Niet in een systeem. In een hoofd. En dat hoofd loopt de deur uit.
Concreet: dit heet de PRAL-lus, Perceive, Reason, Act, Learn. Hieronder wat dat wel en niet betekent, en waarom het verschil je geld kost.
Elke bureau-overdracht, elk junior-verloop, elke herstart begint bij nul. Jij legt opnieuw uit wat je merk is, wie je koopt, welke ICP werkt. Je scale-up onthoudt niets van haar eigen marketing.
Institutioneel geheugen is een asset. Je behandelt het als mondelinge overlevering.
Je software onthoudt alles. Elke commit, elke rollback, elke edge case zit in versiebeheer. Je marketing onthoudt bijna niets.
Dat verschil kost je precies daar waar je het niet ziet: in tijd, in fouten, in ramp-up.
Reken het door tegen je eigen cijfers
Ik geef je geen verzonnen voorbeeldsom, maar de formule. Jij vult je eigen cijfers in.
Aantal overdrachten per jaar, maal jouw gemiddelde ramp-up in weken, maal je maandelijkse burn. Dat product is de directe cash-kost van gebrek aan marketinggeheugen, voordat je een euro aan verloren pipeline meerekent.
Vertaal die weken daarna naar pipeline velocity, en die velocity naar een CAC-payback die opschuift. Bij een board dat op NRR en cash efficiency stuurt, is dat geen zachte kost. Dat is een harde vraag in de volgende meeting.
Het getal dat eruit komt is jouw getal, met zichtbare basis. Ik verzin het niet voor je.
De duurdere implicatie zit een laag dieper
Verloren geheugen is niet alleen vertraging. Het is herhaalde fouten. Een nieuwe partij test opnieuw wat vorig jaar al sneuvelde, omdat niemand vastlegde waarom het sneuvelde.
Je betaalt tweemaal voor dezelfde les. En je board ziet een team dat niet leert, alleen roteert.
Agentic geheugen is de PRAL-Learn-lus, niet een magisch merkbrein
De markt is hier niet scherp. Ik wel. Een chatbot die je vragen beantwoordt is geen agentic systeem. Dat is agentic-washing.
Het onderscheid dat telt: RPA is regel en star, een generatieve assistent is prompt en reactief, agentic is doel, multi-step en zelfcorrigerend. Alleen de laatste leert van uitkomsten.
Geheugen leeft in die vierde stap, Learn: uitkomsten plus jouw correcties voeden terug in het proces. Dat is procesgeheugen, niet een kant-en-klaar merkbrein dat je uit de doos haalt.
Waarom ik dit niet als autonome magie verkoop
De eerlijke stand van de techniek: de meeste processen blijven L1 tot L2 op de Capgemini autonomie-ladder, tot in 2026. Realistisch mik je op L2 tot L3, semi-autonoom, met een mens in de lus.
“Onthoudt je merk en je doelen” is dus geen feature die je aanzet. Het is de PRAL-Learn-lus op jouw context, plus discipline: een wekelijkse review-cadans in de eerste 90 dagen waarin jij en het systeem correcties vastleggen. Geheugen is zo goed als de feedback die je erin stopt. Dat is operationeel werk, geen belofte.
De compounding-lus is een hypothese, geen garantie. In theorie is elke gedocumenteerde correctie herbruikbaar, dus neemt de kans op dezelfde fout af: minder fouten, minder overrides, iets bredere autonomie. Of dat in jouw geval echt gebeurt, meet je met de foutmarge en de override-drempel die je vooraf vastlegt. Ik garandeer die curve niet. Zonder wekelijkse input blijft ze vlak. BCG noemt die ladder graduated autonomy: Shadow, Supervised, Guided, Full. Je klimt op gemeten vertrouwen, niet op hoop.
Wie bezit dat geheugen, en is de data schoon?
Dit is jouw premium-equipment-vraag, en terecht. Server-side tracking, BigQuery, Consent Mode v2, attributie in HubSpot of Salesforce. Als de data die de Learn-lus voedt vervuild is, leert het systeem de verkeerde les sneller.
Deloitte peilde in 2026 3.235 leiders in 24 landen: 74% wil agentic AI in 2027, slechts 21% heeft volwassen governance. Die kloof is geen detail.
Vraag jezelf eerlijk af: als iemand vandaag je tracking, je consent-implementatie en je attributielogica doorlicht, val jij dan in die 21% of in de 79% die nog moet bouwen? Weet je het antwoord niet zeker, dan is dat zelf het antwoord.
Daarom is governance de eerste ontwerpkeuze, geen bijzaak. Wie bezit het geheugen, wie valideert de data, waar stopt de autonomie. Dat leg je vast voordat je bouwt. Meer daarover op strategie-executie.
Wat je krijgt, en waar het aan vastzit
Elke maand dat je zonder eigenaarschap en schone data bouwt, legt de Learn-lus de verkeerde les vast. Uitstel maakt dat duurder, niet goedkoper. Daarom geen pakket, maar een audit die bewijs oplevert dat je intern kunt verdedigen.
- Een machine-readability- en tracking-scan, zodat je de datastack die de Learn-lus voedt eerst schoon krijgt, voordat een agent er iets uit leert.
- Een blootlegging van je tracking-gaten in server-side setup, Consent Mode v2 en attributie, zodat jouw board-metrics op betrouwbare data rusten en niet op geraden cijfers.
- Vooraf gedefinieerde succesmetrics: autonomie-percentage, foutmarge, override-drempel, zodat je niet in de Gartner-val loopt waarin meer dan 40% van agentic-projecten tegen 2027 sneuvelt door onduidelijke businesswaarde.
[Component] Bouw de audit-uitkomst als exporteerbaar artefact: een board-slide en een CTO-technische bijlage uit dezelfde brondata, zodat je intern twee talen tegelijk spreekt.
Ik werk persoonlijk en procesgericht. Dat is de standaard waarop ik lever: geen pakket, een systeem dat zo goed is als de laag eronder en dat alleen standhoudt als jouw team meegroeit.
Wat dit niet voor je oplost
Dit is geen fix als je zoekt naar een tool die je aanzet en vergeet. Geheugen zonder de wekelijkse cadans in de eerste 90 dagen levert een leeg systeem op. Kun je die discipline nu niet vrijmaken, dan is dit het verkeerde moment.
En beslissingen met hoge financiele blootstelling, klant-SLA’s of onomkeerbare acties blijven mens. Altijd. Dat is ontwerp, geen tekortkoming.
Herken je die cadans wel als haalbaar, dan is de audit de eerste stap. Zie ook de introductie, hoe geheugen doorwerkt in social-media-orchestratie, en wat de LLM-veranderingen betekenen voor je vindbaarheid.
Wil je zwart-op-wit zien waar je tracking-gaten en datahygiene-risico’s zitten, met bewijs dat je CTO valideert en je board overtuigt? Ik wil mijn agentic-geheugen laten auditen.