Rollen toewijzen in een prompt betekent dat je het AI-model vooraf vertelt vanuit welke expertise het moet antwoorden. Je bouwt het verschil tussen een algemeen antwoord en een antwoord dat aansluit op je vakgebied dus al in de eerste regel van je prompt in.

Een rol is geen goocheltruc. Het is een manier om de output van een taalmodel te sturen door context te geven die het model anders zelf moet invullen, vaak met een gemiddeld resultaat tot gevolg. De rest van dit stuk gaat over waarom rollen toewijzen werkt, wanneer je het inzet en hoe je het concreet doet zonder in clichés te vervallen.

Wat houdt rollen toewijzen in een prompt in?

Rollen toewijzen is de instructie waarmee je een AI-model een specifieke professionele context meegeeft voordat je je vraag stelt. In plaats van “schrijf een tekst over flexibel werken” geef je iets als “je bent HR-adviseur voor een organisatie van 200 medewerkers en je adviseert het MT over flexibel werken”. De vraag verandert dan niet, maar het kader waarbinnen het model antwoordt wel.

Een rol is in feite een vorm van context. Een prompt bestaat uit instructie, context, voorbeelden en eventueel een gewenst formaat. De rol valt onder de context: het bakent af welk taalgebruik, welk perspectief en welke afwegingen passend zijn bij het antwoord. Voor wie zich afvraagt wat is prompting in de bredere zin: een rol toewijzen is een van de basisingrediënten van het vakgebied. Je kunt het zien als een lens waardoor het model naar je vraag kijkt: dezelfde vraag levert door een andere lens een ander antwoord op.

Wat een rol niet doet, is nieuwe kennis aan het model toevoegen. Het model verzint geen nieuwe data omdat je er “ervaren consultant” voor zet. Wat het wel doet, is de antwoordruimte versmallen tot teksten die in de trainingsdata door of voor dat type professional zijn geschreven. Dat scheelt zichtbaar in toon, woordkeuze en de details die het model meeneemt.

Waarom werkt rollen toewijzen in de praktijk?

Rollen toewijzen werkt omdat taalmodellen patronen reproduceren uit de teksten waarop ze getraind zijn. Hoe specifieker je de context maakt, hoe smaller de set patronen waaruit het model put. Een algemene vraag levert een algemeen antwoord op, simpelweg omdat dat de gemiddelde uitkomst is van alle teksten die op die vraag passen.

In mijn werk met de Claude API zie ik dit terug op het moment dat een systeemprompt zonder rolaanduiding wordt vergeleken met dezelfde prompt mét rol. Bij Claude valt op dat het model zich strikt aan de toegewezen rol houdt, ook bij langere conversaties. Bij ChatGPT zag ik in de periode dat ik daar custom GPT’s voor SEO-werk bouwde dat de rol vaker langzaam vervaagde naarmate het gesprek vorderde, waarna het model terugviel op een neutralere toon.

Voor wie de techniek inhoudelijk wil begrijpen, helpt het om te lezen hoe werkt AI in de basis. Dat verklaart waarom een rol invloed heeft op de output zonder dat het model door heeft wat een rol als concept is.

Wanneer heeft rollen toewijzen effect?

Een rol toewijzen heeft het meeste effect bij taken waar perspectief, toon of afweging belangrijker is dan een feitelijk antwoord. Adviezen schrijven, teksten herschrijven voor een specifieke doelgroep, het beoordelen van een aanpak, of het opstellen van een document dat op een professional zou moeten lijken zijn typische gevallen waar een rol verschil maakt.

Bij feitelijke vragen voegt een rol weinig toe. De vraag in welk jaar de Vrede van Westfalen werd gesloten levert hetzelfde antwoord op met of zonder rol als “ervaren historicus” ervoor. Sterker, een rol kan dan zelfs ruis toevoegen omdat het model meer omhaal van woorden gebruikt om in karakter te blijven.

Een rol toewijzen heeft ook minder zin bij kort, ad-hoc gebruik. Voor een eenmalige vraag van twee regels weegt de tijd om de rol uit te schrijven niet op tegen het effect. Het rendement zit in herhaalbaar werk, waar je dezelfde rol meermaals inzet voor hetzelfde type taak. Dan wordt de rol onderdeel van een vaste werkwijze.

Hoe wijs je rollen toe in een prompt?

Bij het toewijzen van rollen in een prompt zijn vier elementen bepalend voor het effect: de functie, het ervaringsniveau, de context van de organisatie of doelgroep, en de denkwijze die je verwacht. Hoe meer van die vier je expliciet maakt, hoe minder ruimte het model heeft om in algemeenheden te vervallen.

Maak de functie specifiek

Bij rollen toewijzen ligt de eerste winst bij specificiteit van de functie. “Marketeer” is te breed. “Contentmarketeer voor een B2B SaaS-bedrijf” geeft het model meteen een context waarin de vraag beantwoord moet worden. Hetzelfde geldt voor “jurist” versus “arbeidsrechtadvocaat met focus op het MKB”, of “consultant” versus “implementatieconsultant voor ERP-trajecten in de zorg”.

Specificiteit is geen detailfetisjisme. Elk woord dat je toevoegt aan de rol stuurt de output. Tegelijk geldt: voeg geen elementen toe die niet relevant zijn voor de taak. Een rol is een werkmiddel, geen biografie.

Geef het ervaringsniveau mee

Het ervaringsniveau in een rol stuurt de afwegingen die het model maakt. “Junior” en “senior” leveren verschillende keuzes op: een junior maakt vaker stappenplannen expliciet, een senior gaat eerder uit van bekende kaders en focust op uitzonderingen of risico’s.

Voor de meeste professionele toepassingen werkt een vorm van “ervaren” of “senior” beter dan geen vermelding, omdat de baseline van het model anders neigt naar uitleg op beginnersniveau. Wil je het juist toegankelijk hebben, dan kies je bewust voor een rol die richting beginner of generalist beweegt.

Een concrete tip uit eigen werk: een ervaringsniveau van vijftien tot twintig jaar levert in mijn ervaring de scherpste antwoorden op. Een formulering als “neem de rol aan van een ervaren senior SEO-specialist met 15+ jaar werkervaring” werkt beter dan “expert” of “doorgewinterde specialist” zonder cijfer. De jaren maken het concreet, en het model gewicht in zijn antwoord het type afwegingen dat bij dat ervaringsniveau past.

Voeg context van organisatie of doelgroep toe

De context van de organisatie of doelgroep maakt de rol bruikbaar voor jouw specifieke taak. Een “marketeer voor een B2B SaaS-bedrijf met 50 medewerkers in Nederland” levert ander advies op dan een “marketeer voor een internationale enterprise”. Hetzelfde voor doelgroep: “communicatieadviseur die schrijft voor inwoners op B1-niveau” stuurt naar andere woordkeuze dan “communicatieadviseur die rapporteert aan een raad van bestuur”.

Hoe concreter je de context maakt, hoe meer het model zich daarop afstemt. Sectoren, organisatieomvang, doelgroep-niveau en geografische context zijn vier dimensies die het loont om expliciet mee te geven, mits ze relevant zijn voor de taak.

Beschrijf de denkwijze die je verwacht

De denkwijze in een rol bepaalt hoe het model afwegingen maakt. “Beoordeel deze aanpak op risico’s voor de leverancier” stuurt anders dan “beoordeel deze aanpak op kansen voor de afnemer”. Door de denkwijze expliciet te maken, voorkom je het neutrale “beide kanten van het verhaal”-antwoord dat het model standaard geeft als je niets opgeeft.

Denkwijzen die in werkcontext goed werken zijn risicogericht, kansgericht, kostengericht, kwaliteitsgericht of klantgericht. Combinaties zijn ook mogelijk, mits ze elkaar niet tegenspreken: “beoordeel op kosten en op kwaliteit, en geef aan waar die twee in deze casus tegen elkaar inwerken” levert vaak een rijker antwoord dan een eenzijdige focus.

Voorbeelden van rollen die in werkcontext werken

Goede voorbeelden van rollen toewijzen komen uit echte taken, niet uit een algemene lijst van “expert-rollen”. Hieronder drie scenario’s met de bijbehorende rolconstructie en een korte toelichting waarom het werkt.

Voor het herschrijven van een interne notitie naar een externe versie: “Je bent communicatieadviseur bij een gemeente. Je herschrijft beleidsdocumenten naar publiekstoegankelijke teksten voor inwoners op B1-niveau.” Het ervaringsniveau zit impliciet in de functie, het taalniveau is expliciet, en de doelgroep stuurt zinslengte en woordkeuze.

Voor het beoordelen van een vacaturetekst: “Je bent recruiter met tien jaar ervaring in technische functies in de bouwsector. Je beoordeelt vacatureteksten op aantrekkelijkheid voor kandidaten en op het risico dat geschikte kandidaten zichzelf voortijdig diskwalificeren.” Hier stuurt de combinatie van ervaring en risicodenken de feedback richting concrete observaties in plaats van algemene tips.

Voor het analyseren van een contract: “Je bent jurist gespecialiseerd in commerciële contracten in de IT-sector. Je beoordeelt overeenkomsten op risico’s voor de leverancier, niet voor de afnemer.” De expliciete partijkeuze voorkomt het neutrale “beide kanten van het verhaal”-antwoord dat het model anders standaard geeft.

Veelgemaakte fouten bij rollen toewijzen

De meest voorkomende fout bij rollen toewijzen is de rol te algemeen houden. “Je bent een expert” voegt niets toe aan de prompt, omdat alle modellen al neigen naar antwoorden die op enige autoriteit lijken. Specifieker is altijd beter, mits de specificatie relevant is voor de taak.

Een tweede fout is het stapelen van te veel rolelementen. Drie zinnen rol gevolgd door een vraag van één regel is uit balans. Het model krijgt dan veel context over de persoon en weinig over de taak, met als gevolg dat de output wel in karakter is maar de vraag matig beantwoordt.

Een derde fout is een onrealistisch ervaringsniveau opvoeren. “AI-specialist met 50+ jaar werkervaring” of “SEO-strateeg met dertig jaar ervaring” klinkt indrukwekkend, maar zo lang bestaan die vakgebieden niet. Het model heeft in zijn trainingsdata weinig tot geen tekst van iemand met dat profiel, simpelweg omdat die personen er niet zijn. Het effect is averechts: in plaats van scherper antwoord krijg je generieker antwoord, omdat het model terugvalt op de gemiddelde “expert”-tekst die het wél kent.

De vierde fout is contradictie tussen rol en taak. Een rol als “snelheidsgerichte operationeel manager” combineren met de vraag om een gedetailleerde, vijfpagina-lange analyse trekt het model twee kanten op. Of de rol verliest, of de gevraagde diepgang. Bij dit soort spanning loont het om de rol te splitsen over twee prompts of om de rol aan te passen aan de daadwerkelijke taak.

De vijfde fout zit in het type rol. Beroemde personen, “gedraag je als Steve Jobs”, of fictieve karakters zijn populair maar leveren in werkcontext zelden bruikbare output op. Het model produceert dan een karikatuur van het publieke beeld, niet een serieuze professionele analyse. Wie rollen wil inzetten als onderdeel van een herhaalbare werkwijze in plaats van een eenmalige truc, vindt in de ChatGPT cursus van LearnLLM een gestructureerde aanpak waarin rolconstructie, contextopbouw en formaatcontrole als samenhangend geheel worden behandeld.

Rollen toewijzen als onderdeel van een vaste werkwijze

De grootste winst van rollen toewijzen ontstaat wanneer je het niet als losse truc ziet maar als vast onderdeel van een werkwijze. In mijn eigen werk leg ik standaardrollen vast voor terugkerende taken, zodat ik niet elke keer opnieuw uitvind hoe ik een prompt opbouw voor bijvoorbeeld een SERP-analyse of een briefing.

Een vaste rol per taak heeft een tweede voordeel: de output wordt vergelijkbaar tussen runs. Wisselende rollen leveren wisselende toon en wisselende afwegingen op, wat lastig is als je meerdere outputs naast elkaar wilt leggen. Een vaste rol fixeert die variabele, waarna verschillen tussen runs sneller herleidbaar zijn naar de inhoudelijke input.

Voor langere prompts of voor systeemprompts in API-werk is het verstandig om de rol bovenaan te zetten en daarna pas de taak en de context. Die volgorde sluit aan bij hoe modellen instructies wegen: wat eerder staat, weegt zwaarder. Bij prompt chaining kun je de rol meegeven in elke schakel of juist alleen in de eerste schakel laten staan, afhankelijk van of de rol relevant is voor de tussenstappen.

Voor analyses die meerdere stappen redenering vragen, combineer je rollen toewijzen vaak met chain-of-thought prompting. De rol bepaalt het perspectief, de chain-of-thought stuurt de structuur waarin het model zijn antwoord opbouwt.

Wat rollen toewijzen niet oplost

Rollen toewijzen is een sterke techniek, maar het lost geen fundamentele problemen op die buiten de prompt liggen. Een model dat geen actuele kennis heeft, krijgt die niet doordat je er “actuele expert” voor zet. Een model dat hallucineert bij specifieke onderwerpen, hallucineert ook met een rol erbij; het hallucineert dan alleen in andere bewoordingen.

Hetzelfde geldt voor verzonnen bronnen, cijfers en citaten. Een rol als “doorgewinterde onderzoeksjournalist” verlaagt het risico op hallucinaties niet op de manier die je intuïtief zou verwachten. Sterker, een rol die autoriteit suggereert maakt het model soms juist overtuigender in het presenteren van fouten. De controle moet dus altijd na de prompt komen, niet ervoor.

Voor bedrijfskritische output betekent dit dat rollen toewijzen één laag is in een bredere werkwijze met controlepunten. De rol stuurt de output naar het juiste type antwoord; de controle daarna toetst of de inhoud klopt. Beide stappen zijn nodig, geen van beide is op zichzelf genoeg.

Wie rollen toewijzen structureel wil inzetten in zijn werk, leert in de ChatGPT e-learning hoe je dit combineert met contextopbouw, formaatcontrole en de controlepunten die nodig zijn om AI-output verantwoord te kunnen gebruiken. LearnLLM is opgezet om professionals precies dat soort herhaalbare AI-werkwijzen te leren, in plaats van losse trucs die snel weer verdwijnen.

Het bericht Waarom en hoe wijs je een rol toe in een prompt? verscheen eerst op LearnLLM.

Goede context geven aan een LLM betekent dat je het model precies de informatie meegeeft die het nodig heeft om jouw vraag relevant te beantwoorden, en niet meer dan dat. Een Large Language Model krijgt geen achtergrondinformatie over wie je bent, wat je probeert te bereiken of in welke organisatie je werkt, tenzij je dat zelf vertelt. De kwaliteit van je context bepaalt voor een groot deel de kwaliteit van het antwoord. Dit artikel beschrijft hoe je context opbouwt, waarom contextkwaliteit belangrijker is dan contextgrootte, en welke fouten je in de praktijk wilt vermijden.

Wat is context bij een LLM?

Context is bij een LLM alle tekst die je samen met je vraag meestuurt: achtergrondinformatie, voorbeelden, documenten, eerdere berichten in het gesprek en eventuele instructies over toon of formaat. Het model gebruikt die tekst om de betekenis van je vraag te bepalen en een passend antwoord te genereren. Zonder context valt het model terug op generieke aannames, en dat zie je terug in het antwoord.

Een eenvoudig voorbeeld: het woord “model” betekent iets anders in een gesprek over machine learning dan in een gesprek over fotografie. De omliggende tekst stuurt de interpretatie. Voor professionals werkt dit precies zo, alleen dan op een hoger niveau. Een vraag over “een goede strategie voor onze nieuwe campagne” levert een ander antwoord op afhankelijk van of het model weet dat je een B2B-SaaS verkoopt aan HR-managers of een lokale fysiotherapiepraktijk runt.

Context bestaat uit verschillende lagen die elkaar aanvullen. De directe vraag is één laag, maar daaromheen heb je doelgroep, branche, eerder werk dat als referentie dient, gewenste toon, en harde randvoorwaarden zoals woordaantal of opmaak. Hoe duidelijker je die lagen scheidt, hoe beter het model erop reageert. Voor een bredere uitleg van het vakgebied is de pillar over wat is prompting het natuurlijke startpunt.

Hoe werkt het contextvenster?

Het contextvenster van een LLM is de hoeveelheid tekst die het model in één keer kan verwerken, gemeten in tokens. Een token is een stukje tekst van gemiddeld drie tot vier letters; een Nederlandse zin van tien woorden is grofweg vijftien tot twintig tokens. Moderne modellen zoals Claude Sonnet 4.6 en Claude Opus 4.7 werken met contextvensters van één miljoen tokens, ruim genoeg voor lange documenten of complete gesprekken.

Belangrijk om te beseffen: het contextvenster is geen geheugen. Een chatmodel onthoudt geen eerdere gesprekken; bij elk nieuw gesprek begint het opnieuw. In een doorlopende chatsessie wordt de hele gespreksgeschiedenis opnieuw meegestuurd zodat het model de samenhang ziet. Naarmate dat gesprek langer wordt, vult het venster zich vanzelf, ook als jij niets nieuws toevoegt.

Bij API-gebruik werkt dit nog explicieter. In de Python-integraties die ik bouw met de Claude API moet bij elk verzoek de volledige relevante context worden meegestuurd, inclusief eerdere uitwisselingen die voor de huidige vraag van belang zijn. Dat dwingt tot keuzes: wat geef je mee en wat laat je weg. Diezelfde discipline helpt ook bij gewoon gebruik via de chat-interface.

Waarom contextkwaliteit zwaarder weegt dan contextgrootte

Een groot contextvenster is geen vrijbrief om alles erin te gooien. Een veelvoorkomende denkfout is dat meer context altijd tot betere antwoorden leidt. In de praktijk zie je vaak het tegenovergestelde: hoe meer ruis je toevoegt, hoe meer moeite het model heeft om de relevante signalen eruit te halen.

Onderzoek uit Stanford, UC Berkeley en Samaya AI heeft aangetoond dat LLM’s informatie vooraan en achteraan in de context het beste verwerken. Wat in het midden van een lange context staat, wordt minder goed gebruikt in het antwoord. Dit fenomeen staat bekend als het “lost in the middle”-probleem en is zichtbaar bij meerdere modelfamilies. Praktisch gevolg: geef je een lang document mee en stel je een specifieke vraag, dan kan kritieke informatie die in het midden van dat document staat onderbelicht blijven, ook al staat de letterlijke tekst in het venster.

De les voor dagelijks gebruik: zet je belangrijkste instructies en de kerninformatie aan het begin of aan het einde van je prompt, en houd de context tussen die punten zo kort mogelijk. Dat klinkt eenvoudiger dan het is. Wie eenmaal een lang document of een grote dataset bij de hand heeft, voelt de neiging om “voor de zekerheid alles maar mee te sturen”. Die reflex levert zelden betere antwoorden op.

Een tweede reden om context strak te houden is kostenbeheersing bij API-werk. Een Python-script dat honderden keren per dag een prompt verstuurt met onnodig veel tokens loopt sneller op dan je verwacht. In de Claude API e-learning komt dit punt expliciet terug, omdat het verschil tussen een efficiënte en een verspillende prompt direct doorwerkt in je rekening.

Een werkbare structuur voor je context

Een werkbare structuur voor context bestaat uit vier blokken die je in deze volgorde meegeeft. Eerst de rol of het kader: tegen wie praat het model en waarvoor wordt het ingezet. Daarna de achtergrondinformatie: wie is de doelgroep, wat is het doel, welke randvoorwaarden gelden. Vervolgens de eigenlijke taak: wat moet het model concreet doen. En tot slot het gewenste outputformaat: lengte, opbouw, toon, eventueel een voorbeeld.

Deze volgorde is geen wet, maar het werkt in de praktijk omdat de prompt het model stapsgewijs verder inzoomt. Eerst plaats je het in de juiste situatie, dan geef je het de bouwstenen, dan de opdracht, dan de verpakking. In dezelfde volgorde leest een collega ook een briefing.

Voor langere taken loont het om context in fasen op te bouwen in plaats van alles in één prompt te dumpen. Een techniek die hierbij helpt is prompt chaining: je laat het model eerst samenvatten of analyseren en gebruikt die output als input voor de volgende stap. Voor opdrachten waarin redenering belangrijk is, werkt chain-of-thought prompting goed: je vraagt het model expliciet om stap voor stap te denken voordat het tot een antwoord komt.

Wanneer is RAG een betere keuze dan een grote prompt?

Soms is je relevante informatie te groot voor één prompt: een complete kennisbank, een productdocumentatie van duizenden pagina’s, of een archief van klantcontacten. In dat soort situaties wordt Retrieval-Augmented Generation (RAG) interessant. Bij RAG bouw je een systeem dat eerst de meest relevante stukken uit een grote dataset ophaalt, en die selectie als context aan het LLM meegeeft. Het model krijgt dus niet alles, maar wel de juiste fragmenten.

Dit werkt goed voor situaties waarin de onderliggende informatie regelmatig verandert (kennisbanken, documentatie, intranet) of waarin de totale dataset gewoonweg te groot is om te laden. Het is geen oplossing voor alles. Wie een eenmalige analyse doet op een document van honderd pagina’s, heeft geen RAG-systeem nodig; dat past prima in het contextvenster van een modern model.

RAG vereist technische infrastructuur: een vectorzoekmachine, een embedding-model, en logica die bepaalt welke fragmenten worden opgehaald. Voor de meeste kenniswerkers is RAG bouwen niet de eerste stap. Beter beheersen wat je in een gewone prompt kunt doen, levert eerder rendement op. Pas wanneer je tegen de grenzen aanloopt, meer informatie dan in één venster past, of informatie die te vaak verandert om handmatig mee te sturen, wordt RAG een serieuze overweging.

Veelgemaakte fouten bij context geven

Goede context geven aan een LLM gaat in de praktijk vaak mis op een paar terugkerende punten. De meest voorkomende fout is te vaag zijn. Een prompt als “schrijf iets over onze nieuwe dienst” geeft het model geen kader, geen doelgroep en geen format. Het antwoord is voorspelbaar generiek. De oplossing is niet langer schrijven, maar specifieker schrijven: wie leest dit, wat is de gewenste actie, welke toon past bij ons merk.

Een tweede fout is context en instructies door elkaar heen schrijven. Wanneer achtergrondinformatie en opdracht in één lange alinea zitten, moet het model raden welk deel beschrijft en welk deel vraagt. Scheid die twee. Een blok “context” gevolgd door een blok “taak” werkt beter dan een lopend verhaal waarin alles vermengd is.

Een derde fout is alle beschikbare informatie meesturen “voor de zekerheid”. In de content engine die ik voor LearnLLM heb gebouwd, was dit een vroeg leermoment. Hoe meer ik in een prompt propte, hoe inconsistenter de output werd. De versie die uiteindelijk in productie ging, geeft per stap precies de informatie die voor die stap nodig is en niets meer. Dat leverde stabielere resultaten op dan alle eerdere varianten met meer context. Wie deze discipline in zijn eigen werk wil opbouwen, vindt in de ChatGPT cursus van LearnLLM een gestructureerde aanpak met vaste stappen, voorbeelden uit de praktijk en een eindopdracht waarin je een eigen workflow bouwt.

Een vierde fout is irrelevante context laten staan uit eerdere stappen. Bij langere chatsessies blijft alles wat je eerder hebt gevraagd in het venster zitten. Stap je halverwege over op een nieuw onderwerp, dan sleur je de oude context mee. Soms is een nieuw gesprek starten effectiever dan doorgaan in dezelfde sessie.

Context als onderdeel van een herhaalbare werkwijze

Context geven aan een LLM is geen losse vaardigheid maar een onderdeel van een bredere werkwijze. Wie elke prompt opnieuw verzint, krijgt elke keer een ander resultaat. Wie vaste sjablonen bouwt voor terugkerende taken, en die sjablonen blijft verbeteren op basis van de output, bouwt een werkwijze op die voorspelbare resultaten oplevert. Dat is precies het verschil tussen losse promptbeheersing en professioneel AI-gebruik.

In mijn eigen werkwijze ben ik van losse prompts naar workflows gegaan toen ik fouten in productie zag belanden. Een goed gestructureerde context met heldere randvoorwaarden voorkomt een groot deel van die fouten. Het andere deel vang je op met controlepunten achteraf: terugleessessies, eindredactie, en bij API-werk geautomatiseerde validatie van de output.

De ChatGPT e-learning behandelt deze aanpak systematisch en bouwt een werkwijze op die je direct in je eigen werk kunt inzetten. LearnLLM is opgezet om professionals herhaalbare AI-werkwijzen te leren, in plaats van losse trucs die snel weer verdwijnen.

Het bericht Hoe geef je goede context aan een LLM? verscheen eerst op LearnLLM.

Prompt chaining is een techniek waarbij je een complexe opdracht opsplitst in meerdere kleinere prompts die elkaar opvolgen. De output van de eerste prompt wordt de input voor de tweede, en zo bouw je stap voor stap naar een eindresultaat. In plaats van alles in één keer te vragen, begeleid je het AI-model door een proces.

Wie regelmatig met ChatGPT of Claude werkt, herkent het probleem: een uitgebreide prompt met tien instructies levert zelden een resultaat dat op alle punten goed is. Prompt chaining lost dat op door elke stap gerichte aandacht te geven. De techniek hoort bij het bredere vakgebied prompting; de vraag wat is prompting precies, en welke andere technieken onder die vlag vallen, komt elders in de kennisbank uitgebreid aan bod.

Hoe werkt prompt chaining?

Prompt chaining begint met het identificeren van de deeltaken binnen je opdracht. Stel dat je een intern adviesrapport wilt schrijven op basis van drie brondocumenten. In plaats van één prompt te sturen met “analyseer deze bronnen, identificeer de belangrijkste inzichten, schrijf een samenvatting en formuleer een advies”, splits je dat op in afzonderlijke stappen.

De eerste prompt richt zich uitsluitend op het analyseren van de bronnen. Je vraagt het model om de kernpunten per document op te sommen, zonder al te interpreteren of samen te vatten. De tweede prompt neemt die kernpunten als input en vraagt om patronen en tegenstrijdigheden te identificeren. Wat komt in alle bronnen terug, en waar spreken ze elkaar tegen? De derde prompt vertaalt die analyse naar een advies voor een specifieke doelgroep, bijvoorbeeld het managementteam. Pas in deze stap geef je instructies over toon, lengte en structuur.

Het principe is bij elke prompt chain hetzelfde: elke stap heeft precies één doel, en de output van de ene stap voedt de volgende. Zo ontstaat een pijplijn waarin het eindresultaat beter is dan wat één enkele prompt zou opleveren. In de Python-tools die ik op eigen VPS draai met de Claude API zijn alle workflows opgebouwd uit prompt chains; één gigantische prompt werkt in geautomatiseerde context eenvoudig niet, omdat de output dan onvoorspelbaar is en je niet kunt valideren waar iets misgaat.

Drie patronen voor prompt chaining

Voor prompt chaining bestaan er drie veelgebruikte patronen. Welk patroon je kiest, hangt af van de structuur van je taak en de mate van controle die je nodig hebt.

Lineaire keten

Een lineaire prompt chain is het meest gebruikte patroon. Elke prompt wordt op volgorde uitgevoerd en bouwt voort op het resultaat van de vorige stap. Dit werkt voor taken met een natuurlijke stap-voor-stap progressie, zoals het voorbeeld van het adviesrapport hierboven. De kracht van een lineaire keten zit in de helderheid: elke stap heeft één voorganger en één opvolger, en als de keten eenmaal staat kun je hem opnieuw inzetten voor vergelijkbare taken.

Parallelle keten

Een parallelle prompt chain voert meerdere prompts tegelijk uit, elk gericht op een ander aspect van dezelfde taak. Vervolgens combineer je de resultaten in een afsluitende prompt. Dit werkt wanneer je onafhankelijke analyses nodig hebt die je tot één conclusie wilt samenvoegen, bijvoorbeeld een SWOT-analyse waarbij je sterke punten, zwakke punten, kansen en bedreigingen elk apart laat uitwerken. Het voordeel van parallelle ketens is snelheid; het nadeel is dat je geen tussentijdse correcties kunt toepassen tussen de parallelle stappen.

Zelfcorrectie-keten

Een zelfcorrectie-prompt chain laat het model eerst een concept genereren, dat concept beoordelen aan de hand van criteria die je meegeeft, en het resultaat aanpassen op basis van die beoordeling. Dit patroon is effectief voor schrijftaken waarbij je de kwaliteit iteratief wilt verhogen zonder zelf elke versie handmatig te reviewen. De keten werkt het best als je expliciete beoordelingscriteria geeft, want zonder concrete maatstaf produceert het model vaak een tweede versie die niet wezenlijk beter is dan de eerste.

Waarom levert prompt chaining betere resultaten op?

Prompt chaining verbetert de output omdat het de aandacht van het model per stap concentreert. Een taalmodel dat tien instructies tegelijk verwerkt, geeft aan sommige meer gewicht dan aan andere. Dat leidt tot output die op drie punten goed is en op zeven punten middelmatig. Met korte, gerichte prompts voorkom je die verdunning. Elke prompt krijgt de volledige aandacht van het model, waardoor de kwaliteit per stap hoger ligt.

Een tweede voordeel is foutopsporing. Levert stap drie van je keten een zwak resultaat, dan voer je alleen die stap opnieuw uit. Bij één grote prompt begin je helemaal opnieuw, zonder te weten welk onderdeel het probleem veroorzaakte. Je kunt gericht bijsturen in plaats van alles te herhalen.

Het derde voordeel is dat je de kwaliteit van je prompt per stap kunt verbeteren. Levert een bepaalde stap consistent matige output, dan pas je alleen die prompt aan. Hetzelfde principe geldt voor het bredere onderwerp een goede vraag stellen aan AI: hoe specifieker en afgebakender, hoe bruikbaarder de output.

Prompt chaining versus chain-of-thought prompting

Prompt chaining en chain-of-thought prompting lijken op elkaar, maar werken fundamenteel anders. Het verschil zit in waar het redeneerproces plaatsvindt: verspreid over meerdere prompts, of binnen één enkele prompt.

Bij chain-of-thought prompting vraag je het model om binnen één prompt stap voor stap na te denken. Je voegt een instructie toe als “redeneer stapsgewijs” en het model doorloopt het volledige denkproces in één antwoord. Dit werkt goed bij logische problemen, berekeningen en analyses die een duidelijke redeneerlijn vereisen.

Bij prompt chaining splits je de taak op over meerdere afzonderlijke prompts. Elke prompt is een eigen interactie, en jij beoordeelt het tussenresultaat voordat je de volgende stap inzet. Dit geeft meer grip op het proces, maar kost ook meer tijd. In de praktijk blijkt prompt chaining vooral meerwaarde te hebben bij taken waar de output naar iemand anders gaat, zoals rapporten, offertes of communicatie-uitingen.

De twee technieken sluiten elkaar niet uit. Je kunt binnen een prompt chain bij een specifieke stap chain-of-thought gebruiken, bijvoorbeeld wanneer die stap een complexe afweging vereist. Achter die combinatie zit dezelfde logica als achter de vraag hoe werkt AI in de basis: het model verwerkt elke prompt als een op zichzelf staande opdracht, en chain-of-thought helpt bij stappen die redenering vereisen binnen die opdracht.

Een praktijkvoorbeeld van prompt chaining

Prompt chaining wordt concreet aan de hand van een realistisch voorbeeld. Stel dat je als communicatieadviseur een persbericht moet schrijven over een organisatieverandering. De directie heeft je een interne memo gestuurd met de details.

Prompt 1: “Lees deze interne memo en identificeer de vijf belangrijkste feiten die in het persbericht moeten staan. Geen interpretatie, alleen feiten.”

Prompt 2: “Rangschik deze vijf feiten op relevantie voor een extern publiek. Welk feit hoort in de openingsalinea, welke zijn ondersteunend?”

Prompt 3: “Schrijf een persbericht van maximaal 300 woorden op basis van deze rangschikking. Gebruik een zakelijke toon. De openingszin bevat het belangrijkste feit. Geen citaten verzinnen.”

Prompt 4: “Controleer dit persbericht op feitelijke consistentie met de oorspronkelijke memo. Zijn er claims die niet direct herleidbaar zijn? Zo ja, markeer ze.”

Elke stap heeft één functie: feiten extraheren, prioriteren, schrijven, verifiëren. De vierde stap is een ingebouwde verificatie die je bij een enkele prompt niet hebt. Je ziet precies wat het model verandert of toevoegt, en je kunt ingrijpen voordat het persbericht de deur uit gaat.

Een tweede voorbeeld uit de praktijk: een projectmanager die een risicoanalyse moet opstellen. De eerste prompt inventariseert alle risico’s op basis van het projectplan. De tweede prompt categoriseert die risico’s op waarschijnlijkheid en impact. De derde prompt formuleert per risico een mitigatiemaatregel. De vierde prompt brengt alles samen in een gestructureerd overzicht dat direct bruikbaar is in een stuurgroepvergadering.

De zelfcorrectie-keten werkt anders. Stel dat je een offerte moet schrijven. Prompt 1 genereert een eerste versie op basis van je briefing. Prompt 2 beoordeelt die versie aan de hand van criteria die je meegeeft: “Controleer of de offerte een duidelijke probleemstelling bevat, een concrete aanpak beschrijft en een onderbouwde prijs noemt.” Prompt 3 herschrijft de offerte op basis van die beoordeling. Het model corrigeert zichzelf, waardoor je minder handmatige revisierondes nodig hebt.

Dit soort ketens werkt op dezelfde manier in ChatGPT, in Claude van Anthropic en in andere taalmodellen. Het gaat niet om welk model je gebruikt, maar om hoe je de taak opdeelt. De structuur van de keten bepaalt de kwaliteit van het resultaat.

Tips voor het opzetten van een prompt chain

Een goede prompt chain valt of staat met een paar vuistregels. Wie ze toepast, voorkomt de meest voorkomende fouten en bouwt ketens die ook bij herhaalde inzet betrouwbaar werken.

Splits zodra een prompt twee dingen tegelijk probeert. “Analyseer en vat samen” zijn twee bewerkingen die elk een andere instructie vereisen. Maak er twee prompts van, zodat je per stap kunt bijsturen als de output niet klopt.

Beperk je keten tot maximaal vijf stappen. Langere ketens verhogen de kans dat context verloren gaat of dat kleine fouten zich opstapelen. Heb je meer dan vijf stappen nodig, dan is de oorspronkelijke taak waarschijnlijk te breed gedefinieerd.

Wees expliciet over hoe het model de vorige output moet gebruiken. “Gebruik het resultaat van de vorige stap” is te vaag. “Neem de vijf kernpunten uit de vorige stap en rangschik ze op urgentie” geeft het model een duidelijke opdracht. In de ChatGPT cursus van LearnLLM staat dit type techniek stapsgewijs uitgewerkt, inclusief voorbeeldketens die je in je eigen werk kunt overnemen.

Bouw een evaluatiestap in na kritieke tussenstappen. Een vraag als “zijn er feiten weggelaten of toegevoegd ten opzichte van de oorspronkelijke input?” is voldoende om fouten vroeg op te vangen, voordat ze zich door de rest van de keten voortplanten.

Test elke stap eerst individueel voordat je de volledige keten uitvoert. Een prompt die geïsoleerd goed werkt maar in combinatie met de vorige output een onverwacht resultaat geeft, is makkelijker te debuggen wanneer je hem eerst los hebt getest. Bij elke nieuwe chain die ik bouw, log ik de tussenresultaten van elke stap zodat ik later kan herleiden waar een keten ontspoorde. Dat is laagdrempelig in te richten en bespaart op de lange termijn veel debugtijd.

Toepasbaarheid van prompt chaining

Prompt chaining is niet voor elke taak de juiste aanpak. De techniek is zinvol bij opdrachten die meerdere bewerkingen vereisen of waarbij verschillende typen output nodig zijn. Denk aan taken die onderzoek, analyse, creatie en verificatie combineren in één eindproduct.

Voor eenvoudige taken is prompt chaining overbodig. Een AI-model dat je vraagt om een vergadernotitie samen te vatten, heeft geen keten van vier prompts nodig. Eén goed geformuleerde prompt met duidelijke instructies over lengte, toon en structuur volstaat.

Een goede vuistregel: kun je de taak beschrijven in één zin zonder het woord “en” te gebruiken, dan is een enkele prompt waarschijnlijk voldoende. “Vat deze notitie samen” is één taak. “Analyseer dit rapport, identificeer risico’s en schrijf een advies voor de directie” is drie taken die baat hebben bij prompt chaining.

Professionals die net beginnen met het koppelen van prompts maken vaak de fout om te lange ketens te bouwen. Een keten van acht stappen klinkt grondig, maar in de praktijk gaat er na stap vijf context verloren. Begin met ketens van twee of drie stappen en breid uit als je merkt dat de resultaten beter worden.

Een andere veelgemaakte fout is het niet overdragen van voldoende context tussen stappen. Ga er niet vanuit dat het model alles onthoudt. Geef bij elke nieuwe prompt de relevante context mee die het model nodig heeft om de taak uit te voeren.

Van losse prompts naar een vaste werkwijze

Prompt chaining dwingt je om vooraf na te denken over de structuur van je opdracht. Welke stappen zijn nodig? In welke volgorde? Waar zit het risico op fouten? Die voorbereiding maakt het verschil tussen ad hoc prompting en een herhaalbare werkwijze.

Een prompt chain die goed werkt voor het schrijven van een adviesrapport, kun je de volgende keer opnieuw gebruiken. Documenteer je ketens en bouw zo een bibliotheek op van werkende workflows. AI-modellen leveren de beste resultaten op wanneer je het proces structureert, niet wanneer je elke keer opnieuw improviseert.

Zo’n bibliotheek hoeft niet ingewikkeld te zijn. Een document met per taaktype de stappen, de prompts en aantekeningen over wat wel en niet werkte is voldoende. Na een paar weken heb je een verzameling ketens die je direct kunt inzetten zonder elke keer opnieuw na te denken over de opbouw.

De ChatGPT e-learning behandelt prompt chaining als onderdeel van een complete werkwijze met herhaalbare workflows en controlepunten. Een concreet startpunt om vandaag mee te beginnen: neem een taak die je deze week toch al moet uitvoeren en die je normaal in één prompt zou doen. Splits hem op in drie stappen, voer elke stap apart uit en vergelijk de output. Dat ene experiment maakt het verschil tussen prompt chaining als concept en als werkbare techniek in je eigen werk. LearnLLM is opgezet om professionals precies dat soort herhaalbare AI-werkwijzen te leren, in plaats van losse trucs die snel weer verdwijnen.

Het bericht Wat is prompt chaining? verscheen eerst op LearnLLM.

Chain-of-thought prompting is een prompttechniek waarbij je een AI-model vraagt om stap voor stap te redeneren voordat het een antwoord geeft. In plaats van direct een conclusie te presenteren, schrijft het model zijn denkstappen uit. Dat levert bij complexe vragen vaak betere en controleerbare resultaten op.

De techniek werd in 2022 geïntroduceerd door onderzoekers van Google, onder leiding van Jason Wei. Zij toonden aan dat taalmodellen aanzienlijk nauwkeuriger presteren op reken-, logica- en redeneertaken wanneer ze hun tussenliggende stappen expliciet formuleren. Sindsdien is chain-of-thought een van de meest gebruikte technieken binnen het vakgebied prompting. De vraag wat is prompting precies, en welke andere technieken er bestaan, komt elders in de kennisbank uitgebreid aan bod.

Hoe werkt chain-of-thought prompting?

Chain-of-thought prompting werkt door het taalmodel te stimuleren om tussenstappen te genereren in plaats van direct naar een eindantwoord te springen. Bij een standaardprompt krijg je vaak alleen een conclusie. Bij een chain-of-thought prompt zie je ook hoe het model tot die conclusie komt.

Dat verschil is vergelijkbaar met het verschil tussen iemand die zegt “het antwoord is 42” en iemand die laat zien welke berekening daaraan voorafging. De uitgeschreven redenering geeft je als gebruiker de mogelijkheid om te beoordelen of de logica klopt, en om precies te zien waar het eventueel misgaat. Een model voorspelt patronen en controleert geen feiten. De vraag hoe werkt AI in de basis komt elders in de kennisbank uitgebreid aan bod; chain-of-thought maakt die voorspelling alleen zichtbaarder.

Er zijn twee gangbare varianten van chain-of-thought prompting. Welke je kiest, hangt af van de complexiteit van je taak en de tijd die je hebt om je prompt voor te bereiden.

Zero-shot chain-of-thought prompting

Zero-shot chain-of-thought prompting is de eenvoudigste variant. Je voegt een korte instructie toe aan je prompt, zoals “Denk hier stap voor stap over na” of “Leg uit hoe je tot je antwoord komt”. Het model krijgt geen voorbeelden, maar alleen de opdracht om zijn redenering te tonen.

Deze variant is snel en praktisch. Je hoeft geen voorbeelden voor te bereiden en kunt het direct toepassen op elke vraag. De resultaten zijn bij eenvoudige redeneertaken al merkbaar beter dan zonder chain-of-thought instructie.

Een voorbeeld. Stel dat je ChatGPT vraagt: “Een projectteam heeft 12 taken. Drie teamleden verdelen de taken gelijk. Daarna komen er 6 taken bij die over twee teamleden worden verdeeld. Hoeveel taken heeft elk teamlid nu?” Zonder chain-of-thought instructie krijg je soms een fout antwoord. Voeg je toe “Reken dit stap voor stap uit”, dan schrijft het model elke stap uit en komt het vrijwel altijd op het juiste antwoord.

Few-shot chain-of-thought prompting

Few-shot chain-of-thought prompting gaat een stap verder. Je geeft het model een of meer voorbeelden waarin je zelf laat zien hoe een redenering eruitziet. Het model volgt vervolgens dat patroon bij de nieuwe vraag.

Deze variant is bijzonder effectief bij taken waar de gewenste redeneerstijl niet vanzelfsprekend is. Denk aan situaties waarin je een specifiek afwegingskader wilt volgen, of waarin de redenering meerdere perspectieven moet meewegen. Door een concreet voorbeeld te tonen, stuur je het model in de juiste richting.

Het nadeel is dat few-shot prompts meer voorbereiding kosten. Je moet zelf een goed voorbeeld formuleren, en de kwaliteit van dat voorbeeld beïnvloedt het resultaat direct. In de praktijk is few-shot chain-of-thought prompting vooral waardevol bij terugkerende taken waar je de investering in een goed voorbeeld kunt terugverdienen.

Chain-of-thought prompting in de praktijk

Chain-of-thought prompting wordt in de meeste artikelen uitgelegd aan de hand van wiskundige rekensommen. Dat is logisch, want het effect is bij rekentaken het duidelijkst meetbaar. Maar de techniek is minstens zo waardevol bij professionele taken die een afweging of analyse vereisen.

Voorbeeld bij een analyse

Chain-of-thought prompting bij een analyse helpt je om de redenering van het model te controleren. Stel dat je een AI-model vraagt om drie leveranciers te vergelijken op basis van prijs, levertijd en kwaliteit. Zonder chain-of-thought instructie krijg je een conclusie (“Leverancier B is de beste keuze”) zonder onderbouwing.

Voeg je toe “Weeg elke factor apart af en leg uit hoe je tot je aanbeveling komt”, dan zie je precies welke aannames het model maakt. Misschien weegt het prijs zwaarder dan kwaliteit, terwijl dat voor jouw situatie andersom zou moeten. Die zichtbaarheid maakt het verschil tussen blind vertrouwen en bewust beoordelen.

Voorbeeld bij een zakelijke afweging

Chain-of-thought prompting bij een zakelijke afweging dwingt het model om argumenten voor en tegen uit te werken. Stel dat je Claude vraagt of het verstandig is om een nieuw softwarepakket te implementeren voor je team. Een standaardantwoord somt voordelen op en eindigt met “het hangt af van je situatie”.

Met een chain-of-thought instructie als “Loop de voor- en nadelen stap voor stap door, weeg ze tegen elkaar af en kom tot een concrete aanbeveling” krijg je een gestructureerde analyse. Het model benoemt kosten, implementatietijd, leercurve en verwachte productiviteitswinst apart. Dat maakt de output bruikbaar als startpunt voor een echte beslissing, in plaats van een vrijblijvend overzicht.

Toepasbaarheid van chain-of-thought prompting

Chain-of-thought prompting werkt niet bij elk type taak even goed. De techniek levert een merkbaar verschil op bij sommige opdrachten en voegt bij andere weinig of niets toe. Onderscheiden tussen die twee scheelt tijd en voorkomt dat outputs onnodig lang worden.

Taken waarbij de techniek het meeste oplevert

Chain-of-thought prompting levert het meeste op bij taken die meerdere stappen of afwegingen vereisen. Denk aan rekenkundige problemen, logische puzzels, vergelijkingen tussen opties, risicoanalyses en beleidsafwegingen. Het gemeenschappelijke kenmerk is dat het antwoord niet in één stap te bereiken is.

Hoe complexer de taak, hoe groter het verschil met standaard prompting. Zodra er meerdere variabelen meespelen of een afweging nodig is, merk je dat de kwaliteit van de output stijgt. Professionals die goede vragen aan AI stellen combineren chain-of-thought prompting vaak met andere technieken, bijvoorbeeld met een rolbeschrijving (“Je bent een financieel analist. Doorloop stap voor stap de volgende data…”) of met een specifiek outputformaat.

Taken waarbij de techniek niets toevoegt

Chain-of-thought prompting voegt bij eenvoudige taken niets toe. Bij feitelijke vragen, korte schrijftaken of creatieve opdrachten levert de techniek geen betere resultaten op; het model maakt het antwoord dan onnodig lang zonder dat de kwaliteit verbetert.

Een concreet voorbeeld: vraag je “Schrijf een beknopte e-mail waarin je een vergadering verplaatst naar donderdag”, dan is stap-voor-stap redeneren overbodig. Het model hoeft geen tussenstappen te doorlopen, het moet gewoon een tekst genereren.

De vuistregel is: kun je het antwoord zelf in één stap formuleren, dan heeft chain-of-thought prompting weinig zin. Zodra je merkt dat je zelf ook even zou moeten nadenken over de juiste aanpak, is het een goed moment om het model diezelfde denkruimte te geven. Langere antwoorden zijn ook niet per definitie betere antwoorden. Een model dat uitgebreid redeneert maar op een verkeerd spoor zit, produceert meer tekst zonder meer waarde.

Chain-of-thought versus prompt chaining

Chain-of-thought prompting en prompt chaining worden vaak door elkaar gehaald, maar het zijn fundamenteel andere technieken. Het verschil zit in waar de redenering plaatsvindt: binnen één prompt of verspreid over meerdere prompts.

Bij chain-of-thought prompting blijft alles binnen één prompt. Je vraagt het model om in één antwoord stap voor stap te redeneren en tot een conclusie te komen. De gehele denkstap zit in dezelfde response. Bij prompt chaining splits je de taak juist op in meerdere afzonderlijke prompts. De output van prompt 1 wordt de input van prompt 2, en zo verder. Tussen elke stap kun je tussentijds bijsturen, valideren of corrigeren.

De keuze tussen beide hangt af van de complexiteit en het risico van de taak. Voor afgebakende redeneeropdrachten waar je het hele denkproces in één keer wilt zien, werkt chain-of-thought prima. Voor langere productieworkflows, waar je per stap de tussenresultaten moet controleren of waar elke stap een eigen output-formaat heeft, is prompt chaining sterker. De technieken sluiten elkaar niet uit: je kunt prima chain-of-thought toepassen binnen één stap van een prompt chain, bijvoorbeeld op de stap die de zwaarste afweging vereist.

Chain-of-thought prompting bij reasoning-modellen

Chain-of-thought prompting was oorspronkelijk iets dat je als gebruiker zelf moest activeren via je prompt. Dat is aan het veranderen. Recente reasoning-modellen hebben chain-of-thought redenering standaard ingebouwd in hun architectuur. Een overzicht van welke modellen wel en geen ingebouwde redeneerlaag hebben staat in het overzicht van bekende AI-modellen.

OpenAI’s o-serie (o1, o3, o4-mini) is hier het bekendste voorbeeld. Deze modellen zijn getraind om intern een redeneerproces te doorlopen voordat ze een antwoord geven. Je ziet dat in de interface als een “denk”-fase waarin het model zijn eigen logica opbouwt. Je hoeft als gebruiker geen expliciete chain-of-thought instructie meer te geven; het model doet het automatisch. DeepSeek R1 gaat nog een stap verder en toont het volledige redeneerproces zichtbaar in de output, inclusief momenten waarop het zichzelf corrigeert.

Recent onderzoek van de Wharton Generative AI Labs (Meincke, Mollick et al., 2025) laat zien dat chain-of-thought instructies bij reasoning-modellen amper waarde toevoegen en in sommige gevallen zelfs licht slechtere resultaten geven, terwijl ze wel meer rekentijd kosten. Voor non-reasoning modellen blijft de techniek gemiddeld een beperkte verbetering opleveren. In mijn eigen werk met Claude Opus 4.7 merk ik dat een expliciete chain-of-thought instructie het model soms eerder verwart dan helpt; de uitkomst wordt langer en breedsprakiger zonder dat de kern scherper wordt. Korte, heldere instructies werken bij dit soort modellen beter dan uitvoerige uitleg vooraf.

Voor professionals is dit een relevante ontwikkeling. Bij reasoning-modellen verschuift de vaardigheid van “de juiste chain-of-thought prompt schrijven” naar “de getoonde redenering kritisch beoordelen”. Je hoeft het model niet meer te vertellen hoe het moet denken, maar je moet wel kunnen inschatten of de getoonde denkstappen kloppen. Bij modellen zonder ingebouwde redeneerlaag, zoals een standaard ChatGPT-model of Gemini, blijft chain-of-thought prompting een waardevolle techniek die je zelf activeert.

Beperkingen van chain-of-thought prompting

Chain-of-thought prompting verbetert de output bij complexe taken, maar het is geen garantie voor correcte antwoorden. Er zijn twee beperkingen waar je als professional alert op moet zijn.

Overtuigende maar onjuiste redeneringen

Chain-of-thought prompting kan leiden tot overtuigende maar onjuiste redeneringen. Het model genereert tekst die logisch lijkt, stap voor stap, maar op verkeerde aannames is gebouwd. Een taalmodel herkent patronen in tekst en voorspelt het meest waarschijnlijke volgende woord; het controleert zijn eigen logica niet zoals een mens dat doet.

In de praktijk betekent dit dat je de redenering altijd moet nalopen, vooral bij taken waar fouten consequenties hebben. Een financieel overzicht dat er keurig uit ziet maar op een verkeerde aanname is gebouwd, is gevaarlijker dan een zichtbaar rommelig antwoord. De uitgeschreven stappen geven je de mogelijkheid om fouten te vinden, maar alleen als je ze ook daadwerkelijk leest en beoordeelt.

Langere antwoorden zijn niet altijd betere antwoorden

Chain-of-thought prompting levert langere antwoorden op. Dat is soms precies wat je nodig hebt, maar het kan ook ruis toevoegen. Een model dat zeven stappen uitschrijft waar drie hadden volstaan, maakt het moeilijker om de kern te vinden.

Bij eenvoudige taken kan chain-of-thought prompting de output zelfs verslechteren. Dat is geen anekdotische observatie maar een bevinding uit het oorspronkelijke Wei et al.-onderzoek (2022): bij vragen die maar één stap vereisen, leverde chain-of-thought geen verbetering op en soms een lichte achteruitgang. Gebruik de techniek dus gericht, niet standaard.

Chain-of-thought prompting binnen een controleerbare workflow

Chain-of-thought prompting past goed bij een werkwijze waarin je AI-output systematisch controleert voordat je die gebruikt. De uitgeschreven redenering geeft je concrete aanknopingspunten om te beoordelen of het antwoord klopt.

Je kunt de redenering checken op drie niveaus. Kloppen de feiten die het model als uitgangspunt neemt? Zijn de tussenstappen logisch? En volgt de conclusie uit die tussenstappen? Klopt een van deze drie niet, dan weet je precies waar het probleem zit en kun je gericht bijsturen.

In mijn eigen workflow zet ik chain-of-thought vaak in als reviewer-stap. Nadat ik een eerste antwoord heb, stuur ik een tweede prompt waarin ik het model vraag de eigen redenering stap voor stap te controleren op aannames en sprongen in de logica. Dat dwingt een explicietere onderbouwing af dan in de eerste run, en vangt fouten af voordat de output verder gaat. In de ChatGPT cursus van LearnLLM staat dit type werkwijze stap voor stap uitgewerkt, inclusief vaste controlepunten en voorbeeldprompts die je in je eigen werk kunt overnemen.

Chain-of-thought prompting is daarmee meer dan een truc voor betere antwoorden. Het is een manier om AI-output controleerbaar te maken, en dat is precies wat professionals nodig hebben die output leveren onder eigen naam. Wie deze techniek structureel wil inzetten in zijn werk, vindt in de ChatGPT e-learning van LearnLLM een complete werkwijze met herhaalbare workflows en controlepunten.

Het bericht Wat is chain-of-thought prompting? verscheen eerst op LearnLLM.