Geheugenbank: hoe AI-systemen leren onthouden

Bijgewerkt: 9 augustus 2026 · 5 min leestijd

Een geheugenbank is, kort gezegd, het geheugen van een kunstmatige intelligentie. Chatbots zoals ChatGPT, Claude of Gemini praten vloeiend, maar vergeten van nature alles zodra een gesprek voorbij is. Een geheugenbank is de technische oplossing die daarvoor is bedacht: een apart opslagsysteem waarin de AI feiten, voorkeuren en eerdere gesprekken bewaart, zodat ze bij een volgend gesprek weer beschikbaar zijn. Vergelijk het met een dokter die na elk consult aantekeningen maakt in een patiëntendossier, in plaats van bij elke afspraak opnieuw te moeten vragen wie je bent en wat er eerder besproken is.

Zonder geheugenbank is een AI-model een beetje als iemand met een ernstige vorm van geheugenverlies: elk gesprek begint blanco. Met een geheugenbank kan een AI-assistent onthouden dat je vegetariër bent, dat je project X heet 'Odyssee', of dat je vorige week hebt gevraagd om formele taal te gebruiken. Dat klinkt eenvoudig, maar de manier waarop taalmodellen technisch in elkaar zitten maakt 'onthouden' verrassend lastig op te lossen — en dat is precies waar geheugenbanken bij komen kijken.

Wat is het precies?

Om te snappen waarom een geheugenbank nodig is, moet je eerst weten wat een taalmodel (zoals GPT of Claude) níet kan. Zo'n model heeft een zogeheten 'contextvenster': het aantal woorden (technisch: tokens) dat het tegelijk kan 'lezen' tijdens een gesprek. Dat venster is groot geworden — soms honderdduizenden woorden — maar het is altijd eindig. Alles wat buiten dat venster valt, is voor het model onzichtbaar. En zodra een gesprek stopt, verdwijnt de inhoud van het venster helemaal; het model bewaart standaard niets tussen sessies door.

Een geheugenbank lost dit op met een aparte database, los van het taalmodel zelf. Belangrijke informatie uit een gesprek wordt omgezet in een soort wiskundige vingerafdruk, een 'embedding' genoemd, en opgeslagen in een vectordatabase. Bij een nieuw gesprek doorzoekt het systeem die database op relevantie — niet op exacte trefwoorden, maar op betekenis — en plakt de meest relevante stukjes alsnog in het contextvenster. Deze techniek heet Retrieval-Augmented Generation (RAG, letterlijk: 'tekstgeneratie aangevuld met opgehaalde informatie').

Geavanceerdere systemen gaan een stap verder en beheren dat geheugen actief, ongeveer zoals een besturingssysteem het werkgeheugen van een computer beheert. Ze beslissen zelf wat belangrijk genoeg is om te onthouden, wat verouderd is en dus verwijderd kan worden, en wat samengevat moet worden om ruimte te besparen. Dit idee — de AI als een soort digitale bibliothecaris van zijn eigen herinneringen — staat bekend als 'hiërarchisch geheugenbeheer' en vormde de kern van het invloedrijke MemGPT-onderzoek.

Wat wil men ermee bereiken?

Het belangrijkste doel is continuïteit: een AI-assistent die je al maanden gebruikt, moet zich kunnen gedragen als iemand die je kent, niet als een vreemde die elke ochtend opnieuw begint. Dat maakt interacties natuurlijker en efficiënter, omdat gebruikers niet steeds dezelfde context hoeven te herhalen.

Een tweede doel is personalisatie. Een geheugenbank stelt een systeem in staat om te leren van eerdere interacties — welke toon je prettig vindt, welke onderwerpen relevant zijn, welke fouten eerder gemaakt zijn — zonder dat een ontwikkelaar dit voor elke gebruiker apart hoeft te programmeren.

Daarnaast spelen kosten en efficiëntie een rol. Het is duur en traag om bij elk gesprek de volledige geschiedenis opnieuw aan een taalmodel te voeren. Slim geheugenbeheer haalt alleen de relevante fragmenten op, wat rekenkracht bespaart. Voor AI-agenten — systemen die zelfstandig meerdere stappen uitvoeren, zoals code schrijven of onderzoek doen — is een geheugenbank bovendien een voorwaarde om taken uit te voeren die langer duren dan één enkel contextvenster toelaat.

Voorbeelden uit de praktijk

MemGPT (2023) is het onderzoeksproject dat de term 'geheugenbeheer voor taalmodellen' populair maakte. Onderzoekers aan de University of California, Berkeley beschreven hoe een taalmodel zelf kan beslissen wanneer het informatie naar een extern archief wegschrijft en wanneer het die weer terughaalt, geïnspireerd op hoe besturingssystemen van computers geheugen beheren tussen snel werkgeheugen en trage harde schijf.

Letta is het bedrijf dat is voortgekomen uit het MemGPT-team en de technologie doorontwikkelt tot een platform waarmee ontwikkelaars 'agenten met geheugen' kunnen bouwen.

Mem0 is een opkomend open source-project en commercieel platform specifiek gericht op geheugenlagen die ontwikkelaars kunnen toevoegen aan bestaande AI-chatbots en -agenten, zonder dat ze het geheugensysteem zelf hoeven te bouwen.

Grote techbedrijven bouwen vergelijkbare functies rechtstreeks in hun producten. OpenAI voegde in 2024 een geheugenfunctie toe aan ChatGPT waarmee de chatbot zelf feiten over de gebruiker kan opslaan en later hergebruiken, en breidde dit later uit zodat ChatGPT ook eerdere gesprekken kan doorzoeken. Google introduceerde vergelijkbare personalisatie- en geheugenfuncties in zijn Gemini-assistent.

Los van complete producten leveren gespecialiseerde vectordatabase-bedrijven zoals Pinecone, Weaviate, Chroma en Milvus de infrastructuur die veel van deze geheugenbanken onder de motorkap gebruikt.

Hoe ver is de techniek?

De onderliggende RAG-techniek is inmiddels redelijk volwassen en wordt al enkele jaren op grote schaal toegepast, onder meer in zoekfuncties en klantenservice-chatbots. Het idee van een actief, zelfsturend geheugen zoals bij MemGPT is echter nog jong: het onderzoek dateert van 2023 en de eerste commerciële toepassingen zijn pas sinds 2024 breed beschikbaar. Dit is dus nog een snel bewegend onderzoeksgebied, geen uitontwikkelde standaardtechnologie.

Er zijn nog stevige praktische obstakels. Systemen halen soms de verkeerde of verouderde informatie op, of missen juist relevante context — een probleem dat onderzoekers 'lost in the middle' noemen, waarbij informatie in het midden van een lang contextvenster over het hoofd wordt gezien. Ook kan een geheugenbank verkeerde informatie 'vastzetten' als een gebruiker eerder iets onjuists heeft gezegd, wat lastig te corrigeren is. Tot slot roept langdurige opslag van persoonlijke gesprekken serieuze privacyvragen op: wie heeft toegang tot dat geheugen, hoe lang wordt het bewaard, en kan een gebruiker het laten verwijderen? Aanbieders werken aan opt-in-instellingen en verwijderfuncties, maar dit blijft een punt van zorg en discussie.

Kortom: de bouwstenen werken, maar betrouwbaarheid, uitlegbaarheid en privacywaarborgen zijn nog volop in ontwikkeling.

Wie werken eraan?

Naast de academische oorsprong bij UC Berkeley zijn het vooral de grote AI-bedrijven die geheugenfuncties in hun producten bouwen: OpenAI (ChatGPT), Google DeepMind (Gemini) en Anthropic experimenteren alle met vormen van langetermijngeheugen voor hun chatbots en agenten. Meta AI onderzoekt vergelijkbare technieken voor zijn eigen modellen.

Daarnaast is een laag gespecialiseerde infrastructuurbedrijven ontstaan die de vectordatabases leveren waarop veel geheugenbanken draaien, zoals Pinecone, Weaviate, Chroma en Milvus/Zilliz. Startups als Letta en Mem0 richten zich specifiek op het geheugenlaagje zelf, als bouwsteen die andere ontwikkelaars kunnen inpluggen. Veel van dit werk speelt zich af in de Verenigde Staten, met Californië (Silicon Valley en de Bay Area rond Berkeley) als zwaartepunt, al publiceren ook Europese en Aziatische onderzoeksgroepen over efficiënter geheugenbeheer voor taalmodellen.