Prompt Engineering: De Kunst van het Vragen Stellen

Twee mensen gebruiken hetzelfde AI-model. De een krijgt generieke, half-bruikbare output. De ander krijgt precies wat hij nodig had. Het model is identiek. Het verschil zit in de prompt.

Dat klinkt simpel, maar het is een vaardigheid die tijd kost. Na honderden uren met Claude, GPT en andere modellen is het patroon duidelijk: de kwaliteit van de output hangt bijna altijd af van hoe de vraag gesteld is. Niet van welk model je gebruikt.

Dit is een praktische gids over prompt engineering. Geen academische theorie, maar concrete technieken.

Waarom prompt engineering de meest onderschatte skill is

De meeste mensen benaderen een AI zoals een zoekmachine: een korte term intikken en hopen op het beste. "Schrijf een mail." "Maak een samenvatting." "Leg uit hoe X werkt." Dat werkt, maar matig.

Een AI-taalmodel is geen zoekmachine. Het is een extreem flexibele gesprekspartner die zijn output afstemt op elke input die je geeft. Hoe meer context, richting en structuur je biedt, hoe beter het resultaat.

Een goed geformuleerde prompt is als een goede briefing aan een consultant. Hoe helderder je bent over het probleem, de context en het gewenste resultaat, hoe bruikbaarder de output.

Het valt op dat dit steeds meer op een nieuwe vorm van geletterdheid lijkt. Net zoals het in de jaren negentig essentieel werd om goed te kunnen zoeken op internet, wordt het nu waardevol om goed te kunnen communiceren met AI. Wie dit vroeg leert, heeft een structureel voordeel.

Techniek 1: Geef context, rol en doel

De simpelste verbetering die je direct kunt maken: geef de AI een rol, geef context, en wees expliciet over het gewenste resultaat.

Vergelijk deze twee prompts:

Slecht: Schrijf een mail over het project.

Goed: Je bent een projectmanager bij een softwarebedrijf.
Schrijf een update-e-mail aan de klant (een niet-technisch publiek)
over de vertraging in het project. De vertraging is twee weken.
De oorzaak is een integratieprobleem met hun legacy-systeem.
Toon begrip, wees transparant over de oorzaak, en geef een duidelijke
nieuwe deadline. Houd de toon professioneel maar menselijk.
Maximaal 200 woorden.

Het tweede voorbeeld levert consistent een bruikbaar resultaat op. Het eerste levert iets generieks op dat je daarna alsnog handmatig moet herschrijven.

De elementen die het meeste opleveren:

• Rol: wie "is" de AI in dit geval? Expert, redacteur, docent, code reviewer?
• Context: wat is de situatie? Voor wie is het? Wat is de achtergrond?
• Doel: wat moet het resultaat bereiken?
• Formaat: hoe lang? Welke structuur? Welke toon?
• Randvoorwaarden: wat mag er niet in? Wat moet er absoluut in?

Techniek 2: Few-shot prompting

Few-shot prompting is een techniek waarbij je de AI voorbeelden geeft van wat je wilt, in plaats van het alleen te beschrijven. Het model leert van de patronen in die voorbeelden.

Stel dat je een serie koppen wilt schrijven in een bepaalde stijl. In plaats van de stijl te omschrijven, geef je voorbeelden:

Schrijf vijf koppen voor een artikel over AI-productiviteit,
in de stijl van deze voorbeelden:

- "De onzichtbare medewerker die nooit slaapt"
- "Waarom de beste programmeurs nu minder code schrijven"
- "Het einde van de lege pagina"

De koppen moeten prikkelend zijn, een spanning of paradox bevatten,
en niet letterlijk 'AI' benoemen.

Dit werkt omdat taalmodellen patronen herkennen. Je hoeft de stijl niet te benoemen ("wees intrigerend, gebruik paradoxen"). Je laat het zien. Few-shot prompting is vooral nuttig voor schrijftaken, classificatie en het genereren van content in een specifieke huisstijl.

Techniek 3: Chain-of-thought prompting

Voor complexe redeneersvraagstukken werkt een directe vraag vaak minder goed dan de AI de ruimte geven om stap voor stap te redeneren. Dit heet chain-of-thought prompting.

De simpelste versie: voeg aan je prompt toe "Denk stap voor stap" of "Redeneer hier doorheen voor je antwoord geeft."

Een concreter voorbeeld:

We overwegen ons product te internationaliseren naar drie markten:
Duitsland, Frankrijk en Spanje. We hebben beperkte middelen
en kunnen er maar één prioriteren.

Denk stap voor stap: analyseer voor elke markt de kansen (marktgrootte,
adoptie van ons type software), de uitdagingen (lokalisatie,
concurrentie, regelgeving) en de strategische fit met ons huidige
product. Geef daarna je aanbeveling met een expliciete afweging.

Waarom werkt dit? Omdat het model bij complexe vragen beter presteert als het zijn redenering expliciet kan uitwerken, in plaats van direct naar een conclusie te springen. Vergelijkbaar met hoe je zelf beter nadenkt als je iets opschrijft.

Chain-of-thought is bijzonder waardevol voor strategische analyses, technische architectuurbeslissingen, juridische of ethische afwegingen, en wiskundige of logische problemen.

Techniek 4: De system prompt

Als je toegang hebt tot de system prompt (de instructies die meegegeven worden aan een AI-sessie, los van de gebruikersberichten) heb je een krachtig instrument in handen. In tools als de Claude API, custom GPT's en veel third-party interfaces kun je dit instellen.

Een goede system prompt definieert:

1. De identiteit en het karakter van de assistent
2. De context van het project of de taak
3. Vaste regels en beperkingen
4. De manier van communiceren

Een voorbeeld van een system prompt voor code reviews:

Je bent een senior software engineer met tien jaar ervaring in
TypeScript en React. Je doet code reviews met de nadruk op:
- Leesbaarheid en onderhoudbaarheid boven briljantie
- Consistentie met bestaande patronen in de codebase
- Potentiële edge cases en foutafhandeling
- Prestatievalkuilen bij schaalvergroting

Je feedback is altijd concreet: noem het probleem, leg uit waarom
het een probleem is, en geef een alternatief. Je stelt vragen als
iets onduidelijk is, in plaats van aannames te maken.

Met deze system prompt actief hoef je bij elke code review alleen de code te plakken. De context, de stijl en de prioriteiten zijn al ingesteld.

De meest gemaakte fout: te weinig itereren

Veel mensen formuleren een prompt, krijgen een resultaat dat niet helemaal klopt, en concluderen dat AI niet goed is voor die taak. Dat is de verkeerde les.

Prompten is een iteratief proces. Zelden is de eerste output goed genoeg om direct te gebruiken. Een werkbare aanpak:

1. Eerste prompt: breed, om te zien wat het model begrijpt van de taak
2. Analyseer wat er niet klopt: te vaag, verkeerde toon, mist context?
3. Verfijn de prompt: wees specifieker op de punten die misten
4. Herhaal tot het goed is

Soms zijn dat twee rondes. Soms tien. Een concrete iteratietechniek: vraag de AI zelf om je prompt te verbeteren.

Dit is de prompt die ik gebruikte: [jouw prompt]
Dit was het resultaat: [het resultaat]
Dit vond ik niet goed aan het resultaat: [specifieke kritiek]

Herschrijf mijn prompt zodat het resultaat beter aansluit bij
wat ik wilde.

Dit is een van de krachtigste meta-prompts: het model wordt gebruikt om zijn eigen instructies te optimaliseren.

Promptpatronen die dagelijks terugkomen

Na al dat experimenteren zijn er een aantal vaste patronen die steeds bruikbaar blijken:

Het perspectief-patroon: "Bekijk dit probleem vanuit het oogpunt van een [rol]. Wat zou [rol] als eerste opvallen?"

Het steelman-patroon: "Geef het sterkst mogelijke argument voor dit standpunt, ook als je het er niet mee eens bent."

Het rubber duck-patroon: "Ik ga je een probleem uitleggen. Stel alleen maar vragen totdat je het volledig begrijpt, en help me dan pas met een oplossing."

Het formaat-patroon: "Geef je antwoord in de volgende structuur: [1. Probleem, 2. Oorzaken, 3. Opties, 4. Aanbeveling]. Maximaal één alinea per sectie."

Het advocaat-patroon: "Speel de rol van iemand die kritisch staat tegenover dit plan. Wat zijn de zwakke punten?"

Waarom dit de vaardigheid van dit decennium is

Prompt engineering in zijn huidige vorm is waarschijnlijk niet permanent. Modellen worden slimmer en begrijpen ambiguïteit beter. De lat voor een "goede prompt" zal veranderen.

Maar de onderliggende vaardigheid verdwijnt niet: helder communiceren wat je wilt, context geven, doelen verwoorden, output evalueren en verfijnen. Naarmate AI-systemen krachtiger worden en meer autonomie krijgen, wordt de kwaliteit van de instructies die je geeft eerder belangrijker dan minder.

Wat ook opvalt: het oefenen van prompt engineering werkt door in hoe je communiceert met mensen. Als je leert om aan een machine helder te maken wat je bedoelt, leer je tegelijk ook de vraag te stellen: weet ik eigenlijk wat ik wil, voordat ik erom vraag? Dat is geen slechte vraag om te stellen.