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.
Roland Bieleveldt
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.
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?”
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.
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.
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.
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.
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.
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).