Eerder deze week publiceerde Andrej Karpathy — voormalig hoofd AI bij Tesla en een van de meest gerespecteerde stemmen in machine learning — een gist op GitHub die stilletjes verandert hoe we over kennisbeheer denken. Zijn voorstel: stop met LLMs te behandelen als zoekmachines over je documenten. Laat ze in plaats daarvan een levende wiki bouwen en onderhouden die slimmer wordt met elke bron die je erin stopt.
Het idee is bedrieglijk eenvoudig. Maar de toepassingen reiken ver — vooral voor professionals die dagelijks met complexe, veranderende informatie werken.
De kernidee in 30 seconden
Traditionele RAG (Retrieval-Augmented Generation) werkt zo: je stelt een vraag, het systeem doorzoekt je documenten, haalt relevante stukken op en genereert een antwoord. Het werkt, maar elke vraag begint opnieuw. Er is geen geheugen, geen synthese, geen opgebouwd begrip.
Karpathy’s LLM Wiki draait dit om. Wanneer je een nieuwe bron toevoegt — een artikel, een vergaderverslag, een onderzoekspaper — indexeert de LLM het niet alleen. Hij leest het, extraheert de kernpunten, werkt bestaande wikipagina’s bij, voegt kruisverwijzingen toe, signaleert tegenspraken met eerdere bronnen en logt wat er veranderd is. Het resultaat is een persistente, groeiende kennisbank die alles weerspiegelt wat je er ooit in hebt gestopt.
Drie lagen maken het mogelijk:
- Ruwe Bronnen — je originele documenten, onaangeroerd
- De Wiki — markdown-pagina’s die volledig door de LLM worden aangemaakt en onderhouden
- Het Schema — een configuratiedocument (zoals een CLAUDE.md-bestand) dat de LLM vertelt hoe hij zich moet gedragen
Zoals Karpathy het stelt: “The wiki is a persistent, compounding artifact. The cross-references are already there. The contradictions have already been flagged. The synthesis already reflects everything you’ve read.”
Vijf toepassingen die dit praktisch maken
Het patroon is bewust abstract — Karpathy ontwierp het om aangepast te worden, niet gekopieerd. Hier zijn vijf concrete manieren waarop professionals het kunnen inzetten.
1. Een onderzoekswiki die echt onthoudt wat je gelezen hebt
Als je ooit weken hebt besteed aan het onderzoeken van een onderwerp — papers lezen, artikelen bookmarken, passages markeren — om er maanden later achter te komen dat je dat ene cruciale inzicht niet meer terugvindt, dan is dit patroon voor jou.
Hoe het werkt: Maak een wiki aan voor je onderzoeksdomein. Elke keer dat je een relevante bron vindt, zet je die in de bronnenmap. De LLM leest het, maakt een samenvattingspagina en — cruciaal — werkt elke gerelateerde concept- en entiteitpagina in je wiki bij. Een nieuw paper over transformer-architecturen krijgt niet alleen een eigen pagina. Het werkt je pagina “Attention Mechanisms” bij, voegt een vergelijking toe aan je pagina “Architectuurvergelijking” en signaleert waar de bevindingen in tegenspraak zijn met een oudere bron.
Waarom het ertoe doet: Na 50 bronnen heb je niet 50 losse samenvattingen. Je hebt een onderling verbonden kennisgrafiek waarin elk inzicht gecontextualiseerd is tegen alles wat je eerder hebt gelezen. De LLM doet het kruisverwijzingswerk dat mensen onvermijdelijk opgeven.
2. Klantintelligentie die accumuleert over tijd
Consultants, accountmanagers en bureaus kennen een vertrouwd probleem: institutionele kennis over klanten zit verspreid in e-mails, gespreksnotities en de hoofden van mensen. Wanneer iemand vertrekt, verdwijnt de kennis mee.
Hoe het werkt: Zet een wiki op per klant (of per project). Voed het met vergaderverslagen, e-mailthreads, projectbriefs en feedbacknotities. De LLM onderhoudt pagina’s voor belangrijke stakeholders, lopende beslissingen, openstaande vragen en historische context. Wanneer je je voorbereidt op een vergadering, vraag je de wiki — die heeft al een synthese van alles wat je besproken hebt.
Waarom het ertoe doet: Je bent niet langer afhankelijk van menselijk geheugen voor continuïteit. Een nieuw teamlid kan de klantwiki lezen en in een uur begrijpen waar de vorige consultant maanden over deed. Het onderhoud gebeurt automatisch — elke nieuwe bron werkt het totaalbeeld bij.
3. Een persoonlijke leerwiki die met je meegroeit
Online cursussen, boeken, podcasts, conferentiegesprekken — de meeste professionals consumeren een enorme hoeveelheid content. Bijna niets daarvan blijft op een gestructureerde manier hangen.
Hoe het werkt: Maak een wiki aan voor een vaardigheid die je ontwikkelt. Als je een boekhoofdstuk, cursusmodule of lezing hebt afgerond, voer je de notities in je wiki in. De LLM sorteert concepten op de juiste pagina’s, koppelt verwante ideeën uit verschillende bronnen en volgt je groeiende begrip. Vraag op elk moment om een “wat ik weet over X”-synthese — die put uit alles, niet alleen het laatste wat je las.
Waarom het ertoe doet: Leren accumuleert wanneer je nieuwe ideeën verbindt met bestaande kennis. De wiki maakt die verbindingen expliciet en blijvend. Het is het verschil tussen een stapel markeringen en een gestructureerd begrip.
4. Concurrentie-intelligence die actueel blijft
Concurrenten, markttrends of regelgevingswijzigingen bijhouden is een klassiek kennisbeheerprobleem. De informatie verandert voortdurend en de analyse van vandaag is volgend kwartaal verouderd.
Hoe het werkt: Bouw een wiki met pagina’s voor elke concurrent, marktsegment en belangrijke trend. Voed het met analistenrapporten, nieuwsartikelen, productaankondigingen en regelgevingsupdates. De LLM onderhoudt een levend concurrentielandschap — werkt concurrentpagina’s bij wanneer nieuwe informatie binnenkomt, signaleert verschuivingen in positionering en merkt op wanneer een trendpagina al een tijdje niet is bijgewerkt (de “lint”-workflow die Karpathy beschrijft).
Waarom het ertoe doet: In plaats van elk kwartaal opnieuw een concurrentieanalyse te beginnen, heb je er eentje die continu onderhouden wordt. De lint-workflow vangt veroudering op — losstaande pagina’s, ontbrekende kruisverwijzingen, claims die door nieuwere bronnen tegengesproken worden — zodat je intelligence betrouwbaar blijft.
5. Teamkennis die niet vergaat
Elk team heeft een wikiprobleem. Iemand zet Notion of Confluence op met de beste bedoelingen. Zes maanden later is de helft van de pagina’s verouderd en vertrouwt niemand de inhoud meer.
Hoe het werkt: Configureer de LLM Wiki om de natuurlijke output van je team op te nemen — Slack-threads, vergaderverslagen, beslissingslogs, post-mortems. De LLM destilleert deze tot gestructureerde wikipagina’s: procesdocumentatie, beslissingsverslagen, onboardinggidsen, FAQ-pagina’s. Wanneer een nieuwe beslissing in tegenspraak is met een oude, signaleert de wiki dit en vraagt om verduidelijking.
Waarom het ertoe doet: Traditionele wiki’s vervallen omdat onderhoud handmatig en saai is. LLMs worden niet moe. Het kruisverwijzen, de consistentiecontrole en de pagina-updates die menselijk onderhouden wiki’s de das omdoen, zijn precies waar LLMs goed in zijn. De menselijke rol verschuift van onderhoud naar curatie — beslissen wat belangrijk is, niet pagina’s up-to-date houden.
Wat maakt dit anders dan “gewoon ChatGPT gebruiken”
Je vraagt je misschien af: kan je dit niet al door documenten in een ChatGPT-gesprek te dumpen? Niet echt. Drie dingen onderscheiden het LLM Wiki-patroon:
Persistentie. Chatgesprekken zijn vluchtig. De wiki is een bestandssysteem. Het overleeft sessies, kan versiebeheerd worden met git en is niet afhankelijk van één enkele provider.
Accumulatie. Elke nieuwe bron wordt niet alleen verwerkt — het verrijkt elke gerelateerde pagina. Bron nummer 50 profiteert van de context van de vorige 49. In een chat zou je alles opnieuw moeten uploaden of hopen dat het contextvenster groot genoeg is.
Structuur. De schemalaag zorgt ervoor dat de LLM zich consistent gedraagt. Hij volgt jouw conventies voor paginaformaat, tagging, kruisverwijzingen en kwaliteit. Het is geen vrijblijvend gesprek — het is een gedisciplineerd kennissysteem.
Aan de slag
Karpathy hield het voorstel bewust abstract. Er is geen repository om te klonen, geen app om te installeren. Het patroon is ontworpen om te worden geïnstantieerd met welke tools je ook verkiest.
Een praktisch startpunt:
- Kies een domein — één onderzoeksonderwerp, één klant, één leerdoel
- Maak een mappenstructuur —
sources/,wiki/, en een schemabestand (bijv.CLAUDE.md) - Schrijf je schema — definieer hoe pagina’s gestructureerd moeten zijn, hoe ingest moet werken, welke conventies je volgt
- Begin bronnen te voeden — laat de LLM de eerste wikipagina’s bouwen
- Itereer — verfijn het schema naarmate je leert wat werkt
Tools zoals Obsidian werken goed als frontend — je krijgt markdown-bewerking, grafiekvisualisatie en een plugin-ecosysteem. Maar een gewone map met markdown-bestanden werkt ook.
Het kernpunt is dat dit geen product is. Het is een werkpatroon dat benut waar LLMs echt goed in zijn — lezen, samenvatten, kruisverwijzen en consistentie bewaken — terwijl mensen in de rol blijven waar ze het best in zijn: beslissen wat belangrijk is.
Wat nu?
- Wil je de tools begrijpen die dit mogelijk maken? Lees Claude Cowork: een praktische gids voor beginners
- Klaar om iets gestructureerders te bouwen? Probeer Bouw je eigen AI-skill in 15 minuten
- Benieuwd hoe AI in je dagelijkse workflow past? Zie Vijf dagelijkse taken die je kunt automatiseren met AI
Bron: Andrej Karpathy — LLM Wiki (GitHub Gist, april 2026)