Wat is prompting?
Wat is prompting?
Stel je voor: twee mensen zitten achter hetzelfde AI-model. Dezelfde versie, dezelfde rekenkracht, dezelfde trainingsdata. De een krijgt een antwoord dat precies doet wat nodig is. De ander krijgt een vaag verhaal dat nergens landt. Het verschil zit niet in het model. Het zit in wat ze het meegeven.
Dat klinkt als een detail. Het is het niet. De manier waarop je een AI-model aanstuurt, bepaalt in hoge mate wat je terugkrijgt. En het verschil tussen een ongerichte vraag en een doordachte instructie is groter dan je op het eerste gezicht verwacht. Die vaardigheid heeft een naam: prompting.
R
Roland Bieleveldt
Meer dan een vraag
Een prompt is de volledige instructie die je aan een AI-model geeft. Dat kan een korte vraag zijn: “Wat is inflatie?” Maar het kan ook een gedetailleerde opdracht zijn met context, voorwaarden en een gewenst format. De prompt is alles wat het model ontvangt voordat het een antwoord genereert.
Het woord “prompt” wekt de indruk van een kort commando. In de praktijk kan een prompt uit één zin bestaan of uit een halve pagina. Een manager die vraagt “geef me een samenvatting” gebruikt een prompt. Een adviseur die schrijft “vat dit rapport samen in drie alinea’s, gericht op de financiële risico’s, in een toon die past bij een bestuursvergadering” gebruikt ook een prompt. Het verschil in output is aanzienlijk.
Een prompt kan naast de opdracht ook andere informatie bevatten: achtergrondinformatie, een gewenste toon, een format, beperkingen en voorbeelden van gewenste output. Hoe meer van die onderdelen aanwezig zijn, hoe preciezer het model kan reageren. Welke onderdelen dat zijn en hoe je ze doelgericht combineert, is het onderwerp van De 7 bouwstenen van de ideale prompt (cluster 4.2). Het kernpunt hier is: een prompt met alleen een vraag geeft het model maximale vrijheid. Dat klinkt aantrekkelijk, maar levert in de praktijk vaker een generiek antwoord op dan een bruikbaar antwoord. Gerichte vrijheid werkt beter dan totale vrijheid.
→ Lees meer: Wat is een prompt? (cluster 4.1a)
De vaardigheid achter de invoer
Prompting is de vaardigheid om instructies zo te formuleren dat een AI-model de gewenste output levert. Het is het bewust kiezen van woorden, structuur en context om het model in de juiste richting te sturen.
Dat is geen programmeren. Je schrijft geen code en je hoeft geen technische achtergrond te hebben. Prompting werkt via natuurlijke taal. Maar het is ook geen gewoon vragen stellen. Wie een collega een opdracht geeft, past de formulering aan op basis van wat die collega al weet, wat het doel is en hoe het resultaat eruit moet zien. Bij een AI-model werkt dat precies zo, met één cruciaal verschil: het model heeft geen gedeelde voorgeschiedenis. Alles wat het nodig heeft om de opdracht goed uit te voeren, moet in de prompt staan. Wat je weglaat, vult het model zelf in. En dat is zelden wat je in gedachten had.
Hier zit het inzicht dat het verschil maakt. De kwaliteit van AI-output hangt niet alleen af van het model dat je gebruikt. Een krachtig model met een vage prompt levert een vaag antwoord. Een bescheidener model met een precieze prompt levert vaak een bruikbaarder resultaat. De input bepaalt de output.
Dat maakt prompting een vaardigheid die niet alleen voor technici of specialisten relevant is. Juist als je dagelijks beslissingen neemt op basis van informatie, analyse en tekst, maakt prompting direct verschil in wat AI voor je kan betekenen.
In het ringen-model, het denkraam dat wij gebruiken om te beschrijven hoe een AI-model stap voor stap uitgroeit tot een compleet AI-systeem, is prompting de kern van Ring 1: Aansturen. Het is de eerste en meest directe manier om invloed uit te oefenen op wat het model oplevert.
Van vaardigheid naar discipline
Prompt engineering is het systematisch ontwerpen, testen en verfijnen van prompts. Het verschil met prompting is het verschil tussen koken en een recept ontwikkelen. Prompting is de vaardigheid om een goede instructie te geven. Prompt engineering is het proces om prompts herhaalbaar, betrouwbaar en schaalbaar te maken.
In de praktijk betekent dat: een prompt formuleren, het resultaat beoordelen, de prompt aanpassen en opnieuw testen. Dat herhaal je tot het resultaat consistent goed genoeg is. Niet één keer goed, maar tien keer achter elkaar goed, met verschillende invoer.
Die systematiek is belangrijk zodra AI structureel wordt ingezet. Een medewerker die af en toe een vraag stelt aan een chatmodel, komt ver met basisvaardigheden in prompting. Maar een organisatie die AI inzet voor klantcommunicatie, rapportages of analyses, heeft prompts nodig die betrouwbaar dezelfde kwaliteit leveren. Dat vraagt om testen, itereren en evalueren.
Van trucjes naar structuur
Prompt engineering heeft in korte tijd een opvallende verschuiving doorgemaakt. In 2022 en 2023 draaide het om formuleringen en trucjes. “Begin je prompt met ‘je bent een expert in…'” was het soort advies dat breed circuleerde. Lijsten met “de 50 beste prompts” gingen viraal op sociale media. Dat beeld is achterhaald.
Wat in de praktijk het verschil maakt, is niet de exacte woordkeuze. Het is de structuur. Wat wil je precies? Welke context heeft het model nodig? Hoe ziet een goed resultaat eruit? Die vragen zijn belangrijker dan welke magische formulering dan ook.
Een volgende stap in die ontwikkeling is context engineering: niet alleen de instructie optimaliseren, maar de hele informatieomgeving die het model ontvangt. Die stap gaat verder dan prompting en raakt aan hoe AI-systemen worden ontworpen. Wat context engineering precies inhoudt, is het onderwerp van Context engineering (cluster 4.4).
→ Lees meer: Wat is prompt engineering? (cluster 4.1b)
Voorbeelden
Hier wordt het concreet. Dezelfde taak, twee aanpakken, twee totaal verschillende resultaten.
Voorbeeld
Medische kliniek
Een huisartsenpraktijk gebruikt een AI-model om patiëntbrieven op te stellen na een consult. De eerste aanpak: de arts typt “schrijf een brief over het consult van vandaag” en plakt de consultnotities erbij. Het resultaat is een generieke brief die te formeel klinkt, belangrijke nuances mist en niet past bij de toon van de praktijk. De aangepaste aanpak: de arts geeft het model een prompt met de consultnotities, de instructie om een brief te schrijven op B1-taalniveau, gericht aan de patiënt, met vermelding van het vervolgtraject en in een empathische toon. Het resultaat is een brief die de patiënt direct kan begrijpen en die aansluit bij de communicatiestijl van de praktijk. De arts besteedt twee minuten aan de prompt in plaats van tien minuten aan het schrijven van de brief.
Voorbeeld
B2B-dienstverlener
Een accountantskantoor laat een AI-model conceptteksten schrijven voor adviesmemo’s aan klanten. De ongerichte prompt: “Schrijf een memo over de nieuwe belastingregeling.” Het resultaat is een correct maar vlak stuk tekst dat leest als een Wikipedia-artikel. De gerichte prompt beschrijft wie de ontvanger is (een directeur-grootaandeelhouder van een mkb-bedrijf), wat het doel is (de drie belangrijkste gevolgen voor zijn situatie), welke toon gewenst is (helder, concreet, geen jargon) en hoe lang de memo mag zijn (maximaal één A4). Het resultaat is een memo die de klant direct kan gebruiken in zijn besluitvorming.
Voorbeeld
Zelfstandig professional
Een freelance communicatieadviseur gebruikt een AI-model om een voorstel te schrijven voor een opdrachtgever. Eerste poging: “Schrijf een voorstel voor een communicatiestrategie.” Het model levert een generiek raamwerk op dat op elke organisatie zou kunnen slaan. Tweede poging: de adviseur geeft het model context over de opdrachtgever (een regionale zorginstelling die kampt met personeelstekort), het doel (interne communicatie versterken om medewerkers te behouden), de gewenste structuur (probleemanalyse, aanpak, planning, investering) en de stijl (zakelijk maar menselijk). Het resultaat is een concept dat de adviseur als startpunt kan gebruiken en dat aansluit bij de specifieke situatie van de opdrachtgever.