Thema: Wat is prompting?

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).

Je kunt een ontwerper tien minuten lang uitleggen welke sfeer je zoekt. Of je kunt een foto laten zien en zeggen: “zoiets.” De foto communiceert in twee seconden wat woorden in tien minuten niet lukt.

Bij een AI-model werkt dat vergelijkbaar. Je kunt de gewenste stijl, het format en het kwaliteitsniveau beschrijven in de prompt. Of je kunt een voorbeeld meegeven van hoe een goed resultaat eruitziet. Die tweede optie is vaak krachtiger, sneller en preciezer. Dat is de bouwsteen Voorbeelden (De Gouden Standaard).

Wat een voorbeeld doet

Een voorbeeld in een prompt is een referentie-output die het model laat zien wat je verwacht. Het kan een eerdere tekst zijn die de juiste toon heeft, een tabel met de juiste kolomindeling, een e-mail die het juiste format laat zien, of een stuk analyse dat de gewenste diepgang demonstreert.

Het model gebruikt het voorbeeld als patroon. Het extraheert de stijl, de structuur, de woordkeuze, de lengte en het kwaliteitsniveau, en past die toe op de nieuwe opdracht. Dat maakt voorbeelden bijzonder effectief bij aspecten die moeilijk in woorden te vangen zijn: een specifieke merkstem, een subtiele toon, een format dat je eerder moeizaam beschreef.

Waarom het zo goed werkt

De kracht van voorbeelden zit in het verschil tussen vertellen en laten zien. “Schrijf in een zakelijke maar persoonlijke toon” is een instructie die het model op tientallen manieren kan interpreteren. Een voorbeeld van een tekst die precies die toon heeft, laat maar één interpretatie toe. Het model hoeft niet te raden wat je bedoelt. Het kan het zien.

Dit effect is consistent en goed onderzocht. In de vakliteratuur heet het few-shot prompting: het meegeven van een of meer voorbeelden die het model als referentie gebruikt. Eén voorbeeld is vaak al genoeg om een merkbaar verschil te maken. Twee of drie voorbeelden versterken het effect doordat het model het patroon betrouwbaarder kan herkennen. De technische achtergrond van few-shot prompting wordt behandeld bij Prompt technieken (cluster 4.3).

Drie manieren om voorbeelden in te zetten

Stijl en toon overbrengen

De meest voorkomende toepassing. Je hebt een tekst die precies klinkt zoals je wilt dat de nieuwe tekst klinkt. Geef die tekst mee en zeg: “Schrijf in dezelfde toon en stijl als het onderstaande voorbeeld.” Het model pikt de woordkeuze, de zinslengte, de formaliteit en de persoonlijkheid op uit het voorbeeld. Bijzonder effectief voor merkgebonden content waar de stem consistent moet zijn.

Format en structuur demonstreren

Je hebt een rapport, een tabel of een template dat de juiste opbouw heeft. Geef het mee als voorbeeld van de gewenste structuur. Dit is effectiever dan de structuur beschrijven, vooral bij complexe formats met meerdere niveaus, specifieke kolomindelingen of een vaste volgorde van secties.

Kwaliteitsniveau vastleggen

Je hebt een antwoord op een vergelijkbare vraag dat precies het juiste niveau van diepgang en detail heeft. Geef het mee als maatstaf. Het model kalibreert de lengte, de mate van detail en de complexiteit van het antwoord op basis van wat het voorbeeld laat zien.

Hoe je het juiste voorbeeld kiest

Een goed voorbeeld is representatief voor wat je wilt. Dat klinkt voor de hand liggend, maar er zijn drie valkuilen.

De eerste: een voorbeeld dat te complex is. Als je het model een rapport van twintig pagina’s meegeeft als referentie voor een e-mail van drie alinea’s, overschat het model de gewenste lengte en complexiteit. Kies een voorbeeld dat qua omvang vergelijkbaar is met de gewenste output.

De tweede: een voorbeeld dat de verkeerde aspecten demonstreert. Als je een voorbeeld meegeeft vanwege de toon, maar het voorbeeld heeft ook een heel specifiek format, kan het model beide overnemen terwijl je alleen de toon wilde. Benoem expliciet welk aspect het model moet overnemen: “Gebruik de toon van het onderstaande voorbeeld, niet het format.”

De derde: een voorbeeld van lage kwaliteit. Het model reproduceert het niveau dat je laat zien. Een slordig voorbeeld levert slordige output op. Dat is een eigenschap, geen fout: het model doet precies wat je vraagt.

Wanneer Voorbeelden overbodig zijn

Bij korte feitelijke vragen, bij taken waar de andere bouwstenen (Taak, Context, Toon, Structuur) voldoende sturing geven, en bij output die niet aan een specifieke stijl of format hoeft te voldoen. Een voorbeeld toevoegen kost ruimte in het context window (de hoeveelheid informatie die een model tegelijk kan verwerken). Die ruimte is het waard wanneer het voorbeeld iets communiceert dat je niet in woorden kunt vangen. Als je het gewenste resultaat goed genoeg kunt beschrijven met de andere bouwstenen, is een voorbeeld niet nodig.

Voorbeelden

B2B-dienstverlener

Een accountantskantoor heeft een huisstijl voor cliëntbrieven: zakelijk maar persoonlijk, met een concrete opening, korte alinea’s en een afsluitende zin die een volgende stap benoemt. Die stijl beschrijven in abstracte termen is lastig. Het kantoor geeft het model een eerder goedgekeurde cliëntbrief mee als voorbeeld met de instructie: “Schrijf een nieuwe cliëntbrief over de gewijzigde pensioenregeling in dezelfde toon, stijl en opbouw als het onderstaande voorbeeld.” Het resultaat is een brief die de vaste medewerkers van het kantoor herkennen als “onze stem.” Zonder het voorbeeld was de output correct maar onherkenbaar.

Zelfstandig professional

Een freelance recruiter gebruikt een AI-model om vacatureteksten te schrijven voor opdrachtgevers. Elke opdrachtgever heeft een eigen stem: de ene schrijft zakelijk en formeel, de andere informeel en wervend. De recruiter geeft bij elke opdracht twee eerdere vacatureteksten van die opdrachtgever mee als voorbeeld. Het model produceert een nieuwe vacaturetekst die past bij de stem van die specifieke opdrachtgever, zonder dat de recruiter de stijl in abstracte termen hoeft te beschrijven.

Veelgestelde vragen

Hoeveel voorbeelden moet ik meegeven?

Eén goed voorbeeld is in de meeste gevallen genoeg. Het model herkent het patroon al uit één referentie. Twee of drie voorbeelden versterken het effect wanneer het patroon subtiel is of wanneer je wilt dat het model een consistente lijn herkent over meerdere situaties. Meer dan drie voorbeelden levert zelden extra verbetering op en kost ruimte in het context window die je mogelijk voor andere informatie nodig hebt. De uitzondering is wanneer je het model een classificatie wilt aanleren: dan helpen meer voorbeelden om de categorieën scherp te krijgen. Dat raakt aan few-shot prompting, een techniek die wordt behandeld bij Prompt technieken (cluster 4.3).

Kan ik een voorbeeld ook gebruiken om te laten zien wat ik niet wil?

Ja, en dat kan effectief zijn. “Dit is een voorbeeld van hoe het niet moet. Vermijd deze toon en opbouw.” Het model gebruikt het contra-voorbeeld als referentie voor wat het moet vermijden. In de praktijk is een positief voorbeeld (zo moet het) consistenter dan een negatief voorbeeld (zo moet het niet), omdat het model bij een positief voorbeeld een helder patroon heeft om te volgen. Een negatief voorbeeld vertelt het model wat het moet vermijden, maar niet waar het naartoe moet. De combinatie werkt het sterkst: een positief voorbeeld van de gewenste output, aangevuld met een kort contra-voorbeeld als de grens niet duidelijk genoeg is.

Wat als ik geen goed voorbeeld heb?

Dan zijn de andere bouwstenen het alternatief. Beschrijf de gewenste Toon (De Sfeer) zo concreet mogelijk. Specificeer de Structuur (De Blauwdruk). Geef Randvoorwaarden (De Spelregels). Die combinatie komt niet altijd op het niveau van een goed voorbeeld, maar ze geven het model voldoende sturing om een bruikbaar resultaat te leveren. Een andere optie: laat het model een eerste versie genereren, selecteer het resultaat dat het dichtst bij je verwachting komt, en gebruik dat als voorbeeld voor de volgende opdracht. Zo bouw je gaandeweg je eigen referentiebasis op.

Neemt een voorbeeld niet te veel ruimte in?

Een voorbeeld neemt ruimte in het context window in, en dat is een reële overweging. Bij modellen met een kleiner context window kan een lang voorbeeld ten koste gaan van de ruimte voor de eigenlijke opdracht en context. De oplossing is proportionaliteit: als je een e-mail van drie alinea’s wilt, geef dan een voorbeeld van drie alinea’s. Niet een heel rapport. Moderne modellen met grotere context windows (honderdduizenden tot meer dan een miljoen tokens) hebben dit probleem steeds minder, maar het principe blijft: een voorbeeld moet representatief zijn, niet uitputtend.

Verder lezen

Wie wil begrijpen hoe het meegeven van voorbeelden technisch werkt en wanneer je meerdere voorbeelden systematisch inzet, leest verder bij Prompt technieken (cluster 4.3), met name bij de secties over zero-shot en few-shot prompting.

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).

Je kunt tien minuten besteden aan het beschrijven van de toon die je zoekt. Zakelijk maar niet afstandelijk. Persoonlijk maar niet informeel. Concreet maar niet droog. Na drie pogingen levert het model nog steeds iets op dat net niet klopt. Dan stuur je een voorbeeld mee van een tekst die wél de juiste toon heeft, en in één keer is het raak.

Dat is het principe achter one-shot en few-shot prompting: laten zien in plaats van vertellen. One-shot betekent dat je één voorbeeld meegeeft. Few-shot betekent dat je er een handvol meegeeft, doorgaans twee tot vijf. Het mechanisme is hetzelfde, het verschil zit in de hoeveelheid. Deze pagina behandelt beide, omdat ze op dezelfde werking berusten en dezelfde afwegingen vragen.

Laten zien werkt beter dan vertellen

Few-shot prompting is het meegeven van een of meer voorbeelden van de gewenste output in de prompt. Het model analyseert de voorbeelden, herkent het patroon (de stijl, het format, de structuur, het detailniveau) en past dat patroon toe op de nieuwe invoer.

“Shot” is de technische term voor een voorbeeld. One-shot betekent: één voorbeeld meegeven. Few-shot betekent: een handvol, doorgaans twee tot vijf. De techniek bestaat uit drie elementen: de voorbeelden, de eigenlijke opdracht, en de impliciete instructie die het model afleidt uit de voorbeelden.

Neem een praktisch 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 (“classificeer deze klantvraag”) kiest het model categorieën die het zelf logisch acht. Die komen niet overeen met jouw categorieën. Bij een few-shot prompt geef je drie voorbeelden:

Klantvraag: “Mijn bestelling is beschadigd aangekomen.” Categorie: productprobleem

Klantvraag: “Ik zie een dubbele afschrijving op mijn rekening.” Categorie: facturatievraag

Klantvraag: “Kunnen jullie het product ook bij mij thuis installeren?” Categorie: serviceverzoek

Klantvraag: “De software crasht telkens als ik een bestand probeer te exporteren.” Categorie: ?

Het model herkent het patroon en classificeert correct: productprobleem. Niet omdat je het hebt uitgelegd, maar omdat je het hebt laten zien.

In-context learning

Wat er technisch gebeurt, heet in-context learning. Het model past zijn gedrag aan op basis van de voorbeelden in de prompt, zonder dat het opnieuw wordt getraind. De voorbeelden fungeren als tijdelijke instructie die alleen voor deze ene interactie geldt. Na de interactie vergeet het model de voorbeelden weer. Er verandert niets permanent aan het model.

Dat is een essentieel verschil met fine-tuning, waarbij het model wél permanent wordt aangepast. Few-shot prompting is tijdelijk en flexibel: je kunt de voorbeelden na elke interactie wijzigen. Fine-tuning is permanent en inflexibel: je moet het model opnieuw trainen om het gedrag te veranderen. Voor de meeste toepassingen is few-shot prompting voldoende en aanzienlijk sneller.

Hoeveel voorbeelden heb je nodig

Eén goed voorbeeld maakt al een meetbaar verschil. Twee tot drie voorbeelden versterken de consistentie aanzienlijk. Bij vier tot vijf voorbeelden vlakt de verbetering af. Meer dan vijf voorbeelden levert zelden extra winst op, tenzij de taak heel gevarieerd is.

Dat patroon is consistent over verschillende modellen en taken. Onderzoek laat zien dat de grootste sprong in kwaliteit zit tussen nul en twee voorbeelden. Daarna worden de verbeteringen kleiner. De reden: het model heeft na twee tot drie voorbeelden het patroon herkend. Extra voorbeelden bevestigen het patroon, maar voegen weinig nieuws toe.

Hier zit een praktisch inzicht. De kwaliteit van de voorbeelden weegt zwaarder dan de hoeveelheid. Drie slordige voorbeelden presteren slechter dan één goed voorbeeld. Het model reproduceert het niveau dat je laat zien. Een voorbeeld met spelfouten, een slordig format of een inconsistente toon levert output op met dezelfde gebreken. Dat is geen fout van het model. Het is het model dat precies doet wat je hebt gedemonstreerd.

Een goed voorbeeld

Een goed voorbeeld is representatief voor de taak en demonstreert de aspecten die je wilt overbrengen. Dat klinkt voor de hand liggend, maar er zijn twee valkuilen die in de praktijk vaak voorkomen.

De eerste is een voorbeeld dat te veel demonstreert. Als je een voorbeeld meegeeft vanwege de toon, maar het voorbeeld heeft ook een heel specifiek format, kan het model beide overnemen terwijl je alleen de toon wilde. De oplossing: benoem in de prompt welk aspect het model moet overnemen. “Gebruik de toon van het onderstaande voorbeeld, niet het format.”

De tweede is een voorbeeld dat niet representatief is voor de variatie in de taak. Als je een classificatietaak hebt met vier categorieën, maar je geeft alleen voorbeelden van twee categorieën, presteert het model zwak op de categorieën die het niet heeft gezien. Zorg dat elk relevant type of elke relevante categorie vertegenwoordigd is in de voorbeelden.

Het verschil met Voorbeelden (De Gouden Standaard)

De bouwsteen Voorbeelden (De Gouden Standaard) uit cluster 4.2 beschrijft het principe: een voorbeeld meegeven als referentie voor stijl, format of kwaliteitsniveau. Few-shot prompting beschrijft het mechanisme: hoe het model de voorbeelden verwerkt en omzet in patroonherkenning die de output stuurt.

Het verschil is niet academisch. Als je weet dat het model voorbeelden gebruikt als patroon, begrijp je waarom de volgorde van voorbeelden ertoe doet (het model hecht meer gewicht aan het laatste voorbeeld), waarom de kwaliteit zwaarder weegt dan de hoeveelheid (het model reproduceert het niveau), en waarom een voorbeeld dat het verkeerde aspect demonstreert de output op een onverwachte manier kan sturen.

Wanneer few-shot sterker is dan zero-shot

Few-shot prompting maakt het grootste verschil bij taken waar het model niet kan terugvallen op een bekend patroon uit de trainingsdata.

Het meest voor de hand liggende geval: je gebruikt een classificatiesysteem dat je zelf hebt bedacht. Het model kent jouw categorieën niet. Beschrijven helpt, maar laten zien helpt meer. Drie voorbeelden van correct geclassificeerde items zijn genoeg om het model jouw systeem te laten oppikken.

Een vergelijkbaar effect treedt op bij merkgebonden stijl. “Schrijf in een directe, eigenwijze toon” is een instructie die het model op tientallen manieren kan interpreteren. Een voorbeeld van een bestaande tekst in die toon laat precies één interpretatie toe. Dat is waarom copywriters en communicatieprofessionals al snel bij few-shot uitkomen: een voorbeeld communiceert in dertig woorden wat een beschrijving in driehonderd woorden niet lukt.

Bij taken die je tientallen of honderden keren uitvoert, is consistentie een reden op zichzelf. Zero-shot levert bij elke uitvoering een net iets ander format en een net iets andere diepgang op. Voorbeelden verankeren de output. Het model varieert minder en het resultaat wordt voorspelbaar. Dat is waarom few-shot prompting zo populair is in geautomatiseerde systemen: de consistentie is meetbaar hoger.

En dan zijn er de randgevallen. Taken met subtiele onderscheidingen die het model bij zero-shot niet herkent. “Is dit bericht sarcastisch of gemeend?” Het verschil is context-afhankelijk en subtiel. Een beschrijving van sarcasme helpt het model niet. Twee voorbeelden van sarcastische berichten naast twee gemeende berichten wel.

Voorbeelden

Medische kliniek

Een zorggroep wil alle binnenkomende patiëntberichten classificeren in vijf categorieën: acute klacht, niet-acute klacht, medicatieverzoek, administratief en overig. Ze proberen het eerst zonder voorbeelden, maar het model maakt een eigen indeling die niet overeenkomt met de werkwijze van de praktijk. Na het toevoegen van twee voorbeelden per categorie (tien voorbeelden totaal) classificeert het model consistent volgens de categorieën van de praktijk. De investering: twintig minuten om de voorbeelden samen te stellen. Het resultaat: een classificatie die honderd keer per dag correct werkt.

B2B-dienstverlener

Een consultancybureau produceert maandelijks analyses voor twaalf klanten. Elke analyse volgt hetzelfde format: een samenvatting van de marktbewegingen, een beoordeling van de impact op de klant, en drie aanbevelingen. De analist geeft het model een voorbeeld van een goede analyse voor klant A en vraagt dezelfde structuur voor klant B. Het model neemt het format, de diepgang en de toon over. Waar het model eerder telkens een iets ander format hanteerde, is de output nu consistent genoeg om direct als concept naar de klant te sturen.

Zelfstandig professional

Een freelance copywriter heeft een vaste klant met een heel specifieke merkstem: kort, direct, een tikje eigenwijs. “Schrijf in een directe, eigenwijze toon” levert tien verschillende interpretaties op. Maar een voorbeeld van een bestaande tekst van die klant, met de instructie “schrijf in dezelfde stijl”, levert consistent output op die de klant herkent als zijn eigen stem. De copywriter hoeft nauwelijks te redigeren.

Veelgestelde vragen

Maakt de volgorde van de voorbeelden uit?

Ja, en dat is een effect waar je alert op moet zijn. Modellen hechten doorgaans meer gewicht aan het laatste voorbeeld in de reeks. Als je drie voorbeelden meegeeft, heeft het derde voorbeeld de meeste invloed op de output. In de praktijk betekent dit: zet het voorbeeld dat het dichtst bij de gewenste output ligt als laatste. Als je voorbeelden geeft van toenemende complexiteit, bouw dan op van het meest afwijkende naar het meest representatieve. Die volgorde stuurt het model sterker dan je op het eerste gezicht verwacht.

Hoeveel voorbeelden zijn te veel?

De praktische grens is niet het aantal maar de ruimte. Elk voorbeeld neemt ruimte in het context window in, de hoeveelheid informatie die een model tegelijk kan verwerken. Bij modellen met een kleiner context window kan een groot aantal voorbeelden ten koste gaan van de ruimte voor de eigenlijke opdracht en de context. Moderne modellen met grotere context windows hebben dat probleem minder, maar het principe blijft: de kwaliteit van voorbeelden weegt zwaarder dan de hoeveelheid. Drie uitstekende voorbeelden presteren beter dan tien middelmatige. De vuistregel is: begin met twee, voeg een derde toe als het resultaat nog niet consistent genoeg is, en stop daarna tenzij je een specifieke reden hebt om er meer toe te voegen.

Wat is het verschil met de bouwsteen Voorbeelden (De Gouden Standaard)?

De bouwsteen beschrijft het concept: geef een voorbeeld mee als referentie. Few-shot prompting beschrijft het mechanisme: hoe het model voorbeelden verwerkt via in-context learning. Het praktische verschil is dat de bouwsteen je helpt beslissen of je een voorbeeld wilt meegeven, en few-shot prompting je helpt begrijpen hoe je dat voorbeeld het best inzet. Hoeveel voorbeelden? In welke volgorde? Wat moet het voorbeeld demonstreren en wat juist niet? Die vragen worden beantwoord door het begrijpen van de techniek, niet alleen het concept.

Kan ik few-shot combineren met chain-of-thought?

Ja, en die combinatie is bijzonder krachtig. In plaats van voorbeelden te geven die alleen de input en de output laten zien, geef je voorbeelden die ook de redenering laten zien. Niet “vraag → antwoord” maar “vraag → stap 1 → stap 2 → stap 3 → antwoord.” Het model leert dan niet alleen wát het moet produceren, maar ook hóe het daar moet komen. Bij complexe taken waar zowel het format als de redenering consistent moeten zijn, is deze combinatie de meest betrouwbare aanpak.

Verder lezen

Wie wil begrijpen hoe je het model kunt aansturen om in tussenstappen te redeneren, en waarom dat bij complexe taken het verschil maakt, leest verder bij Chain-of-thought prompting (cluster 4.3c).

Wie terug wil naar het principe van voorbeelden als bouwsteen en wanneer een voorbeeld de moeite waard is, vindt dat bij Voorbeelden (De Gouden Standaard) (cluster 4.2g).

Wie wil begrijpen waar zero-shot prompting voor staat en wanneer voorbeelden overbodig zijn, leest Zero-shot prompting (cluster 4.3a).

De meeste mensen die met een AI-model werken, gebruiken zero-shot prompting elke dag zonder het te weten. Je opent een chatmodel, typt een vraag, en krijgt een antwoord. Geen voorbeelden meegegeven, geen demonstratie van wat je verwacht. Gewoon de opdracht.

Dat klinkt als het minst interessante onderwerp op deze site. Het tegenovergestelde is waar. Juist het begrijpen van waarom dat zo vaak werkt, en precies wanneer het ophoudt te werken, levert het inzicht op dat alle andere technieken in perspectief plaatst.

Wat zero-shot betekent

Zero-shot prompting is een prompt zonder voorbeelden. “Shot” verwijst in de vakliteratuur naar een voorbeeld. Zero shots, nul voorbeelden. Je geeft het model een opdracht en vertrouwt erop dat het model genoeg heeft geleerd tijdens de training om de taak uit te voeren.

“Vertaal deze tekst naar het Engels.” “Vat dit artikel samen in drie alinea’s.” “Classificeer deze e-mail als klacht, vraag of compliment.” In al deze gevallen geeft de prompt geen voorbeeld van hoe een goede vertaling, samenvatting of classificatie eruitziet. Het model leunt op de patronen die het tijdens pretraining en posttraining heeft opgepikt uit miljarden teksten.

Waarom het zo vaak werkt

De reden dat zero-shot prompting bij zoveel taken een bruikbaar resultaat oplevert, is minder vanzelfsprekend dan het lijkt. Het antwoord zit in hoe moderne modellen zijn getraind.

Tijdens de posttraining, de fase na de basistraining waarin het model leert om instructies op te volgen, heeft het model miljoenen voorbeelden gezien van taken en de bijbehorende uitvoering. Het heeft geleerd wat “samenvatten” betekent door duizenden samenvattingen te analyseren. Het heeft geleerd wat “vertalen” inhoudt door miljoenen vertaalde teksten te verwerken. Het heeft geleerd hoe een “formele toon” klinkt door formele teksten naast informele teksten te leggen. Die kennis zit ingebakken in de parameters van het model.

Dat is een fundamenteel verschil met hoe vroegere AI-modellen werkten. Die hadden voor elke nieuwe taak specifieke voorbeelden nodig om te herkennen wat er werd gevraagd. Moderne modellen hebben die voorbeelden al gezien tijdens de training. De instructie alleen is genoeg.

Hier zit het inzicht dat deze hele pagina draagt. 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, herformuleren) is zero-shot sterk. Bij ongewone taken of taken met heel specifieke eisen begint het te haperen.

Wie dat verband doorziet, heeft een diagnostisch instrument in handen. Het resultaat valt tegen? De eerste vraag is niet “is dit model slecht?” De eerste vraag is: “heeft het model dit type taak vaak genoeg gezien om te herkennen wat ik wil?”

De grens herkennen

Zero-shot werkt uitstekend bij taken die het model veelvuldig heeft gezien in de trainingsdata, bij opdrachten die helder genoeg zijn om de verwachte output te sturen, en bij situaties waar een imperfect resultaat acceptabel is als vertrekpunt. Een vertaling, een samenvatting, een brainstorm, een eerste concept van een e-mail.

De grens wordt zichtbaar bij vier typen taken.

Het eerste type: taken met een heel specifiek format of stijl. De opdracht “schrijf dit in onze tone of voice” is een zero-shot prompt die zelden het gewenste resultaat oplevert, omdat het model geen informatie heeft over hoe jouw organisatie communiceert. Alles wat specifiek is voor jouw merk, jouw huisstijl of jouw werkwijze, zit niet in de trainingsdata. Het model kan het niet raden. Het heeft een voorbeeld nodig.

Het tweede type: taken die complexe redenering vereisen. Een financiële analyse die eerst bruto-omzet, dan kosten, dan marge, dan vergelijking met vorig jaar vereist, wordt bij zero-shot vaak te oppervlakkig behandeld. Het model springt naar de conclusie zonder de tussenstappen expliciet door te lopen. Chain-of-thought prompting lost dat op door het model aan te sturen om stap voor stap te werken.

Het derde type: ongewone of nieuwe taken. Een classificatie met categorieën die je zelf hebt bedacht, een samenvatting in een format dat afwijkt van wat gebruikelijk is, een analyse vanuit een ongebruikelijk perspectief. Het interne patroon ontbreekt. Het model heeft voorbeelden nodig om te herkennen wat je verwacht.

Het vierde type: taken waar consistentie ertoe doet. Als je dezelfde taak tientallen keren uitvoert en het resultaat elke keer dezelfde structuur en kwaliteit moet hebben, is zero-shot te wisselvallig. Het model interpreteert de opdracht bij elke uitvoering net iets anders. Voorbeelden verankeren de output en verminderen die variatie.

Bij elk van deze vier typen wijst het probleem naar een specifieke andere techniek. Dat is het patroon: zero-shot is het vertrekpunt, en de grenzen van zero-shot vertellen je welke techniek je vervolgens nodig hebt.

De tussenvorm die iedereen gebruikt

Tussen een kale zero-shot prompt en een few-shot prompt met voorbeelden zit een tussenvorm die in de praktijk veruit het meest voorkomt: zero-shot met sturing.

Neem een concreet verschil. De kale prompt: “Classificeer de volgende klacht.” Het model interpreteert de opdracht op eigen houtje: welke categorieën, hoeveel detail, wel of geen toelichting. Het resultaat is onvoorspelbaar. De gestuurde prompt: “Classificeer de volgende klacht. Gebruik precies één van deze drie categorieën: urgent, regulier, informatief. Geef geen toelichting, alleen de categorie.”

Nog steeds zero-shot: er zijn geen voorbeelden van classificaties meegegeven. Maar de bouwstenen Taak (De Motor), Randvoorwaarden (De Spelregels) en Structuur (De Blauwdruk) zijn scherp ingevuld. Dat maakt het verschil tussen een model dat drie alinea’s teruggeeft met een genuanceerde beschouwing, en een model dat antwoordt met één woord: “urgent.”

Het illustreert iets dat breder geldt. Zero-shot prompting en de bouwstenen uit cluster 4.2 versterken elkaar. Een zero-shot prompt met goede bouwstenen presteert vaak vergelijkbaar met een few-shot prompt zonder bouwstenen. De combinatie van beide is het sterkst. De les: voordat je naar een complexere techniek grijpt, check of het probleem niet zit in een bouwsteen die ontbreekt.

Voorbeelden

Medische kliniek

Een huisartsenpraktijk wil AI inzetten om binnenkomende berichten van patiënten te sorteren naar urgentie. De zero-shot prompt: “Beoordeel of het volgende bericht urgent is of kan wachten tot het volgende spreekuur.” Bij berichten als “ik heb al drie dagen koorts en het wordt erger” en “ik wil graag een herhaalrecept voor mijn bloeddrukmedicatie” werkt dit uitstekend. Het model herkent het verschil. Bij berichten als “ik voel me niet zo lekker de laatste tijd” wordt het lastiger: het model mist de context om in te schatten of dit een signaal is dat aandacht verdient of een routinevraag. Dat is het punt waar de bouwsteen Context (De Wereld) het verschil maakt, of waar een paar voorbeelden (few-shot) het model leren hoe deze praktijk met zulke twijfelgevallen omgaat.

B2B-dienstverlener

Een advocatenkantoor gebruikt een AI-model om conceptsamenvattingen te maken van jurisprudentie. De zero-shot prompt “vat dit vonnis samen” levert een correct maar generiek resultaat op. Het model vat het vonnis samen zoals het duizenden vonnissen heeft gezien in de trainingsdata: chronologisch, volledig, neutraal. Maar het kantoor wil een samenvatting gericht op de relevantie voor arbeidsrechtelijke geschillen, in maximaal tien regels, met een nadruk op de precedentwerking. Die specificiteit zit niet in de trainingsdata. Hier werkt zero-shot met sturing: dezelfde opdracht plus heldere bouwstenen die de focus, de lengte en de doelgroep vastleggen.

Zelfstandig professional

Een zelfstandig communicatieadviseur vraagt een AI-model om tien ideeën voor een socialemediacampagne rond een nieuw product. Zero-shot werkt hier goed: het model heeft miljoenen voorbeelden van campagne-ideeën gezien en genereert een bruikbare lijst. De adviseur hoeft de output niet letterlijk over te nemen. Ze gebruikt het als startpunt, selecteert de drie sterkste ideeën en werkt die zelf uit. Bij brainstormtaken waar het vertrekpunt belangrijker is dan de perfectie, is zero-shot vaak de snelste route naar een bruikbaar resultaat.

Veelgestelde vragen

Is zero-shot niet gewoon een vraag stellen?

In essentie wel, en dat is precies het punt. Zero-shot prompting is wat de meeste mensen al doen. De waarde van het begrip zit niet in het leren van iets nieuws, maar in het herkennen van wat je al doet en waarom het werkt. Als je doorziet dat zero-shot leunt op de patronen uit de training van het model, snap je ook waarom het soms faalt: het model heeft deze specifieke taak onvoldoende gezien, of de opdracht is te vaag om het juiste patroon te activeren. Dat besef maakt het makkelijker om te herkennen wanneer je een andere techniek nodig hebt. Zonder dat referentiepunt is elk teleurstellend resultaat een mysterie. Met dat referentiepunt is het een diagnose.

Wanneer is zero-shot goed genoeg?

De praktijktest is de uitkomst. Als het resultaat van een korte, directe prompt bruikbaar is voor je doel, is zero-shot goed genoeg. Je hoeft niet te upgraden naar een complexere techniek omdat die bestaat. Modellen zijn zo getraind dat ze bij veel taken een sterk resultaat leveren op basis van de opdracht alleen. Bij taken die je regelmatig uitvoert, is het de moeite waard om een keer te testen of het resultaat consistent genoeg is. Als het bij vijf verschillende invoerscenario’s vijf keer goed gaat, heb je een taak gevonden waar zero-shot volstaat. Als het bij twee van de vijf misgaat, heb je een signaal dat je meer sturing nodig hebt.

Wat is het verschil met een goede prompt met bouwstenen?

Een goede prompt met bouwstenen is nog steeds zero-shot zolang er geen voorbeelden in staan. Het verschil is de hoeveelheid sturing. Een kale zero-shot prompt (“vat dit samen”) geeft het model maximale vrijheid. Een zero-shot prompt met bouwstenen (“vat dit samen in drie alinea’s, gericht op de financiële risico’s, in een toon die past bij een bestuursvergadering”) geeft het model gerichte vrijheid. Beide zijn zero-shot. De tweede is bijna altijd beter. De bouwstenen en de technieken zijn geen alternatieven. Ze zijn lagen die op elkaar bouwen.

Wat als zero-shot niet werkt?

Kijk eerst of het probleem in de bouwstenen zit. Ontbreekt er context? Is de taak te vaag? Is het gewenste format niet gespecificeerd? Veel gevallen waarin zero-shot “niet werkt” zijn eigenlijk gevallen waarin de prompt niet specifiek genoeg is. Pas als je de bouwstenen hebt ingevuld en het resultaat nog steeds niet voldoet, is het tijd voor een andere techniek. Herkent het model het gewenste format of de gewenste stijl niet? Probeer few-shot. Slaat het model redeneerstappen over? Probeer chain-of-thought. Is de taak te groot voor één prompt? Probeer prompt chaining.

Verder lezen

Wie wil begrijpen wat er verandert als je voorbeelden toevoegt aan een prompt, en hoe het model die voorbeelden gebruikt om patronen te herkennen, leest verder bij One-shot en few-shot prompting (cluster 4.3b).

Wie terug wil naar de bouwstenen die een zero-shot prompt sterker maken zonder voorbeelden toe te voegen, vindt dat bij De 7 bouwstenen van de ideale prompt (cluster 4.2).