Wat is prompt engineering?

Wat is een prompt?

Een prompt is de instructie of vraag die je aan een AI-model geeft. Het is de input op basis waarvan het model een antwoord genereert. Een simpele prompt levert een simpel antwoord op; een goed doordachte prompt levert een nauwkeurig, bruikbaar resultaat.

Prompt engineering is het vakgebied dat zich bezighoudt met het systematisch ontwerpen van die instructies om AI-modellen zo effectief mogelijk in te zetten. Het is inmiddels uitgegroeid tot een erkende discipline met eigen technieken, best practices en zelfs certificeringen.

Waarom maakt de formulering zo veel uit?

Grote taalmodellen genereren tekst op basis van statistische patronen. Ze proberen de meest waarschijnlijke vervolgtekst te produceren gegeven de context. Die context ben jij — je prompt bepaalt in welke richting het model gaat denken.

Een vage vraag leidt tot een vaag antwoord. Een specifieke, gestructureerde prompt levert een specifiek, gestructureerd antwoord op. Hetzelfde model kan volledig verschillende — en even plausibele — antwoorden geven op twee versies van dezelfde vraag.

Vergelijk:

• Slecht: “Vertel me iets over marketing”
• Goed: “Jij bent een senior B2B-marketingstrategist. Ik wil een e-mailcampagne opzetten voor een SaaS-product gericht op HR-managers bij bedrijven van 50–200 medewerkers. Geef me drie concrete e-mail-onderwerpen met een open-rate boven de 30%, inclusief de redenering achter elk onderwerp.”

De basisstructuur van een goede prompt

Een effectieve prompt bevat doorgaans vier elementen:

1. Rol — Wie moet het model zijn? (“Jij bent een ervaren fiscalist”)
2. Context — Wat is de situatie? Wat weet het model al?
3. Taak — Wat moet het model precies doen?
4. Uitvoerformaat — Hoe moet het antwoord eruitzien? (lijst, tabel, essay, JSON)

Niet elk element is altijd nodig. Voor eenvoudige vragen volstaan één of twee elementen. Voor complexe professionele taken zijn alle vier cruciaal.

Tien essentiële prompt-technieken

1. Rol toewijzen (Role prompting)

Door het model een specifieke rol te geven, activeer je relevante kennis en pas je de toon aan. “Jij bent een orthopedisch chirurg” geeft andere antwoorden dan “Jij bent een fysiotherapeut” bij vragen over kniepijn.

Werkt bijzonder goed bij: technische vragen, creatief schrijven, gesprekssimulaties, coaching.

2. Stap-voor-stap denken (Chain of Thought)

Door het model te vragen z’n redenering te tonen, verbetert de nauwkeurigheid dramatisch bij logische en wiskundige problemen. Voeg toe: “Denk stap voor stap” of “Leg je redenering uit voor je antwoord geeft.”

Onderzoek toont aan dat chain-of-thought prompting de nauwkeurigheid op wiskundige vraagstukken met 20–40% kan verbeteren.

3. Voorbeelden meegeven (Few-shot prompting)

Geef het model één of meer voorbeelden van het gewenste input-output-patroon. Het model leert van die voorbeelden en past het patroon toe op nieuwe input.

Voorbeeld voor sentimentanalyse:
“Input: De levering was snel maar de verpakking was beschadigd. Output: Gemengd.
Input: Geweldig product, aanrader! Output: Positief.
Input: [uw nieuwe invoer]”

4. Uitvoerformaat specificeren

Specifiek zijn over het gewenste format vermindert nabewerking. Voorbeelden:
— “Geef je antwoord als een genummerde lijst”
— “Formatteer als JSON met velden: naam, leeftijd, samenvatting”
— “Maximaal 150 woorden, geen jargon”
— “Gebruik markdown met koppen op h2-niveau”

5. Beperkingen opgeven

Vertel het model expliciet wat het NIET moet doen. “Geef geen medisch advies”, “Citeer geen concurrent-namen”, “Gebruik geen Engelse termen”. Negatieve instructies zijn soms effectiever dan positieve.

6. Persona-instelling voor toon

Naast rol kun je toon specificeren: “Formeel maar toegankelijk”, “Direct en bondig, geen omwegen”, “Enthousiastisch als een goede leraar”. Dit beheert de communicatiestijl onafhankelijk van de inhoud.

7. Iteratieve verfijning

Zelden is de eerste prompt de beste. Behandel het als een gesprek: genereer, evalueer, verbeter. Vraag het model zichzelf te corrigeren: “Controleer je antwoord op feitelijke fouten en verbeter ze.”

8. Contextvenster bewust gebruiken

Moderne modellen hebben contexten van 128.000 tot 2 miljoen tokens. Stop relevante documenten, e-mails of data direct in de prompt. “Analyseer het volgende contract en geef de drie grootste risico’s: [contract-tekst]”

9. Hallucinéren reduceren

Voeg toe: “Als je het antwoord niet zeker weet, zeg dat dan expliciet.” of “Baseer je uitsluitend op de aangeboden tekst, voeg geen externe informatie toe.” Dit reduceert zelfverzekerde onjuiste antwoorden aanzienlijk.

10. Decomposition (taak opdelen)

Complexe taken leveren betere resultaten als ze worden opgesplitst. In plaats van “Schrijf een volledig businessplan”: stap 1 samenvatting, stap 2 marktanalyse, stap 3 financieel model, enz. Elk deelresultaat kan worden beoordeeld en verfijnd.

Geavanceerde technieken

Tree of Thought (ToT)

Een uitbreiding op Chain of Thought waarbij het model meerdere redeneer-paden tegelijkertijd verkent, zoals een boomstructuur. Bijzonder effectief bij planningsproblemen en puzzels.

ReAct (Reason + Act)

Combineert redeneren met het uitvoeren van acties (tools aanroepen). Het model denkt hardop, voert een actie uit (zoeken, rekenen), interpreteert het resultaat en denkt weer hardop. Dit is de basis van AI-agents.

Prompt chaining

De output van de ene prompt wordt de input van de volgende. Handig voor meerfasige workflows: samenvatting → analyse → aanbeveling → actieplan.

System prompts en user prompts

Bij API-toegang is er onderscheid tussen een system prompt (persistente instructies die altijd gelden) en een user prompt (de specifieke vraag per interactie). De system prompt is ideaal voor rol, toon, beperkingen en doelgroep-instructies die niet per vraag hoeven te veranderen.

Veelgemaakte fouten

• Te vaag: “Schrijf iets over AI” geeft een generiek antwoord
• Te veel tegelijk: Vijf taken in één prompt leidt tot oppervlakkige behandeling van elk
• Geen context: Het model weet niet wie je bent, wat je doel is of wie de doelgroep is
• Tegengestelde instructies: “Wees beknopt maar volledig” zonder prioritering
• Niet itereren: De eerste output accepteren zonder te verfijnen
• Promptinjectie negeren: Bij gebruikersinput in geautomatiseerde systemen kan kwaadaardige input het model manipuleren

Prompt engineering voor specifieke toepassingen

Code genereren

Specificeer altijd de programmeertaal, gewenste stijl (OOP vs functioneel), foutafhandeling en of tests moeten worden meegeleverd. Geef de context van het grotere systeem mee.

Contentcreatie

Definieer doelgroep, toon, lengte, SEO-zoekwoorden en het doel van de content (informeren, overtuigen, entertainen). Vraag om een outline vóór de volledige tekst.

Data-analyse

Plak de data direct in de prompt (CSV of tabel), specificeer het analysedoel en het gewenste outputformaat. Vraag het model zijn aannames te vermelden.

Klantenservice automatisering

Definieer tone of voice, escalatiecriteria, verboden onderwerpen en fallback-gedrag bij onzekerheid. Test met edge cases.

Prompt engineering als vaardigheid

Nu AI-tools breed beschikbaar zijn, wordt prompt engineering een basisvaardigheid — vergelijkbaar met kunnen zoeken op Google of Excel gebruiken. Wie weet hoe hij AI-modellen effectief moet aansturen, haalt er aanzienlijk meer waarde uit dan wie dat niet weet.

Bedrijven betalen inmiddels €80.000–€150.000 per jaar voor ervaren prompt engineers. De vaardigheid is overdraagbaar — goede promptprincipes werken op ChatGPT, Claude, Gemini en toekomstige modellen.

De beste manier om prompt engineering te leren: experimenteer actief. Noteer wat werkt, bouw een persoonlijke bibliotheek van bewezen prompts en deel ze met collega’s.