Voor moderne bedrijven dreigen digitale werkplekken te veranderen in ‘coördinatieruimtes’, waar 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, slagen ze er structureel niet in om als betrouwbare basis voor AI-agenten te dienen, wat resulteert in Hacker News-thread ging in februari 2026 viraal riep OpenAI op om zijn eigen versie van Slack te bouwen om AI-agenten te helpen empoweren, en kreeg 327 reacties.
Dit komt omdat agenten vaak de realtime context en veilige gegevenstoegang missen die nodig zijn om echt nuttig te zijn, wat vaak resulteert in ‘hallucinaties’ of herhaalde heruitleg van codebase-conventies.
PromptQLeen spin-off van GraphQL-eenhoorn Hasura, pakt dit aan door over te stappen van een AI-datatool naar een uitgebreide, AI-native werkruimte die is ontworpen om gewone, alledaagse teaminteracties om te zetten in persistent, veilig geheugen voor agentworkflows – waardoor deze gesprekken niet in het stof blijven liggen of dat gebruikers en agenten ze later opnieuw moeten proberen te vinden, maar eerder worden gefilterd en opgeslagen als eigen, bruikbare gegevens in een georganiseerd formaat – een interne wiki – waar bedrijven in de toekomst op kunnen vertrouwen, voor altijd, handmatig goedgekeurd en indien nodig bewerkt.
Stel je voor dat twee collega’s een bericht sturen over een bug die moet worden opgelost. In plaats van deze handmatig aan een ingenieur of agent toe te wijzen, markeert je berichtenplatform deze automatisch, wijst deze toe en documenteert alles met één klik in een wiki. Doe dit nu voor elk vraagstuk of discussieonderwerp dat in uw bedrijf voorkomt, en u krijgt een idee van wat PromptQL probeert te doen. Het idee is eenvoudig maar krachtig: verander gesprekken die aan het werk voorafgaan in echte taken die automatisch worden geïnitieerd door uw eigen berichtensysteem.
“We praten niet meer over banen”, zei CEO Tanmai Gopal in een recent videogesprek met VentureBeat. “Je hebt dat gesprek echt Doen Dat Werk.”
Oorspronkelijk gepositioneerd als AI-data-analist, transformeert het bedrijf – een spin-off van GraphQL-eenhoorn Hasura – naar een volledige AI-native werkruimte.
Het is niet alleen maar “Slack met een chatbot”; het is een fundamenteel herontwerp van de manier waarop teams omgaan met data, tools en elkaar.
“PromptQL is een werkpaard op de achtergrond, een 24/7 stagiair die voortdurend het eigenlijke werk doet: code bekijken, hypothesen bevestigen, ergens naartoe gaan, het werk daadwerkelijk doen”, aldus Gopal.
Technologie: berichten die automatisch worden omgezet in een gedeelde context-engine die voortdurend wordt bijgewerkt
De technische ziel van PromptQL is de zijne Gedeelde wiki. Traditionele LLM’s hebben last van ‘geheugenproblemen’; ze vergeten eerdere interacties of hallucineren op basis van verouderde trainingsgegevens.
PromptQL lost dit probleem op door de ‘gedeelde context’ vast te leggen terwijl teams werken. Wanneer een ingenieur een bug repareert of een marketeer ‘gerecyclede leads’ definieert, typen ze niet alleen de lege plekken in. Ze onderwijzen een levende interne Wikipedia. Deze wiki vereist geen “documentatie-sprints” of handmatige YAML-bestandsupdates; het verzamelt context op organische wijze.
“Tijdens elk gesprek geef je PromptQL les, en het 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 Salesforce-integraties) uiteindelijk een brug naar andere eilanden, zoals productgebruiksgegevens in Snowflake.
-
Man in de lus: Om te voorkomen dat AI ‘rommel’ leert (zoals herinneringen aan doktersafspraken vanaf 2024), moeten mensen expliciet ‘Toevoegen aan Wiki’ om feiten heilig te verklaren.
-
Virtuele gegevenslaag: In tegenstelling tot traditionele platforms die gegevensreplicatie vereisen, gebruikt PromptQL een virtuele SQL-laag. Het vraagt uw gegevens op in databases (Snowflake, Clickhouse, Postgres) en SaaS-tools (Stripe, Zendesk, HubSpot), zodat er niets wordt geëxtraheerd of in de cache opgeslagen.
PromptQL is ontworpen als een sterk geïntegreerde orkestratielaag die toonaangevende aanbieders van AI-modellen en een breed ecosysteem van bestaande bedrijfstools ondersteunt.
-
Ondersteuning voor AI-modellen: Met het platform kunnen gebruikers taken delegeren aan specifieke codeerbureaus zoals CodeClaude En Cursorof gebruik speciale agenten die zijn gemaakt 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 tot iets doen
De interface van PromptQL ziet er bekend uit (threads, kanalen en vermeldingen), maar de functie ervan is transformatief. Tijdens een demonstratie identificeert een technicus een mislukte kassa bij een #eng-bugs kanaal.
In plaats van een menselijke SRE te taggen, delegeren ze via PromptQL aan Claude Code. Agenten kijken niet alleen naar code; het erft de gedeelde context van het team.
Het weet bijvoorbeeld dat “EU-betalingen op 15 januari naar Adyen zijn omgeleid” omdat dat feit een paar weken eerder aan de wiki was toegevoegd.
Binnen enkele minuten identificeerde de AI de valutamismatch, voerde een oplossing uit, opende een PR en werkte de wiki bij voor toekomstig gebruik. Deze “multiplayer” AI-aanpak is wat dit platform onderscheidt.
Hierdoor kunnen niet-technische managers vragen: “Welke accounts hebben een hogere Stripe-facturering maar een gelijk Mixpanel-gebruik?” en ontvang direct een gecombineerde tabel met gegevens uit twee verschillende bronnen. Gebruikers kunnen vervolgens terugkerende Slack DM’s 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 regelt dit voor hen: “Verbind alle gegevens in een ongunstige staat en laat de gedeelde context snel evolueren terwijl u deze gebruikt”, zegt Gopal.
Zeer veilig
Voor Fortune 500-bedrijven als McDonald’s en Cisco is ‘gewoon uw gegevens verbinden’ een beangstigende uitdrukking. PromptQL pakt dit aan met gedetailleerde toegangscontroles
Het systeem implementeert attribuutgebaseerd beleid op infrastructuurniveau. Als een Regional Operations Manager om leverancierstarieven voor verschillende regio’s vraagt, zal de AI kolommen of rijen bewerken die ze niet mogen zien, ook al weet de LLM het antwoord. Bovendien vereist elke actie met een hoog risico, zoals het bijwerken van 38 betalingsstatussen in Netsuite, menselijke goedkeuring/afwijzing voordat deze wordt uitgevoerd.
Licenties en prijzen
In tegenstelling tot de SaaS-status-quo ‘per stoel’ is PromptQL dat wel volledig op consumptie gebaseerd.
-
Prijs: Het bedrijf maakt gebruik van “Operationele Taaleenheden” (OLU).
-
Filosofie: Gopal voerde aan dat het in rekening brengen per stoel bedrijven zou straffen voor het opnemen van hun hele teams. Door op te laden markering gemaakt (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 door AI worden “opgeslagen” (zoals aangepaste takenlijsten) worden opgeslagen in de 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 dit vandaag de dag belangrijk is voor bedrijven
Dus, is PromptQL een Teams- of Slack-killer? Volgens Gopal is het antwoord ja: “Dat is wat er met ons is gebeurd. We hebben onze interne Slack volledig afgesloten voor interne communicatie”, zei hij.
Deze lancering is een keerpunt voor de sector. Bedrijven realiseren zich dat ‘chatten met pdf’s’ 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: AI die leert als een teamgenoot en uitvoert als een stagiair, terwijl hij binnen de grenzen van de bedrijfsbeveiliging blijft.
Voor bedrijven die zich richten op het op grote schaal laten werken van AI, richt PromptQL zich op de cruciale implementatie ‘hoe’ door de orkestratie en operationele lagen te bieden die nodig zijn om agentsystemen in te zetten.
Door de ‘coördinatieruimte’ in traditionele chattools te vervangen door een werkruimte waar AI-agenten dezelfde rechten en context hebben als menselijke teamgenoten, wordt naadloze coördinatie tussen meerdere agenten en taakroutering mogelijk. Hierdoor kunnen besluitvormers van eenvoudige modelselectie overstappen 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-gegevens, rechtstreeks in een actieve thread.
Vanuit het perspectief van de data-infrastructuur vereenvoudigt het platform het realtime pijplijnbeheer en de RAG-ready architectuur door gebruik te maken van een virtuele SQL-laag die gegevens ‘in-place’ opvraagt. Dit elimineert de noodzaak van dure en tijdrovende gegevensvoorbereiding en replicatie-sprints over honderdduizenden tabellen in databases zoals Snowflake of Postgres.
Bovendien dient de ‘Shared Wiki’ van het systeem als een superieur alternatief voor standaard vector- of snelle geheugengebaseerde databases, waarbij tribale kennis op organische wijze wordt vastgelegd en een levende metadata-repository 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 op attributen gebaseerde toegangscontroles en gedetailleerde, op rollen gebaseerde machtigingen te implementeren.
Via human-in-the-loop-verificatie zorgt het ervoor dat risicovolle acties en gegevensmutaties worden uitgevoerd om expliciete toestemming te verkrijgen, waardoor bescherming wordt geboden tegen modelmisbruik en ongeoorloofde datalekken.
Hoewel het niet helpt bij fysieke infrastructuurtaken zoals GPU-clusteroptimalisatie of hardware-aankoop, biedt het de softwarebescherming en auditmogelijkheden die nodig zijn om ervoor te zorgen dat de workflows van agenten blijven voldoen aan bedrijfsstandaarden zoals SOC 2, HIPAA en GDPR.
