Een goede prompt schrijven is één ding. Een prompt maken die tien keer achter elkaar het juiste resultaat oplevert, met wisselende invoer, voor verschillende gebruikers? Dat is iets anders. En precies dat verschil markeert de grens tussen prompting als vaardigheid en prompt engineering als discipline. Het is ook de grens tussen “AI werkt soms goed” en “AI werkt betrouwbaar.”
Roland Bieleveldt
Prompt engineering is het systematisch ontwerpen, testen en verfijnen van prompts om betrouwbare, herhaalbare resultaten te bereiken. Het verschil met prompting zit in de systematiek. Prompting is het formuleren van een goede instructie. Prompt engineering is het proces eromheen: testen of die instructie ook werkt met andere invoer, meten of het resultaat consistent genoeg is en bijstellen waar het afwijkt.
Vergelijk het met het verschil tussen een maaltijd koken en een recept ontwikkelen. Wie kookt, past ingrediënten en smaak aan op basis van gevoel en ervaring. Wie een recept ontwikkelt, test het meerdere keren, met verschillende ingrediënten, noteert wat werkt en wat niet, en komt uit op een versie die ook iemand anders kan volgen met een voorspelbaar resultaat. De maaltijd kan heerlijk zijn zonder recept. Maar een restaurant dat consistent dezelfde kwaliteit wil leveren, heeft recepten nodig.
De kern van prompt engineering is iteratie. Je schrijft een prompt, voert die uit, beoordeelt het resultaat, past de prompt aan en probeert opnieuw. Dat klinkt als iets wat iedereen intuïtief doet. Het verschil zit in de structuur.
Bij informeel gebruik past iemand de prompt aan tot het antwoord er goed uitziet. Bij prompt engineering test je de prompt met meerdere varianten van de invoer. Een prompt die werkt voor één klantvraag maar faalt bij een andere, is niet goed genoeg. Een prompt die mooie output levert bij korte teksten maar de draad verliest bij langere documenten, heeft een zwakke plek. Prompt engineering brengt die zwakke plekken aan het licht door te variëren en te meten.
In de praktijk ziet dat er zo uit: formuleer de prompt, test met vijf tot tien verschillende invoerscenario’s, beoordeel elk resultaat op de criteria die ertoe doen (correctheid, relevantie, toon, format, volledigheid), identificeer waar het misgaat en pas de prompt aan. Herhaal tot het resultaat stabiel is. Dat proces kost meer tijd dan een enkele prompt schrijven, maar het resultaat is een instructie die honderden keren kan worden hergebruikt zonder dat de kwaliteit wisselvallig is.
In de beginjaren van generatieve AI, rond 2022 en 2023, draaide veel van de aandacht rond prompt engineering om specifieke formuleringen. “Begin je prompt met ‘je bent een expert in…'” was een veelgehoord advies. Lijsten met “de 50 beste prompts” circuleerden op sociale media. Het leek alsof de juiste magische woorden het verschil maakten.
Dat beeld is achterhaald. Wat in de praktijk het meeste verschil maakt, is niet de exacte woordkeuze maar de structuur van de prompt. Welke onderdelen zijn aanwezig? Is de opdracht concreet? Is de context toereikend? Zijn de randvoorwaarden helder? Modellen worden steeds beter in het interpreteren van natuurlijke taal. Een klein verschil in formulering maakt zelden het verschil tussen een goed en een slecht antwoord. Een ontbrekend onderdeel in de prompt maakt dat verschil wel.
Dit is goed nieuws als je geen techneut bent. Het betekent dat prompt engineering geen mysterieuze vaardigheid is die alleen specialisten beheersen. Het is een gestructureerde aanpak die iedereen kan leren die helder kan denken over wat er nodig is: wat is de taak, wie is het publiek, welke context is relevant, hoe ziet een goed resultaat eruit? Die vragen zijn niet technisch. Het zijn de vragen die elke goede opdrachtgever stelt.
Voor incidenteel gebruik is prompting als vaardigheid vaak voldoende. Je typt een vraag, beoordeelt het antwoord en past eventueel aan. Maar zodra AI structureel wordt ingezet, verschuift de behoefte.
Wanneer dezelfde soort opdracht tientallen of honderden keren wordt uitgevoerd, moet de prompt betrouwbaar zijn. Een klantenserviceteam dat AI inzet om conceptantwoorden op te stellen, kan niet bij elke vraag opnieuw experimenteren met de formulering. Dat team heeft een geteste prompt nodig die consistent de juiste toon, structuur en inhoud levert.
Wanneer niet één persoon maar een heel team met dezelfde prompt werkt, wordt consistentie cruciaal. Prompt engineering levert die consistentie: een gestandaardiseerde prompt die onafhankelijk van de gebruiker dezelfde kwaliteit oplevert.
Bij klantcommunicatie, financiële analyses of juridische teksten doet het resultaat ertoe. Dan is “meestal goed genoeg” niet goed genoeg. Prompt engineering maakt het mogelijk om de betrouwbaarheid te verhogen door systematisch te testen op randgevallen, uitzonderingen en onverwachte invoer.
Prompt engineering richt zich op de instructie: hoe formuleer je wat je het model vraagt? Context engineering gaat een stap verder en richt zich op de volledige informatieomgeving die het model ontvangt. Niet alleen de instructie, maar ook welke documenten, welke voorgeschiedenis en welke externe bronnen het model tot zijn beschikking heeft. Prompt engineering is het startpunt. Context engineering is de logische volgende stap wanneer AI overgaat van een los hulpmiddel naar een structureel onderdeel van een werkproces. Wat context engineering precies inhoudt en hoe het zich verhoudt tot de architectuur van AI-systemen, is het onderwerp van Context engineering (cluster 4.4).
Een zorggroep met twaalf huisartsenpraktijken wil AI inzetten voor het opstellen van verwijsbrieven. Elke praktijk heeft een iets andere werkwijze, maar de verwijsbrieven moeten voldoen aan dezelfde kwaliteitsnorm. De prompt engineer (in dit geval een praktijkmanager met affiniteit voor AI) ontwikkelt een standaardprompt, test die met veertig bestaande verwijsbrieven als referentie, identificeert waar het model afwijkt van de gewenste structuur en past de prompt driemaal aan. Het resultaat is een prompt die in elf van de twaalf praktijken direct bruikbaar blijkt. De twaalfde praktijk hanteert een afwijkende structuur voor psychiatrische verwijzingen, waarvoor een aangepaste variant nodig is. Zonder dat testproces was dat pas bij de eerste klacht duidelijk geworden.
Een juridisch adviesbureau gebruikt AI om conceptsamenvattingen van contracten op te stellen voor klantgesprekken. De eerste prompt levert goede samenvattingen op voor standaardcontracten, maar mist cruciale clausules bij complexere overeenkomsten met meerdere bijlagen. Via prompt engineering wordt de prompt uitgebreid met de instructie om elk document apart te analyseren voordat de samenvatting wordt opgesteld, en met een checklist van clausules die altijd in de samenvatting moeten terugkomen (aansprakelijkheid, looptijd, opzegtermijn, boeteclausules). Na vier iteraties levert de prompt samenvattingen op die de jurist nog steeds controleert, maar die als startpunt tachtig procent van het voorwerk besparen.
Een freelance recruiter gebruikt AI om vacatureteksten te schrijven voor verschillende opdrachtgevers. Elke opdrachtgever heeft een eigen toon en stijl. De recruiter ontwikkelt per opdrachtgever een prompttemplate met de bedrijfsnaam, een korte beschrijving van de cultuur, drie voorbeelden van goedgekeurde vacatureteksten en de instructie om nieuwe teksten in dezelfde stijl te schrijven. Die templates kosten elk een uur om te ontwikkelen en te testen. Daarna levert elke nieuwe vacaturetekst een conceptversie op die met minimale aanpassingen kan worden gepubliceerd. De investering vooraf verdient zich terug bij de tweede vacature.
Wie concreet wil weten welke onderdelen een sterke prompt bevat en hoe je ze combineert, leest verder bij De 7 bouwstenen van de ideale prompt (cluster 4.2).
Wie wil begrijpen welke gevorderde technieken beschikbaar zijn om complexere taken aan te sturen, vindt dat bij Prompt technieken (cluster 4.3).
Wie wil weten hoe de stap van goede prompts naar slim informatiebeheer eruitziet, leest verder bij Context engineering (cluster 4.4).