Een AI prompt is de instructie die je aan een AI-model geeft om een specifieke output te krijgen. Prompting is de praktijk van het schrijven, testen en bijsturen van die instructies. Wie professioneel met AI werkt, merkt al snel hoeveel impact een precieze prompt heeft op de bruikbaarheid van het resultaat. Prompting is daarmee uitgegroeid van een handigheid voor losse vragen aan ChatGPT tot een vaardigheid die professionals beheersen om AI controleerbaar in hun werk in te zetten.
Deze gids legt uit wat een prompt is, wat prompting precies inhoudt, hoe het werkt, welke technieken er zijn en hoe je prompting in een werkwijze met controlepunten plaatst. Wie gestructureerd met AI wil leren werken, vindt in ons aanbod AI cursussen een tool-specifieke ingang. Onderaan deze pagina staan alle gepubliceerde artikelen uit het prompting-cluster.
Wat is een prompt?
Een prompt is de tekstuele instructie die je aan een AI-model geeft om een specifieke output te genereren. Dat kan een vraag zijn, een opdracht, een beschrijving of een gestructureerde instructie van honderden woorden. De betekenis van het woord prompt is dus simpel: het is de input waarop de AI reageert. Een AI prompt verschilt niet wezenlijk van een gewone prompt; de toevoeging “AI” verduidelijkt alleen de context.
Het verschil tussen een prompt en prompting is vergelijkbaar met het verschil tussen een zin en de schrijfvaardigheid. Een prompt is de bouwsteen, prompting is de praktijk waarmee je die bouwstenen opbouwt en bijschaaft. Wie zoekt op “prompt betekenis” of “prompten betekenis” komt vaak hetzelfde tegen: een eenvoudige definitie die het basisidee dekt, maar die het verschil tussen een prima prompt en een uitstekende prompt nog niet uitlegt.
Een prompt kan zo kort zijn als een vraag van vier woorden (“vat dit document samen”) of zo uitgebreid als een gestructureerd document met doel, context, vorm en randvoorwaarden. In dagelijks AI-werk zie je beide uitersten en alles daartussenin. Welke vorm bij welke taak past, hangt af van wat je wilt bereiken en hoe voorspelbaar de output moet zijn.
Wat betekent prompting?
Prompting is het schrijven en verfijnen van instructies aan een AI-model met als doel een specifieke, bruikbare output te krijgen. Prompting wordt gebruikt bij grote taalmodellen, oftewel LLM’s. Bekende voorbeelden zijn ChatGPT, Claude, Gemini en Grok. Elk model reageert net iets anders op dezelfde prompt, wat betekent dat prompting niet één uniforme techniek is, maar een vaardigheid die zich aanpast aan de tool waar je mee werkt.
De term prompt engineering wordt soms gebruikt voor de meer technische kant van prompting, met name bij API-gebruik en geautomatiseerde toepassingen. Voor de meeste professionals is dat onderscheid niet relevant. Beide termen verwijzen naar hetzelfde basisidee: helder formuleren wat je wilt, in een vorm waar het AI-model goed mee uit de voeten kan. In productie-context, bij API-werk en geautomatiseerde pipelines, krijgt prompting wel een technischer karakter omdat reproduceerbaarheid en kosten een grotere rol spelen dan in losse interactie.
Sinds ChatGPT eind 2022 breed beschikbaar werd, heeft prompting zich ontwikkeld langs twee assen. De modellen zijn sterker geworden, waardoor ze met minder uitgewerkte prompts al goede output leveren. Tegelijk zijn er nieuwe modeltypes ontstaan, met name redenerende modellen, die om een andere prompting-aanpak vragen. Het netto-effect: prompting is niet eenvoudiger geworden, maar wel volwassener. Wat in 2023 als losse trucs werd verkocht, is nu een gestructureerde vaardigheid waar professionals actief in trainen. Ik ben zelf van losse prompts naar workflows gegaan toen output in productie ergens belandde waar het niet klopte. Output die op het oog goed leek maar bij controle niet bleek te kloppen, dwingt je om prompting niet als trucje maar als onderdeel van een werkwijze te zien.
Hoe werkt prompting in de praktijk?
Prompting werkt door een AI-model context en richting te geven. Een LLM voorspelt op basis van patronen in zijn training welke tekst logischerwijs op de input volgt. Hoe specifieker en rijker de input, hoe nauwkeuriger het model die voorspelling kan maken. Een vage prompt geeft een breed scala aan mogelijke output; een precieze prompt smalt dat af tot wat je nodig hebt.
Wat veel gebruikers verrast: dezelfde prompt kan op verschillende momenten verschillende output geven. Dat komt doordat LLM’s niet deterministisch werken. Er zit een kans-element in de manier waarop ze tekst genereren, wat betekent dat zelfs bij identieke input variatie kan ontstaan in de output. Voor losse vragen is dat geen probleem; voor reproduceerbare workflows wel. Achter dit gedrag zit de bredere werking van AI-modellen: hoe ze tekst genereren, waarom output kan variëren en wat dat betekent voor je werk staat in de basiskennis over AI.
Een tweede mechanisme dat prompting aanstuurt is dat kleine wijzigingen in de prompt grote impact kunnen hebben op de output. Het toevoegen van één zin met context, of het noemen van een specifieke doelgroep, kan een antwoord van generiek naar bruikbaar verschuiven. Dat maakt prompting iteratief: je schrijft, kijkt wat eruit komt, past aan, en herhaalt tot de output past bij wat je nodig hebt.
De vijf bouwstenen van een goede prompt
De vijf bouwstenen van een goede prompt zijn doel, context, vorm, randvoorwaarden en kwaliteitscheck. Deze structuur dwingt je om voor je een prompt schrijft eerst te bepalen wat je nodig hebt, voordat je de instructie zelf opbouwt. In de praktijk werken professionals zelden met alle vijf bouwstenen tegelijk, maar elke bouwsteen helpt bij specifieke soorten taken.
Het doel beschrijft wat je wilt bereiken met de output. Niet “schrijf een tekst”, maar “schrijf een uitnodiging voor een teamoverleg over Q3-resultaten”. De context geeft het AI-model achtergrondinformatie die het nodig heeft om de output relevant te maken: voor wie is dit, wat is de aanleiding, welke kennis kan het model veronderstellen. De vorm legt vast hoe de output eruitziet: een mail, een lijst, een tabel, een korte alinea, een uitgebreid rapport.
Randvoorwaarden zijn beperkingen of eisen die expliciet meegegeven worden, zoals een maximum aantal woorden, een formele toon, geen gebruik van Engelse termen, of alleen feiten zonder meningen. De kwaliteitscheck is de minst gebruikte maar belangrijkste bouwsteen. Hoe weet je of de output klopt? Hier zit de stap die veel professionals overslaan en die het verschil maakt tussen AI als experimenteel speeltje en AI als professioneel werkinstrument. Output zonder controle de deur uit laten gaan is precies hoe fouten in publicaties belanden.
Welke prompting-technieken zijn er?
Welke prompting-technieken zijn er en wanneer gebruik je welke? Er zijn meerdere prompting-technieken ontwikkeld die elk voor specifieke soorten taken werken. Hieronder een overzicht van de zes meest gebruikte, met per techniek wanneer hij zinvol is.
Zero-shot prompting
Zero-shot prompting is de eenvoudigste vorm: je geeft een instructie zonder voorbeelden en vraagt het model om direct een antwoord te leveren. Voor veel dagelijkse taken werkt dit prima, vooral als de taak goed binnen de algemene capaciteiten van een LLM valt. “Vat deze tekst samen in vijf bullets” is een typische zero-shot prompt. Het werkt goed voor standaardtaken; voor specifiekere taken loop je sneller tegen generieke output aan.
Few-shot prompting
Few-shot prompting voegt een paar voorbeelden toe aan je prompt om het model te laten zien welk soort output je verwacht. In plaats van alleen te beschrijven wat je wilt, laat je het zien. Dit werkt sterk voor taken waar formaat of stijl belangrijk is en moeilijk te beschrijven valt: classificatie, extractie van gestructureerde data, schrijven in een specifieke huisstijl. Twee tot vier voorbeelden zijn meestal genoeg; meer voorbeelden voegen vaak weinig toe en maken de prompt onnodig lang.
Chain-of-thought prompting
Chain-of-thought prompting is de techniek waarbij je het model stap voor stap laat redeneren voordat het een antwoord geeft. Voor complexere taken, vooral analyses en multi-stap problemen, levert chain-of-thought prompting merkbaar betere resultaten op. Bij redenerende modellen, zoals de nieuwste versies van Claude en de o-serie van OpenAI, is chain-of-thought minder nodig omdat die modellen intern al stap-voor-stap redeneren. De techniek blijft wel waardevol voor klassieke modellen en voor situaties waarin je expliciet wilt zien hoe het model tot een conclusie komt.
Rolprompting
Door een rol toe te wijzen in je prompt geef je het AI-model een specifieke expertise mee, zoals senior SEO-specialist, jurist, eindredacteur of fiscalist. Door een rol mee te geven verschuift de toon, het detailniveau en het soort overwegingen dat het model maakt. Het werkt goed wanneer je output wilt die past bij een specifieke expertise. Het werkt minder goed als je het inzet als gimmick zonder echte aansluiting bij de taak; “doe alsof je een Nobelprijswinnaar bent” voegt zelden iets toe aan een gewoon stuk tekstwerk.
Prompt chaining
Bij prompt chaining splits je een complexe taak op in opeenvolgende prompts en wordt de output van de eerste prompt de input van de tweede. Dit werkt voor taken die te groot zijn voor één prompt: een onderzoek dat eerst zoekwoorden vereist, daarna een briefing, daarna een concept-tekst. Door de stappen apart te houden krijg je per stap meer controle en kun je tussendoor bijsturen. Prompt chaining is ook de basisstructuur van vrijwel elke geautomatiseerde AI-workflow: in productie zie je zelden één gigantische prompt, maar bijna altijd een keten van kleinere stappen met validatie ertussen.
Context geven aan een LLM
Context geven aan een LLM in je prompt is geen techniek op zichzelf maar een vaardigheid die alle bovenstaande technieken versterkt. Context geven aan een LLM betekent: documenten meegeven, achtergrondinformatie verstrekken, eerdere afspraken expliciet maken. Hoe rijker de context, hoe nauwkeuriger de output. Het is de vaardigheid die professionals het vaakst verwaarlozen, terwijl het direct merkbaar effect heeft op de output. Een prompt zonder context dwingt het model tot algemene aannames; een prompt met context laat het model precies uitvoeren wat past bij jouw situatie.
Prompting voor verschillende AI-modellen
Prompting werkt niet identiek voor verschillende AI-modellen. Een prompt die uitstekende output geeft op ChatGPT kan op Claude tot wisselende resultaten leiden, en omgekeerd. Dat heeft te maken met hoe modellen getraind zijn, welke trade-offs hun makers hebben gemaakt en welke instructie-stijl het model verwacht. Welke modellen er zijn en waarvoor elk model het sterkst is, staat uitgewerkt in het overzicht van bekende AI-modellen.
In mijn eigen werk merk ik dat Claude zich strikter aan instructies houdt dan ChatGPT. Bij complexe meertrapsopdrachten en bij systeemprompts in API-werk valt dit het sterkst op. Waar ChatGPT geneigd is om creatieve zijpaden in te slaan, blijft Claude dichter bij wat je vraagt. Dat maakt Claude prettiger voor productiewerk waar voorspelbaarheid belangrijker is dan creativiteit, en het maakt ChatGPT prettiger voor brainstormen en exploratie.
Bij redenerende modellen, zoals de nieuwste Claude-versies en de o-serie van OpenAI, gelden andere prompting-regels. Deze modellen redeneren intern stap-voor-stap, wat betekent dat klassieke chain-of-thought instructies overbodig zijn. Te lange of te uitgebreide prompts kunnen redenerende modellen juist verwarren; korte, heldere instructies werken hier beter dan uitvoerige uitleg vooraf. Bij de overstap van Claude Opus 4.6 naar 4.7 merkte ik dat bestaande prompts opnieuw afgesteld moesten worden om dezelfde output-kwaliteit te behouden. Een nieuwe modelversie is niet automatisch een betere modelversie voor je bestaande workflow.
Veelgemaakte fouten bij prompting
Veelgemaakte fouten bij prompting zijn meestal geen losse missers maar patronen die professionals herhalen tot ze er bewust mee stoppen. Vier fouten kom ik regelmatig tegen.
De eerste fout is te vage instructies geven en hopen dat het model er wel iets bruikbaars van maakt. “Schrijf iets over X” levert per definitie generieke output op. Wie deze fout maakt, schuift de denkstap naar het model, en daar krijg je hem niet beter mee.
De tweede fout is geen formaat meegeven voor de output. Zonder specificatie geeft het model wat statistisch het meest waarschijnlijk past, wat zelden precies aansluit bij wat je wilt. Een duidelijke instructie over de vorm scheelt vaak meer dan twee iteraties van bijsturen achteraf.
De derde fout is vragen om dingen die het model niet kan, zoals real-time informatie of juridisch advies dat aansprakelijkheid vraagt. AI-modellen produceren ook tekst over onderwerpen waar ze niet over kunnen oordelen, en die tekst klinkt overtuigend. Dat is precies waar het misgaat. In de periode dat ik intensief met ChatGPT werkte, was een terugkerend patroon dat het model bij zoekwoordenonderzoek ongevraagd zoekvolumes erbij plaatste, terwijl ChatGPT geen koppeling heeft met Ahrefs, SEMrush of een andere keyword tool. Pure hallucinaties die plausibel klinken voor wie zelf geen toegang tot keyword data heeft.
De vierde en gevaarlijkste fout is prompting behandelen als zoeken op Google. Wie ChatGPT of Claude als zoekmachine gebruikt en de output zonder controle overneemt, wordt vroeg of laat gepakt door een gefabriceerd feit. AI-modellen genereren tekst, ze zoeken niet op feiten. Het verschil voelt subtiel maar is fundamenteel. Hoe goed je prompts technisch ook zijn, dit risico blijft.
Deze fouten verdwijnen niet door betere prompting-technieken te leren. Ze verdwijnen door prompting in een werkwijze te plaatsen waarin controle een vaste stap is. Dat is een mindset-verandering die belangrijker is dan welke specifieke techniek dan ook.
Prompting in een controleerbare workflow
Prompting in een controleerbare workflow inbouwen betekent dat je niet alleen prompts schrijft, maar ook vastlegt hoe je controleert of de output klopt voordat hij verder gaat. Dit is waar veel professionals nog onvolledig werken: de prompt is goed, de output ziet er goed uit, en het belandt zonder check op LinkedIn of in een klantvoorstel. Tot iemand opmerkt dat een statistiek niet klopt of dat een quote nooit zo gegeven is.
Een werkbare prompting-workflow heeft drie vaste stappen. Stap één is de prompt zelf, opgebouwd met de vijf bouwstenen. Stap twee is een eerste controle door jezelf: klopt de feitelijke informatie, past de toon, ontbreekt er niets. Stap drie is een tweede controle door een ander mens of door een andere AI. Vanuit mijn jaren bij grootbanken neem ik daar het four-eyes principe in mee: niets de deur uit zonder een tweede controle. Een test-run op een kleine sample voordat ik bulk-verwerking start, vangt in mijn werkwijze de meeste problemen af voor ze impact hebben.
Voor terugkerende taken loont het om de workflow vast te leggen. Dezelfde prompt voor zoekwoordenonderzoek, contentbriefings of klantcommunicatie hoeft niet elke keer opnieuw bedacht te worden. Door je beste prompts te bewaren, te documenteren wanneer ze werken en wanneer niet, en ze te integreren in een vaste werkwijze, bespaar je tijd en verminder je de kans op fouten. Wie hier gestructureerd in wil leren werken, vindt dat in de ChatGPT cursus van LearnLLM stapsgewijs uitgewerkt.
Niet elke taak vraagt dezelfde controle-intensiteit. Een interne notitie heeft een ander risicoprofiel dan een gepubliceerd artikel of klantadvies. Risicoclassificatie betekent: bepaal vooraf welke controles nodig zijn voor welk type output, en pas de werkwijze daarop aan. High-stakes output krijgt meer controles, low-stakes output minder. Dat klinkt vanzelfsprekend, maar in de praktijk wordt elk type output nog vaak met dezelfde, te lage, controle-intensiteit verwerkt.
Wie net begint heeft baat bij de vijf bouwstenen en de basistechnieken zoals zero-shot, few-shot en rolprompting. Wie al regelmatig met AI werkt en merkt dat de output wisselend is, doet er goed aan zich te richten op de workflow-kant: hoe controleer je output, hoe documenteer je werkende prompts, hoe maak je prompting reproduceerbaar in plaats van eenmalig. De ChatGPT e-learning bouwt deze werkwijze stap voor stap op, met praktische opdrachten en een werkdossier dat je na afloop blijft gebruiken. LearnLLM is opgezet om professionals precies dat soort herhaalbare AI-werkwijzen te leren, in plaats van losse trucs die snel weer verdwijnen.
