Zo schrijf je effectieve prompts voor AI

Ga je als ondernemer met AI-tools aan de slag, dan haal je meer in huis dan alleen een stuk software: je kiest ook voor een andere manier van werken. Prompts vormen de brug tussen jouw instructie en het resultaat dat de machine oplevert. AI “begrijpt” je vraag niet zoals een mens dat doet, het voorspelt simpelweg welk woord het meest waarschijnlijk volgt. Dat gesprek goed leren voeren is precies wat een tool die je uren bespaart onderscheidt van een tool die er ongemerkt uren bij kost.

Waarom de formulering het resultaat bepaalt

Taalmodellen genereren tekst op basis van statistische patronen. Daardoor zijn ze bruikbaar voor uiteenlopende taken, van e-mails schrijven tot managementrapporten opstellen. Diezelfde werking verklaart ook hun neiging tot zogeheten “hallucinaties”: antwoorden die aannemelijk klinken maar niet kloppen. Het model heeft geen enkele manier om te weten dát het ernaast zit, dus controleren wat eruit komt hoort bij het werk en is geen extraatje.

Daar volgt de praktische consequentie uit die de meeste mensen over het hoofd zien: het model kan alleen werken met wat jij aanlevert. Het ziet je klantenbestand niet, je marges niet en de cijfers van vorig kwartaal niet, tenzij je ze erbij geeft. De meeste teleurstellende resultaten zijn geen beperking van de tool, maar een prompt die te veel aan het toeval overliet.

De drie elementen van een effectieve prompt

Een effectieve prompt combineert drie basiselementen.

Een rol. Vertel het model wie het moet zijn, bijvoorbeeld “gedraag je als productmanager” of “gedraag je als boekhouder die leveranciersfacturen controleert”. Dat versmalt het vocabulaire en de aannames waarmee het aan de slag gaat.

Context. Het doel, de gegevens, de doelgroep en de randvoorwaarden. Een kwartaalplan voor een adviesbureau van twee personen is een ander document dan voor een bureau van vijftig, en het model kan niet raden welke van de twee jij bent.

Een format. Een tabel, een script, een lijst met acties, een samenvatting van 200 woorden. Door de gewenste vorm te benoemen bespaar je jezelf een volledige correctieronde.

Lengte en toon horen hier ook thuis, en die kosten weinig moeite om te noemen. “In minder dan 150 woorden” en “in gewone taal die een klant zonder uitleg kan lezen” zijn twee korte zinnen die samen het meeste handmatige herschrijven voorkomen. Zeg je niets, dan kiest het model zelf, en die standaardkeuze is meestal langer en formeler dan je wilde.

Zeg ook wat het model niet mag doen

Randvoorwaarden zijn het onderdeel dat bijna iedereen overslaat. Instructies als “verzin geen cijfers”, “staat het antwoord niet in het document, zeg dat dan” of “vermijd technisch jargon” werken als een vangrail tegen de meest voorspelbare fouten van het model.

Dat telt het zwaarst wanneer nauwkeurigheid niet onderhandelbaar is. Schrijf je iets dat een klant, een accountant of een toezichthouder gaat lezen, dan is een expliciete opdracht om onzekerheid te melden in plaats van het gat op te vullen meer waard dan welke slimme formulering ook.

Een generieke prompt tegenover een doordachte

Het verschil is groot. Vraag je “maak een marketingplan”, dan krijg je meestal een vage, inwisselbare tekst. Vraag je dit, dan krijg je iets waar je meteen mee verder kan:

“Gedraag je als consultant digitale marketing voor een klein bedrijf in biologische voeding. Maak een kwartaalplan met drie meetbare doelen, zes tactische acties met kostenraming en een kalender in tabelvorm.”

De tweede versie gebruikt geen bijzondere syntaxis. Hij beantwoordt gewoon de vragen die het model anders zou moeten raden: wie er spreekt, voor wie het bedoeld is, wat er opgeleverd moet worden en hoe het eruit moet zien.

Laat het zien, beschrijf het niet alleen

Moet het resultaat aansluiten op een stijl die er al is, dan zegt een voorbeeld meer dan een beschrijving. Plak twee van je eigen productteksten en vraag om een derde in dezelfde toon. Voeg het rapport van vorige maand toe en vraag om dat van deze maand in dezelfde opbouw.

Hetzelfde geldt voor bronmateriaal. Vraag je een model om een contract samen te vatten dat je hebt bijgevoegd, dan doet het iets waar het goed in is. Vraag je datzelfde model wat er waarschijnlijk staat in een contract dat het nooit heeft gezien, dan doet het iets waar het slecht in is, en het antwoord klinkt precies even zelfverzekerd.

Bijsturen in plaats van opnieuw beginnen

Een eerste resultaat dat voor 70% klopt is geen mislukte prompt, het is een concept. Zeg wat er niet deugt: “te formeel”, “het tweede deel is te lang”, “houd de structuur aan maar herschrijf het voor een niet-technische lezer”. Onderweg bijsturen is bijna altijd sneller dan opnieuw beginnen, en je houdt de context die je al hebt opgebouwd.

Helemaal opnieuw beginnen helpt wél als het gesprek zo ver is afgedwaald dat het model vastzit op een misverstand van het begin. Hebben drie correcties het niet opgelost, start dan opnieuw met een scherpere eerste instructie.

Bouw een bibliotheek die je team kan hergebruiken

Prompts die werken zijn het bewaren waard. Ze vastleggen en hergebruiken maakt van een individuele vaardigheid iets van het hele team, en voorkomt dat vijf mensen hetzelfde probleem vijf keer apart oplossen. Er bestaan inmiddels plugins en platformen om prompts op te slaan, te ordenen en te versioneren, wat de adoptie flink versnelt, al is een gedeeld document genoeg om te beginnen.

Wat je erbij noteert telt net zo zwaar als de prompt zelf. Leg vast voor welke taak hij is geschreven, op welke tool hij is gedraaid en wat er achteraf gecorrigeerd moest worden. Een prompt die goed werkt in het ene model kan zich in het andere anders gedragen, en wie hem over een half jaar oppakt moet weten hoe een goed resultaat er de eerste keer uitzag.

De fouten die de meeste tijd kosten

• Te veel tegelijk vragen, in plaats van een lange taak op te knippen in stappen die je stuk voor stuk controleert
• De doelgroep niet benoemen, waardoor de tekst aan niemand in het bijzonder is gericht
• Het eerste antwoord aannemen bij onderwerpen waarbij je een fout zelf niet zou herkennen
• Geen materiaal aanleveren en je vervolgens verbazen dat het model iets heeft verzonnen
• De prompt herschrijven terwijl een vervolgcorrectie sneller was geweest

Conclusie

Uiteindelijk draait goed prompten om weten wat je vraagt, hoe je het vraagt en wat je verbiedt. Zo krijg je nauwkeurigere en betrouwbaardere antwoorden, zonder in te leveren op de productiviteit die AI je oplevert. Het is bovendien een vaardigheid die snel groeit als je er bewust mee oefent.

Wil je dieper op technieken, rollen en het aan elkaar knopen van prompts ingaan, lees dan onze complete ChatGPT prompt-gids. Zoek je nog een tool om mee te oefenen, dan is de AI-toolgids de plek om te beginnen.