Karpathy's Knowledge Base in Claude Cowork. Wat het wel en niet doet.
Voor docenten, uitgevers en maatschappelijke organisaties. Hoe je met een UX-bril naar AI kijkt, en wat het kennisbank-experiment van Andrej Karpathy je leert over context ontwerpen.
Voor docenten, uitgevers en maatschappelijke organisaties die AI willen inzetten zonder er een IT-project van te maken.
De vragen die ik de laatste tijd krijg, komen steeds vaker van buiten de tech- en e-commercewereld. Een MBO-docent die wil weten of AI haar lesvoorbereiding kan verlichten. Een uitgever van lesmateriaal die twijfelt of AI betrouwbaar genoeg is voor een methoderedactie. Een programmamanager bij een internationale hulporganisatie die vraagt: hoe zorgen we dat twintig jaar veldkennis niet verdampt bij elke teamwissel?
Het is steeds dezelfde vraag in andere woorden: wat ís AI nou praktisch, en hoe moeten we ernaar kijken?
Mijn eigen roots liggen in de IT, maar mijn antwoord komt uit een andere hoek: Communication & Media Design. AI is in de praktijk geen techniekvraagstuk maar een interfacevraagstuk. En het beste voorbeeld dat ik ken om dat uit te leggen, is een experiment van Andrej Karpathy (een van de bekendste AI-onderzoekers ter wereld) dat verrassend weinig met techniek te maken heeft. Je hoeft er niet voor te kunnen programmeren. Echt niet.
De UX-bril: AI is geen orakel maar een interface
Een UX'er doet in de kern één ding: complexiteit vertalen zodat mensen ermee kunnen werken. Niet de motor herontwerpen, maar het dashboard. Precies die bril helpt bij AI.
De meeste teleurstellingen met AI ontstaan doordat we het als een orakel behandelen. Je stelt een vraag, krijgt een generiek of fout antwoord, en concludeert: "het werkt niet." Herkenbaar? Dan heb ik goed nieuws, want er is een productievere manier van kijken.
Behandel AI als een interface. Een taalmodel weet alleen wat jij vindbaar voor het maakt. Een slecht antwoord is dan geen bewijs dat AI niet werkt, het is ontwerpfeedback. Er ontbrak context. En context kun je ontwerpen.
Dat is geen prompt-trucje maar een houding. Wie die houding te pakken heeft, kijkt nooit meer op dezelfde manier naar een chatvenster.
Het voorbeeld: Karpathy's knowledge base
Op 3 april publiceerde Karpathy een korte uitleg van hoe hij zijn persoonlijke kennisbank runt: een map met tekstbestanden die een AI zelf bijhoudt. Geen Notion, geen database, geen abonnement. De post ging viraal, en terecht, want het is het duidelijkste voorbeeld van "context ontwerpen" dat er bestaat.
Waarom dit rondging
Een van de beste AI-onderzoekers ter wereld gebruikt geen slimme software, maar mappen met tekstbestanden en duidelijke afspraken.
De hele opzet past op een bierviltje: één map per onderwerp, met daarin een map voor ruw materiaal (`raw/`), een map die de AI bijhoudt (`wiki/`), een map voor antwoorden (`outputs/`), en één leesbaar afsprakenbestand. Ik heb hem nagebouwd in Claude Cowork en draai er inmiddels mijn eigen werk op.
Het afsprakenbestand is het ontwerp
Hier wordt het voor niet-technische lezers pas echt interessant. De hele "programmering" van dit systeem is een tekstbestand dat je gewoon kunt lezen. Een fragment uit mijn versie, vertaald:
Je beheert deze kennisbank als een bibliothecaris.
>
`raw/`: ongesorteerd materiaal. Alleen uit lezen, nooit in schrijven.
`wiki/`: jouw werk. Eén onderwerp per pagina, verwijs pagina's naar elkaar.
Markeer elke bewering zonder bron als [bron nodig].
Spreken bronnen elkaar tegen? Zet beide erin, met naamsvermelding.
Verwijder nooit iets. Vervang met een gedateerde notitie.
Kijk er nog eens met de UX-bril naar. "Gedraag je als bibliothecaris" is een persona. "Markeer beweringen zonder bron" is een ontwerpkeuze voor betrouwbaarheid. "Verwijder nooit, dateer en vervang" is versiebeheer in mensentaal.
Wie dit bestand kan lezen, begrijpt het hele systeem. Er is geen black box. En dat is precies het verschil tussen AI gebruiken en AI inzetten.
De loop van vijf stappen
In de praktijk draait het systeem als een simpele loop:
1. Inrichten: maak de mappen en het afsprakenbestand aan.
2. Dumpen: gooi je documenten, rapporten en aantekeningen in `raw/`.
3. Ordenen: laat de AI er wiki-pagina's van maken volgens jouw afspraken.
4. Vragen: stel vragen over je eigen materiaal.
5. Terugvoeren: goede antwoorden gaan terug de kennisbank in.
Stap 5 is waar dit verschilt van elke notitie-app die je ooit hebt geprobeerd. Een notitie-app bewaart; dit systeem stapelt. De vraag die je vandaag stelt, is morgen context voor een betere vraag. Daarom wordt het met gebruik beter in plaats van voller.
Voor de MBO-docent: jouw materiaal, jouw regie
Dit klinkt als iets voor techmensen, maar de sterkste toepassingen die ik zie liggen juist in het onderwijs.
Stel je een kennisbank per vak voor, gevuld met je eigen readers, artikelen, praktijkopdrachten en de kwalificatie-eisen. De vraag verandert dan fundamenteel. Niet meer "ChatGPT, maak een les" (het orakel, met een generiek resultaat waar je toch niets mee kunt), maar: "maak een les over dit onderwerp voor niveau 3, op basis van míjn materiaal" (de interface).
Het verschil merk je meteen. De les sluit aan op wat jouw studenten al gehad hebben, gebruikt jouw voorbeelden, en verwijst naar jouw exameneisen. Jij blijft de bron en de beoordelaar; de AI ordent en vertaalt. Je vakmanschap wordt niet vervangen. Het wordt vindbaar gemaakt.
En voor wie zich zorgen maakt over betrouwbaarheid: dat afsprakenbestand is jouw vangnet. "Markeer elke bewering zonder bron" betekent dat de AI niet ongemerkt kan fantaseren in jouw lesmateriaal. Je ziet precies waar iets vandaan komt.
Voor uitgevers van lesmateriaal: de redactie als ontwerp
Voor wie studieboeken en lesmethodes maakt, zit het goud in twee afspraken uit het bestand hierboven: elke bewering zonder bron wordt gemarkeerd, en tegensprekende bronnen komen naast elkaar te staan.
Dat is precies het handwerk van een methoderedactie, alleen dan continu, in plaats van één keer per drukgang. Verouderde hoofdstukken vallen op vóór de deadline, niet erna. En omdat het systeem nooit iets weggooit maar dateert en vervangt, heb je altijd de geschiedenis van een claim bij de hand.
Voor maatschappelijke organisaties: institutioneel geheugen dat blijft
Bij maatschappelijke en internationale organisaties is het probleem zelden een gebrek aan kennis. Het probleem is dat die kennis in hoofden, mailboxen en vergeten evaluatierapporten zit en vertrekt zodra mensen vertrekken.
Denk aan een internationale hulporganisatie: veldrapportages uit tientallen landen, programma-evaluaties, geleerde lessen per regio, donorrapportages. Een kennisbank volgens dit model maakt daar één doorzoekbaar geheugen van. De vraag "wat weten we eigenlijk al over dit thema in die regio?" wordt één vraag van tien seconden, in plaats van drie weken mailen langs collega's die er misschien ooit iets over wisten.
En omdat de afspraken leesbaar zijn ("zet tegensprekende bronnen naast elkaar, met naamsvermelding"), past dit bij organisaties waar zorgvuldigheid geen luxe is maar een voorwaarde. De AI vat samen en verbindt; de organisatie houdt de regie over wat waar is.
Werkt het echt? Mijn eigen logs
Ik draai dit nu een paar weken met twee kennisbanken naast elkaar: één voor mijn marketplace-werk, één voor persoonlijk onderzoek.
Twee weken uit mijn eigen logboek
De AI legde verbanden tussen documenten die ik zelf nooit naast elkaar had gelegd. Dat is de winst: niet sneller typen, maar beter onthouden.
Wie wil zien hoe dezelfde ontwerp-houding werkt in klantinterfaces: ik schreef eerder [Designing with LLMs](/writing/designing-with-llms) over precies die vertaalslag.
Waar dit niet werkt
Een eerlijk advies benoemt ook de grenzen, want ik wil je niets verkopen:
- Schaal. Dit is een systeem voor één auteur of een klein team. Bij vijf of meer mensen die tegelijk schrijven wil je echt een wiki met rechtenbeheer.
- Volume. Het zoeken is niet gebouwd voor tienduizenden documenten.
- Privacy, de belangrijkste. Voor onderwijs en maatschappelijke organisaties geldt één harde regel: geen persoonsgegevens van leerlingen, cliënten of kwetsbare groepen in zo'n map. Begin met openbaar en intern materiaal. De AVG verdwijnt niet omdat de tool handig is, en juist organisaties die met kwetsbare mensen werken, moeten hier het strengst in zijn.
Begin met één onderwerp, één ochtend
Je hebt hier geen IT-afdeling voor nodig. Geen budgetaanvraag, geen aanbesteding, geen stuurgroep. Wat je nodig hebt:
- één map,
- één afsprakenbestand (kopieer gerust het fragment hierboven),
- een handvol documenten om mee te testen,
- en een ochtend nieuwsgierigheid.
Als het na een week niets oplevert, gooi je een map weg, dat is de hele schade. Als het wél werkt, heb je iets dat elke week waardevoller wordt en dat volledig van jou blijft. Het zijn tenslotte gewoon je eigen bestanden.
AI praktisch toepassen begint niet bij de tool, maar bij de vraag welke kennis je vindbaar wilt maken. Voor een docent is dat je vakmateriaal. Voor een redactie je bronnenapparaat. Voor een maatschappelijke organisatie je collectieve geheugen.
Dat is geen technische vraag. Dat is een ontwerpvraag, en die kun je vandaag beantwoorden.
Bronnen en verder kijken
- Video: Stop Using Obsidian. This Simple Second Brain Setup Actually Works (Karpathy + Claude Cowork)
- What Is Andrej Karpathy's LLM Wiki? (MindStudio)
- Karpathy's LLM Knowledge Base: Build Your Second Brain (CoderSera)
- Karpathy's Second Brain: A Wiki the AI Writes For You (Angelo Lima)
- Complete gids voor de Karpathy-methode (Zero Future Tech)
Wil je sparren over jouw marketplace-strategie?
Geen hype. Een nuchtere blik op waar je groei zit en waar je marge weglekt.
Neem contact op