Hoe je ervoor zorgt dat AI je onthoudt in élk gesprek

Elk groot taalmodel is by design stateless. Wanneer een gesprek eindigt, wordt het contextvenster — het werkgeheugen van het model — weggegooid. Het model zelf leert niets over jou tussen sessies: het wordt niet hertraind op je chats, en het houdt geen persoonlijk dossier over jou bij in zijn gewichten. Welk "onthouden" je ook ervaart, het is om het model heen gebouwd, niet erin.

Dat onderscheid is belangrijk, want het betekent dat geheugen een technische keuze is die wordt gemaakt door wie je assistent runt. En er zijn vandaag precies vier manieren waarop die keuze wordt gemaakt.

Optie 1 — Ingebouwd geheugen in cloud-chatbots

ChatGPT, Claude, Gemini en andere leveren tegenwoordig een memory-functie: de assistent slaat stilletjes geselecteerde feiten op ("houdt van beknopte antwoorden", "werkt aan een tattoo-studio op Bali") en injecteert ze in toekomstige chats. Het werkt, en voor incidenteel gebruik is het vaak genoeg.

De beperkingen zijn structureel. Jij bepaalt niet wat wordt opgeslagen of verwijderd — dat doen de heuristieken van de leverancier. De capaciteit is begrensd. Het geheugen leeft op de servers van de leverancier, onder het bewaarbeleid van de leverancier, en een productbeslissing — of een accountmarkering — kan het van de ene op de andere dag wissen. Het is geheugen over jou dat je niet zelf bezit.

Optie 2 — Handmatige context: het kopieer-plak-notitieboek

De oudste work-around: houd een document bij met je context ("over mij, mijn projecten, mijn stack, mijn toon") en plak het aan het begin van elke sessie. Sommige tools formaliseren dit — custom instructions, projectbestanden, system prompts.

Het is gratis en eerlijk, maar het schaalt niet. Het document veroudert, je onderhoudt het handmatig, en het legt alleen vast wat je bedacht om op te schrijven — nooit de dingen die opdoken doorheen honderd gesprekken en stilletjes belangrijk waren.

Optie 3 — Memory-API's en RAG (het ontwikkelaarspad)

Als je je eigen tooling bouwt, kun je elk model uitbreiden met een extern geheugen: sla gespreksfragmenten op in een database, embed ze als vectoren, en haal bij elke aanvraag de relevante fragmenten terug in de context (retrieval-augmented generation). Memory-as-a-service-startups verkopen precies dit als een API.

Dit is de juiste architectuur — zo werkt echt blijvend geheugen. Maar als doe-het-zelfproject vraagt het engineering-tijd, en met een gehoste memory-API heb je het eigendomsprobleem van Optie 1 opnieuw gecreëerd: je opgebouwde levenscontext leeft nu in de cloud van iemand anders.

Optie 4 — Een selfhosted assistent met een geheugendatabase die je zelf bezit

De duurzame oplossing is de assistentlaag zelf te draaien en het geheugen als een gewone database op je eigen server te bewaren. Het model kan nog steeds een topcloudmodel zijn (je kunt geen frontier-gewichten zelf hosten — de agentlaag is wat je zelf host), maar alles wat de assistent over jou weet, leeft in een bestand dat jij beheert.

Zo is Avelina AI gebouwd. Het geheugen is een SQLite-database op je VPS met getypeerde lagen — feiten over jou, een journaal van wat er gebeurde, lessen geleerd uit fouten, een groeiend wereldbeeld — plus full-text en vector search over de hele gespreksgeschiedenis. (Waarom getypeerde lagen beter zijn dan één plat notitiebestand, is een eigen verhaal.) Vraag "wat hebben we in mei besloten over de prijzenpagina?" en de assistent doorzoekt zijn eigen verleden in plaats van met de schouders te schokken.

Wat vergeten écht kost

Het is verleidelijk om AI-amnesie als een kleine irritatie te behandelen. In de praktijk stapelt de kost zich op. Je legt context opnieuw uit — dezelfde vijftien minuten, elke sessie. Advies blijft generiek, omdat een assistent die je geschiedenis niet kent alleen het antwoord kan geven dat hij aan iedereen zou geven. Langlopend werk breekt: beslissingen genomen in maart worden in juli stilletjes opnieuw ter discussie gesteld. En als je een assistent voor een bedrijf gebruikt, is het vergeten van de context van een klant geen wrijving — het is geld.

Erger nog, de work-around waar mensen naar grijpen — steeds meer persoonlijke context in een cloud-chatbot plakken — betekent dat je sessie na sessie een steeds completer dossier van je leven naar een derde partij stuurt. Als geheugen ertoe doet voor jou, zou waar dat geheugen leeft net zo belangrijk moeten zijn.

Hoe eigen geheugen in de praktijk werkt

Een concreet beeld, met Avelina AI als voorbeeld (de architectuur is algemeen toepasbaar):

Nieuwe feiten uit een gesprek worden automatisch geëxtraheerd en naar de database geschreven — geen "onthoud dit"-bezweringen nodig. Elk gesprek wordt gearchiveerd en geïndexeerd voor full-text en semantische zoekopdrachten. Fouten worden vastgelegd als lessen, zodat een correctie die je ooit maakte niet volgende maand wordt herhaald. Voordat de assistent vragen over het verleden beantwoordt, moet hij eerst zijn eigen dossiers doorzoeken in plaats van improviseren — dat is het verschil tussen geheugen en confabulatie.

En omdat dit allemaal een database op je eigen server is: je kunt hem openen, lezen, back-uppen, exporteren, of verwijderen. Geen aanvraagformulier. Geen vertrouwen nodig.

Welke optie moet je kiezen?

Als je AI incidenteel een paar keer per week gebruikt — is ingebouwd cloud-geheugen (Optie 1) prima; ken alleen de beperkingen ervan. Als je een ontwikkelaar bent die van infrastructuur houdt — is Optie 3 een solide project voor een weekend en verder. Als je blijvend, eigen geheugen wilt zonder het zelf te bouwen — is een selfhosted assistent (Optie 4) het enige pad dat je beide geeft: hij installeert op een VPS van ~$5–15/maand, praat met je in Telegram, en zijn geheugen groeit jarenlang omdat niemand behalve jij het kan resetten.

FAQ

Kan ChatGPT me onthouden over gesprekken heen?
Deels — via de Memory-functie. Maar het wordt bestuurd door de leverancier: de capaciteit is begrensd, de data leeft op de servers van OpenAI, en je kunt niet verifiëren wat wordt bewaard of verwijderd.

Betekent AI-geheugen dat het model wordt hertraind op mijn data?
Nee. Blijvend geheugen is een laag buiten het model: een database waarvan de relevante gegevens per aanvraag in de context worden geladen. Modellen worden niet hertraind tussen je sessies.

Waar wordt geheugen opgeslagen in een selfhosted assistent?
In een database op je eigen server — in het geval van Avelina AI SQLite op je VPS met full-text en vector search over alles wat hij weet.

Kan ik verwijderen wat mijn AI over mij onthoudt?
Selfhosted: ja, volledig en verifieerbaar — het is een bestand dat je zelf bezit. Cloud: je kunt het vragen, maar je kunt het niet controleren.

Wat kost het?
Een kleine VPS (~$5–15/maand) plus modelgebruik. De geheugenlaag zelf is een lokale database — die kost niets extra.