Gap Analysis

Een van de krachtigste mogelijkheden van de KB Search Agent is het identificeren van gaps in de WATCH documentatie: wat is gedocumenteerd, wat ontbreekt, en wat is onvolledig.

Hoe werkt het?

  1. Summary search — De agent doorzoekt alle samenvattingen om een overzicht te krijgen van wat er gedocumenteerd is over een onderwerp
  2. Keyword search — Zoekt op specifieke termen die gedocumenteerd zouden moeten zijn (bijv. instellingsnamen)
  3. Volledige brontekst — Haalt specifieke bronnen op om te verifiëren of iets echt ontbreekt of slechts oppervlakkig is behandeld
  4. Vergelijking — Vergelijkt de gevonden documentatie met de verwachte dekking (bijv. code-analyse)

Rapportage-formaat

De agent rapporteert gaps in een gestructureerd formaat:

## Gap Analysis: [onderwerp]

### Gedocumenteerd
- [bron]: [wat het behandelt]

### Ontbreekt
- [wat er zou moeten staan maar niet gevonden is]

### Onvolledig
- [bron]: [wat er staat] — [wat er mist]

### Aanbevelingen
- [welke bronnen bijgewerkt/aangemaakt moeten worden]

Voorbeeld: Artikelbijlage

Bij een gap analysis over de artikelbijlage vond de agent:

Gedocumenteerd

  • Help (HELP-65090): Artikel bijlage instellingen — header/footer, kolommen, coördinaten
  • Documentatie: Factuur-PDF instellingen — screenshot, drie-niveaus hiërarchie

Ontbreekt

  • Geen technische documentatie over ART_APP database-instellingen in de Wiki
  • Geen specifieke documentatie over urenbijlage instellingen
  • Geen vergelijking begroot vs. werkelijk op de bijlage

Kosten

De KB_SEARCH_SUMMARY_FULL template gebruikt Claude Sonnet 4.6 en verwerkt ~200K+ tokens per call. Gebruik dit alleen wanneer een exhaustieve analyse nodig is. Voor gerichte gap-checks is KB_SEARCH_SUMMARY (top 50) vaak voldoende.

Laatste nieuws

Vermenselijken we onze AI-agents terecht?

We geven onze AI-agents namen, karakters en zelfs gezichten. Helpt dat echt, of is het vooral makkelijk voor ons eigen brein? Wat onderzoekers en bouwers zeggen over het vermenselijken van agent-teams.

Lees meer

Verdient deze taak een eigen AI-agent?

Bij het bouwen van een team van AI-agents is de verleiding groot om van elke taak een nieuwe agent te maken. Maar verdient die taak dat wel? Een beslis-kader met vier vormen, van een simpel script tot een volwaardige agent.

Lees meer

Wat is er overgebleven van prompt-engineering in 2026?

We hebben drie jaar prompt-tips zien komen en gaan. Wat werkt nu nog, en wat is achterhaalde folklore? Een eerlijke balans, met de drie populairste tricks die niet meer werken en vier technieken die wel blijven.

Lees meer

Proloog: Hoe AiPromptPower aan een Ai-team begon

Hoe AiPromptPower in achttien dagen van één naar zes Ai-medewerkers groeide, en waarom Reint Endendijk koos voor de vlucht naar voren in plaats van minder Ai.

Lees meer