Voor de moderne onderneming dreigt de digitale werkruimte te vervallen in een ‘coördinatietheater’, waarin teams meer tijd besteden aan het bespreken van werk dan aan het uitvoeren ervan.
Hoewel traditionele tools als Slack of Teams uitblinken in snelle communicatie, zijn ze er structureel niet in geslaagd als betrouwbare basis voor AI-agenten te dienen, zodat een Hacker News-thread ging in februari 2026 viraal OpenAI opgeroepen om zijn eigen versie van Slack te bouwen om AI-agenten te helpen empoweren, en kreeg 327 reacties.
Dat komt omdat agenten vaak de realtime context en veilige gegevenstoegang ontberen die nodig zijn om echt nuttig te zijn, wat vaak resulteert in “hallucinaties” of het herhaaldelijk opnieuw uitleggen van codebase-conventies.
PromptQLeen spin-off van de GraphQL-eenhoorn Hasura, pakt dit aan door van een AI-datatool over te stappen naar een uitgebreide, AI-native werkruimte die is ontworpen om informele, regelmatige teaminteracties om te zetten in een persistent, veilig geheugen voor agentische workflows – waardoor deze gesprekken niet zomaar aan de kant worden gelaten of dat gebruikers en agenten ze later opnieuw moeten proberen te vinden, maar eerder worden gedistilleerd en opgeslagen als bruikbare, bedrijfseigen gegevens in een georganiseerd formaat – een interne wiki – waarop het bedrijf in de toekomst kan vertrouwen. forever, goedgekeurd en indien nodig handmatig bewerkt.
Stel je voor dat twee collega’s berichten sturen over een bug die moet worden opgelost – in plaats van deze handmatig aan een ingenieur of agent toe te wijzen, tagt je berichtenplatform deze automatisch, wijst deze toe en documenteert deze allemaal in de wiki met één klik. Doe dit nu voor elk probleem of discussieonderwerp dat in uw onderneming plaatsvindt, en u krijgt een idee van wat PromptQL probeert. Het idee is eenvoudig maar krachtig: het gesprek dat noodzakelijkerwijs aan het werk voorafgaat, omzetten in een daadwerkelijke opdracht die automatisch wordt gestart door uw eigen berichtensysteem.
“We hebben geen gesprekken meer over werk”, zei CEO Tanmai Gopal in een recent videogesprek met VentureBeat. ‘Daar heb je eigenlijk gesprekken over Doen de werk.”
Oorspronkelijk gepositioneerd als AI-data-analist, richt het bedrijf – een spin-off van de GraphQL-eenhoorn Hasura – zich op een volledige AI-native werkruimte.
Het is niet alleen maar “Slack met een chatbot”; het is een fundamentele herinrichting van de manier waarop teams omgaan met hun data, hun tools en elkaar.
“PromptQL is dit werkpaard op de achtergrond, deze 24/7 stagiair die voortdurend bezig is met het eigenlijke werk: code bekijken, hypothesen bevestigen, naar meerdere plaatsen gaan, daadwerkelijk het werk doen”, aldus Gopal.
Technologie: berichten die automatisch worden omgezet in een gedeelde, continu bijgewerkte context-engine
De technische ziel van PromptQL is zijn Gedeelde wiki. Traditionele LLM’s hebben last van een “geheugenprobleem”; ze vergeten eerdere interacties of hallucineren op basis van verouderde trainingsgegevens.
PromptQL lost dit op door ‘gedeelde context’ vast te leggen terwijl teams werken. Wanneer een ingenieur een bug repareert of een marketeer een ‘gerecyclede lead’ definieert, typen ze niet alleen maar in een leegte. Ze onderwijzen een levende, interne Wikipedia. Deze wiki vereist geen “documentatie-sprints” of handmatige YAML-bestandsupdates; het accumuleert context op organische wijze.
“Tijdens elk gesprek geef je les in PromptQL, en dat gaat naar deze wiki die in de loop van de tijd wordt ontwikkeld. Dit is de kennis van ons hele bedrijf die geleidelijk aan samenkomt.”
-
Interconnectiviteit: Net als cellen in een petrischaaltje vormen kleine ‘eilanden’ van kennis, bijvoorbeeld een Salesforce-integratie, uiteindelijk een brug naar andere eilanden, zoals productgebruiksgegevens in Snowflake.
-
Mens in de lus: Om te voorkomen dat de AI ‘rommel’ leert (zoals een herinnering aan een doktersafspraak uit 2024), moeten mensen expliciet ‘Toevoegen aan Wiki’ om een feit heilig te verklaren.
-
De virtuele gegevenslaag: In tegenstelling tot traditionele platforms die gegevensreplicatie vereisen, gebruikt PromptQL een virtuele SQL-laag. Het bevraagt uw gegevens in databases (Snowflake, Clickhouse, Postgres) en SaaS-tools (Stripe, Zendesk, HubSpot), zodat er nooit iets wordt geëxtraheerd of in de cache opgeslagen.
PromptQL is ontworpen als een zeer integreerbare orkestratielaag die zowel toonaangevende leveranciers van AI-modellen als een enorm ecosysteem van bestaande bedrijfstools ondersteunt.
-
Ondersteuning voor AI-modellen: Met het platform kunnen gebruikers taken delegeren aan specifieke codeeragenten, zoals Claude Code En Cursorof gebruik aangepaste agenten die zijn gebouwd voor specifieke interne behoeften.
-
Workflow-compatibiliteit: Het systeem is gebouwd om de context van bestaande teamtools over te nemen, waardoor AI-agenten codebase-conventies of implementatiepatronen van uw bestaande infrastructuur kunnen begrijpen zonder handmatige heruitleg
Van kletsen naar doen
De PromptQL-interface ziet er bekend uit (threads, kanalen en vermeldingen), maar de functionaliteit is transformatief. Tijdens een demonstratie identificeert een ingenieur een falende kassa in een #eng-bugs kanaal.
In plaats van een menselijke SRE te taggen, delegeren ze via PromptQL aan Claude Code. De agent kijkt niet alleen naar de code; het erft de gedeelde context van het team.
Het weet bijvoorbeeld dat “EU-betalingen op 15 januari naar Adyen zijn overgestapt” omdat dat feit weken daarvoor aan de wiki was toegevoegd.
Binnen enkele minuten identificeert de AI een valutamismatch, pusht een oplossing, opent een PR en werkt de wiki bij voor toekomstig gebruik. Deze ‘multiplayer’ AI-aanpak is wat het platform onderscheidt.
Hiermee kan een niet-technische manager vragen: “Welke accounts hebben groeiende Stripe-facturering maar een plat Mixpanel-gebruik?” en ontvang onmiddellijk een samengevoegde tabel met gegevens uit twee verschillende bronnen. De gebruiker kan vervolgens een terugkerende Slack DM van die resultaten plannen met een enkele vervolgopdracht.
Bovendien hoeven gebruikers niet eens na te denken over de integriteit of netheid van hun gegevens; PromptQL handelt het voor hen af: “Verbind alle gegevens in welke staat van onzin ze ook zijn, en laat de gedeelde context zich tijdens het gebruik opbouwen, ” zei Gopal.
Zeer veilig
Voor Fortune 500-bedrijven als McDonald’s en Cisco is ‘gewoon uw gegevens verbinden’ een angstaanjagende zin. PromptQL pakt dit aan met fijnmazige toegangscontrole
Het systeem dwingt op kenmerken gebaseerd beleid af op infrastructuurniveau. Als een Regional Ops Manager om leverancierstarieven voor alle regio’s vraagt, zal de AI kolommen of rijen redigeren die hij niet mag zien, zelfs als de LLM het antwoord “weet”. Bovendien vereist elke actie die veel op het spel staat, zoals het bijwerken van 38 betalingsstatussen in Netsuite, een menselijke ‘Goedkeuren/Weigeren’-aftekening voordat deze wordt uitgevoerd.
Licenties en prijzen
In afwijking van de “per-seat” SaaS-status quo is PromptQL dat wel volledig op consumptie gebaseerd.
-
Prijzen: Het bedrijf maakt gebruik van “Operationele Taaleenheden” (OLU’s).
-
Filosofie: Gopal stelt dat het in rekening brengen per stoel bedrijven bestraft voor het onboarden van hun hele team. Door het in rekening brengen van de waarde gecreëerd (de OLU), moedigt PromptQL gebruikers aan om “alles en iedereen” met elkaar te verbinden.
-
Enterprise-opslag: Terwijl kleinere teams speciale accounts gebruiken, krijgen zakelijke klanten een toegewijde VPC. Alle gegevens die de AI ‘opslaat’ (zoals een aangepaste takenlijst) worden opgeslagen in de eigen S3-bucket van de klant met behulp van het Iceberg-formaat, waardoor totale gegevenssoevereiniteit wordt gegarandeerd.
“Filosofisch gezien willen we dat je alles en iedereen verbindt (met PromptQL), dus dat straffen we niet”, zei Gopal. “Wij prijzen gewoon op basis van consumptie.”
Waarom het nu belangrijk is voor bedrijven
Dus, is PromptQL een Teams- of Slack-killer? Volgens Gopal is het antwoord ja: “Dat is wat er voor ons is gebeurd. We hebben onze interne Slack voor interne communicatie volledig afgesloten”, zei hij.
De lancering komt op een keerpunt voor de sector. Bedrijven realiseren zich dat “chatten met een pdf” niet voldoende is. Ze hebben AI nodig die kan handelen, maar ze kunnen zich de veiligheidsrisico’s van ‘onbeheerde’ agenten niet veroorloven.
Door een werkruimte te bouwen die prioriteit geeft aan gedeelde context en mens-in-de-loop-verificatie, biedt PromptQL een middenweg: een AI die leert als een teamgenoot en uitvoert als een stagiair, en dat alles terwijl hij binnen de vangrails van de bedrijfsbeveiliging blijft.
Voor ondernemingen die zich richten op het op grote schaal laten werken van AI, richt PromptQL zich op het cruciale ‘hoe’ van de implementatie door de orkestratie en operationele laag te bieden die nodig is om agentische systemen in te zetten.
Door het ‘coördinatietheater’ van traditionele chattools te vervangen door een werkruimte waar AI-agenten dezelfde rechten en context hebben als menselijke teamgenoten, wordt naadloze coördinatie en taakrouting tussen meerdere agenten mogelijk. Hierdoor kunnen besluitvormers verder gaan dan eenvoudige modelselectie naar een realiteit waarin agenten, zoals Claude Code, gedeelde teamcontext gebruiken om complexe workflows uit te voeren, zoals het oplossen van productiefouten of het bijwerken van CRM-records, rechtstreeks binnen actieve threads.
Vanuit het perspectief van de data-infrastructuur vereenvoudigt het platform het beheer van real-time pijplijnen en RAG-ready architecturen door gebruik te maken van een virtuele SQL-laag die gegevens “ter plaatse” opvraagt. Dit elimineert de noodzaak van dure, tijdrovende gegevensvoorbereiding en replicatiesprints over honderdduizenden tabellen in databases zoals Snowflake of Postgres.
Bovendien dient de ‘Shared Wiki’ van het systeem als een superieur alternatief voor standaard vectordatabases of prompt-gebaseerd geheugen, waarbij tribale kennis op organische wijze wordt vastgelegd en een levende metadata-opslag wordt gecreëerd die elke AI-interactie informeert met bedrijfsspecifieke redeneringen.
Ten slotte pakt PromptQL het beveiligingsbeheer aan dat nodig is voor moderne AI-stacks door fijnmazige, op attributen gebaseerde toegangscontrole en op rollen gebaseerde machtigingen af te dwingen.
Via human-in-the-loop-verificatie zorgt het ervoor dat acties met hoge inzet en gegevensmutaties worden vastgehouden voor expliciete goedkeuring, waardoor bescherming wordt geboden tegen modelmisbruik en ongeoorloofd gegevenslekken.
Hoewel het niet helpt bij fysieke infrastructuurtaken zoals GPU-clusteroptimalisatie of hardware-aankoop, biedt het de noodzakelijke softwarebescherming en controleerbaarheid om ervoor te zorgen dat agentische workflows voldoen aan bedrijfsstandaarden zoals SOC 2, HIPAA en GDPR.
