Context engineering för team som inte skriver kod

“Context engineering” har ersatt “prompt engineering” som årets begrepp bland dem som bygger med AI. Idén är enkel: svaret beror mindre på hur du frågar och mer på vad modellen har framför sig när den svarar. Vilka dokument, vilka instruktioner, vilka verktyg, vilka fakta.

Det mesta som skrivs om det riktar sig till utvecklare. Token-budgetar, retrieval-pipelines, komprimering av minne. Leder du ett säljteam eller en support kan du hoppa över allt det. Den del som berör dig får plats på en sida.

Skillnaden mot prompt engineering

En prompt är frågan. Kontext är allt AI:n vet när den läser frågan.

Du kan skriva en perfekt prompt om er returpolicy och ändå få fel svar, eftersom AI:n aldrig har sett er returpolicy. Den fyller luckan med det som är vanligt. Bättre prompts ersätter inte kontext som saknas. De får bara det felaktiga svaret att låta mer genomarbetat.

Vad kontext betyder i ett företag

För ett verksamhetsteam är det nästan alltid samma sorts kontext som blir fel: reglerna ni arbetar efter. Vad ni erbjuder och inte erbjuder. Vilka rabatter som kräver godkännande. Hur lång leveranstiden är. Vilka ord juristen inte vill se i ett mejl.

Den sortens kunskap är svår för AI. Den sitter i folks huvuden, i en wiki och i gamla mejl. Den ändras utan att någon säger till. Och folk är oense om den oftare än de vill erkänna.

Tre vanor som gör det mesta av jobbet

Skriv ner regler som regler. Inte som en handbok på 40 sidor, utan som korta påståenden med en motivering. “Specialbeställningar kan inte returneras, eftersom vi inte kan sälja dem vidare.” En sådan mening kan AI:n använda. Med kapitel 7.3 i en PDF från 2023 har den svårt.

Ge varje regel en ansvarig. Någon bestämmer vad som gäller. När sälj och support är oense om returtiden är det ett samtal mellan två personer, och sedan uppdaterar en person regeln. Utan en ansvarig blir AI:n domare, och den väljer den version den hittade först.

Ge alla AI-verktyg samma källa. Klistrar var och en in sin egen version i sitt eget verktyg har du byggt fem olika kontexter. Koppla verktygen till ett ställe i stället. I dag betyder det oftast MCP, som Claude, ChatGPT och Copilot stöder i sina företagsplaner.

Det du kan lämna åt verktygen

Du behöver inte bestämma hur många tokens som får plats, hur dokument delas upp eller vilken retrieval-metod som är bäst. Claude, ChatGPT och verktygen som bygger på dem sköter det, och de blir bättre på det med några månaders mellanrum.

Det de inte kan är att avgöra vad som gäller i ditt företag. Det ligger kvar hos dig. Det är också den del som behåller sitt värde när nästa modell kommer, och därför tycker vi att den förtjänar mer uppmärksamhet än nästa prompt-knep.

Ett litet test

Välj fem frågor som kunder eller kollegor ställer varje vecka. Skriv för var och en ner var det rätta svaret står i dag och vem som skulle behöva godkänna en ändring. Kan du inte nämna ett ställe och en person för tre av de fem arbetar er AI utan kontext på de frågorna, hur bra den än är.

Var du börjar

Börja med de fem frågorna från testet. Skriv ner varje regel en gång, med motivering och ansvarig, och se till att teamets AI-verktyg läser just den versionen.

För en handfull regler räcker ett delat dokument. När det är några hundra, flera ansvariga och fler än ett AI-verktyg behöver du något som håller ordning på versioner, flaggar motsägelser och ger varje verktyg det aktuella läget. Det är vad en company brain är till för, och det är vad vi bygger med CtxCore Brain.