Week W34 · 17-23 augustus 2026

Build AI. Run AI. Own AI.

Ik bouw dit niet in een lab, maar middenin mijn eigen leven als zzp'er en vader — en toch ontwerp ik elke keuze alsof er een enterprise-klant op leunt: multi-tenant vanaf dag 1, secrets die nooit een mens ziet, migraties die nooit terug kunnen. Dit is het logboek van die combinatie: zelf bouwen, zelf draaiend houden, zelf eigenaar blijven — inclusief de aanname, de misser en de prijs van elke keuze.

Zodra een kennisgraaf echt begint te groeien, verandert het probleem. In het begin ben je blij met elk feit dat het systeem uit een document of notitie weet te trekken. Maar na een paar weken zitten er honderden beweringen en talloze dimensies in de database. Tegelijkertijd testte ik deze week de aanmelding van een nieuwe gebruiker op een gedeelde hub-spoke-omgeving. Beide tests wezen naar dezelfde kernvraag: hoe weet het platform welke data bij een verzoek hoort — zowel inhoudelijk als qua eigenaarschap?

Het probleem dat opdook

Er doken deze week twee spiegelbeeldige problemen op rond afbakening:

  1. Inhoudelijke vervuiling bij het analyseren van bronnen. Wanneer een nieuwe bron (zoals een projectnotitie of een cv-bijlage) binnenkomt, kan de kennisgraaf die langs tientallen kennisdimensies leggen: van leiderschapsstijl en technische vaardigheden tot randvoorwaarden en financiële doelen. Als je elke bron blind tegen élke dimensie laat analyseren, verspil je niet alleen veel model-aanroepen, maar dwing je het taalmodel ook om vergezochte verbanden te verzinnen op dimensies waar de bron eigenlijk niets over zegt.
  2. Tenant-afbakening op gedeelde tabellen bij nieuwe signups. Tijdens het live testen van de hub-spoke-aanmeldroute voor een extra workspace op een gedeelde instantie bleek dat een aantal globale tabellen (zoals contacten en organisaties) op plekken waar relaties werden opgebouwd nog niet overal hard op `workspace_id` filterden. In een privé-instantie met één eigenaar merk je daar niets van; op een gedeelde omgeving is dat een harde grens die nooit mag lekken.

De makkelijke weg die ik had kunnen nemen

Voor de kennisgraaf had ik alle dimensies gewoon kunnen blijven meenemen en achteraf alleen op een hogere betrouwbaarheidsscore kunnen filteren. Dat bespaart een selectiestap vooraf, maar laat de ruis in de database groeien en maakt elke verwerkingsrun traag en duur.

Voor de gedeelde tabellen had ik kunnen zeggen: ik geef elke serieuze gebruiker voorlopig gewoon een eigen losse container-instantie, dan hoeft de query-laag zich geen zorgen te maken over gedeelde tabellen.

De keuze die ik maakte en de strategie erachter

Ik koos op beide vlakken voor een harde poort vóórdat er werk wordt verzet of data wordt opgehaald:

  • Relevantie-selectie aan de voordeur (`dimension-relevance-selector`). Voordat de Curator-engine diepe extractie-prompts afvuurt op een bron, bepaalt een lichte relevantie-poort eerst voor welke dimensies dit document überhaupt bewijs bevat. Zegt een tekst niets over een bepaalde dimensie, dan wordt die dimensie voor deze bron helemaal overgeslagen. Geen geforceerde extractie, geen vervuilde context en een fractie van het aantal LLM-calls.
  • Strikte workspace-isolatie als platformregel. Ik liep de volledige keten van globale tabellen (`pa_contacts`, `pa_organisations`, `pa_communities`, `pa_files`) na en maakte het filteren op `workspace_id` verplicht op zowel de directe queries als de onderliggende relatie-koppelingen en S3-opslagpaden. Daarnaast legde ik deze regel vast als vaste safeguard-skill voor mijn ontwikkel-agents, zodat een toekomstige query nooit meer zonder expliciete tenant-grens door de review komt.

Wat het kostte

Het toevoegen van een relevantie-selector aan de kennisgraaf betekende een extra orkestratiestap in de Curator-pipeline en het scherp formuleren van wanneer een dimensie wel of niet geraakt wordt. En het aanscherpen van de tenant-isolatie op gedeelde tabellen vroeg om migraties op unieke indexen (een contactnaam of e-mailadres is uniek binnen een workspace, niet wereldwijd over de hele database) en het aanpassen van bestaande service-aanroepen.

Wat het nu oplevert en wat ik ervan leerde

De kennisgraaf is een stuk selectiever geworden: hij extraheert alleen nog claims op dimensies waar de bron echt over gaat, wat direct schonere antwoorden en lagere verwerkingskosten oplevert. En de gedeelde hub-spoke-omgeving kan nu veilig meerdere workspaces naast elkaar bedienen zonder dat gedeelde tabellen door elkaar lopen.

De les van deze week: kwaliteit in een AI-platform zit minstens zoveel in wat je weigert mee te nemen als in wat je ophaalt. Of het nu gaat om irrelevante kennisdimensies of om de data van een andere workspace: wie aan de poort niet streng selecteert, krijgt verderop in de keten de rekening gepresenteerd.