Thema: Wat is prompting?

Een goede prompt schrijven is één ding. Een prompt maken die tien keer achter elkaar het juiste resultaat oplevert, met wisselende invoer, voor verschillende gebruikers? Dat is iets anders. En precies dat verschil markeert de grens tussen prompting als vaardigheid en prompt engineering als discipline. Het is ook de grens tussen “AI werkt soms goed” en “AI werkt betrouwbaar.”

Het verschil met goed formuleren

Prompt engineering is het systematisch ontwerpen, testen en verfijnen van prompts om betrouwbare, herhaalbare resultaten te bereiken. Het verschil met prompting zit in de systematiek. Prompting is het formuleren van een goede instructie. Prompt engineering is het proces eromheen: testen of die instructie ook werkt met andere invoer, meten of het resultaat consistent genoeg is en bijstellen waar het afwijkt.

Vergelijk het met het verschil tussen een maaltijd koken en een recept ontwikkelen. Wie kookt, past ingrediënten en smaak aan op basis van gevoel en ervaring. Wie een recept ontwikkelt, test het meerdere keren, met verschillende ingrediënten, noteert wat werkt en wat niet, en komt uit op een versie die ook iemand anders kan volgen met een voorspelbaar resultaat. De maaltijd kan heerlijk zijn zonder recept. Maar een restaurant dat consistent dezelfde kwaliteit wil leveren, heeft recepten nodig.

Testen en itereren

De kern van prompt engineering is iteratie. Je schrijft een prompt, voert die uit, beoordeelt het resultaat, past de prompt aan en probeert opnieuw. Dat klinkt als iets wat iedereen intuïtief doet. Het verschil zit in de structuur.

Bij informeel gebruik past iemand de prompt aan tot het antwoord er goed uitziet. Bij prompt engineering test je de prompt met meerdere varianten van de invoer. Een prompt die werkt voor één klantvraag maar faalt bij een andere, is niet goed genoeg. Een prompt die mooie output levert bij korte teksten maar de draad verliest bij langere documenten, heeft een zwakke plek. Prompt engineering brengt die zwakke plekken aan het licht door te variëren en te meten.

In de praktijk ziet dat er zo uit: formuleer de prompt, test met vijf tot tien verschillende invoerscenario’s, beoordeel elk resultaat op de criteria die ertoe doen (correctheid, relevantie, toon, format, volledigheid), identificeer waar het misgaat en pas de prompt aan. Herhaal tot het resultaat stabiel is. Dat proces kost meer tijd dan een enkele prompt schrijven, maar het resultaat is een instructie die honderden keren kan worden hergebruikt zonder dat de kwaliteit wisselvallig is.

Waarom structuur belangrijker is dan woordkeuze

In de beginjaren van generatieve AI, rond 2022 en 2023, draaide veel van de aandacht rond prompt engineering om specifieke formuleringen. “Begin je prompt met ‘je bent een expert in…’” was een veelgehoord advies. Lijsten met “de 50 beste prompts” circuleerden op sociale media. Het leek alsof de juiste magische woorden het verschil maakten.

Dat beeld is achterhaald. Wat in de praktijk het meeste verschil maakt, is niet de exacte woordkeuze maar de structuur van de prompt. Welke onderdelen zijn aanwezig? Is de opdracht concreet? Is de context toereikend? Zijn de randvoorwaarden helder? Modellen worden steeds beter in het interpreteren van natuurlijke taal. Een klein verschil in formulering maakt zelden het verschil tussen een goed en een slecht antwoord. Een ontbrekend onderdeel in de prompt maakt dat verschil wel.

Dit is goed nieuws als je geen techneut bent. Het betekent dat prompt engineering geen mysterieuze vaardigheid is die alleen specialisten beheersen. Het is een gestructureerde aanpak die iedereen kan leren die helder kan denken over wat er nodig is: wat is de taak, wie is het publiek, welke context is relevant, hoe ziet een goed resultaat eruit? Die vragen zijn niet technisch. Het zijn de vragen die elke goede opdrachtgever stelt.

Wanneer prompt engineering ertoe doet

Voor incidenteel gebruik is prompting als vaardigheid vaak voldoende. Je typt een vraag, beoordeelt het antwoord en past eventueel aan. Maar zodra AI structureel wordt ingezet, verschuift de behoefte.

Herhaalde taken

Wanneer dezelfde soort opdracht tientallen of honderden keren wordt uitgevoerd, moet de prompt betrouwbaar zijn. Een klantenserviceteam dat AI inzet om conceptantwoorden op te stellen, kan niet bij elke vraag opnieuw experimenteren met de formulering. Dat team heeft een geteste prompt nodig die consistent de juiste toon, structuur en inhoud levert.

Meerdere gebruikers

Wanneer niet één persoon maar een heel team met dezelfde prompt werkt, wordt consistentie cruciaal. Prompt engineering levert die consistentie: een gestandaardiseerde prompt die onafhankelijk van de gebruiker dezelfde kwaliteit oplevert.

Hoge inzet

Bij klantcommunicatie, financiële analyses of juridische teksten doet het resultaat ertoe. Dan is “meestal goed genoeg” niet goed genoeg. Prompt engineering maakt het mogelijk om de betrouwbaarheid te verhogen door systematisch te testen op randgevallen, uitzonderingen en onverwachte invoer.

De grens met context engineering

Prompt engineering richt zich op de instructie: hoe formuleer je wat je het model vraagt? Context engineering gaat een stap verder en richt zich op de volledige informatieomgeving die het model ontvangt. Niet alleen de instructie, maar ook welke documenten, welke voorgeschiedenis en welke externe bronnen het model tot zijn beschikking heeft. Prompt engineering is het startpunt. Context engineering is de logische volgende stap wanneer AI overgaat van een los hulpmiddel naar een structureel onderdeel van een werkproces. Wat context engineering precies inhoudt en hoe het zich verhoudt tot de architectuur van AI-systemen, is het onderwerp van Context engineering (cluster 4.4).

Voorbeelden

Medische kliniek

Een zorggroep met twaalf huisartsenpraktijken wil AI inzetten voor het opstellen van verwijsbrieven. Elke praktijk heeft een iets andere werkwijze, maar de verwijsbrieven moeten voldoen aan dezelfde kwaliteitsnorm. De prompt engineer (in dit geval een praktijkmanager met affiniteit voor AI) ontwikkelt een standaardprompt, test die met veertig bestaande verwijsbrieven als referentie, identificeert waar het model afwijkt van de gewenste structuur en past de prompt driemaal aan. Het resultaat is een prompt die in elf van de twaalf praktijken direct bruikbaar blijkt. De twaalfde praktijk hanteert een afwijkende structuur voor psychiatrische verwijzingen, waarvoor een aangepaste variant nodig is. Zonder dat testproces was dat pas bij de eerste klacht duidelijk geworden.

B2B-dienstverlener

Een juridisch adviesbureau gebruikt AI om conceptsamenvattingen van contracten op te stellen voor klantgesprekken. De eerste prompt levert goede samenvattingen op voor standaardcontracten, maar mist cruciale clausules bij complexere overeenkomsten met meerdere bijlagen. Via prompt engineering wordt de prompt uitgebreid met de instructie om elk document apart te analyseren voordat de samenvatting wordt opgesteld, en met een checklist van clausules die altijd in de samenvatting moeten terugkomen (aansprakelijkheid, looptijd, opzegtermijn, boeteclausules). Na vier iteraties levert de prompt samenvattingen op die de jurist nog steeds controleert, maar die als startpunt tachtig procent van het voorwerk besparen.

Zelfstandig professional

Een freelance recruiter gebruikt AI om vacatureteksten te schrijven voor verschillende opdrachtgevers. Elke opdrachtgever heeft een eigen toon en stijl. De recruiter ontwikkelt per opdrachtgever een prompttemplate met de bedrijfsnaam, een korte beschrijving van de cultuur, drie voorbeelden van goedgekeurde vacatureteksten en de instructie om nieuwe teksten in dezelfde stijl te schrijven. Die templates kosten elk een uur om te ontwikkelen en te testen. Daarna levert elke nieuwe vacaturetekst een conceptversie op die met minimale aanpassingen kan worden gepubliceerd. De investering vooraf verdient zich terug bij de tweede vacature.

Veelgestelde vragen

Is prompt engineering een apart beroep?

Een tijdlang leek het die kant op te gaan. In 2023 en begin 2024 verschenen vacatures voor “prompt engineer” als zelfstandige functie, met salarissen die de aandacht trokken. Daarna verschoof het beeld. De vaardigheid is gebleven, maar de functietitel is grotendeels opgegaan in bredere rollen. Productmanagers, analisten, communicatieprofessionals en teamleiders integreren prompt engineering in hun bestaande werk. Dat is een teken van volwassenwording: prompt engineering is geen niche meer, maar een basisvaardigheid die onderdeel is van digitaal werken met AI. Voor organisaties betekent dit dat het zinvoller is om medewerkers te trainen in prompt engineering dan om een aparte functie te creëren.

Hoe weet ik of mijn prompt goed genoeg is?

De eerlijke test is herhaling. Voer dezelfde prompt uit met vijf verschillende invoerscenario’s. Als het resultaat in alle vijf gevallen aan je verwachtingen voldoet, is de prompt robuust genoeg voor dat type taak. Als het in drie van de vijf gevallen goed gaat en in twee niet, heb je een zwakke plek gevonden die je kunt repareren. Dat klinkt als veel werk, maar bij taken die je vaker dan tien keer uitvoert, verdient die investering zich snel terug. Een aanvullende test is de collega-test: geef je prompt aan iemand anders en kijk of die dezelfde kwaliteit output krijgt zonder aanvullende uitleg. Als dat lukt, is de prompt niet afhankelijk van ongeschreven kennis die alleen in jouw hoofd zit.

Wat is het verschil tussen prompt engineering en fine-tuning?

Prompt engineering verandert de instructie. Fine-tuning verandert het model. Bij prompt engineering blijft het model ongewijzigd en stuur je het gedrag via de prompt. Bij fine-tuning wordt het model opnieuw getraind op specifieke voorbeelden, zodat het zich structureel anders gedraagt. Het verschil is belangrijk voor de afweging: prompt engineering is snel, goedkoop en flexibel. Fine-tuning is zwaarder, duurder en minder wendbaar, maar levert consistenter gedrag op bij taken waar prompting niet voldoende sturing biedt. De vuistregel die in de praktijk goed werkt: begin met prompt engineering. Stap pas over op fine-tuning als je na grondig testen constateert dat het gedrag via prompting niet consistent genoeg te krijgen is.

Hoe ver kan ik komen met prompt engineering zonder technische achtergrond?

Verder dan de meeste mensen denken. Prompt engineering is geen programmeren. Het is helder denken over wat je nodig hebt en dat vertalen naar een gestructureerde instructie. De vragen die een goede prompt engineer stelt, zijn dezelfde vragen die een goede opdrachtgever stelt: wat is het doel, wie is het publiek, welke informatie is beschikbaar, wat is het format, wat mag het resultaat niet bevatten? Die vaardigheid is niet technisch. Waar het technisch wordt, is bij het inbedden van prompts in systemen, bij het automatiseren van tests en bij het combineren van prompts met externe databronnen. Dat is het terrein van ontwikkelaars. Maar het ontwerpen van de prompt zelf, het hart van prompt engineering, is een vaardigheid die toegankelijk is voor iedereen die helder kan formuleren wat er nodig is.

Verder lezen

Wie concreet wil weten welke onderdelen een sterke prompt bevat en hoe je ze combineert, leest verder bij De 7 bouwstenen van de ideale prompt (cluster 4.2).

Wie wil begrijpen welke gevorderde technieken beschikbaar zijn om complexere taken aan te sturen, vindt dat bij Prompt technieken (cluster 4.3).

Wie wil weten hoe de stap van goede prompts naar slim informatiebeheer eruitziet, leest verder bij Context engineering (cluster 4.4).

Stel je voor: twee mensen zitten achter hetzelfde AI-model. Dezelfde versie, dezelfde rekenkracht, dezelfde trainingsdata. De een krijgt een antwoord dat precies doet wat nodig is. De ander krijgt een vaag verhaal dat nergens landt. Het verschil zit niet in het model. Het zit in wat ze het meegeven.

Dat klinkt als een detail. Het is het niet. De manier waarop je een AI-model aanstuurt, bepaalt in hoge mate wat je terugkrijgt. En het verschil tussen een ongerichte vraag en een doordachte instructie is groter dan je op het eerste gezicht verwacht. Die vaardigheid heeft een naam: prompting.

Meer dan een vraag

Een prompt is de volledige instructie die je aan een AI-model geeft. Dat kan een korte vraag zijn: “Wat is inflatie?” Maar het kan ook een gedetailleerde opdracht zijn met context, voorwaarden en een gewenst format. De prompt is alles wat het model ontvangt voordat het een antwoord genereert.

Het woord “prompt” wekt de indruk van een kort commando. In de praktijk kan een prompt uit één zin bestaan of uit een halve pagina. Een manager die vraagt “geef me een samenvatting” gebruikt een prompt. Een adviseur die schrijft “vat dit rapport samen in drie alinea’s, gericht op de financiële risico’s, in een toon die past bij een bestuursvergadering” gebruikt ook een prompt. Het verschil in output is aanzienlijk.

Een prompt kan naast de opdracht ook andere informatie bevatten: achtergrondinformatie, een gewenste toon, een format, beperkingen en voorbeelden van gewenste output. Hoe meer van die onderdelen aanwezig zijn, hoe preciezer het model kan reageren. Welke onderdelen dat zijn en hoe je ze doelgericht combineert, is het onderwerp van De 7 bouwstenen van de ideale prompt (cluster 4.2). Het kernpunt hier is: een prompt met alleen een vraag geeft het model maximale vrijheid. Dat klinkt aantrekkelijk, maar levert in de praktijk vaker een generiek antwoord op dan een bruikbaar antwoord. Gerichte vrijheid werkt beter dan totale vrijheid.

→ Lees meer: Wat is een prompt? (cluster 4.1a)

De vaardigheid achter de invoer

Prompting is de vaardigheid om instructies zo te formuleren dat een AI-model de gewenste output levert. Het is het bewust kiezen van woorden, structuur en context om het model in de juiste richting te sturen.

Dat is geen programmeren. Je schrijft geen code en je hoeft geen technische achtergrond te hebben. Prompting werkt via natuurlijke taal. Maar het is ook geen gewoon vragen stellen. Wie een collega een opdracht geeft, past de formulering aan op basis van wat die collega al weet, wat het doel is en hoe het resultaat eruit moet zien. Bij een AI-model werkt dat precies zo, met één cruciaal verschil: het model heeft geen gedeelde voorgeschiedenis. Alles wat het nodig heeft om de opdracht goed uit te voeren, moet in de prompt staan. Wat je weglaat, vult het model zelf in. En dat is zelden wat je in gedachten had.

Hier zit het inzicht dat het verschil maakt. De kwaliteit van AI-output hangt niet alleen af van het model dat je gebruikt. Een krachtig model met een vage prompt levert een vaag antwoord. Een bescheidener model met een precieze prompt levert vaak een bruikbaarder resultaat. De input bepaalt de output.

Dat maakt prompting een vaardigheid die niet alleen voor technici of specialisten relevant is. Juist als je dagelijks beslissingen neemt op basis van informatie, analyse en tekst, maakt prompting direct verschil in wat AI voor je kan betekenen.

In het ringen-model, het denkraam dat wij gebruiken om te beschrijven hoe een AI-model stap voor stap uitgroeit tot een compleet AI-systeem, is prompting de kern van Ring 1: Aansturen. Het is de eerste en meest directe manier om invloed uit te oefenen op wat het model oplevert.

Van vaardigheid naar discipline

Prompt engineering is het systematisch ontwerpen, testen en verfijnen van prompts. Het verschil met prompting is het verschil tussen koken en een recept ontwikkelen. Prompting is de vaardigheid om een goede instructie te geven. Prompt engineering is het proces om prompts herhaalbaar, betrouwbaar en schaalbaar te maken.

In de praktijk betekent dat: een prompt formuleren, het resultaat beoordelen, de prompt aanpassen en opnieuw testen. Dat herhaal je tot het resultaat consistent goed genoeg is. Niet één keer goed, maar tien keer achter elkaar goed, met verschillende invoer.

Die systematiek is belangrijk zodra AI structureel wordt ingezet. Een medewerker die af en toe een vraag stelt aan een chatmodel, komt ver met basisvaardigheden in prompting. Maar een organisatie die AI inzet voor klantcommunicatie, rapportages of analyses, heeft prompts nodig die betrouwbaar dezelfde kwaliteit leveren. Dat vraagt om testen, itereren en evalueren.

Van trucjes naar structuur

Prompt engineering heeft in korte tijd een opvallende verschuiving doorgemaakt. In 2022 en 2023 draaide het om formuleringen en trucjes. “Begin je prompt met ‘je bent een expert in…’” was het soort advies dat breed circuleerde. Lijsten met “de 50 beste prompts” gingen viraal op sociale media. Dat beeld is achterhaald.

Wat in de praktijk het verschil maakt, is niet de exacte woordkeuze. Het is de structuur. Wat wil je precies? Welke context heeft het model nodig? Hoe ziet een goed resultaat eruit? Die vragen zijn belangrijker dan welke magische formulering dan ook.

Een volgende stap in die ontwikkeling is context engineering: niet alleen de instructie optimaliseren, maar de hele informatieomgeving die het model ontvangt. Die stap gaat verder dan prompting en raakt aan hoe AI-systemen worden ontworpen. Wat context engineering precies inhoudt, is het onderwerp van Context engineering (cluster 4.4).

→ Lees meer: Wat is prompt engineering? (cluster 4.1b)

Voorbeelden

Hier wordt het concreet. Dezelfde taak, twee aanpakken, twee totaal verschillende resultaten.

Medische kliniek

Een huisartsenpraktijk gebruikt een AI-model om patiëntbrieven op te stellen na een consult. De eerste aanpak: de arts typt “schrijf een brief over het consult van vandaag” en plakt de consultnotities erbij. Het resultaat is een generieke brief die te formeel klinkt, belangrijke nuances mist en niet past bij de toon van de praktijk. De aangepaste aanpak: de arts geeft het model een prompt met de consultnotities, de instructie om een brief te schrijven op B1-taalniveau, gericht aan de patiënt, met vermelding van het vervolgtraject en in een empathische toon. Het resultaat is een brief die de patiënt direct kan begrijpen en die aansluit bij de communicatiestijl van de praktijk. De arts besteedt twee minuten aan de prompt in plaats van tien minuten aan het schrijven van de brief.

B2B-dienstverlener

Een accountantskantoor laat een AI-model conceptteksten schrijven voor adviesmemo’s aan klanten. De ongerichte prompt: “Schrijf een memo over de nieuwe belastingregeling.” Het resultaat is een correct maar vlak stuk tekst dat leest als een Wikipedia-artikel. De gerichte prompt beschrijft wie de ontvanger is (een directeur-grootaandeelhouder van een mkb-bedrijf), wat het doel is (de drie belangrijkste gevolgen voor zijn situatie), welke toon gewenst is (helder, concreet, geen jargon) en hoe lang de memo mag zijn (maximaal één A4). Het resultaat is een memo die de klant direct kan gebruiken in zijn besluitvorming.

Zelfstandig professional

Een freelance communicatieadviseur gebruikt een AI-model om een voorstel te schrijven voor een opdrachtgever. Eerste poging: “Schrijf een voorstel voor een communicatiestrategie.” Het model levert een generiek raamwerk op dat op elke organisatie zou kunnen slaan. Tweede poging: de adviseur geeft het model context over de opdrachtgever (een regionale zorginstelling die kampt met personeelstekort), het doel (interne communicatie versterken om medewerkers te behouden), de gewenste structuur (probleemanalyse, aanpak, planning, investering) en de stijl (zakelijk maar menselijk). Het resultaat is een concept dat de adviseur als startpunt kan gebruiken en dat aansluit bij de specifieke situatie van de opdrachtgever.

Veelgestelde vragen

Is prompting niet gewoon een vraag stellen?

Een vraag stellen is de meest elementaire vorm van een prompt. Maar prompting wordt pas waardevol op het moment dat je meer doet dan vragen. Een arts die typt “wat kan er aan de hand zijn?” krijgt een breed en weinig bruikbaar antwoord. Dezelfde arts die de symptomen beschrijft, de voorgeschiedenis meegeeft, aangeeft dat het antwoord gericht moet zijn op de drie meest waarschijnlijke diagnoses en geschikt moet zijn om met de patiënt te bespreken, krijgt een fundamenteel ander resultaat. Het verschil is dat de tweede prompt het model niet alleen vertelt wat het moet doen, maar ook welke informatie beschikbaar is, wie de ontvanger is en hoe het resultaat eruit moet zien. Dat is het verschil tussen een vraag stellen en richting geven. En precies dat richting geven maakt het verschil tussen een antwoord dat je negeert en een antwoord waar je iets mee kunt.

Moet ik als directeur of manager iets weten van prompting, of is dat iets voor specialisten?

Prompting is een basisvaardigheid voor iedereen die met AI werkt. Net zoals je geen IT-specialist hoeft te zijn om effectief te e-mailen, hoef je geen technicus te zijn om AI goed aan te sturen. Maar net zoals een goed geformuleerde e-mail meer bereikt dan een haastig getypte kreet, levert een doordachte prompt meer op dan een losse vraag. Voor koersbepalers is die vaardigheid extra relevant: wie begrijpt hoe prompting werkt, kan beter beoordelen wat AI-output waard is, kan realistischere verwachtingen stellen aan AI-projecten en kan zelf ervaren wat er mogelijk is. Wij beschouwen prompting als een vaardigheid die thuishoort bij iedereen in de organisatie, niet als een technische specialisatie die je uitbesteedt.

Wat is het verschil tussen prompting en programmeren?

Programmeren werkt met code: formele instructies in een programmeertaal die de computer exact vertelt wat hij moet doen. Prompting werkt met natuurlijke taal: je formuleert in gewone woorden wat je wilt. Dat maakt prompting toegankelijk voor iedereen die kan schrijven. Het verschil in precisie is wel reëel. Code is ondubbelzinnig: de computer doet precies wat er staat, niets meer en niets minder. Een prompt laat ruimte voor interpretatie door het model. Dat is zowel de kracht als de beperking van prompting. De kracht, omdat je geen formele taal hoeft te leren. De beperking, omdat het resultaat niet altijd voorspelbaar is. Wie het resultaat voorspelbaarder wil maken, komt uit bij prompt engineering: het systematisch testen en verfijnen van prompts tot ze consistent het gewenste resultaat opleveren.

Wordt prompting niet overbodig naarmate modellen beter worden?

Voor een groot deel van het dagelijks gebruik is uitgebreide prompting al niet nodig. Een feitelijke vraag, een vertaling, een korte analyse van een meegestuurd document: dat werkt met een paar woorden. Modellen zijn ook steeds beter in het extraheren van informatie uit afbeeldingen, documenten en screenshots. Een screenshot van een foutmelding met “fix dit” werkte bij vroegere modellen niet. Modellen zijn daar steeds beter in geworden, en die ontwikkeling zet door. Tegelijk is er een tweede ontwikkeling die minder zichtbaar is: nieuwere modellen volgen instructies letterlijker op. Ze vullen minder zelf in. Waar een ouder model bij een vage opdracht nog gokte wat je waarschijnlijk bedoelde, doet een nieuwer model precies wat je vraagt. Dat maakt heldere sturing niet minder relevant. Bij complexe opdrachten waar je specifieke keuzes wilt sturen (publiek, toon, format, diepgang) maakt het de bouwstenen van een goede prompt juist waardevoller. De verschuiving is niet dat prompting overbodig wordt. De verschuiving is dat het omslagpunt hoger ligt: meer taken lukken zonder sturing, maar de taken die sturing nodig hebben, profiteren er meer van dan ooit.

Wat is het verschil tussen prompt engineering en context engineering?

Prompt engineering richt zich op de instructie: hoe formuleer je wat je het model vraagt en welke onderdelen bevat die instructie? Context engineering gaat een stap verder. Het richt zich op de hele informatieomgeving die het model ontvangt, niet alleen de instructie zelf. Andrej Karpathy, AI-onderzoeker en voormalig directeur AI bij Tesla, formuleerde het in 2025 zo: in serieuze AI-toepassingen is de kunst niet het schrijven van een goede instructie, maar het vullen van het volledige context window (de totale hoeveelheid informatie die een model in één keer kan verwerken) met precies de juiste informatie voor de volgende stap. Prompt engineering is waar iedereen begint. Context engineering is waar het naartoe gaat wanneer AI structureel wordt ingezet in een organisatie. De overgang is geleidelijk en de vaardigheden bouwen op elkaar voort. Wat context engineering concreet inhoudt, wordt behandeld bij Context engineering (cluster 4.4).

Verder lezen

Wie wil weten welke onderdelen een sterke prompt bevat en hoe je die systematisch opbouwt, vindt dat bij De 7 bouwstenen van de ideale prompt (cluster 4.2).

Wie wil begrijpen hoe de stap van goede prompts naar slim informatiebeheer eruitziet en waarom context engineering een steeds centralere rol speelt, leest verder bij Context engineering (cluster 4.4).

Wie wil terugkeren naar de basis en begrijpen waarom modellen op instructies reageren zoals ze doen, vindt dat bij Posttraining: van basismodel naar assistent (cluster 2.3).

Iemand stuurt een AI-model een screenshot van een foutmelding, typt “fix dit,” en krijgt een werkende oplossing terug. Twee woorden. Geen sturing, geen format, geen context. Het werkt.

Dezelfde persoon vraagt het model om een adviesmemo te schrijven over een reorganisatie. Het resultaat leest als een Wikipedia-artikel. Correct, maar onbruikbaar. De toon klopt niet, het publiek is verkeerd ingeschat, en de structuur is die van een werkstuk, niet van een bestuursmemo.

Dat contrast is herkenbaar voor iedereen die met AI werkt. Soms volstaat een korte vraag. Soms niet, en dan is het verschil tussen een bruikbaar en een onbruikbaar antwoord niet het model. Het is wat je het meegeeft. De vraag is: wat geef je mee op het moment dat het ertoe doet? Daar gaan de zeven bouwstenen over.

Niet elke vraag heeft sturing nodig

“Wat is de hoofdstad van Frankrijk?” is een prompt. Een screenshot van een foutmelding met de tekst “fix dit” is ook een prompt. In beide gevallen hoeft er niets aan de instructie te worden toegevoegd. Het model heeft genoeg informatie om een bruikbaar antwoord te geven.

Dat geldt voor een groot deel van het dagelijks gebruik. Feitelijke vragen, korte verzoeken, vertalingen, samenvattingen van een meegestuurd document: bij al die taken werkt een korte, informele prompt prima. Het model leidt de bedoeling af uit wat het ontvangt, en dat gaat steeds beter.

Twee ontwikkelingen versterken dit. Moderne AI-modellen verwerken naast tekst ook afbeeldingen, documenten, spreadsheets en audio als onderdeel van de prompt. Een screenshot bevat meer context dan drie alinea’s beschrijving. Een meegestuurd contract bevat meer informatie dan welke toelichting ook. De informatie hoeft niet expliciet in woorden te staan. Het model haalt die uit het materiaal dat je meegeeft.

De tweede ontwikkeling is dat modellen beter zijn geworden in het interpreteren van informele, korte instructies. “Leg uit” bij een meegestuurd document, “maak korter” bij een tekst, “vertaal naar het Engels”: dat soort opdrachten leverde bij vroegere modellen wisselvallige resultaten op. Bij moderne modellen zijn de resultaten in de meeste gevallen direct bruikbaar.

Het omslagpunt

De bouwstenen worden relevant op het moment dat het model keuzes moet maken die jij wilt sturen. Wie het publiek is. Welke toon past. Hoe lang het antwoord mag zijn. Welk format het moet hebben. Welke informatie het moet benadrukken en welke het moet weglaten.

Bij een korte feitelijke vraag zijn die keuzes er niet. Bij een complexe opdracht wel. “Schrijf een samenvatting” laat het model tientallen keuzes zelf invullen: voor wie, hoe lang, welke nadruk, welke toon. “Schrijf een samenvatting van twee alinea’s voor de raad van commissarissen, gericht op de financiële risico’s, in een zakelijke toon” neemt die keuzes weg. Het verschil in output is aanzienlijk.

Het omslagpunt is herkenbaar: als je bij het lezen van het resultaat denkt “dat is niet wat ik bedoelde,” dan heeft het model keuzes gemaakt die jij had willen sturen. De bouwstenen helpen je te zien welke keuzes dat zijn.

Waarom de sturing niet minder belangrijk wordt

Hier zit een nuance die ertoe doet. Modellen worden beter in het interpreteren van korte instructies, maar ze worden tegelijk ook letterlijker in het opvolgen van wat je expliciet opschrijft. Die twee bewegingen lijken tegenstrijdig, maar ze zijn het niet.

Bij een korte, ondubbelzinnige opdracht werkt het goed: het model doet wat je vraagt. Bij een complexe opdracht met veel impliciete verwachtingen kan die letterlijkheid juist tegenwerken. “Maak dit beter” leverde bij oudere modellen soms een uitgebreide herschrijving op die verder ging dan gevraagd. Bij nieuwere modellen is het resultaat precies wat je letterlijk hebt gevraagd: een iets betere versie, zonder de extra stappen die je stilzwijgend verwachtte.

Dat maakt de bouwstenen niet minder relevant. Het maakt ze relevanter voor wie expliciet wil sturen wat het model doet. Hoe preciezer je formuleert wat je nodig hebt, hoe beter het resultaat. Die relatie wordt sterker, niet zwakker.

De bouwstenen zijn het gereedschap van Ring 1 (Aansturen) in het ringen-model, ons denkraam voor de opbouw van AI-systemen. Het is de eerste laag die je om een kaal foundation model heen legt om het gericht aan het werk te zetten.

Zeven onderdelen, niet zeven verplichtingen

Wij hanteren zeven bouwstenen. Andere indelingen bestaan en werken ook. Sommige bronnen onderscheiden er vier of vijf, andere combineren er twee tot één. De indeling hieronder is de indeling die in de praktijk het meest houvast geeft, omdat ze elk onderdeel een eigen naam en functie geeft. Dat maakt het makkelijker om te zien welk onderdeel ontbreekt wanneer de output niet doet wat je wilt.

De bouwstenen zijn een gereedschapskist. Niet elke opdracht vraagt om alle zeven. Een feitelijke vraag heeft er nul nodig. Een eenduidige opdracht met een meegestuurd document heeft er misschien twee nodig. Een complexe opdracht met meerdere stakeholders en een specifiek format heeft er vijf of zes nodig. Het gaat om bewust kiezen welke onderdelen in deze situatie het verschil maken.

De bouwstenen zijn ook een diagnose-instrument. Als het resultaat niet goed is, helpen ze om te zien wat er ontbreekt. De toon klopt niet? Bouwsteen 4. Het format is onbruikbaar? Bouwsteen 5. De inhoud is correct maar mist de situatie? Bouwsteen 2.

Taak (De Motor)

De eerste bouwsteen is de kern: wat moet het model doen? De Taak is de concrete opdracht. Een helder actiewerkwoord, een duidelijke outputvorm en een omschrijving van het doel.

Het verschil tussen “schrijf iets over onboarding” en “schrijf een checklist van tien punten voor de eerste werkweek van een nieuwe medewerker” is het verschil tussen een richting en een bestemming. Het eerste levert iets op. Het tweede levert iets bruikbaars op.

→ Lees meer: Taak (De Motor) — de concrete opdracht (cluster 4.2a)

Context (De Wereld)

De tweede bouwsteen levert de achtergrond die het model nodig heeft om de juiste keuzes te maken. Wie is de doelgroep? Wat is de aanleiding? Welke kaders gelden er?

Context kan ook impliciet zijn. Een meegestuurd document, een screenshot of een afbeelding bevat informatie die het model zelf extraheert. De bouwsteen Context wordt pas nodig wanneer de relevante achtergrond niet in het meegestuurde materiaal zit, maar in jouw hoofd.

→ Lees meer: Context (De Wereld) — de noodzakelijke achtergrond (cluster 4.2b)

Rol (De Expert)

De derde bouwsteen bepaalt vanuit welke deskundigheid het model reageert. Een Rol geeft het model een perspectief: beantwoord deze vraag als een ervaren arbeidsrechtadvocaat. Of: als een communicatieadviseur die gewend is om complexe besluiten uit te leggen aan medewerkers.

Het effect is niet dat het model ineens een advocaat wordt. Het effect is dat het model de toon, de diepgang en het vocabulaire aanpast aan het perspectief dat je meegeeft. Dat verschil is vaak groter dan verwacht.

→ Lees meer: Rol (De Expert) — de persona of deskundigheid (cluster 4.2c)

Toon (De Sfeer)

De vierde bouwsteen stuurt hoe het antwoord klinkt. Formeel of toegankelijk? Zakelijk of empathisch? De Toon bepaalt of de output past bij het publiek en bij het merk.

Toon is niet hetzelfde als Rol. Een juridisch adviseur (Rol) kan schrijven in een empathische toon die past bij een ontslaggesprek, of in een zakelijke toon die past bij een bestuursmemo. De combinatie van Rol en Toon geeft fijnmazige sturing.

→ Lees meer: Toon (De Sfeer) — de gewenste stijl (cluster 4.2d)

Structuur (De Blauwdruk)

De vijfde bouwsteen beschrijft de gewenste vorm en opbouw van de output. Moet het een tabel zijn, een genummerde lijst, een memo met kopjes, een e-mail van drie alinea’s?

Structuur is een bouwsteen die vaak wordt vergeten en bijna altijd verschil maakt. Zonder structuurinstructie bepaalt het model zelf de opbouw. Het resultaat is vaak een lap tekst die inhoudelijk correct is maar niet het format heeft dat je nodig hebt.

→ Lees meer: Structuur (De Blauwdruk) — de gevraagde vorm en opbouw (cluster 4.2e)

Randvoorwaarden (De Spelregels)

De zesde bouwsteen zet grenzen. Wat mag het model niet doen? Hoe lang mag het antwoord zijn? Welke onderwerpen moet het vermijden? Welke criteria moet het resultaat minimaal bevatten?

Randvoorwaarden voorkomen dat het model te ver uitwijkt, te lang wordt of informatie opneemt die niet thuishoort. Ze werken als vangrails: het model heeft vrijheid binnen de baan, niet erbuiten.

→ Lees meer: Randvoorwaarden (De Spelregels) — duidelijke grenzen en criteria (cluster 4.2f)

Voorbeelden (De Gouden Standaard)

De zevende bouwsteen laat het model zien hoe een goed resultaat eruitziet. Door een voorbeeld mee te geven van de gewenste output, geef je het model een referentiepunt voor stijl, format en kwaliteitsniveau.

Dit is een van de krachtigste bouwstenen en tegelijk een van de minst gebruikte. Een model dat een voorbeeld heeft gezien, levert output die dichter bij je verwachting ligt dan een model dat alleen instructies heeft gekregen.

→ Lees meer: Voorbeelden (De Gouden Standaard) — een referentie die stijl en kwaliteit laat zien (cluster 4.2g)

Hoe de bouwstenen samenwerken

De kracht zit in de combinatie. Een prompt met een scherpe Taak (De Motor) maar zonder Context (De Wereld) levert een correct antwoord op dat niet past bij de situatie. Een prompt met een goede Rol (De Expert) maar zonder Structuur (De Blauwdruk) levert inhoud op in een onbruikbaar format.

Een praktische vuistregel: als het resultaat niet goed genoeg is, kijk dan niet eerst naar de formulering. Kijk naar welke bouwsteen ontbreekt. De bouwstenen maken het probleem zichtbaar en de oplossing concreet.

Voorbeelden

Twee situaties. In de eerste volstaat een korte prompt. In de tweede maken de bouwstenen het verschil.

Wanneer het zonder bouwstenen werkt

Een manager stuurt een AI-model het notulenbestand van een vergadering en typt: “Samenvatting, maximaal vijf punten.” Het model levert vijf punten die de kern dekken. De Taak is helder (samenvatten), het document bevat alle context, en het format is gespecificeerd in vier woorden. Geen bouwstenen nodig behalve een minimale Taak en een impliciete Structuur. Het meegestuurde document doet het zware werk.

Wanneer de bouwstenen het verschil maken

Dezelfde manager wil nu een adviesmemo op basis van diezelfde notulen, gericht aan het bestuur, met een aanbeveling over de drie besproken investeringsopties, in een zakelijke toon en maximaal twee pagina’s. De prompt “schrijf een memo” levert een generiek stuk op. De prompt met vijf bouwstenen levert een memo op die het kantoor na een korte review kan versturen. Het verschil: de manager heeft het model verteld voor wie het schrijft (Context), in welke richting (Taak), hoe het moet klinken (Toon), hoe het eruit moet zien (Structuur) en wat de grenzen zijn (Randvoorwaarden).

Medische kliniek

Een praktijkmanager wil een AI-model inzetten om patiëntinformatie te herschrijven op B1-taalniveau. De eerste prompt: “Herschrijf deze tekst in begrijpelijke taal.” Het model produceert een vereenvoudigde versie die medisch belangrijke nuances weglaat en te informeel klinkt. De aangepaste prompt bevat vijf bouwstenen: de Taak (herschrijf op B1-taalniveau), de Context (dit is een ontslagbrief voor een patiënt na een knieoperatie), de Toon (empathisch maar feitelijk), de Structuur (drie korte alinea’s: wat er is gebeurd, wat de patiënt moet doen, wanneer contact opnemen) en een Randvoorwaarde (behoud alle medische instructies, vereenvoudig alleen het taalgebruik). Het resultaat is een brief die de patiënt direct kan begrijpen zonder dat er informatie verloren gaat.

Zelfstandig professional

Een communicatieadviseur gebruikt een AI-model om LinkedIn-posts te schrijven voor opdrachtgevers. De eerste prompt: “Schrijf een LinkedIn-post over duurzaamheid.” Het resultaat is generiek. De aangepaste prompt bevat vier bouwstenen: de Taak (schrijf een LinkedIn-post van 150 tot 200 woorden), de Context (de opdrachtgever is een interieurbouwer die net een project heeft opgeleverd met volledig hergebruikte materialen), de Toon (persoonlijk en trots, geen preektoon) en een Voorbeeld (een eerdere post van dezelfde opdrachtgever die goed presteerde, als referentie voor stijl en lengte). Het resultaat sluit aan bij de stem van de opdrachtgever en bevat een concreet verhaal in plaats van algemeenheden.

Veelgestelde vragen

Moet ik altijd alle zeven bouwstenen gebruiken?

Nee. Bij veel taken heb je er nul nodig. Een feitelijke vraag, een vertaling, een document samenvatten met een kort verzoek: dat werkt zonder bouwstenen. De bouwstenen zijn een gereedschapskist voor het moment dat de output niet doet wat je wilt. Welke je dan inzet, hangt af van wat er ontbreekt. Een antwoord met de verkeerde toon? Voeg Toon (De Sfeer) toe. Een antwoord dat te breed is? Voeg Randvoorwaarden (De Spelregels) toe. De vuistregel: als je dezelfde opdracht aan een capabele collega zou geven en die collega zou terugvragen “voor wie is dit?” of “hoe lang mag het zijn?”, dan ontbreekt die informatie in je prompt.

In welke volgorde zet ik de bouwstenen in mijn prompt?

Er is geen verplichte volgorde. Een logische opbouw is: begin met de Rol (als je die gebruikt), dan de Taak, dan de Context, dan Toon en Structuur, en sluit af met Randvoorwaarden en eventueel een Voorbeeld. Maar moderne AI-modellen verwerken alle onderdelen tegelijk. De inhoud telt zwaarder dan de volgorde.

Werken de bouwstenen bij elk AI-model?

Ja. Of je werkt met modellen van OpenAI, Anthropic, Google of een open-weight model: een model dat een duidelijke Taak, relevante Context en een helder format krijgt, presteert beter dan een model dat alleen een vage opdracht krijgt. Dat maakt de bouwstenen ook toekomstbestendig: als je overstapt naar een ander model, neem je je promptstructuur mee.

Worden de bouwstenen overbodig naarmate modellen beter worden?

Nee, maar de drempel verschuift. Modellen worden beter in het interpreteren van korte instructies en het extraheren van context uit meegestuurd materiaal. Dat betekent dat je voor meer taken kunt volstaan met een korte prompt. Tegelijk worden modellen ook letterlijker in het opvolgen van instructies: ze doen precies wat je vraagt, niet meer. Bij complexe opdrachten waar je specifieke keuzes wilt sturen, maakt dat de bouwstenen juist waardevoller. De ontwikkeling is niet dat sturing overbodig wordt, maar dat het omslagpunt verschuift naar complexere taken.

Hoe weet ik welke bouwsteen ontbreekt als het resultaat niet goed is?

Begin bij het resultaat en werk terug. Is de inhoud correct maar de toon verkeerd? Dan ontbreekt Toon (De Sfeer) of Rol (De Expert). Is de inhoud goed maar het format onbruikbaar? Dan ontbreekt Structuur (De Blauwdruk). Is het antwoord te breed? Dan ontbreken Randvoorwaarden (De Spelregels). Is het antwoord correct maar mist het de situatie? Dan ontbreekt Context (De Wereld). Elk type tekortkoming wijst naar een specifieke bouwsteen.

Verder lezen

Wie concreet wil weten hoe je elke bouwsteen formuleert, vindt op de dieptepagina’s per bouwsteen de uitleg, voorbeelden en veelgemaakte fouten: van Taak (De Motor) (cluster 4.2a) tot Voorbeelden (De Gouden Standaard) (cluster 4.2g).

Wie na de bouwstenen wil weten welke geavanceerdere technieken beschikbaar zijn, leest verder bij Prompt technieken (cluster 4.3).

Wie wil begrijpen hoe de stap van goede prompts naar slim informatiebeheer eruitziet, vindt dat bij Context engineering (cluster 4.4).

Je geeft een AI-model een rapport van zestig pagina’s en vraagt: “Analyseer de drie belangrijkste risico’s voor mijn organisatie en schrijf er een memo over voor het MT.” Het model levert iets op. Het leest vlot. Het ziet er professioneel uit. Maar als je het naast het rapport legt, merk je dat het de helft van de risico’s heeft overgeslagen, de analyse oppervlakkig is, en de memo klinkt als een samenvatting in plaats van als een standpunt.

Dat is niet het model dat faalt. Dat is een taak die te veel in één keer vraagt. Het model probeert tegelijk samen te vatten, te analyseren, te prioriteren en te schrijven, en bij elk van die stappen gaat er iets verloren. Die ervaring is het startpunt van prompt technieken: de gereedschappen voor het moment waarop een goede prompt alleen niet meer genoeg is.

Gereedschap, geen verplichting

Een prompt bestaat uit onderdelen: de opdracht, de context, de gewenste toon, het format, eventueel een voorbeeld. Die onderdelen worden elders op deze site de bouwstenen van een goede prompt genoemd (De 7 bouwstenen van de ideale prompt, cluster 4.2). Bij de meeste dagelijkse taken zijn die bouwstenen voldoende. Een heldere opdracht met de juiste context levert een bruikbaar resultaat op.

Prompt technieken voegen een laag toe. Ze gaan niet over wát je het model vertelt, maar over hóe je de interactie organiseert. Geef je de opdracht in één keer of in stappen? Met voorbeelden of zonder? Vraag je het model om direct een antwoord te geven of om eerst zijn uitwerking te laten zien? Die keuzes beïnvloeden het resultaat minstens zo sterk als de inhoud van de prompt zelf.

Hier zit een nuance die ertoe doet. Modellen worden elk jaar beter in het afleiden van bedoeling uit korte instructies. Veel taken die in 2023 een uitgewerkte prompt vereisten, lukken nu met een screenshot en de instructie “fix dit.” Tegelijk worden modellen ook letterlijker in het opvolgen van expliciete instructies: ze doen precies wat je vraagt, niet meer. Die twee ontwikkelingen versterken elkaar. Bij alledaagse taken heb je minder sturing nodig. Bij complexe taken waar je specifieke keuzes wilt sturen, maakt gerichte sturing juist méér verschil dan ooit.

De technieken op deze pagina zijn voor dat tweede geval. Niet voor elke interactie. Voor het moment waarop de basis niet genoeg is. Er zijn vijf technieken die in de praktijk het meeste verschil maken, en ze vormen een oplopende lijn van licht naar zwaar.

Samen met de bouwstenen vormen deze technieken het volledige repertoire van Ring 1 (Aansturen) in ons ringen-model, de vijf lagen die van een kaal AI-model een compleet systeem maken. Alles wat je kunt doen om een model gericht aan te sturen zonder het systeem eromheen te veranderen.

De opdracht zonder voorbeeld

Zero-shot prompting is de meest elementaire vorm en tegelijk de meest onderschatte. Je geeft het model een opdracht zonder voorbeelden mee te geven. Geen demonstratie van hoe het resultaat eruit moet zien. Alleen de instructie.

“Classificeer deze klacht als urgent of niet-urgent.” “Vat dit artikel samen in drie alinea’s.” “Vertaal deze tekst naar het Engels.” In al deze gevallen leunt het model volledig op wat het tijdens de training heeft geleerd. En bij veel taken is dat voldoende. Het model heeft miljoenen vergelijkbare taken gezien en herkent het patroon.

Hier zit het inzicht: zero-shot werkt niet omdat het model “slim” is. Het werkt omdat het model op dat type taak al is getraind. De kwaliteit van zero-shot hangt direct samen met hoe vaak het model vergelijkbare taken heeft gezien. Bij veelvoorkomende taken (samenvatten, vertalen, classificeren) is het sterk. Bij ongewone taken of taken met heel specifieke eisen begint het te haperen. Dat herkennen is het moment waarop je een andere techniek overweegt.

→ Lees meer: Zero-shot prompting (cluster 4.3a)

Laten zien in plaats van vertellen

Few-shot prompting voegt voorbeelden toe aan de prompt. In plaats van alleen te beschrijven wat je wilt, laat je het model zien hoe een goed resultaat eruitziet.

Neem een concreet geval. Je wilt dat een AI-model klantvragen classificeert in categorieën die je zelf hebt bedacht: “productprobleem”, “facturatievraag”, “serviceverzoek” en “overig.” Bij een zero-shot prompt kiest het model categorieën die het zelf logisch acht. Die komen niet overeen met jouw indeling. Bij een few-shot prompt geef je drie voorbeelden van correcte classificaties. Het model herkent het patroon en past het toe op nieuwe invoer.

Het effect is meetbaar en consistent: één goed voorbeeld maakt al verschil. Twee of drie voorbeelden versterken de consistentie aanzienlijk. Meer dan vijf levert zelden extra winst op, want de kwaliteit van de voorbeelden weegt zwaarder dan de hoeveelheid. Een slordig voorbeeld levert slordige output op. Dat is geen fout van het model. Het is het model dat precies doet wat je hebt gedemonstreerd.

Few-shot prompting is bijzonder krachtig bij drie dingen: een merkgebonden stijl overbrengen die je moeilijk in woorden kunt vangen, een classificatiesysteem aanleren dat je zelf hebt bedacht, en consistente output afdwingen bij taken die je tientallen keren uitvoert.

→ Lees meer: One-shot en few-shot prompting (cluster 4.3b)

De kracht van tussenstappen

Chain-of-thought prompting stuurt het model aan om in tussenstappen te werken in plaats van direct naar een antwoord te springen.

Het principe is herkenbaar. Vraag iemand om 347 keer 28 uit het hoofd te berekenen. De kans op een fout is groot. Vraag diezelfde persoon om het op papier te doen, stap voor stap, en het antwoord klopt bijna altijd. Het verschil zit niet in het rekenvermogen. Het zit in de tussenstappen. Bij AI-modellen werkt het precies zo.

De techniek kan zo toegankelijk zijn als vijf woorden toevoegen aan een prompt: “Denk stap voor stap.” Dat klinkt te makkelijk om een verschil te maken, maar het effect is meetbaar. Bij rekentaken, logische problemen en analyses met meerdere factoren verbetert de nauwkeurigheid significant. Soms verdubbelt die.

Het inzicht hier is hetzelfde als bij een wiskundetoets: wie zijn uitwerking laat zien, maakt minder fouten dan wie alleen het eindantwoord opschrijft. De tussenstappen die het model genereert zijn controleerbaar. Je kunt zien welke stap het model heeft gezet, of die klopt, en waar het eventueel misgaat. Dat maakt het resultaat niet alleen beter, maar ook verifieerbaar. Een kanttekening past hier: de tussenstappen zijn geen venster op een intern denkproces van het model. Het model genereert tekst die functioneert als uitwerking. Maar net als bij die wiskundetoets maakt dat niet uit: de uitwerking is wat je kunt controleren, en het expliciet doorlopen van de stappen maakt het eindresultaat betrouwbaarder.

De afweging: tussenstappen kosten ruimte en tijd. Het model genereert meer tekst, wat langer duurt en bij betaalde modellen meer kost. De vuistregel: hoe meer er afhangt van het antwoord, hoe meer de tussenstappen waard zijn.

→ Lees meer: Chain-of-thought prompting (cluster 4.3c)

Opdelen in stappen

Prompt chaining verlaat het terrein van de enkele prompt. In plaats van alles in één opdracht te proppen, splits je een complexe taak op in een reeks kleinere stappen. De output van stap één wordt de input van stap twee. Eerst samenvatten, dan analyseren, dan conclusies trekken. Elke stap doet één ding goed.

Denk terug aan het voorbeeld uit de inleiding: de directeur die een rapport wil omzetten in een memo over strategische risico’s. De alles-in-één-prompt leverde een oppervlakkig resultaat op. Met prompt chaining wordt het drie stappen. Stap 1: identificeer alle risico’s in het rapport. Stap 2: prioriteer de drie belangrijkste voor deze specifieke organisatie. Stap 3: schrijf de memo. Na elke stap kan de directeur het tussenresultaat beoordelen voordat ze verdergaat.

De kracht van prompt chaining zit precies daar: in de controle tussen de stappen. Als de samenvatting in stap 1 een belangrijk risico mist, corrigeer je dat voordat de analyse erop bouwt. Dat voorkomt dat een fout in het begin ongemerkt doorwerkt tot het eindresultaat. Het is ook het inherente risico van de techniek: elke stap die fout is, vergiftigt de volgende. De controle is niet optioneel. Ze is het hele punt.

Prompt chaining is de handmatige variant van wat in AI-systemen een workflow heet: een geautomatiseerde keten van stappen. Het principe is identiek, de uitvoering verschilt. Wie handmatig een taak kan opdelen in effectieve stappen, begrijpt ook hoe een geautomatiseerd systeem dat doet.

→ Lees meer: Prompt chaining (cluster 4.3d)

Het gesprek als gereedschap

Multi-turn prompting is de techniek die het dichtst bij hoe de meeste mensen al werken met AI: als een gesprek. Je stelt een vraag, bekijkt het antwoord, stuurt bij, vraagt door, laat het model een andere kant op kijken. Elke beurt bouwt voort op de vorige.

Het verschil tussen multi-turn als gewoonte en multi-turn als techniek zit in het bewustzijn van wat er onder de oppervlakte gebeurt. Bij elke beurt stuurt de applicatie de hele gespreksgeschiedenis naar het model. Het model leest alles opnieuw: je eerste vraag, zijn eerste antwoord, je bijsturing, alles. Wat je in de eerste beurten zegt, kleurt alles wat daarna komt. Dat maakt de opening van een gesprek onevenredig belangrijk.

Tegelijk accumuleert een lang gesprek ruis. Hoe meer beurten, hoe meer context het model moet verwerken, hoe groter de kans dat het vroege instructies minder sterk volgt. Er is ook een harde grens: het context window, de totale hoeveelheid informatie die het model tegelijk kan verwerken, heeft een maximale omvang. Wanneer het gesprek die grens nadert, raken de oudste beurten buiten beeld.

Dat klinkt als een beperking. Het is ook een ontwerpkeuze. Multi-turn prompting werkt het sterkst bij verkennende taken: je weet niet precies wat je zoekt, maar je herkent het als je het ziet. Een strategische analyse die je iteratief verdiept, een tekst die je beurt voor beurt bijschaaft, een probleem dat je vanuit meerdere invalshoeken bekijkt. Het gesprek is het gereedschap.

→ Lees meer: Multi-turn prompting en geheugen (cluster 4.3e)

Voorbeelden

Hier wordt het concreet. Dezelfde uitgangssituatie, vijf technieken, vijf fundamenteel verschillende aanpakken. De directeur uit de inleiding met haar rapport van zestig pagina’s.

Met zero-shot prompting: ze uploadt het rapport en typt “wat zijn de belangrijkste conclusies voor mijn organisatie?” Het model genereert een samenvatting op basis van het rapport. Bij een helder geschreven rapport is dat resultaat vaak bruikbaar. Bij een rapport met tegenstrijdige aanbevelingen of impliciete aannames mist het model de nuances. Het is een goed startpunt, maar geen eindpunt.

Met few-shot prompting: ze geeft het model twee voorbeelden van eerdere analyses die ze goed vond. Eentje over een ander rapport van vorig jaar, met precies de toon, structuur en het detailniveau dat ze zoekt. “Analyseer dit nieuwe rapport in dezelfde stijl en diepgang.” Het resultaat sluit aan bij haar verwachting, omdat het model het patroon uit de voorbeelden overneemt. De stijl klopt, het format klopt, de diepgang klopt. De voorbeelden doen het werk dat een beschrijving niet kan.

Met chain-of-thought prompting: ze vraagt het model om stap voor stap te werken. “Identificeer eerst de drie belangrijkste aanbevelingen. Beoordeel vervolgens per aanbeveling of die relevant is voor een organisatie van onze omvang en sector. Trek daarna een conclusie.” Het model genereert controleerbare tussenstappen. De directeur kan per stap beoordelen of de redenering klopt. Bij stap twee blijkt dat het model een aanbeveling als irrelevant beoordeelt die zij juist cruciaal acht. Ze kan dat corrigeren voordat de conclusie wordt getrokken.

Met prompt chaining: ze splitst de taak op in drie afzonderlijke prompts. Stap 1: “Vat het rapport samen in tien kernpunten.” Ze controleert de kernpunten en voegt er eentje toe dat het model miste. Stap 2: “Welke van deze elf kernpunten zijn relevant voor een organisatie in de gezondheidszorg met 500 medewerkers?” Ze beoordeelt de selectie. Stap 3: “Formuleer drie strategische aanbevelingen op basis van de relevante punten.” Elke stap doet één ding goed. Elke stap is controleerbaar. Het eindresultaat bouwt op een fundament dat ze zelf heeft gecontroleerd.

Met multi-turn prompting: ze start een gesprek. “Wat valt je op in dit rapport?” Het model reageert met een brede observatie. Ze stuurt bij: “Ga dieper in op de aanbeveling over automatisering. Wat zou dat concreet betekenen voor een zorginstelling?” Het model verdiept. Ze vraagt: “Hoe verhoudt dat zich tot de personeelskrapte die we nu al ervaren?” Over vijf tot tien beurten bouwt ze iteratief de analyse op die ze nodig heeft. Het resultaat is specifiek genoeg om naar het MT te brengen, omdat het model bij elke beurt een stukje dichter bij haar situatie is gekomen.

Geen van deze aanpakken is per definitie beter dan de andere. Een snelle samenvatting vraagt om zero-shot. Een consistente reeks analyses vraagt om few-shot. Een complexe redenering vraagt om chain-of-thought. Een meerstapstaak vraagt om chaining. Een verkennende analyse vraagt om multi-turn. Het herkennen van welk type taak je voor je hebt, is de vaardigheid die dit cluster wil opbouwen.

Veelgestelde vragen

Wanneer heb ik deze technieken nodig en wanneer niet?

De eerlijkste vuistregel is: begin met de kortst mogelijke prompt. Als het resultaat goed genoeg is, ben je klaar. Pas als je merkt dat het model iets mist, een stap overslaat, of een patroon niet herkent, kies je een techniek die dat specifieke probleem adresseert. Het model genereert een te oppervlakkige analyse? Probeer chain-of-thought. Het model herkent het gewenste format niet? Probeer few-shot. De taak is te groot voor één prompt? Probeer chaining. Elke techniek lost een specifiek type probleem op. Ze zijn geen verbetering op elke prompt, ze zijn gereedschap voor specifieke situaties. De meeste dagelijkse AI-interacties werken prima zonder ze.

Kan ik verschillende technieken combineren?

Ja, en dat is in de praktijk gebruikelijk. Few-shot en chain-of-thought combineren sterk: je geeft voorbeelden die niet alleen het gewenste resultaat laten zien, maar ook de uitwerking die naar dat resultaat leidt. Prompt chaining en multi-turn combineren vanzelf: je voert een keten van stappen uit en stuurt na elke stap bij op basis van het tussenresultaat. De combinaties zijn geen apart gereedschap. Ze ontstaan natuurlijk zodra je de individuele technieken in de praktijk toepast.

Worden deze technieken overbodig naarmate modellen beter worden?

Gedeeltelijk. Modellen worden beter in het afleiden van bedoeling uit korte instructies. Taken die in 2023 een uitgewerkte prompt met voorbeelden en stapsgewijze instructies vereisten, lukken nu vaak met een kort verzoek. Tegelijk worden modellen letterlijker: ze doen precies wat je vraagt. Bij complexe taken waar je specifieke keuzes wilt sturen, maakt dat gerichte sturing juist waardevoller. Het patroon is niet dat de technieken verdwijnen, maar dat het omslagpunt verschuift: meer taken lukken zonder technieken, maar de taken die technieken nodig hebben, profiteren er sterker van. Voor iemand die AI dagelijks inzet, is het herkennen van dat omslagpunt de belangrijkste vaardigheid.

Hoe verhoudt dit zich tot de bouwstenen uit cluster 4.2?

De bouwstenen beschrijven wat je in een prompt stopt: taak, context, rol, toon, structuur, randvoorwaarden, voorbeelden. De technieken beschrijven hoe je de interactie organiseert: direct of met voorbeelden, in één stap of in meerdere, in één beurt of over een gesprek. De bouwstenen zijn de ingrediënten, de technieken zijn de bereidingswijzen. Je kunt dezelfde ingrediënten op verschillende manieren bereiden, en de bereidingswijze beïnvloedt het resultaat minstens zo sterk als de ingrediënten zelf.

Verder lezen

Wie wil begrijpen hoe de stap van goede prompts naar slim informatiebeheer eruitziet, en waarom het optimaliseren van de hele informatieomgeving steeds belangrijker wordt dan het optimaliseren van de prompt alleen, leest verder bij Context engineering (cluster 4.4).

Wie terug wil naar de onderdelen waaruit een goede prompt bestaat, vindt dat bij De 7 bouwstenen van de ideale prompt (cluster 4.2).

Wie wil weten hoe de automatische variant van prompt chaining eruitziet in een systeem met tools en orkestratie, leest verder bij Workflows: AI in herhaalbare processen (cluster 8.2).

Wie begint met AI, begint bij de prompt. Hoe stel je de vraag, hoe formuleer je de opdracht, welke bouwstenen neem je mee. Dat is een goed startpunt. Maar wie AI serieus inzet, ontdekt al snel dat de prompt maar een deel van het verhaal is. De documenten die je meegeeft, de instructies die het systeem vooraf ontvangt, de gespreksgeschiedenis, de tools die beschikbaar zijn. Alles wat het model op een gegeven moment kan “zien” bepaalt mee wat eruit komt. Het ontwerpen van die hele informatieomgeving heet context engineering.

Wat context engineering is

Context engineering is het ontwerpen en beheren van alle informatie die een AI-model ontvangt bij elke stap. De prompt is daar onderdeel van, maar er zit veel meer in: de systeeminstructies, de meegeleverde documenten, de beschikbare tools, de gespreksgeschiedenis, het geheugen uit eerdere sessies. Samen vormen die elementen het context window, de totale hoeveelheid informatie die het model in één keer kan verwerken.

Het onderscheid met prompt engineering is helder. Prompt engineering richt zich op de instructie: hoe formuleer je wat je het model vraagt? Context engineering richt zich op de volledige informatieomgeving. Andrej Karpathy, AI-onderzoeker en voormalig directeur AI bij Tesla, formuleerde het in 2025 zo: bij serieuze AI-toepassingen is de kunst het vullen van het context window met precies de juiste informatie voor de volgende stap.

Dat verschil klinkt subtiel. Het is het niet. Vergelijk het met het inwerken van een nieuwe medewerker. Prompt engineering is de opdracht die je geeft: “Schrijf een samenvatting van dit rapport voor het bestuur.” Context engineering is alles wat die medewerker verder nog weet op het moment dat ze aan de slag gaat: de huisstijl van de organisatie, de voorkeuren van het bestuur, eerdere verslagen, de context van waarom dit rapport er nu is. Een scherpe opdracht aan iemand die de organisatie niet kent, levert een generiek resultaat. Dezelfde opdracht aan iemand die de hele context heeft, levert iets bruikbaars.

AIscendo-keuze

Wij positioneren context engineering niet als vervanging van prompt engineering. De bouwstenen en technieken uit de vorige clusters blijven de basis. Context engineering is de volgende laag: wat je eraan toevoegt wanneer AI overgaat van een incidenteel hulpmiddel naar een structureel onderdeel van het werk.

In ons ringen-model, dat laat zien hoe AI-capaciteiten laag voor laag op elkaar voortbouwen, overbrugt context engineering Ring 1 (Aansturen) en Ring 2 (Weten). De prompt stuurt het model aan. Context engineering bepaalt welke informatie het model meekrijgt om die sturing waar te maken.

Waarom context een schaarse bron is

Het is verleidelijk om te denken: geef het model zo veel mogelijk informatie, dan maakt het de beste keuze. Dat blijkt niet te kloppen.

Het context window is eindig. Elk model heeft een maximum aan informatie dat het in één keer kan verwerken. Die grens is ook meer dan technisch. Onderzoek toont een patroon aan dat context rot wordt genoemd: naarmate het context window voller raakt, neemt de nauwkeurigheid van het model af. Het model verwerkt de informatie nog wel, maar de aandacht wordt dunner verdeeld. Relevante details raken ondergesneeuwd door irrelevante informatie. Het resultaat wordt breder en tegelijk minder scherp.

Stel het je voor als een bureau waarop je documenten uitspreidt. Alles wat op het bureau ligt, kan het model verwerken. Wat er niet op ligt, bestaat niet. Een leeg bureau geeft het model niets om mee te werken. Een bureau met precies de juiste documenten levert het beste resultaat. Maar een bureau dat zo vol ligt dat je niets meer terugvindt, werkt averechts. Ergens is een optimum, en dat optimum vinden is precies de opgave.

De consequentie

Context engineering draait om selecteren, niet om stapelen. De kunst is de juiste informatie op het juiste moment beschikbaar maken, zonder het context window te overbelasten. Dat vraagt om bewuste keuzes: wat neem je mee, wat laat je weg, en wanneer haal je iets erbij?

Van dagelijks gebruik naar structurele inzet

Context engineering speelt op elk niveau waarop AI wordt ingezet, van een individuele medewerker tot een organisatiebreed systeem. Op drie niveaus wordt zichtbaar hoe contextbeheer steeds belangrijker wordt.

Dagelijks gebruik

Iedereen die een AI-model gebruikt, doet al aan contextbeheer. Een document meegeven bij een opdracht. Aan het begin van een gesprek vertellen wie de doelgroep is. Een eerdere versie van een tekst bijvoegen zodat het model de stijl kan overnemen. Dat zijn contextuele keuzes die direct de kwaliteit van het resultaat beïnvloeden. Op dit niveau is context engineering nog handwerk: de gebruiker bepaalt wat er in het context window terechtkomt.

Het principe dat hier het verschil maakt, is vastleggen. Schrijf de instructies, achtergrond en gedragsregels op die het model nodig heeft. Stel bewust een set instructies op die je hergebruikt, in plaats van elke keer opnieuw dezelfde context in te typen. Veel AI-platforms bieden daarvoor mogelijkheden: systeeminstructies die bij elk gesprek worden meegeladen, projecten met vaste contextdocumenten, geheugen dat over sessies heen wordt bewaard.

Herhaald gebruik

Zodra dezelfde soort opdracht tientallen keren wordt uitgevoerd door meerdere mensen, verschuift de opgave. Het is niet meer praktisch om bij elke opdracht handmatig de juiste context samen te stellen. De vraag wordt: hoe zorg je ervoor dat het systeem bij elke opdracht automatisch de juiste informatie ophaalt?

Hier komt selecteren in beeld. Een systeem dat bij elke klantvraag automatisch het juiste dossier erbij zoekt. Een AI-toepassing die bij het opstellen van een adviesbrief de relevante richtlijnen uit een kennisbank filtert. De gebruiker stelt de vraag, het systeem levert de context. Dat is een fundamenteel andere manier van werken dan alles handmatig kopiëren naar een chatvenster.

Een bijkomende strategie op dit niveau is comprimeren. Bij lange gesprekken of grote hoeveelheden data groeit het context window. Samenvattingen maken van wat er tot nu toe is besproken, alleen conclusies bewaren, details wegfilteren die niet meer relevant zijn. Het is de reden waarom een AI-model na een lang gesprek soms lijkt af te dwalen: het systeem comprimeert om ruimte te maken, en daarbij kan informatie uit vroege beurten naar de achtergrond verschuiven.

Structurele inzet

Op organisatieniveau wordt context engineering een ontwerpvraagstuk. Welke kennisbronnen koppel je aan het systeem? Hoe zorg je ervoor dat het model bij elke stap precies de juiste informatie heeft, zonder overbelast te raken? Hoe splits je complexe taken op zodat elke deeltaak een gefocust, beheersbaar stuk context ontvangt?

Die laatste strategie, isoleren, is herkenbaar voor wie de pagina over prompt chaining (cluster 4.3d) heeft gelezen. Daar ging het om het opknippen van taken in stappen. Vanuit context engineering bekeken is de reden daarvoor breder: het houdt de context per stap klein en scherp. Een stap die alleen de informatie ziet die voor die stap relevant is, presteert beter dan een stap die het hele dossier moet doorspitten.

Op dit niveau raakt context engineering aan de architectuur van AI-systemen. Eén techniek die hier steeds terugkomt, is RAG (Retrieval-Augmented Generation). Het principe: in plaats van alle kennis in het context window te laden, doorzoekt het systeem bij elke vraag een externe kennisbron en haalt alleen de relevante passages op. Het model krijgt niet alles, het krijgt het juiste. RAG is een onderwerp op zich en wordt uitgewerkt bij RAG: organisatiekennis koppelen (cluster 5.2). Voor nu is het voldoende om te begrijpen dat RAG een vorm van context engineering op systeemniveau is: een manier om het selectieprobleem geautomatiseerd op te lossen.

De verschuiving die ertoe doet

De kern van context engineering is een verschuiving in denken. Van “hoe schrijf ik een betere prompt?” naar “hoe ontwerp ik de informatieomgeving zodat het model op elk moment precies genoeg weet?”

Die verschuiving is geleidelijk. De promptbouwstenen en technieken uit de vorige clusters verdwijnen niet. Ze vormen het fundament. Context engineering bouwt daarop voort door de vraag breder te trekken: welke documenten ontvangt het model, welke tools kan het inzetten, welke gespreksgeschiedenis krijgt het mee, en hoe wordt al die informatie geselecteerd, gecomprimeerd en georganiseerd?

Voor wie beslissingen neemt over AI in een organisatie, levert dat een concreet afwegingskader op. Een AI-pilot die goed werkt met handmatig samengestelde context, is nog niet klaar voor structurele inzet. De stap naar productie vraagt om een doordacht ontwerp van hoe informatie naar het model toekomt. Dat ontwerp is context engineering.

Voorbeelden

Hier wordt het verschil zichtbaar tussen promptniveau en contextniveau. Drie situaties, dezelfde verschuiving.

Medische kliniek

Een huisartsenpraktijk gebruikt AI voor het opstellen van patiëntbrieven na een consult. De eerste aanpak: de arts plakt de consultnotities in een chatvenster, voegt een instructie toe over toon en taalniveau, en krijgt een redelijke brief terug. Dat werkt, maar het kost elke keer opnieuw aandacht om de juiste context samen te stellen. De verschuiving: de praktijk richt een systeem in dat bij elke brief automatisch de consultnotities combineert met de huisstijlgids, de patiëntcommunicatierichtlijnen en het taalniveau-protocol. De arts opent het systeem, selecteert de patiënt, en de context is er al. De brief is sneller geschreven én consistenter. Dat is het verschil tussen een goede prompt en een goed ontworpen informatieomgeving.

B2B-dienstverlener

Een accountantskantoor laat AI conceptteksten schrijven voor adviesmemo’s aan klanten. De eerste aanpak: een adviseur kopieert relevante stukken uit het klantdossier, plakt die bij de opdracht en schrijft erbij welke toon en structuur gewenst zijn. Bij de ene adviseur werkt dat goed, bij de andere wisselend, want niet iedereen selecteert dezelfde stukken uit het dossier. De verschuiving: het kantoor koppelt een kennisbank aan het AI-systeem die bij elke memo automatisch de relevante klantgegevens, recente correspondentie en toepasselijke regelgeving ophaalt. De adviseur formuleert de opdracht. Het systeem levert de context. Het resultaat is niet afhankelijk van wie de memo schrijft.

Zelfstandig professional

Een zelfstandige adviseur gebruikt AI als sparringpartner bij het voorbereiden van offertes. De eerste aanpak: bij elk nieuw project begint het gesprek vanaf nul. De adviseur legt opnieuw uit wie ze is, wat haar werkwijze is, welke toon ze hanteert. De verschuiving: ze richt een project in met vaste instructies, haar propositiedocument, drie referentieoffertes en een stijlgids. Elk nieuw gesprek binnen dat project start met die context al geladen. Het model heeft haar werkwijze, haar toon en haar kwaliteitsnorm tot zijn beschikking. Dat bespaart tijd en verhoogt de consistentie over opdrachten heen.

Veelgestelde vragen

Is context engineering niet gewoon een hipper woord voor prompt engineering?

Het is verleidelijk om het zo te zien, want de twee bouwen op elkaar voort. Het verschil zit in de reikwijdte. Prompt engineering gaat over de instructie: hoe formuleer je de opdracht, welke bouwstenen neem je mee, hoe structureer je de vraag. Context engineering gaat over alles wat het model ontvangt, inclusief de prompt maar ook ver daarbuiten: welke documenten worden meegeleverd, welke tools zijn beschikbaar, welke gespreksgeschiedenis is er, welke systeeminstructies staan er al klaar. De prompt is één document op het bureau. Context engineering is het inrichten van het hele bureau. In de praktijk merk je het verschil zodra je AI inzet voor meer dan losse vragen: het moment dat je nadenkt over welke informatie het systeem automatisch moet meekrijgen, ben je aan context engineering aan het doen.

Moet ik hier iets mee als ik AI vooral als chatbot gebruik?

Ja, meer dan je misschien denkt. Elke keer dat je een document bijvoegt bij een vraag, een eerdere versie meestuurt als referentie, of aan het begin van een gesprek vertelt wie je doelgroep is, maak je een contextuele keuze. Die keuzes bepalen de kwaliteit van het resultaat minstens zo sterk als de formulering van de vraag zelf. Het verschil is dat je het op dit niveau handmatig doet, terwijl een structureel ingezet systeem die selectie automatiseert. Het principe is hetzelfde: welke informatie het model tot zijn beschikking heeft op het moment dat het antwoord genereert, bepaalt wat er uitkomt. Wie dat bewust stuurt, krijgt betere resultaten. Wie het aan het toeval overlaat, krijgt generieke output.

Kan ik niet gewoon alles meegeven wat ik heb?

Dat is een van de meest voorkomende denkfouten bij contextbeheer. Meer informatie voelt als meer houvast. Het context window is echter beperkt in omvang, en het verliest ook aan scherpte naarmate het voller raakt. Onderzoekers noemen dat fenomeen context rot: de nauwkeurigheid van het model daalt als er te veel informatie in het context window zit, omdat relevante details ondergesneeuwd raken door irrelevante. Een jaarverslag van honderd pagina’s meegeven bij een vraag die over twee alinea’s gaat, levert een breder maar minder gericht antwoord op. De oplossing is selectief zijn: geef de informatie die voor deze specifieke opdracht relevant is. Dat selectieprincipe geldt op elk niveau, van een enkel gesprek tot een organisatiebreed systeem.

Wat is het verschil met Context (De Wereld) als bouwsteen?

Context (De Wereld) is een van de zeven bouwstenen van de ideale prompt. Het gaat over de achtergrondinformatie die je in je prompt meeneemt: wie de doelgroep is, wat de aanleiding is, welke kaders er gelden. Die bouwsteen is en blijft waardevol. Context engineering tilt het principe naar een hoger niveau. Waar Context (De Wereld) gaat over wat je in één prompt meeneemt, gaat context engineering over het ontwerp van de hele informatieomgeving over meerdere prompts, tools en databronnen heen. De bouwsteen is een ingrediënt. Context engineering is het keukenontwerp.

Hoe weet ik of mijn organisatie aan context engineering toe is?

Er zijn drie signalen. Het eerste: meerdere mensen werken met dezelfde soort AI-opdracht, maar de kwaliteit verschilt sterk per persoon. Dat wijst erop dat de context niet is gestandaardiseerd. Het tweede: medewerkers besteden veel tijd aan het handmatig samenstellen van informatie voor het model, terwijl die informatie ergens in de organisatie al beschikbaar is. Dat is een selectieprobleem dat automatisering vraagt. Het derde: een AI-pilot levert goede resultaten in een gecontroleerde omgeving, maar valt tegen zodra het breder wordt uitgerold. Dat is vrijwel altijd een contextprobleem. De pilot werkte omdat de pilotgebruiker de juiste context handmatig meegaf. Bij bredere uitrol ontbreekt die context. In alle drie de gevallen is het antwoord een beter ontwerp van de informatieomgeving.

Verder lezen

Wie wil begrijpen hoe de kwaliteit van AI-output systematisch te beoordelen is en welke fouten het vaakst worden gemaakt, leest verder bij Evaluatie van AI-output (cluster 9.1).

Wie wil weten hoe context engineering eruitziet op systeemniveau en hoe RAG werkt als geautomatiseerde contextselectie, leest verder bij RAG: organisatiekennis koppelen (cluster 5.2).

Wie terug wil naar de bouwstenen die de basis vormen van elke goede prompt, vindt die bij De 7 bouwstenen van de ideale prompt (cluster 4.2).

“Wat is het btw-tarief in België?” Antwoord in twee seconden. Correct. Klaar. Geen enkele sturing nodig.

“Schrijf iets over onboarding.” Antwoord in tien seconden. Tweeduizend woorden. Technisch correct, maar voor niemand geschreven. Geen publiek, geen format, geen richting. Het model heeft geleverd wat je vroeg. Het probleem is dat je te weinig vroeg.

Het verschil tussen die twee situaties is niet de complexiteit van het onderwerp. Het is de vraag of het model keuzes moet maken die jij wilt sturen. Bij de eerste vraag zijn er geen keuzes. Bij de tweede zijn het er tientallen. Elke onbeantwoorde keuze vult het model zelf in. De bouwsteen die dat voorkomt, is de eerste en de belangrijkste: de Taak (De Motor).

Vragen, opdrachten en het verschil ertussen

Niet elke interactie met een AI-model is een opdracht. Een groot deel van het dagelijks gebruik bestaat uit vragen. “Wanneer is de EU opgericht?” “Wat betekent EBITDA?” “Vertaal deze zin naar het Duits.” Bij dat soort interacties hoeft er niets aan de formulering te worden gesleuteld. Het model heeft genoeg informatie om een bruikbaar antwoord te geven.

Hetzelfde geldt voor korte verzoeken bij meegestuurd materiaal. Een screenshot van een foutmelding met “fix dit.” Een document met “samenvatting in vijf punten.” Een tabel met “welke patronen zie je?” In al die gevallen zit de context in het meegestuurde materiaal en leidt het model de bedoeling af uit een paar woorden. Dat werkt steeds beter, omdat modellen beter zijn geworden in het interpreteren van impliciete instructies en in het extraheren van informatie uit afbeeldingen en documenten.

De Taak (De Motor) als bouwsteen wordt relevant op het moment dat het model keuzes moet maken. Wie is het publiek? Wat is het doel? Welk type output is gewenst? Bij een korte feitelijke vraag zijn die keuzes er niet. Bij een complexe opdracht wel, en elk onbeantwoorde keuze vult het model zelf in.

Het verschil in de praktijk

“Schrijf iets over onboarding” is een opdracht die zo breed is dat het model tientallen richtingen op kan. Het resultaat is bijna per definitie niet wat je in gedachten had. Niet omdat het model faalt, maar omdat de opdracht niet genoeg richting geeft.

“Schrijf een checklist van tien punten voor de eerste werkweek van een nieuwe medewerker op de financiële afdeling” is dezelfde opdracht met een helder geformuleerde Taak. Het verschil in output is fundamenteel.

Wat een sterke Taak bevat

Wanneer je een Taak formuleert, bevat een sterke versie drie elementen.

Het actiewerkwoord

Het werkwoord stuurt de hele output. “Beschrijf” levert een ander resultaat op dan “analyseer.” “Vat samen” levert een ander resultaat op dan “vergelijk.” “Schrijf” is het vaagste werkwoord dat je kunt gebruiken. Het geeft het model maximale vrijheid, en maximale vrijheid levert maximale willekeur op.

Concrete werkwoorden die richting geven: analyseer, vergelijk, beoordeel, prioriteer, classificeer, herschrijf, vertaal, structureer, formuleer. Elk van deze werkwoorden activeert een ander patroon in het model. Het werkwoord is de motor van de prompt.

De outputvorm

Wat moet het resultaat zijn? Een memo, een tabel, een lijst, een e-mail, een presentatiestructuur, een set vragen? De outputvorm vertelt het model welk eindproduct het moet opleveren.

Zonder outputvorm kiest het model de meest waarschijnlijke vorm. Bij de meeste modellen is dat lopende tekst in alinea’s. Soms is dat wat je nodig hebt. Vaak niet. Wie een tabel nodig heeft en dat niet zegt, krijgt geen tabel.

Het doel

Waarvoor wordt het resultaat gebruikt? Dit element wordt het vaakst weggelaten en maakt vaak het grootste verschil. Een samenvatting die bedoeld is voor het bestuur ziet er anders uit dan een samenvatting die bedoeld is als interne aantekening. Het model past de diepgang, de toon en de nadruk aan wanneer het het doel kent.

“Schrijf een samenvatting” versus “schrijf een samenvatting die ik als agendapunt kan gebruiken voor de directievergadering van donderdag.” Het tweede geeft het model informatie over het doel die de hele output stuurt.

Wanneer de Taak niet het probleem is

Soms is de output teleurstellend terwijl de Taak helder is. “Schrijf een klachtreactie” is een duidelijke Taak, maar zonder Context (De Wereld) ontbreekt de informatie over de klant en de situatie. “Schrijf een adviesmemo” is ook een duidelijke Taak, maar zonder Toon (De Sfeer) mist het model de stijl die bij het publiek past.

De Taak (De Motor) is het startpunt. Wanneer het startpunt helder is en het resultaat toch niet klopt, ontbreken er andere bouwstenen.

Modellen worden letterlijker

Een ontwikkeling die het waard is om te kennen: nieuwere AI-modellen volgen instructies steeds letterlijker op. Oudere modellen vulden vaker gaten in de opdracht op basis van wat ze vermoedden dat de gebruiker bedoelde. Nieuwere modellen doen preciezer wat je vraagt, niet meer en niet minder.

Dat is goed nieuws voor wie helder formuleert: de output sluit nauwer aan bij de instructie. Het is minder goed nieuws voor wie leunt op het model om ontbrekende onderdelen zelf in te vullen. “Maak dit beter” leverde bij een ouder model soms een uitgebreide herschrijving op. Bij een nieuwer model is het resultaat precies wat je letterlijk hebt gevraagd: een iets betere versie. Wie meer wil, moet dat formuleren.

Voorbeelden

Wanneer een korte prompt volstaat

Een accountant stuurt een spreadsheet naar een AI-model en typt: “Welke posten wijken meer dan 10 procent af van vorig jaar?” Het model analyseert de tabel en geeft een overzicht. De Taak is impliciet (identificeer afwijkingen), de context zit in de spreadsheet, het format is niet gespecificeerd maar logisch (een lijst). Geen uitgebreide prompt nodig.

Wanneer de Taak het verschil maakt

Een advocatenkantoor wil een AI-model conceptteksten laten schrijven voor cliëntbrieven over een wetswijziging. De vage Taak: “Schrijf iets over de nieuwe Wet transparante en voorspelbare arbeidsvoorwaarden.” Het model produceert een algemene uiteenzetting die leest als een nieuwsartikel. De scherpe Taak: “Schrijf een cliëntbrief van maximaal één A4 die drie concrete gevolgen van de Wet transparante en voorspelbare arbeidsvoorwaarden beschrijft voor werkgevers met meer dan vijftig medewerkers, met per gevolg een actiepunt.” Het model produceert een brief die het kantoor na een inhoudelijke check direct kan versturen. Het verschil zit in de drie elementen: het actiewerkwoord (schrijf een cliëntbrief), de outputvorm (één A4, drie gevolgen met actiepunten) en het doel (werkgevers informeren over concrete gevolgen).

Veelgestelde vragen

Wanneer heb ik eigenlijk een uitgebreide Taak nodig?

Wanneer het model keuzes moet maken die je wilt sturen. Een feitelijke vraag, een vertaling, een korte analyse van meegestuurd materiaal: dat werkt met een paar woorden. Zodra het resultaat een specifiek publiek, een specifiek format of een specifiek doel moet dienen, loont het om de Taak expliciet te formuleren. De test: als het resultaat niet meteen bruikbaar is en je het zou moeten herschrijven, had een scherpere Taak dat waarschijnlijk voorkomen.

Wat is het verschil tussen de Taak en de volledige prompt?

De Taak (De Motor) beschrijft wat het model moet doen. De volledige prompt bevat naast de Taak ook de andere bouwstenen: Context (De Wereld), Rol (De Expert), Toon (De Sfeer), Structuur (De Blauwdruk), Randvoorwaarden (De Spelregels) en eventueel Voorbeelden (De Gouden Standaard). De Taak is het hart. De andere bouwstenen bepalen hoe dat hart klopt.

Hoe specifiek moet mijn Taak zijn?

Specifiek genoeg dat het model niet hoeft te gokken wat je bedoelt, open genoeg dat het model ruimte heeft voor de invulling. De collega-test werkt: als je deze opdracht aan een nieuwe collega geeft, zou die persoon dan terugvragen “wat bedoel je precies?” Als ja, dan is de Taak te vaag. Zou die persoon zeggen “ik snap niet meer waar ik zelf iets mag invullen”? Dan is de Taak te gedetailleerd. In de praktijk zijn twee tot drie zinnen voor de Taak bij complexe opdrachten geen uitzondering.

Maakt de exacte woordkeuze van het werkwoord veel uit?

Het type werkwoord maakt uit. De exacte formulering minder. Het verschil tussen “beschrijf” en “leg uit” is subtiel. Het verschil tussen “beschrijf” en “vergelijk” is groot. Moderne AI-modellen interpreteren natuurlijke taal goed. Een synoniem levert zelden een fundamenteel ander resultaat op. Een ander type actie wel. De belangrijkste keuze is welk type actie je vraagt: samenvatten, analyseren, creëren, beoordelen of structureren.

Verder lezen

Wie wil weten welke achtergrondinformatie een prompt sterker maakt en waarom ontbrekende context de meest voorkomende oorzaak is van teleurstellende output, leest verder bij Context (De Wereld) (cluster 4.2b).

Wie het overzicht van alle zeven bouwstenen wil bekijken en zien hoe ze samenwerken, vindt dat op de hubpagina De 7 bouwstenen van de ideale prompt (cluster 4.2).

Geef twee mensen dezelfde opdracht. De een kent het hele verhaal: wie de klant is, wat er al is geprobeerd, waarom het nu speelt. De ander weet alleen wat er moet gebeuren. De uitkomst is voorspelbaar. Niet omdat de tweede persoon minder capabel is, maar omdat die persoon de verkeerde aannames maakt op elke plek waar informatie ontbreekt.

Bij een AI-model werkt het precies zo. En het model maakt op elke ontbrekende plek een keuze, zonder dat je het merkt. De bouwsteen die dat voorkomt heet Context (De Wereld).

Wat context is

Context (De Wereld) is alle achtergrondinformatie die het model nodig heeft om de juiste keuzes te maken bij het uitvoeren van de Taak (De Motor). Het is het verschil tussen een opdracht in een vacuüm en een opdracht die past bij de situatie.

Context kan bestaan uit informatie over de doelgroep (voor wie is dit?), de aanleiding (waarom nu?), de organisatie (wat doet deze organisatie, in welke sector?), eerdere stappen (wat is er al gedaan?) en de kaders waarbinnen het antwoord moet passen (welke afspraken, richtlijnen of beperkingen gelden er?).

Wat ontbrekende context doet

Zonder context vult het model elke ontbrekende keuze in met de meest waarschijnlijke optie uit de trainingsdata. Dat levert output op die statistisch gezien het vaakst voorkomt. Voor jouw situatie is dat bijna per definitie te generiek.

Een concreet voorbeeld maakt dit zichtbaar. “Schrijf een uitnodiging voor een bijeenkomst” is een Taak zonder Context. Het model kiest zelf: welk type bijeenkomst, welk publiek, welke toon, welke mate van formaliteit. Het resultaat is een nette maar generieke uitnodiging die nergens op aansluit. “Schrijf een uitnodiging voor een informatieavond over de verbouwing van ons kantoorpand, gericht aan huurders die zich zorgen maken over geluidsoverlast” is dezelfde Taak met Context. Het model heeft nu de informatie over het publiek, het onderwerp en de gevoeligheid. De output is gericht, relevant en bruikbaar.

De drie typen context die het meeste verschil maken

Niet alle context weegt even zwaar. Drie typen leveren consistent het grootste verschil op.

Doelgroep

Voor wie is de output bedoeld? Een samenvatting voor het bestuur ziet er anders uit dan een samenvatting voor het operationele team. Een e-mail aan een klant die voor het eerst contact opneemt, heeft een andere toon dan een e-mail aan een klant die al tien jaar meeloopt. Het model past woordkeuze, diepgang en toon aan zodra het weet wie de lezer is.

Aanleiding

Waarom speelt dit nu? Een beleidsnotitie die is geschreven omdat de directie ergens vragen over heeft, leest anders dan een notitie die is geschreven als voorzorgsmaatregel. De aanleiding geeft het model informatie over de urgentie, de richting en de toon.

Kaders

Welke afspraken, richtlijnen of situaties beperken de ruimte? Een antwoord dat rekening houdt met een lopend juridisch geschil is anders dan een antwoord dat vrij kan formuleren. Een tekst die moet passen binnen een bestaande huisstijl is anders dan een tekst op een blanco vel. Kaders voorkomen dat het model keuzes maakt die niet passen bij de werkelijkheid waarin het resultaat terechtkomt.

Hoeveel context is genoeg?

De hoeveelheid context die nodig is, hangt af van hoe uniek de situatie is. Bij een standaardtaak met een duidelijke outputvorm is weinig context nodig: het model herkent het patroon. Bij een opdracht die specifiek is voor jouw organisatie, jouw klant of jouw situatie, is meer context nodig: het model kan niet gokken wat het niet weet.

Een bruikbare test is de nieuwe-collega-test. Als een capabele nieuwe medewerker op basis van je prompt niet zou weten hoe de organisatie werkt, wie de klant is of waarom dit nu speelt, dan ontbreekt er context. De informatie die jij vanzelfsprekend vindt maar die een buitenstaander niet heeft, is precies de context die in de prompt hoort.

Er is ook een bovengrens. Te veel context kan het model afleiden van de kern. Als de achtergrond drie keer zo lang is als de opdracht, kan het model moeite hebben om te bepalen wat de hoofdtaak is en wat achtergrondinformatie. De vuistregel: geef de context die nodig is om de juiste keuzes te maken, niet alle context die beschikbaar is.

Context is niet hetzelfde als de Taak

Het onderscheid is belangrijk. De Taak (De Motor) zegt wat er moet gebeuren. Context (De Wereld) zegt in welke werkelijkheid dat gebeurt. “Schrijf een klachtreactie” is de Taak. “De klant heeft al drie keer gebeld, is al aangeboden gekregen om kosteloos te retourneren maar wil een financiële compensatie, en het gaat om een bestelling van 47 euro” is de Context. Zonder die Context schrijft het model een standaard klachtreactie. Met die Context schrijft het een reactie die past bij de situatie.

Voorbeelden

Medische kliniek

Een huisartsenpraktijk gebruikt een AI-model om verwijsbrieven te schrijven naar specialisten. De prompt zonder context: “Schrijf een verwijsbrief naar de cardioloog.” Het model schrijft een nette maar generieke verwijsbrief. De prompt met context: “Schrijf een verwijsbrief naar de cardioloog van het Antonius Ziekenhuis voor een patiënt van 62 jaar met atypische pijn op de borst die niet gerelateerd lijkt aan inspanning, normale bloedwaarden maar een positieve familieanamnese voor hartfalen. De huisarts wil een echocardiogram laten maken om een structurele afwijking uit te sluiten.” Het model schrijft een brief die de cardioloog direct voldoende informatie geeft om een afspraak in te plannen zonder terugbelverzoek. Het verschil: de context geeft het model genoeg situatie-informatie om een brief te produceren die werkt in de keten.

Zelfstandig professional

Een organisatieadviseur wil een AI-model een voorstel laten schrijven voor een klant. De prompt zonder context: “Schrijf een voorstel voor een reorganisatie.” Het resultaat is een generiek reorganisatieplan dat bij elke organisatie zou kunnen horen. De prompt met context: “Schrijf een voorstel voor de reorganisatie van de klantenservice-afdeling van een verzekeraar met 120 medewerkers. De afdeling heeft een hoog verloop (22 procent per jaar), lange wachttijden (gemiddeld 14 minuten) en een klanttevredenheid die in twee jaar van 7,8 naar 6,4 is gedaald. De directie wil geen gedwongen ontslagen.” Het resultaat is een voorstel dat ingaat op de specifieke problemen, de schaal van de afdeling en de randvoorwaarde van de directie. De context maakt het verschil tussen een sjabloon en een eerste aanzet tot een bruikbaar advies.

Veelgestelde vragen

Kan ik ook te veel context meegeven?

Ja. Wanneer de context zo uitgebreid wordt dat het model niet meer kan onderscheiden wat de hoofdtaak is en wat achtergrondinformatie, kan de output verwateren. Het model probeert dan alles mee te nemen in plaats van te focussen op wat ertoe doet. Een veelvoorkomende fout is het plakken van een volledig document van twintig pagina’s als context bij een opdracht die maar op twee alinea’s van dat document betrekking heeft. Het resultaat wordt breder dan nodig en minder scherp dan gewenst. De oplossing is selectief zijn: geef de context die relevant is voor deze specifieke opdracht, niet alles wat beschikbaar is.

Hoe bepaal ik welke context relevant is?

Door vanuit het resultaat te denken. Welke keuzes moet het model maken om de Taak (De Motor) goed uit te voeren? Moet het weten wie de lezer is? Dan is de doelgroep relevante context. Moet het rekening houden met eerdere communicatie? Dan is die eerdere communicatie relevante context. Een bruikbare oefening is: lees je prompt en stel je voor dat je het model bent. Welke vragen zou je stellen voordat je aan de opdracht begint? Die vragen wijzen naar de context die ontbreekt.

Kan ik een document meegeven als context?

Ja, en dat is een van de krachtigste manieren om context mee te geven. Moderne AI-modellen verwerken naast tekst ook documenten, spreadsheets en afbeeldingen als onderdeel van de prompt. Een jaarverslag meegeven bij de opdracht “samenvatting voor de raad van commissarissen” geeft het model directe toegang tot de bron. De grens is het context window: de maximale hoeveelheid informatie die een model in één keer kan verwerken. Voor lange documenten kan het nodig zijn om alleen de relevante secties mee te geven in plaats van het hele document.

Wat is het verschil tussen Context (De Wereld) en Randvoorwaarden (De Spelregels)?

Context beschrijft de werkelijkheid: wie is het publiek, wat is de situatie, welke informatie is beschikbaar. Randvoorwaarden beschrijven de grenzen: wat mag het model niet doen, hoe lang mag het antwoord zijn, welke onderwerpen moet het vermijden. Context stuurt de richting, Randvoorwaarden beperken het speelveld. In de praktijk overlappen ze soms. “De klant is boos en heeft al drie keer gebeld” is context. “Bied geen financiële compensatie aan” is een randvoorwaarde. Beide beïnvloeden de output, maar op een andere manier.

Verder lezen

Wie wil weten hoe je het model vanuit een specifieke deskundigheid kunt laten reageren, leest verder bij Rol (De Expert) (cluster 4.2c).

Wie terug wil naar het overzicht van alle zeven bouwstenen, vindt dat op de hubpagina De 7 bouwstenen van de ideale prompt (cluster 4.2).

Stel dezelfde vraag aan een jurist, een communicatieadviseur en een operationeel manager. Alle drie geven een correct antwoord. Maar het perspectief, de diepgang en het vocabulaire zijn totaal anders. Bij een AI-model werkt dat niet anders. Het model heeft toegang tot kennis vanuit veel perspectieven tegelijk. De vraag is welk perspectief het activeert. Dat is wat de bouwsteen Rol (De Expert) doet.

Wat een Rol is

Rol (De Expert) is de bouwsteen die het model een perspectief geeft. Het vertelt het model vanuit welke deskundigheid, welk vakgebied of welke positie het moet reageren. “Beantwoord als een ervaren arbeidsrechtadvocaat” is een Rol. “Schrijf als een communicatieadviseur die gewend is aan bestuurscommunicatie” is ook een Rol.

Het model wordt niet ineens een jurist of een adviseur. Wat er gebeurt is dat het model de patronen activeert die bij dat perspectief horen: het vocabulaire, de redeneerwijze, de aannames over wat relevant is en wat niet, de mate van detail. Dat effect is consistent en vaak verrassend groot.

Hoe het werkt

Een AI-model heeft tijdens de training patronen geleerd uit enorme hoeveelheden tekst. Die tekst bevat juridische documenten, medische rapporten, marketingteksten, wetenschappelijke papers en dagelijkse correspondentie. Wanneer je het model een Rol meegeeft, selecteert het als het ware een subset van die patronen. Het prioriteert de taalpatronen, de redeneerwijze en de kennisgebieden die bij die Rol horen.

Dat verklaart waarom dezelfde vraag met een andere Rol een ander antwoord oplevert. “Wat zijn de risico’s van thuiswerken?” beantwoord vanuit een HR-manager levert andere accenten op dan vanuit een cybersecurity-specialist of een bedrijfsarts. Alle drie de antwoorden kunnen correct zijn. Het verschil zit in wat als relevant wordt beschouwd.

Wanneer een Rol verschil maakt

Een Rol maakt het meeste verschil bij opdrachten waar het perspectief de output stuurt. Drie situaties komen steeds terug.

Vakinhoudelijke diepgang

Wanneer het antwoord een bepaalde vakkennis moet weerspiegelen. “Beoordeel dit contract” zonder Rol levert een algemene analyse op. “Beoordeel dit contract als een ervaren inkoopjurist die gespecialiseerd is in IT-dienstverlening” levert een analyse op die zich richt op de clausules die er in die context toe doen: aansprakelijkheid, intellectueel eigendom, service levels.

Doelgroepgevoeligheid

Wanneer het antwoord moet aansluiten bij hoe een bepaald publiek denkt. “Leg uit wat AI kan” zonder Rol levert een encyclopedische uitleg op. “Leg uit wat AI kan, geschreven door een technologiejournalist voor een zakelijk publiek” levert een stuk op dat de balans houdt tussen precisie en toegankelijkheid.

Adviesrichting

Wanneer het antwoord een bepaalde richting moet opgaan. “Hoe moet ik omgaan met een medewerker die structureel te laat komt?” levert vanuit een HR-manager andere adviezen op dan vanuit een arbeidsrechtadvocaat of vanuit een teamcoach. De Rol bepaalt niet alleen de toon maar ook de inhoudelijke richting van het advies.

Wanneer een Rol overbodig is

Niet elke prompt heeft een Rol nodig. Bij feitelijke vragen (“wat is het btw-tarief in Duitsland?”), bij standaardtaken met een helder format (“maak een tabel van deze gegevens”) en bij opdrachten waar het perspectief er niet toe doet, voegt een Rol niets toe. In die gevallen maakt de Taak (De Motor) het verschil, niet de Rol.

De test is: zou het antwoord er anders uitzien als het vanuit een ander perspectief werd gegeven? Zo ja, dan maakt de Rol verschil. Zo nee, dan is het overbodig.

Het verschil met Toon

Rol en Toon (De Sfeer) worden vaak door elkaar gehaald. Het onderscheid is fundamenteel. De Rol bepaalt vanuit welke deskundigheid het model reageert. De Toon bepaalt hoe het klinkt. Een arbeidsrechtadvocaat (Rol) kan formeel schrijven of juist laagdrempelig. Een communicatieadviseur (Rol) kan empathisch schrijven of zakelijk. De Rol stuurt het perspectief en de inhoud. De Toon stuurt de stijl.

De twee bouwstenen versterken elkaar. “Schrijf als een ervaren bedrijfsarts (Rol) in een empathische en geruststellende toon (Toon)” levert een ander resultaat op dan “schrijf als een ervaren bedrijfsarts in een zakelijke en beknopte toon.” Dezelfde Rol, andere Toon, ander resultaat.

Voorbeelden

B2B-dienstverlener

Een adviesbureau wil een AI-model laten meedenken over een strategische kwestie voor een klant. De prompt zonder Rol: “Wat zijn de voor- en nadelen van het uitbesteden van onze IT-helpdesk?” Het model geeft een evenwichtige opsomming die leest als een leerboek. De prompt met Rol: “Beantwoord als een IT-serviceconsultant met tien jaar ervaring in outsourcing voor middelgrote bedrijven in de financiële sector. Wat zijn de voor- en nadelen van het uitbesteden van onze IT-helpdesk?” Het model richt zich nu op de afwegingen die in die specifieke context het meest relevant zijn: compliance-eisen in de financiële sector, de impact op responstijden, de risico’s van kennisoverdracht bij een relatief kleine organisatie. De Rol verandert niet alleen de toon maar de inhoud.

Medische kliniek

Een ziekenhuisafdeling wil een AI-model patiëntinformatie laten herschrijven. De prompt zonder Rol: “Herschrijf deze informatie over nierdialyse in begrijpelijke taal.” Het model vereenvoudigt de tekst, maar laat informatie weg die medisch relevant is en voegt geruststellende formuleringen toe die feitelijk niet kloppen. De prompt met Rol: “Herschrijf als een nefroloog die gewend is om patiëntgesprekken te voeren met mensen die voor het eerst horen dat ze dialyse nodig hebben.” Het model houdt nu de medisch relevante informatie intact, vereenvoudigt het taalgebruik en houdt rekening met de emotionele context van de situatie.

Veelgestelde vragen

Maakt het uit hoe specifiek de Rol is?

Ja, en hoe specifieker, hoe groter het effect. “Schrijf als een expert” is zo breed dat het weinig sturing geeft. “Schrijf als een ervaren arbeidsrechtadvocaat die gespecialiseerd is in ontslagprocedures bij grote organisaties” is specifiek genoeg om het model naar de juiste patronen te sturen. De specificiteit hoeft niet overdreven te zijn. Twee tot drie kenmerken van de Rol (vakgebied, ervaringsniveau, type organisatie of type klant) zijn in de meeste gevallen genoeg om een merkbaar verschil te maken.

Kan ik het model meerdere Rollen tegelijk geven?

Dat kan, maar het levert niet altijd betere resultaten op. Een prompt die het model vraagt om tegelijk een jurist en een communicatieadviseur te zijn, kan leiden tot een antwoord dat geen van beide goed doet. Een effectievere aanpak is om het model één Rol te geven en de andere perspectieven als Context (De Wereld) mee te geven: “Schrijf als een communicatieadviseur. De tekst moet juridisch houdbaar zijn; houd rekening met de volgende juridische kaders.” Zo is het perspectief helder en de inhoudelijke eis duidelijk.

Wordt het model beter van een Rol of is het een trucje?

Het is geen trucje. Wat er technisch gebeurt, is dat de Rol het model helpt om de juiste patronen te prioriteren uit de enorme hoeveelheid kennis die het tijdens de training heeft verwerkt. Een model dat een juridische vraag beantwoordt vanuit de Rol van een jurist, activeert diepere juridische kennis dan hetzelfde model dat dezelfde vraag beantwoordt zonder Rol. Het effect is vergelijkbaar met het verschil tussen iemand vragen “wat denk jij?” en “wat zou een specialist hiervan vinden?” Het tweede nodigt uit tot een dieper antwoord.

Is de Rol hetzelfde als een system prompt?

Niet helemaal, maar ze overlappen. Een system prompt is een technische constructie: een instructie die het model ontvangt voordat het de gebruikersprompt ziet. In veel AI-toepassingen wordt de Rol inderdaad in de system prompt geplaatst. Maar de Rol als bouwsteen is breder: het is het idee dat je het model een perspectief meegeeft, ongeacht waar je dat technisch plaatst. Of je nu in een chatvenster typt “antwoord als een bedrijfsarts” of het in een system prompt plaatst, het effect is vergelijkbaar.

Verder lezen

Wie wil weten hoe je de stijl en de toon van de output stuurt, los van het perspectief, leest verder bij Toon (De Sfeer) (cluster 4.2d).

Wie terug wil naar het overzicht van alle zeven bouwstenen, vindt dat op de hubpagina De 7 bouwstenen van de ideale prompt (cluster 4.2).

De inhoud klopt. De toon is goed. Maar het resultaat is een lap tekst van achthonderd woorden terwijl je een tabel nodig had. Of drie alinea’s terwijl je een opsomming wilde. Of een essay terwijl je een e-mail van vijf regels nodig had.

Dat is het probleem dat de bouwsteen Structuur (De Blauwdruk) oplost. Het is een van de meest onderschatte onderdelen van een prompt, en tegelijk een van de makkelijkste om toe te voegen.

Wat Structuur is

Structuur (De Blauwdruk) is de bouwsteen die beschrijft hoe de output eruit moet zien. Niet wat er in staat (dat is de Taak), niet voor wie (dat is de Context), maar in welke vorm het wordt gepresenteerd.

Dat kan een format zijn: een tabel, een genummerde lijst, een e-mail, een memo met kopjes, een JSON-structuur. Het kan ook een opbouw zijn: begin met de conclusie, dan de onderbouwing. Of: drie secties, elk maximaal twee alinea’s. Of: een vergelijking in twee kolommen.

Waarom het zoveel uitmaakt

Zonder structuurinstructie kiest het model de meest waarschijnlijke vorm. Bij de meeste modellen is dat lopende tekst in alinea’s. Dat is zelden het format dat je nodig hebt als je het resultaat ergens voor wilt gebruiken. Een analyse die je in een presentatie wilt verwerken, heeft een andere structuur nodig dan een analyse die je in een e-mail wilt doorsturen.

Het resultaat herschrijven in het juiste format kost vaak meer tijd dan het toevoegen van één zin aan de prompt. “Presenteer als tabel met drie kolommen: maatregel, impact, prioriteit” is acht woorden die vijftien minuten herformatteren voorkomen.

Drie niveaus van structuur

Structuur kun je op drie niveaus meegeven, afhankelijk van hoe specifiek je het resultaat nodig hebt.

Het format

Het meest basale niveau: welk type output wil je? Een tabel, een lijst, een e-mail, een memo, een samenvatting in bullets, een vergelijking, een tijdslijn. Eén woord of één korte aanwijzing is vaak genoeg. “Geef als tabel.” “Schrijf als e-mail.” “Presenteer als genummerde lijst.”

De opbouw

Het tweede niveau: hoe is de output intern georganiseerd? “Begin met de conclusie, dan de onderbouwing” levert een andere tekst op dan “bouw op naar de conclusie.” “Drie secties: probleem, analyse, aanbeveling” geeft het model een skelet om de inhoud in te ordenen. Dit niveau is bijzonder effectief bij langere output waar de volgorde van informatie ertoe doet.

De afmetingen

Het derde niveau: hoe lang of kort mag elk onderdeel zijn? “Maximaal vijf bullets, elk één zin.” “Twee alinea’s per sectie.” “Totaal maximaal 300 woorden.” Afmetingen voorkomen dat het model te uitgebreid of te beknopt wordt. Ze zijn het verschil tussen een samenvatting die op één slide past en een samenvatting die drie pagina’s beslaat.

Wanneer Structuur overbodig is

Bij korte antwoorden op feitelijke vragen maakt Structuur geen verschil. “Wat is de hoofdstad van België?” heeft geen format nodig. Bij open vragen waar je het model bewust ruimte wilt geven (“wat vind je van deze aanpak?”) kan een te strakke structuur de output juist beperken.

De vuistregel: als je het resultaat ergens voor wilt gebruiken (in een presentatie, een e-mail, een rapport, een vergadering), geef dan de structuur mee. Als je het resultaat alleen leest om informatie op te halen, is structuur optioneel.

Voorbeelden

B2B-dienstverlener

Een adviesbureau wil een AI-model drie strategische opties laten vergelijken voor een klant. De prompt zonder structuur: “Vergelijk deze drie opties voor de klant.” Het model schrijft een doorlopende tekst van zeshonderd woorden waarin de drie opties door elkaar lopen. De prompt met structuur: “Vergelijk deze drie opties in een tabel met vier kolommen: optie, voordelen, nadelen, geschatte doorlooptijd. Voeg onder de tabel een aanbeveling toe van maximaal drie zinnen.” Het resultaat is direct bruikbaar in een presentatie. Het verschil: dezelfde inhoud, maar georganiseerd op een manier die het gesprek met de klant ondersteunt.

Medische kliniek

Een ziekenhuisafdeling wil een AI-model gebruiken om vergaderverslagen op te stellen. De prompt zonder structuur: “Schrijf een verslag van deze vergadering.” Het model produceert een lang, chronologisch verslag dat alles bevat maar moeilijk scanbaar is. De prompt met structuur: “Schrijf een vergaderverslag met vier secties: besluiten (als genummerde lijst), actiepunten (als tabel met kolommen: actie, verantwoordelijke, deadline), besproken onderwerpen (als korte bullets) en volgende vergadering (datum en agendapunten).” Het resultaat is een verslag dat de deelnemers direct kunnen gebruiken zonder het hele document door te lezen.

Veelgestelde vragen

Is Structuur hetzelfde als Randvoorwaarden?

Nee. Structuur (De Blauwdruk) beschrijft hoe de output eruitziet: het format, de opbouw, de afmetingen. Randvoorwaarden (De Spelregels) beschrijven wat het model wel en niet mag doen: maximale lengte, onderwerpen om te vermijden, criteria waaraan het resultaat moet voldoen. “Presenteer als tabel met drie kolommen” is Structuur. “Maximaal 500 woorden” is een Randvoorwaarde. Ze werken goed samen: Structuur zegt hoe het eruitziet, Randvoorwaarden zeggen waar het binnen moet blijven.

Kan ik de structuur ook meegeven door een voorbeeld?

Ja, en dat is vaak de meest effectieve methode voor complexe structuren. Als je een eerder rapport hebt dat precies de opbouw heeft die je wilt, geef dat dan mee als referentie via de bouwsteen Voorbeelden (De Gouden Standaard). Het model kan de structuur uit het voorbeeld extraheren op een manier die moeilijk is om in woorden te beschrijven.

Hoe specifiek moet mijn structuurinstructie zijn?

Specifiek genoeg dat het model niet hoeft te gokken welk format je wilt, open genoeg dat het model de inhoud zelf kan organiseren. “Geef als tabel” is in de meeste gevallen voldoende. “Geef als tabel met kolommen A, B en C” is beter wanneer de kolomindeling ertoe doet. “Geef als tabel met kolommen A, B en C, gesorteerd op kolom C van hoog naar laag, met een totaalrij onderaan” is alleen nodig wanneer al die details relevant zijn voor het gebruik van het resultaat.

Werkt structuur ook bij creatieve opdrachten?

Ja, maar met meer ruimte. Bij een creatieve tekst kan structuur de vorm aangeven zonder de inhoud te dicteren. “Schrijf een LinkedIn-post van 150 woorden met een persoonlijke opening, een concreet voorbeeld en een afsluiter met een vraag” geeft richting aan de opbouw zonder het verhaal voor te schrijven. Bij zeer creatieve opdrachten (poëzie, brainstorms, vrije associatie) kan structuur beperkend werken. De afweging is: dient de structuur het resultaat of beperkt het de creativiteit?

Verder lezen

Wie wil weten hoe je grenzen stelt aan wat het model wel en niet mag doen, leest verder bij Randvoorwaarden (De Spelregels) (cluster 4.2f).

Wie terug wil naar het overzicht van alle zeven bouwstenen, vindt dat op de hubpagina De 7 bouwstenen van de ideale prompt (cluster 4.2).

Het antwoord is inhoudelijk goed. De toon klopt. Het format is bruikbaar. Maar het model noemt drie keer een concurrent bij naam, bevat een prijsindicatie die niet klopt, en is twee keer zo lang als gevraagd. Alles wat je niet expliciet hebt uitgesloten, kan het model opnemen.

Dat is het terrein van Randvoorwaarden (De Spelregels). Ze beschrijven wat het model niet mag doen, waar het binnen moet blijven, en aan welke criteria het resultaat minimaal moet voldoen.

Wat Randvoorwaarden zijn

Randvoorwaarden (De Spelregels) zijn de grenzen waarbinnen het model opereert. Ze beschrijven niet wat het model moet doen (dat is de Taak) of hoe het eruit moet zien (dat is de Structuur), maar wat het model moet vermijden, waar het binnen moet blijven en welke minimale eisen het resultaat moet halen.

Vergelijk het met een speelveld. De Taak (De Motor) bepaalt de richting. Context (De Wereld) levert de informatie. Structuur (De Blauwdruk) bepaalt de vorm. Randvoorwaarden zetten de lijnen van het veld: het model heeft vrijheid binnen die lijnen, niet erbuiten.

Drie typen randvoorwaarden

Uitsluitingen

Wat het model niet mag doen of noemen. “Noem geen concurrenten bij naam.” “Gebruik geen technisch jargon.” “Doe geen uitspraken over aansprakelijkheid.” “Geef geen medisch advies.” Uitsluitingen zijn bijzonder belangrijk bij output die naar buiten gaat: naar klanten, naar het publiek, naar toezichthouders.

Begrenzingen

Waar het resultaat binnen moet blijven. “Maximaal 300 woorden.” “Maximaal vijf aanbevelingen.” “Baseer je uitsluitend op het meegestuurde document, niet op algemene kennis.” “Gebruik alleen data uit 2024 en 2025.” Begrenzingen voorkomen dat het model uitwijkt naar informatie of formats die niet passen bij het doel.

Criteria

Waaraan het resultaat minimaal moet voldoen. “Elke aanbeveling moet een concreet actiepunt bevatten.” “Elk risico moet een inschatting van de impact bevatten.” “De samenvatting moet alle drie de scenario’s benoemen.” Criteria definiëren de ondergrens van kwaliteit. Ze voorkomen dat het model een antwoord levert dat technisch correct is maar onvolledig.

Positief formuleren werkt beter

Een veelgemaakte fout is randvoorwaarden uitsluitend negatief te formuleren. “Gebruik geen jargon, noem geen prijzen, maak het niet te lang, vermijd technische details” geeft het model een reeks verboden maar geen richting. Het model vermijdt wat je noemt, maar vult de ruimte op met iets anders dat mogelijk ook niet past.

Effectiever is de combinatie van een positieve instructie met een scherpe begrenzing. “Schrijf op B1-taalniveau” is krachtiger dan “gebruik geen moeilijke woorden.” “Baseer je uitsluitend op het bijgevoegde rapport” is krachtiger dan “verzin geen informatie.” De positieve instructie geeft richting. De begrenzing voorkomt uitwijken.

Wanneer Randvoorwaarden overbodig zijn

Bij korte feitelijke antwoorden, bij open brainstorms waar je het model bewust ruimte geeft, en bij taken waar het format en de inhoud al zo duidelijk zijn dat er weinig ruimte is om af te wijken. “Vertaal deze zin naar het Frans” heeft geen randvoorwaarden nodig. “Schrijf een klantenbrief over een klacht” wel, omdat het model zonder grenzen keuzes maakt over toon, lengte en inhoud die je niet wilt.

Het verschil met Context

Context (De Wereld) beschrijft de werkelijkheid: wie is het publiek, wat is de situatie, welke informatie is beschikbaar. Randvoorwaarden beschrijven de grenzen: wat mag het model niet doen, hoe ver mag het gaan. “De klant heeft al drie keer gebeld en is gefrustreerd” is Context. “Bied geen financiële compensatie aan boven vijftig euro” is een Randvoorwaarde. Beide beïnvloeden de output, maar op een andere manier: Context stuurt de richting, Randvoorwaarden beperken het speelveld.

Voorbeelden

Medische kliniek

Een ziekenhuis wil een AI-model laten helpen bij het opstellen van patiëntinformatie over een nieuwe behandeling. De prompt zonder randvoorwaarden: “Schrijf een informatieblad over de nieuwe behandeling met stamcellen.” Het model schrijft een enthousiast stuk dat klinkt als een brochure, inclusief succespercentages uit studies die niet door het ziekenhuis zijn geverifieerd en een vergelijking met de behandeling van een concurrent. De prompt met randvoorwaarden: “Baseer je uitsluitend op de informatie in het bijgevoegde protocol. Noem geen succespercentages tenzij ze in het protocol staan. Doe geen uitspraken over alternatieve behandelingen. Schrijf op B1-taalniveau. Maximaal twee A4.” Het resultaat is een informatieblad dat het ziekenhuis medisch en juridisch kan verantwoorden.

Zelfstandig professional

Een communicatieadviseur gebruikt een AI-model om een persbericht te schrijven voor een klant. De prompt zonder randvoorwaarden: “Schrijf een persbericht over de opening van ons nieuwe kantoor in Rotterdam.” Het model schrijft een persbericht dat enthousiast klinkt maar claims bevat over groeipercentages en marktpositie die de klant niet kan onderbouwen. De prompt met randvoorwaarden: “Gebruik alleen feiten die in het bijgevoegde briefingdocument staan. Geen claims over marktpositie of groei tenzij met bron. Maximaal 400 woorden. Neem een quote op van de directeur (citaat staat in het briefingdocument).” Het resultaat is een persbericht dat de adviseur na een korte check kan verspreiden.

Veelgestelde vragen

Kan ik het model ook te veel randvoorwaarden geven?

Ja. Wanneer de randvoorwaarden zo uitgebreid worden dat ze elkaar tegenspreken of het model zo weinig ruimte laten dat het resultaat geforceerd klinkt, werken ze averechts. “Maximaal 200 woorden, minimaal drie voorbeelden, geen jargon, wel technisch precies, geen opsommingen, wel concreet” dwingt het model in een ruimte die te klein is. De oplossing is prioriteren: welke twee of drie randvoorwaarden zijn echt essentieel voor dit specifieke resultaat? De rest kan weg.

Hoe weet ik welke randvoorwaarden ik nodig heb?

Door vanuit het risico te denken. Wat kan er misgaan als het model volledige vrijheid heeft? Kan het te lang worden? Voeg een lengtebeperking toe. Kan het informatie opnemen die niet klopt of niet verifieerbaar is? Beperk de bronnen. Kan het iets zeggen dat juridisch of reputationeel gevoelig is? Voeg een uitsluiting toe. De randvoorwaarden die je nodig hebt, volgen uit de risico’s van ongestuurde output.

Hoe verschilt dit van Structuur?

Structuur (De Blauwdruk) beschrijft de vorm: een tabel, een memo met kopjes, drie bullets. Randvoorwaarden beschrijven de grenzen: maximale lengte, verboden onderwerpen, kwaliteitscriteria. Een prompt kan Structuur bevatten zonder Randvoorwaarden (het format staat vast, de inhoud is vrij) of Randvoorwaarden zonder Structuur (de inhoud is begrensd, het format is vrij). De twee bouwstenen vullen elkaar aan.

Moet ik randvoorwaarden altijd expliciet opschrijven?

Nee. Bij veel taken is het resultaat goed genoeg zonder expliciete grenzen. Randvoorwaarden worden pas belangrijk wanneer de output ergens voor wordt gebruikt waar fouten consequenties hebben: communicatie naar klanten, juridische documenten, medische informatie, publicaties. Hoe hoger het risico van een fout in de output, hoe belangrijker de randvoorwaarden.

Verder lezen

Wie wil weten hoe je het model een referentie meegeeft voor stijl en kwaliteit, leest verder bij Voorbeelden (De Gouden Standaard) (cluster 4.2g).

Wie terug wil naar het overzicht van alle zeven bouwstenen, vindt dat op de hubpagina De 7 bouwstenen van de ideale prompt (cluster 4.2).