paths, waardoor agenten dynamische workflows kunnen navigeren.
  - Activation Policy: Regels die bepalen welke skills beschikbaar zijn voor welke agenten onder welke omstandigheden.
Implementatie en Governance:
- AI-Generated Golden Paths: In plaats van starre, deterministische workflow-sjablonen (zoals traditionele "Golden Paths" in platform engineering), componeren agenten workflows dynamisch op runtime door de Knowledge Topology te traverseren. Dit maakt workflows adaptief en schaalbaar.
- Governance-as-Code: Door Validators in de skills te embedden, verschuift governance van menselijke goedkeuring naar deterministische code-uitvoering. Dit maakt een Governance Gradient mogelijk: van volledig autonoom (bij hoge validator-dekking) tot mens-in-de-loop.
- Knowledge Commons: Een sociaal governance-model (InnerSource) waarbij ontwikkelaars zelf bijdragen aan en onderhouden van de skills, wat voorkomt dat kennis veroudert (specification staleness).

4. Resultaten en Verwachte Uitkomsten

Hoewel het paper een theoretisch raamwerk is (geen empirische validatie in een productieomgeving), worden de volgende resultaten voorspeld op basis van de architectuur:

Eliminatie van Context Rot: Door vooraf gestructureerde kennis te injecteren, worden de "gok-falen-correctie" cycli doorbroken, wat de effectieve redeneercapaciteit van de agent behoudt.
Versnelde Onboarding: Nieuwe engineers kunnen dezelfde AKU's gebruiken als agenten, waardoor de tijd om institutionele kennis te absorperen drastisch wordt verkort.
Reductie van de Kennisbelasting: Senior engineers hoeven niet langer handmatig context te leveren; hun kennis is gecodificeerd in skills.
Provider-Onafhankelijkheid: Omdat AKU's kennislagen-artefacten zijn (structuur en scripts) en geen model-specifieke code, zijn ze LLM-agnostisch. Organisaties worden minder afhankelijk van specifieke AI-aanbieders.
Betrouwbare Agenten: Agenten handelen binnen de grenzen van governance en compliance, omdat deze regels inherent zijn aan de kennis die ze uitvoeren ("governance by design").

5. Betekenis en Impact

De betekenis van dit paper ligt in de verschuiving van de focus van modelcapaciteit naar kennisarchitectuur.

Paradigmaverschuiving: Het stelt dat de bottleneck voor agentic software niet de kracht van het AI-model is, maar hoe de organisatie zijn kennis heeft gestructureerd.
Integratie van Domeinen: Het verenigt vier vaak geïsoleerde domeinen: Kennismanagement, Platform Engineering, Autonome AI-agentontwerp en Developer Experience (DevEx).
Strategisch Voordeel: Organisaties die hun institutionele kennis architectureren voor het "agentic tijdperk" (via AKU's en Knowledge Topologies) zullen beter presteren dan diegenen die alleen investeren in betere AI-modellen.
Toekomst van Platform Engineering: Platformteams evolueren van het bouwen van tools voor mensen naar het cureren van een bibliotheek van uitvoerbare kennis (skills) die door agenten wordt gebruikt om workflows dynamisch samen te stellen.

Kortom, Knowledge Activation biedt de blauwdruk voor het transformeren van statische, mensgerichte documentatie naar dynamische, machine-uitvoerbare kennis die zowel AI-agenten als menselijke engineers in staat stelt om effectief samen te werken binnen complexe enterprise-omgevingen.