Voorbij de basis
De meeste mensen die AI gebruiken, prompting met "schrijf een e-mail over X" of "maak een samenvatting van Y". Dit werkt, maar levert middelmatige resultaten. De professionals die structureel betere output krijgen, gebruiken bewust een set technieken die de manier waarop het model denkt, structureert en antwoordt beinvloeden. Dit zijn de 5 meest effectieve.
Techniek 1: Chain-of-Thought (Laat het model hardop denken)
Standaard antwoordt een AI-model direct. Bij complexe vragen leidt dit tot oppervlakkige of incorrecte antwoorden. Chain-of-Thought dwingt het model om stap voor stap te redeneren voordat het een conclusie trekt.
Hoe: voeg toe aan je prompt: "Denk stap voor stap na voordat je antwoordt" of "Werk dit probleem uit in tussenstappen."
Verschil in de praktijk:
Zonder CoT: "Welke prijs moet ik vragen voor mijn dienst?" → direct een getal.
Met CoT: het model werkt kostenbasis, marktpositie, klantwaarde en concurrentie door voor het een prijs noemt. Het antwoord is rijker en beter onderbouwd.
Wanneer gebruiken: bij analytische vragen, beslissingen met meerdere variabelen, probleemoplossing, of wanneer je het redeneerproces wilt kunnen controleren.
Techniek 2: Few-Shot Prompting (Geef voorbeelden van wat je wilt)
Het model leert van voorbeelden in de prompt zelf. Door 2-3 voorbeeldparen (input → gewenste output) te geven, kalibreer je het model op jouw specifieke stijl, format of aanpak.
Voorbeeld:
"Vertaal de volgende klantvraag naar een interne taakomschrijving.\n\nVoorbeeld 1:\nKlantvraag: 'De checkout werkt niet op mobiel'\nTaak: Bug - Checkout flow mobiel niet functioneel. Priority: High. Assign: dev team.\n\nVoorbeeld 2:\nKlantvraag: 'Kunnen we het logo iets groter maken?'\nTaak: Design change - Logo resize homepage. Priority: Low. Assign: design team.\n\nNu jij:\nKlantvraag: 'De zoekfunctie geeft geen resultaten'"
Het model volgt exact het patroon van je voorbeelden. Dit is veel effectiever dan beschrijven hoe de output eruit moet zien.
Wanneer gebruiken: altijd als je een consistent format nodig hebt, bij classificatietaken, bij vertalingen naar interne jargon.
Techniek 3: Role Prompting (Geef het model een identiteit)
"Jij bent een [X]" verandert fundamenteel de toon, diepte en perspectief van het antwoord. Maar generieke rollen werken minder goed dan specifieke rollen.
Minder effectief: "Jij bent een expert."
Meer effectief: "Jij bent een senior accountmanager bij een Nederlands B2B-softwarebedrijf, met 15 jaar ervaring in de logistieke sector. Je spreekt direct, gebruikt weinig jargon en richt je altijd op ROI."
De specificiteit van de rol bepaalt de kwaliteit van het resultaat. Voeg toe: expertise niveau, branchecontext, communicatiestijl en specifieke beperkingen.
Combineer role prompting met few-shot: geef de rol en dan voorbeelden van hoe iemand in die rol communiceert.
Techniek 4: Structuurgedwongen output (Definieer het format precies)
Als je output gebruikt in een systeem (API, spreadsheet, andere tool), wil je exact voorspelbare output. Definieer het gewenste format letterlijk in de prompt.
Voor JSON output:
"Geef je antwoord uitsluitend als geldig JSON met de volgende structuur, geen extra tekst:\n{ \"sentiment\": \"positief|neutraal|negatief\", \"score\": 1-10, \"themas\": [\"thema1\", \"thema2\"], \"samenvatting\": \"max 50 woorden\" }"
Voor tabel-output:
"Geef je antwoord als Markdown-tabel met kolommen: Tool | Prijs | Geschikt voor | Score (1-10)"
Voeg altijd toe: "Geef geen extra uitleg of inleiding, alleen de gevraagde structuur." Dit voorkomt dat het model extra tekst toevoegt die je verwerking verstoort.
Techniek 5: Iteratief verfijnen (Bouw op eerdere antwoorden voort)
De beste resultaten komen niet uit één perfecte prompt, maar uit een dialoog. Gebruik het eerste antwoord als uitgangspunt en verfijn iteratief.
Workflow:
Ronde 1: genereer een eerste versie. Beoordeel: wat is goed, wat mist, wat is verkeerd?
Ronde 2: "De toon is goed maar het is te technisch voor mijn doelgroep. Herschrijf met minder jargon en meer concrete voorbeelden."
Ronde 3: "Voeg een concrete case study toe in de tweede alinea. Gebruik een fictief Nederlands MKB-bedrijf."
Ronde 4: "Maak de conclusie sterker: eindig met een concrete call-to-action."
Elke ronde verbetert de output incrementeel. Dit is hoe professionals werken die dagelijks AI gebruiken.
De combinatie is de kracht
De beste prompts combineren meerdere technieken. Een gevorderde prompt voor een salesmail:
"Jij bent een ervaren B2B salesmanager bij een Nederlands IT-bedrijf (role). Schrijf een korte, persoonlijke follow-up e-mail na een eerste kennismaking. Denk eerst na over de situatie van de prospect voor je schrijft (CoT). Hier zijn twee voorbeelden van goede follow-up mails die we eerder stuurden (few-shot): [voorbeelden]. Geef de e-mail als plain text zonder onderwerpregel of handtekening (structuur)."
Dit is prompt engineering op expertniveau: niet eén truc, maar een bewuste combinatie van technieken voor het specifieke doel.
Conclusie
Prompt engineering is geen mystiek vak, maar een systematisch ambacht. Chain-of-Thought voor betere redenering, few-shot voor consistente formats, role prompting voor de juiste toon, structuurgedwongen output voor integraties, en iteratief verfijnen voor de beste eindkwaliteit. Oefen één techniek per keer en bouw van daaruit. Binnen een week zie je het verschil in je dagelijkse AI-gebruik.
