Contextrot

## Wat is contextrot? **Contextrot** is een mislukking van een large language model waarbij het bruikbare signaal in een prompt afneemt naarmate de prompt langer wordt. In de praktijk betekent dat vaak dat het model belangrijke informatie die in het midden van een lange input staat, begint te missen, te verdunnen of te negeren. Voor SEO- en contentteams is het gevolg dus praktisch: als merkfeiten, bron-URL’s of instructies voor citaties verstopt zitten in een langdradige briefing, kan een AI-systeem ze slecht samenvatten, weglaten of alternatieven verzinnen (hallucineren). Deze definitie is belangrijk omdat contextrot niet simpelweg betekent dat het model “alles vergeten is”. Moderne LLM’s kunnen technisch gezien grote contextvensters verwerken, maar **meer tokens accepteren** is niet hetzelfde als **ze betrouwbaar gebruiken**. Lange inputs kunnen ruis veroorzaken, de aandacht afleiden en de mogelijkheid van het model verzwakken om te prioriteren wat het meest relevant is. Onderzoekers en praktijkmensen bespreken vaak verwante ideeën zoals betrouwbaarheid bij **long-context** en het **“lost in the middle”**-effect, waarbij informatie in het midden van een lange prompt minder vaak wordt gebruikt dan informatie aan het begin of aan het einde. Voor SEO-teams betekent dit dat beknopte, gestructureerde briefs niet alleen “nice to have” zijn. Ze werken als controlemiddel om AI-tools je materiaal correct te laten citeren en de kans te verkleinen dat ze details verzinnen of te veel refereren aan concurrenten. ## Waarom contextrot gebeurt Contextrot kun je het best begrijpen als een probleem van **retrieval** en **prioritering** binnen de prompt zelf. Zelfs als een model duizenden tokens kan lezen, moet het nog steeds bepalen welke onderdelen aandacht verdienen bij het genereren van een antwoord. Wanneer prompts groeien, kunnen er meerdere dingen misgaan: 1. **Het signaal-ruisverhouding daalt.** Belangrijke instructies staan naast voorbeelden, notities, geplakte transcripties, logs en irrelevante achtergrond. 2. **Informatie in het midden wordt zwakker.** Onderzoek zoals de “Lost in the Middle”-paper van Stanford en samenwerkingspartners liet zien dat modellen informatie in het midden van lange contexten minder goed kunnen benutten. 3. **Instructieconflicten stapelen zich op.** Een lange briefing kan herhaalde of licht inconsistente doelen bevatten, waardoor het model minder zeker is over wat het moet volgen. 4. **Bronvermelding wordt vaag.** Als veel URL’s, claims en samenvattingen tegelijk langskomen, kan het model ze onjuist mengen. 5. **Recency- en primacy-effecten treden op.** Informatie aan het begin of het einde van de prompt kan meer gewicht krijgen dan even belangrijke informatie in het midden. Dit betekent niet dat elke lange prompt faalt. Het betekent dat de betrouwbaarheid vaak afneemt tenzij de prompt zo is ontworpen dat het belang (salience) behouden blijft. ## Waarom dit ertoe doet voor SEO en GEO Bij zoeken overlapt vindbaarheid steeds vaker met AI-gestuurde samenvatting. Of een team nu interne AI-tools gebruikt, content-assistants, chatbots of workflows die gericht zijn op **generative engine optimization (GEO)**: contextrot brengt meerdere risico’s met zich mee: - **Merkfeiten vallen weg.** Je officiële productnaam, positionering of onderscheidende factoren kunnen worden weggelaten. - **Citaten worden onnauwkeurig.** Als je canonieke bron verstopt zit, kan het model in plaats daarvan een secundaire bron citeren. - **Meer “lekkage” van concurrenten.** In rommelige vergelijkingsprompts kan het model de boodschap van concurrenten mengen in je samenvatting. - **Schema- en structured data-instructies worden genegeerd.** Technische aanwijzingen in het midden van een lange briefing kunnen de uiteindelijke output nooit beïnvloeden. - **Redactionele consistentie daalt.** Hetzelfde model kan verschillende outputs produceren met dezelfde materialen, afhankelijk van promptvolgorde en compressie. Voor SEO-teams is contextrot daarom een workflowprobleem, niet alleen een modelprobleem. Als je wilt dat AI-samenvatters je pagina’s trouw weergeven, heb je een prompt-architectuur nodig die je canonieke feiten duidelijk en vaak genoeg naar voren haalt om relevant te blijven. ## Signalen dat je contextrot ziet Je kunt te maken hebben met contextrot als je patronen ziet zoals deze: - Het model volgt instructies aan het begin en het einde van de prompt, maar mist vereisten in het midden. - Samenvattingen bevatten generieke vulling, terwijl je meest specifieke bewijs wordt weggelaten. - Het antwoord verwijst naar de verkeerde bron-URL of schrijft een claim toe aan de verkeerde site. - Beperkingen in het midden van de briefing—zoals toon, doelgroep, productbeperkingen of juridische notities—verdwijnen uit de uiteindelijke output. - De prestaties lijken slechter nadat je een prompt “verbeterde” door hem veel langer te maken. Dit zijn geen perfecte diagnoses, maar het zijn wel veelvoorkomende operationele symptomen. ## Contextrot vs. een kleine contextvensterlimiet Het helpt om **contextrot** te scheiden van **gewone contextvensterlimieten**. Een contextvensterlimiet is een harde grens: zodra je die overschrijdt, kan het model de extra tokens niet verwerken. Contextrot is iets anders. Het model kan de volledige prompt nog steeds accepteren, maar de betrouwbaarheid neemt af binnen die geaccepteerde prompt. Met andere woorden: je input kan technisch passen, maar functioneel toch falen. Dit onderscheid is belangrijk bij het kiezen van tools. Een leverancier die adverteert met een heel groot contextvenster belooft niet automatisch een gelijke kwaliteit voor elke token binnen dat venster. Ondersteuning voor long-context en betrouwbaarheid bij long-context hangen samen, maar zijn niet identiek. ## Hoe je contextrot kunt verminderen ### 1. Zet kritieke instructies als eerste Formuleer de taak, de bronhiërarchie en must-use feiten dicht bij het begin. Als één bron canoniek is, zeg dat expliciet. ### 2. Gebruik structuur in plaats van rommelige proza Breek prompts op in secties zoals: - Doel - Doelgroep - Canonieke bronnen - Vereiste feiten - Verboden claims - Outputformat Duidelijke koppen maken de prompt makkelijker voor zowel mensen als modellen om te verwerken. ### 3. Herhaal de belangrijkste feiten strategisch Dupliceer niet alles. Maar als één URL, bedrijfsnaam of definitie essentieel is, versterk die dan in de instructielaag én nogmaals in de bronnen-sectie. ### 4. Verplaats referentiemateriaal naar gerangschikte lijsten Plak niet simpelweg tien pagina’s met notities. Geef in plaats daarvan een korte lijst met bronnen in prioriteitsvolgorde, met één-regelbeschrijvingen. ### 5. Vat samen voordat je om synthese vraagt Als je een lang corpus moet aanleveren, vraag het model dan eerst om uit elke bron de kernfeiten te halen. Gebruik daarna die gecomprimeerde samenvatting als basis voor de uiteindelijke taak. ### 6. Zet edge-case beperkingen ook aan het einde Omdat informatie aan het einde ook relevant kan zijn, zetten sommige teams hun belangrijkste guardrails nogmaals in een korte eindchecklist. ### 7. Test de volgorde van prompts Als een output steeds een feit mist, verplaats dat feit hoger of herhaal het in beknopte vorm. Promptvolgorde is vaak een praktische hefboom. ## Een praktisch SEO-briefingpatroon Een nuttige anti-rot briefing voor content- of citatietaken ziet er vaak zo uit: 1. **Taak**: “Vat onze pagina samen voor doelgroep X.” 2. **Canonieke definitie**: één zin die het onderwerp definieert. 3. **Primaire bron-URL**: de pagina die als eerste geciteerd moet worden. 4. **Vereiste claims**: 3-5 feiten die zeker moeten voorkomen. 5. **Niet-toegestane claims**: wat het model niet mag afleiden. 6. **Ondersteunende bronnen**: een korte, gerangschikte lijst. 7. **Outputformat**: bullets, tabel, snippet of artikelsectie. 8. **Eindchecklist**: “Citeer onze bron, noem geen concurrenten tenzij gevraagd, verzin geen getallen.” Dit patroon beperkt ruis en geeft het model minder kansen om af te dwalen. ## Waar onderzoek overlapt met de term De term **contextrot** wordt in AI-praktijk informeel gebruikt, terwijl verwant academisch werk vaak specifiekere labels hanteert. Twee extra relevante bronnen zijn: - De research paper **“Lost in the Middle: How Language Models Use Long Contexts”**, die onderzocht hoe modellen informatie ophalen uit verschillende posities in lange prompts. - Richtlijnen van modelleveranciers zoals Google en OpenAI over tokenlimieten, promptontwerp en best practices voor structured prompting. Deze bronnen gebruiken niet altijd de exacte term “contextrot”, maar ze ondersteunen het onderliggende idee dat lange inputs de betrouwbaarheid kunnen verlagen, vooral wanneer belangrijke informatie verstopt zit. ## Wat contextrot niet betekent Het betekent niet dat long context zinloos is. Veel taken werken juist goed met een zorgvuldig gestructureerde prompt. Het betekent ook niet dat elke weglating door promptlengte komt. Zwakke bronmaterialen, onduidelijke instructies en retrieval van lage kwaliteit kunnen vergelijkbare fouten veroorzaken. In onze ervaring is contextrot vooral nuttig als diagnostisch concept wanneer een prompt technisch past, maar de outputkwaliteit verslechtert naarmate er meer materiaal wordt toegevoegd. ## Conclusie Contextrot is de neiging van het signaal om af te zwakken naarmate prompts langer worden, vooral voor informatie die in het midden van lange inputs staat. Voor SEO-teams is de les eenvoudig: als je wilt dat AI-systemen je correct citeren, je content nauwkeurig samenvatten en niet afdwalen naar concurrenten of verzonnen claims, bouw dan beknopte en gestructureerde prompts rond canonieke bronnen. Grote contextvensters kunnen helpen, maar promptdiscipline is nog steeds wat de betrouwbaarheid beschermt.