De meeste mensen werken met een AI-model alsof het een gesprek is. Je stelt een vraag, je krijgt een antwoord, je stelt een vervolgvraag, je stuurt bij. Dat voelt vertrouwd. Het lijkt op hoe je met een collega overlegt.
Maar er is een verschil dat ertoe doet. Een collega onthoudt wat je vorige week hebt besproken, inclusief de details en de nuances. Een AI-model werkt binnen de grenzen van één gesprek. Het kan wel informatie meenemen over sessies heen via geheugenfeatures, maar dat is een samenvatting, geen herinnering. Wie begrijpt hoe die grenzen werken, haalt meer uit lange interacties en voorkomt dat het model halverwege het gesprek de draad kwijtraakt.
Roland Bieleveldt
Multi-turn prompting is het werken met een AI-model over meerdere gespreksbeurten binnen één sessie. Elke beurt bestaat uit een prompt (wat jij stuurt) en een respons (wat het model teruggeeft). De beurten bouwen op elkaar voort. Wat je in beurt drie stuurt, wordt geïnterpreteerd in de context van beurten één en twee.
Het verschil met prompt chaining is de aard van het proces. Prompt chaining is een vooraf geplande reeks stappen: je weet welke stappen je gaat zetten voordat je begint. Multi-turn prompting is iteratief: je reageert op wat het model teruggeeft en stuurt bij op basis van het resultaat. De richting ontstaat gaandeweg.
Dat maakt multi-turn prompting bijzonder geschikt voor taken die verkenning vereisen. Je weet niet precies wat je nodig hebt, 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.
Hier zit het inzicht dat het verschil maakt tussen effectief en ineffectief multi-turn gebruik. Het model heeft geen geheugen in de menselijke zin. Wat het heeft, is een context window: een venster van informatie dat het model in één keer kan verwerken.
Bij elke beurt stuurt de applicatie (het chatmodel, de interface) de hele gespreksgeschiedenis mee naar het model. Alles wat je hebt gezegd, alles wat het model heeft geantwoord, van de eerste beurt tot de laatste. Het model leest die hele geschiedenis opnieuw en genereert op basis daarvan het volgende antwoord.
Dat heeft twee consequenties.
Wat je in de eerste beurten zegt, kleurt alles wat daarna komt. Als je in beurt één een specifieke toon instelt, een rol toewijst, of een kader neerzet, werkt dat door in alle volgende beurten. Dat maakt de eerste beurten van een gesprek onevenredig belangrijk. Een goed begin sturen, met heldere context, een duidelijke taak en de juiste verwachtingen, betaalt zich uit over het hele gesprek.
Naarmate het gesprek langer wordt, groeit de hoeveelheid context die het model moet verwerken. Dat heeft twee effecten. Ten eerste kan het model eerder gegeven instructies minder sterk gewichten als er veel tekst tussenin staat. Een instructie uit beurt twee kan in beurt vijftien minder invloed hebben dan in beurt drie. Ten tweede kan het model inconsistenties in het gesprek overnemen: als je in beurt drie iets anders hebt gevraagd dan in beurt acht, volgt het model soms de ene, soms de andere instructie.
Er is ook een harde grens. Het context window heeft een maximale omvang, gemeten in tokens (stukjes tekst van een paar tekens). Wanneer het gesprek die grens nadert, moeten de oudste beurten worden weggelaten om ruimte te maken voor de nieuwste. Dat is het punt waarop het model eerder gezegde dingen “vergeet,” niet omdat het een keuze maakt, maar omdat de informatie niet meer in het venster past.
Het bijsturen van een AI-model over meerdere beurten is een vaardigheid die met een paar principes aanzienlijk effectiever wordt.
Het eerste principe is specifiek corrigeren. “Dat klopt niet” is een zwakke correctie. Het model heeft geen informatie over wat er niet klopt en probeert globaal bij te sturen, vaak met het gevolg dat het iets repareert wat al goed was. “De toon is te formeel. Maak het informeler, alsof je een collega aanspreekt” is een gerichte correctie. Het model herkent precies wat er moet veranderen en laat de rest intact.
Het tweede principe is bouwen, niet herhalen. Elke beurt moet iets toevoegen of bijsturen. Als je na drie beurten nog steeds dezelfde correctie geeft, is het effectiever om een stap terug te doen en de oorspronkelijke instructie te herzien. Herhaalde correcties op hetzelfde punt zijn een signaal dat het probleem niet in het laatste antwoord zit, maar eerder in het gesprek.
Het derde principe is herankeren. Bij langere gesprekken kan het helpen om tussendoor een samenvatting te geven van waar je staat. “Tot nu toe hebben we X bepaald, Y besloten en Z staat nog open. Laten we nu Z aanpakken.” Die herankering geeft het model een vers ijkpunt en voorkomt dat het terugvalt op instructies die vijf beurten geleden zijn gegeven en inmiddels zijn achterhaald.
Er zijn drie signalen dat het effectiever is om een nieuw gesprek te starten dan het huidige voort te zetten.
Het eerste signaal: het model herhaalt zichzelf of geeft inconsistente antwoorden. Dat is vaak een teken dat het gesprek te lang is geworden en het model moeite heeft om alle instructies samen te houden.
Het tweede signaal: je bent fundamenteel van richting veranderd. Als je bent begonnen met een strategische analyse en nu een heel andere taak wilt uitvoeren, sleep je onnodige context mee die het model kan verwarren.
Het derde signaal: je hebt na meerdere correcties niet het gewenste resultaat. Het model bouwt voort op de hele gespreksgeschiedenis, inclusief de eerdere, onbevredigende antwoorden. Een schone start met een betere initiële prompt is vaak effectiever dan nog een correctie bovenop een lang gesprek.
De term “geheugen” wordt op twee manieren gebruikt bij AI-modellen, en het verschil doet ertoe.
De eerste betekenis is sessiegeheugen. Het context window functioneert als werkgeheugen binnen een gesprekssessie. Het model “onthoudt” alles wat in het huidige gesprek is gezegd, zolang het binnen het context window past. Maar dat is geen echt geheugen. Het is herlezen: het model leest bij elke beurt de hele geschiedenis opnieuw. Het effect is vergelijkbaar met geheugen, maar het mechanisme is fundamenteel anders. Vergelijk het met iemand die bij elke vraag het hele gespreksverslag opnieuw doorleest in plaats van het gesprek te onthouden. Het resultaat is hetzelfde, het proces niet.
De tweede betekenis is langetermijngeheugen. De grote AI-platforms bieden een geheugen dat informatie over sessies heen vasthoudt. Je naam, je voorkeuren, je schrijfstijl, eerdere projecten. De implementaties lopen uiteen: sommige platforms bouwen automatisch een profiel op uit al je gesprekken, andere maken alleen een samenvatting die je kunt inzien en bewerken, weer andere koppelen aan je bestaande bestanden en agenda. De details veranderen snel en verschillen per aanbieder.
Het principe dat niet verandert: dit geheugen is een functie van de applicatie, niet van het model zelf. De applicatie slaat informatie op en voegt die toe aan de context bij een nieuwe sessie. Het model heeft geen besef dat het iets “onthoudt”: het leest de opgeslagen informatie alsof het een nieuwe instructie is. Wat het model “herinnert” over sessies heen is bovendien een samenvatting, geen volledige gespreksgeschiedenis. Details, nuances en specifieke formuleringen uit eerdere gesprekken kunnen verloren gaan in die samenvatting.
Voor wie dagelijks met AI werkt, is dat relevant omdat het verwachtingen stuurt. Een model met langetermijngeheugen voelt als een collega die je kent. Maar het is een collega die bij elke ontmoeting een korte notitie over je doorleest, niet iemand die zich jou werkelijk herinnert. Die verwachting bijstellen voorkomt frustratie en maakt het gebruik effectiever.
De directeur van een zorggroep werkt met een AI-model aan een jaarplan. Beurt 1: “Hier is ons jaarverslag van vorig jaar. Wat zijn de drie belangrijkste trends?” Het model identificeert de trends. Beurt 2: “Ga dieper in op de trend rond wachttijden. Wat zijn mogelijke oorzaken?” Het model analyseert. Beurt 3: “Formuleer twee concrete doelstellingen om de wachttijden te verkorten, gericht op wat wij als zorggroep zelf kunnen beïnvloeden.” Het model formuleert. Beurt 4: “De tweede doelstelling is te ambitieus voor ons budget. Pas die aan naar iets dat binnen een bestaand budget past.” Het model past aan. In vier beurten ontstaat iteratief een stuk jaarplan dat past bij de specifieke situatie van deze zorggroep.
Een communicatiebureau schrijft een persbericht over een productlancering. Beurt 1: het model schrijft een eerste versie op basis van de briefing. Beurt 2: “Te formeel. Maak het toegankelijker, alsof het in een vakblad verschijnt in plaats van een jaarverslag.” Het model herschrijft. Beurt 3: “De openingsalinea is goed, maar de derde alinea is te lang. Splits die op.” Het model past aan. Beurt 4: “Voeg een quote toe van de directeur. Toon: trots maar niet overdreven.” Het model voegt toe. Het persbericht wordt per beurt beter, en het bureau stuurt precies bij op de punten die ertoe doen.
Een zelfstandig adviseur bereidt een offerte voor. Beurt 1: “Ik werk aan een offerte voor [klantbeschrijving]. Wat zijn de vijf dingen die ik moet adresseren?” Het model genereert een lijst. Beurt 2: “Punt drie is niet relevant voor deze klant. Vervang het door iets over implementatierisico’s.” Het model past aan. Beurt 3: “Schrijf nu de offerte op basis van deze vijf punten. Maximaal twee pagina’s, zakelijke toon.” Het model schrijft. Beurt 4: “De prijsparagraaf is te vaag. Maak die specifieker met drie opties.” Het model herziet. De offerte groeit beurt voor beurt van idee naar werkbaar document.
Wie wil begrijpen hoe het beheren van context een stap verder gaat dan gespreksvoering en een discipline wordt voor structurele inzet van AI, leest verder bij Context engineering (cluster 4.4).
Wie terug wil naar de techniek waarbij je taken opdeelt in een vooraf geplande reeks stappen, vindt dat bij Prompt chaining (cluster 4.3d).
Wie wil begrijpen hoe het context window technisch werkt en waarom de omvang ervan ertoe doet, vindt dat bij Context windows: hoeveel informatie past er? (cluster 5.4).