AI-kennisbibliotheek voor juristen: de Karpathy-methode in jouw praktijk

Andrej Karpathy, medeoprichter van OpenAI en voormalig AI-directeur bij Tesla, publiceerde op 3 april 2026 op X en een dag later in een GitHub-gist een werkwijze waarmee een taalmodel je vakkennis niet bij elke vraag opnieuw opzoekt, maar één keer compileert tot een gestructureerde, meegroeiende bibliotheek. Voor juristen lost dat een concreet probleem op: vakliteratuur, jurisprudentie en eigen aantekeningen staan verspreid over dossiermappen, mailboxen en notitie-apps, en zijn daardoor slecht vindbaar. Bij TIL volgen we de methode omdat ze een andere manier van werken met AI opent dan de losse chatsessie die telkens bij nul begint. De grens zit bij het beroepsgeheim, en die grens bepaalt wat wel en niet in zo'n bibliotheek terechtkomt.

Hoe de methode werkt

De opzet is eenvoudig. Je maakt drie lagen: een ruwe map waarin je alles dumpt wat je leest, artikelen, papers, rechtspraak, eigen notities; een wiki-map waarin het taalmodel gestructureerde pagina's bouwt; en een schema, een tekstbestand met regels over hoe pagina's eruitzien, hoe verwijzingen werken en wat het model doet bij een nieuwe bron. Karpathy's oorspronkelijke gist beschrijft precies die drie mappen: raw voor bronmateriaal dat het model wel leest maar nooit wijzigt, wiki voor de samenvattingspagina's die het model zelf maakt en bijhoudt, en een index die alle pagina's in kaart brengt en in één keer in het geheugen van het model past.

Vanaf dat moment werkt het model zelfstandig. Het leest elke nieuwe bron, schrijft een samenvattingspagina en herkent de mensen, organisaties en begrippen die erin voorkomen. Voor elk daarvan maakt het een eigen pagina, of het werkt een bestaande pagina bij. Eén artikel raakt zo al snel een handvol pagina's. Bij een paar honderd bronnen ontstaat een netwerk van onderling gelinkte pagina's. In Obsidian, het programma dat vaak als kijkvenster dient, is dat netwerk visueel te bekijken: dikke knooppunten zijn de onderwerpen waar veel om draait, dunne lijntjes de zijpaden. Karpathy's eigen versie groeide tot ongeveer honderd artikelen en vierhonderdduizend woorden, zonder dat hij die zelf schreef.

Wat de methode niet gebruikt, verklaart waarom ze nu pas werkt. Er is geen vectordatabase en geen zoekpijplijn die bij elke vraag opnieuw je documenten doorspit. Het model compileert je bronnen eenmalig naar tekstbestanden en houdt die structuur daarna bij. Dat kan doordat moderne taalmodellen grote hoeveelheden tekst en lange context beter aankunnen dan een paar jaar geleden.

Waarom dit anders werkt dan een gewone chatsessie

Stel dezelfde vraag in een losse chat. Je uploadt een paar pdf's, het model zoekt iets uit, geeft antwoord, en zodra je het tabblad sluit is alles weg. De volgende keer begin je opnieuw. De bibliotheek-methode draait dat om: het opzoekwerk gebeurt eenmalig en het resultaat blijft staan in pagina's die jij en het model allebei kunnen raadplegen. Wat het model vandaag leest, staat er volgend jaar nog. De term die daarvoor is blijven hangen is "kennis als gecompileerde code": de wiki is het eindproduct, de chat alleen de ingang.

Juristen kennen het probleem van versnipperde kennis. Veel organisaties investeerden de afgelopen jaren in knowhow-systemen, kennisbanken en SharePoint-portalen die in de praktijk zelden werken zoals bedoeld. De reden is bekend: bronnen verzamelen is makkelijk, ze ordenen is lastig, en ze op de lange termijn onderhouden wordt bij een groeiend volume vrijwel onmogelijk. Het documentatiewerk blijft liggen omdat niemand er tijd voor heeft.

De Karpathy-methode legt dat onderhoud bij het model. Niet eerst mensen zover krijgen dat ze consequent documenteren en er daarna AI overheen leggen, maar het model zelf het bijhouden laten doen. Jij blijft de denker en de duider; de bibliotheek groeit op de achtergrond. Daarmee is meteen duidelijk waar de methode wél en niet past, en dat hangt volledig af van wat je erin stopt.

De grens: beroepsgeheim en cloud-modellen

Hier komt voor juristen de bepalende vraag. De geheimhoudingsplicht is wettelijk verankerd: artikel 11a van de Advocatenwet verplicht de advocaat, en ook medewerkers en anderen die bij de beroepsuitoefening betrokken zijn, tot geheimhouding van alles waarvan hij uit hoofde van zijn beroep kennisneemt. Eind 2025 publiceerde de Nederlandse Orde van Advocaten aanbevelingen voor AI-gebruik in de advocatuur, waarin vertrouwelijkheid een van de vijf kernwaarden is. De NOvA waarschuwt daarbij expliciet tegen het gebruik van generieke tools zoals ChatGPT voor vertrouwelijke cliëntgegevens, onder meer omdat die gegevens buiten de EU verwerkt kunnen worden en voor modeltraining kunnen worden gebruikt. De Orde kondigde begin 2026 bovendien kantoorinspecties aan die zullen toetsen of documenten vóór invoer worden geanonimiseerd en of alleen strikt noodzakelijke informatie in AI-tools terechtkomt.

Wat de risico's concreet maakt, is een Amerikaanse uitspraak. In United States v. Heppner oordeelde rechter Rakoff van de rechtbank voor het Southern District of New York in een opinie van 17 februari 2026 dat wat een verdachte op eigen initiatief in een publiek toegankelijk taalmodel had ingevoerd, niet werd beschermd door het verschoningsrecht (attorney-client privilege) of de work-product-bescherming. De rechtbank ging verder: het invoeren van vertrouwelijke advocaat-cliëntinformatie in zo'n tool kan de bescherming van die onderliggende communicatie zelf ondermijnen, omdat het delen met de aanbieder geldt als delen met een derde. Naar Nederlands recht is dit geen bindend precedent, maar het raakt aan dezelfde vertrouwelijkheidsbasis die aan ons verschoningsrecht ten grondslag ligt. De les is dezelfde die de NOvA trekt.

Wat betekent dat voor de bibliotheek-methode? Zolang je werkt met Claude Code of een vergelijkbaar cloud-model, verlaten je bronnen je computer. De tekstbestanden blijven lokaal in Obsidian staan, maar het model dat ze leest en bewerkt draait bij een externe leverancier. Voor cliëntdossiers, processtukken in lopende zaken en andere strikt vertrouwelijke informatie is dat zonder waarborgen geen begaanbare weg.

Wat wel kan en wat een lokale variant vraagt

De scheidslijn is te trekken. Zonder vertrouwelijkheidsvraag kunnen in de bibliotheek: vakliteratuur, openbare jurisprudentie, conferentie- en onderzoeksnotities en aantekeningen die niet tot een specifieke cliënt zijn te herleiden. Voor dat materiaal is een cloud-model bruikbaar.

Voor strikt vertrouwelijk werk is een volledig lokale opzet nodig, met een model dat op je eigen apparatuur draait, bijvoorbeeld via Ollama of LM Studio, en met opslag binnen de eigen infrastructuur. Een tussenvorm is een afgeschermde omgeving met een verwerkersovereenkomst die modeltraining en dataretentie contractueel uitsluit. De methode zelf verandert daarbij niet; alleen de plek waar het model draait, verschuift.

Dit sluit aan op wat we eerder schreven over AI-gebruik op de werkvloer en de noodzaak van vastgelegd beleid: waar afspraken over toegestane tools en toegestane informatie ontbreken, ontstaat het risico dat pas achteraf zichtbaar wordt.

Aan de slag zonder de grens te overschrijden

Drie handgrepen om de methode verantwoord in te richten.

Begin met materiaal zonder vertrouwelijkheidsvraag. Bouw een persoonlijke bibliotheek over een onderwerp waar je veel mee bezig bent: recente AVG-handhaving, een leerstuk waarover je publiceert, of het rechtsgebied waarin je je verder ontwikkelt. Een paar tientallen bronnen laten al zien of de methode bij je manier van werken past.

Scheid het persoonlijke van het organisatiebrede. Een eigen AI-bibliotheek is iets anders dan een kennismanagementsysteem voor de hele organisatie. Voor dat laatste gelden hogere eisen aan governance, toegangsbeheer en compliance dan voor je eigen vakkennis, en verwarring tussen die twee laat trajecten aan de organisatiekant vastlopen.

Leg de vertrouwelijkheidsgrens vooraf vast. Schrijf op welke categorieën bronnen wel en niet in de bibliotheek komen voordat je begint. Wie die afweging pas onderweg maakt, glijdt er makkelijk overheen. De NOvA-aanbevelingen bieden hiervoor een werkbaar kader dat per organisatie en per type werk om aanpassing vraagt.

Zelf een werkende AI-assistent inrichten

Wil je leren hoe je dit soort werkmethoden concreet opzet voor je eigen praktijk, dan behandelt onze cursus Bouw je eigen AI-assistent hoe je AI van losse vraag-antwoordtool ombouwt tot structurele ondersteuning van je werkprocessen. Je bouwt zelf werkende assistenten en leert hoe je meerdere assistenten in één werkproces laat samenwerken, met de vertrouwelijkheidsgrens vanaf het begin ingebouwd.