Wie met tools als ChatGPT of Copilot werkt, herkent het patroon: de ene keer een bruikbaar antwoord, de andere keer een vage tekst die weinig met de vraag te maken heeft. De conclusie ligt dan snel voor de hand: “AI werkt niet voor mij.”
Vaak speelt de opdracht zelf een grote rol — al kunnen ook modelbeperkingen, ontbrekende gegevens of een ongeschikte toepassing meespelen. Wie leert een goede prompt te schrijven — de kern van prompt engineering — vergroot de kans op bruikbare output uit dezelfde tools. Dit artikel legt uit wat prompt engineering is en hoe je het toepast, zonder dat je hoeft te programmeren.
Wat is prompt engineering?
Prompt engineering is, in de woorden van SAP, “de praktijk van het maken van precieze prompts om modellen van generatieve AI te helpen correct te reageren.” Clickforest omschrijft het als het systematisch ontwerpen, testen en verfijnen van prompts. Belangrijk: een goede prompt vergroot de kans op bruikbare output, maar biedt geen garantie op correcte antwoorden.
Voor de meeste dagelijkse toepassingen heb je er geen technische kennis voor nodig; helder formuleren staat centraal. (In professionele contexten kan prompt engineering ook technische evaluatie en tooling omvatten, maar dat valt buiten dit artikel.)
Een taalmodel kent jouw situatie doorgaans niet — wie je bent, voor wie je schrijft, wat je met het resultaat wilt. Sommige tools gebruiken profielinformatie of gespreksgeheugen, maar reken daar niet op: hoe relevanter de context die je zelf meegeeft, hoe groter de kans op een passend antwoord.
Vergelijk het met een briefing aan een nieuwe collega. “Schrijf iets over onze dienst” is een dunne opdracht. “Schrijf een offertetekst van 200 woorden voor een logistiek bedrijf dat twijfelt over de kosten” geeft richting. Bij AI werkt dat vergelijkbaar — al is de vergelijking een vereenvoudiging.
Waarom vage prompts vaak vage antwoorden opleveren
Een taalmodel genereert tekst op basis van jouw input en de beschikbare context. Geef je weinig richting, dan krijg je in de praktijk vaak algemene, veilige tekst die overal en nergens over gaat. Het is een vuistregel, geen wet — maar wel een herkenbare.
“Schrijf een e-mail aan een klant” kan duizend kanten op. Het model kiest er één, en de kans dat die precies bij jouw situatie past, is klein zonder verdere informatie.
De aanpak is niet slimmer of langer typen, maar structureel de juiste elementen meegeven. Daar draait de rest van dit artikel om. Let wel: méér context is niet automatisch beter — irrelevante informatie kan het resultaat juist verslechteren.
De bouwstenen van een sterke prompt
Er bestaat geen universele vaste set, maar in de praktijk werken veel professionals met een gangbaar raamwerk van bouwstenen — Fingerspitz noemt bijvoorbeeld een specifieke rol, een concrete taak en heldere instructies als basiselementen. Je hoeft ze niet allemaal in elke prompt te stoppen; kies de bouwstenen die voor jouw taak relevant zijn.
1. Rol: wie moet de AI zijn?
Geef het model een rol: “Je bent een ervaren HR-adviseur” of “Gedraag je als een kritische inkoper.” Dit kan toon, vakjargon en perspectief van het antwoord beïnvloeden — al is het effect per model en taak verschillend.
2. Taak: wat moet er precies gebeuren?
Formuleer de taak concreet. “Vat dit verslag samen in vijf bullets” werkt beter dan “Doe iets nuttigs met dit verslag.” Samenhangende subtaken kun je prima combineren in één prompt; splits pas op als de opdracht onoverzichtelijk wordt of het antwoord aan alle kanten tekortschiet.
3. Context: wat moet het model weten?
Beschrijf de situatie: de doelgroep, het doel, de aanleiding, relevante achtergrond. Plak brontekst direct in de prompt als het antwoord daarop gebaseerd moet zijn. Let op: ook mét brontekst kan het model informatie verkeerd interpreteren, weglaten of verzinnen — controle blijft nodig.
4. Format: hoe moet het antwoord eruitzien?
Specificeer de vorm: een tabel, een genummerde lijst, een e-mail van maximaal 150 woorden, een stappenplan. Zonder formatinstructie kiest het model zelf — en dan is het afwachten of dat aansluit bij wat je nodig hebt.
5. Toon en beperkingen
Geef aan wat je wél en níét wilt: “zakelijk maar toegankelijk”, “geen jargon”, “in het Nederlands”, “maximaal drie alinea’s”. Beperkingen geven vaak net zoveel sturing als instructies.
Voorbeeld: van zwak naar sterk
Zwak: “Schrijf een vacaturetekst voor een planner.”
Sterk: “Je bent een recruiter voor een middelgroot transportbedrijf. Schrijf een vacaturetekst voor een transportplanner. Doelgroep: kandidaten met 2-5 jaar ervaring die nu bij een grotere organisatie werken. Benadruk korte lijnen en zelfstandigheid. Toon: direct en informeel, geen wervingsclichés. Lengte: circa 250 woorden, met een pakkende openingszin en een duidelijke call-to-action.”
Dezelfde AI, hetzelfde model — maar de tweede prompt geeft veel meer sturing en vergroot daarmee de kans op output die je met kleine aanpassingen kunt gebruiken.
Drie technieken die vaak verschil maken
Naast de bouwstenen zijn er technieken die de kwaliteit van antwoorden verder kunnen verbeteren. Deze drie zijn voor niet-techneuten het meest toegankelijk.
Werk met voorbeelden
Laat zien wat je bedoelt. Plak een eerdere tekst erbij die de juiste stijl heeft: “Schrijf in dezelfde stijl als dit voorbeeld.” Modellen kunnen toon en structuur oppikken uit één of twee voorbeelden, al verschilt het resultaat per model en per voorbeeld.
Vraag om onderbouwing, aannames en bronnen
Bij complexe vragen — een analyse, een afweging, een berekening — kun je vragen om een beknopte onderbouwing: welke aannames zijn gedaan, welke berekeningen zijn gebruikt, waar komt de informatie vandaan? Zo krijg je aanknopingspunten om het antwoord zelf te toetsen.
Belangrijke kanttekening: een uitleg die het model genereert, is geen weergave van het interne redeneerproces en geen bewijs van juistheid. Behandel de onderbouwing als checklist voor je eigen controle, niet als garantie.
Itereer: de eerste output is een startpunt
Prompt engineering is vaak een continu proces van verfijning, zoals ook Xylos beschrijft: gebruik de reactie van de AI als vertrekpunt voor je volgende instructie. Stuur bij: “Maak het korter”, “Vervang het jargon”, “Voeg een tegenargument toe.”
Doorvragen in hetzelfde gesprek kan goed werken, maar een lang of rommelig gesprek kan de kwaliteit ook drukken. Loopt het vast, begin dan opnieuw met een aangescherpte prompt.
Veelgemaakte fouten — en hoe je ze voorkomt
Te veel in één prompt willen. Een prompt met veel ongerelateerde taken tegelijk levert vaak oppervlakkige antwoorden op. Samenhangende taken mogen samen; knip losstaande opdrachten op in aparte stappen.
Output blind vertrouwen. Taalmodellen kunnen overtuigend formuleren terwijl de inhoud niet klopt — een breed erkend risico van deze technologie. Controleer feiten, cijfers en juridische stellingen zelf, zeker bij teksten die naar klanten of medewerkers gaan. Menselijke controle blijft onderdeel van het proces.
Gevoelige gegevens in publieke tools plakken. Klantgegevens, personeelsdossiers of contractdetails horen niet zomaar in een publieke chatbot. Of een leverancier jouw invoer gebruikt voor modelverbetering, verschilt per contract en instelling — controleer de voorwaarden en privacydocumentatie per leverancier. Verwerkt de leverancier persoonsgegevens namens jouw organisatie, dan is een verwerkersovereenkomst onder de AVG waar nodig verplicht, en altijd verstandig. Kijk daarnaast naar de grondslag voor de verwerking en pas dataminimalisatie toe: deel alleen wat nodig is.
Opgeven na één slecht antwoord. Een matige eerste output betekent niet automatisch dat de tool ongeschikt is — al kan dat soms wél het geval zijn. Kijk eerst of er een bouwsteen ontbreekt: context, format of doelgroep. Vul aan en probeer opnieuw; blijft het resultaat achter, heroverweeg dan tool of toepassing.
Maak het herhaalbaar: bouw een promptbibliotheek
Veel praktische waarde zit in herhaalbaarheid. Zodra een prompt goed werkt, bewaar je hem als sjabloon in plaats van hem elke keer opnieuw te bedenken.
Begin met taken die wekelijks terugkomen: vergaderverslagen samenvatten, klantmails beantwoorden, offerteteksten opstellen, functioneringsverslagen structureren. Maak voor elk daarvan één beproefde prompt met invulvelden voor de variabele delen.
Deel die sjablonen binnen het team, bijvoorbeeld in een gedeeld document. Zo kan de organisatie profiteren van wat één collega heeft uitgezocht. Houd er wel rekening mee dat beheer, controle en het actueel houden van sjablonen tijd kosten — plan daar iemand voor in.
Spreek daarbij ook af wat níét mag: welke gegevens buiten AI-tools blijven, wie output controleert voordat die naar buiten gaat, en welke tools zijn goedgekeurd. Dat sluit aan bij de AI Act: artikel 4 over AI-geletterdheid geldt sinds 2 februari 2025 voor aanbieders en gebruiksverantwoordelijken en vraagt om maatregelen die passen bij de context, de kennis van medewerkers en de risico’s van het gebruik.
Wanneer prompt engineering niet genoeg is
Goede prompts lossen veel op, maar hebben grenzen. Moet een AI-toepassing structureel antwoorden op basis van je eigen documenten — handleidingen, contracten, interne procedures — dan wordt knippen en plakken in een chatvenster bij grotere volumes al snel onpraktisch en foutgevoelig.
In dat geval kijk je naar oplossingen waarbij het model jouw documenten gestructureerd raadpleegt, met aandacht voor toegangsrechten en privacy. Dat is een ander traject dan promptvaardigheid, met eigen afwegingen rond datakwaliteit, beheer en compliance.
Voor veel organisaties is het logisch om eerst promptvaardigheid op te bouwen en daarna pas in maatwerk te investeren — al vragen sommige toepassingen dat je architectuur, beveiliging en compliance juist vooraf onderzoekt. Wie de basis beheerst, kan in elk geval scherper meepraten over wat een leverancier belooft; voor een volledige leveranciersbeoordeling is meer nodig, zoals juridische en technische toetsing.
Begin vandaag: één taak, één sjabloon
Kies één terugkerende schrijftaak uit je werkweek. Schrijf daarvoor een prompt met de vijf bouwstenen: rol, taak, context, format en toon. Test hem, verfijn hem in twee of drie rondes, en sla de beste versie op als sjabloon.
Zo’n werkende prompt kan tijd besparen — hoeveel, hangt af van de taak, de kwaliteit van de output en de controle die nodig blijft. Belangrijker: je bouwt intern ervaring op met wat AI wel en niet kan, en dat is de basis voor elke volgende stap.