Vorige week sprak ik een marketingmanager die gefrustreerd was over AI. “Ik krijg er gewoon niet uit wat ik wil,” zei ze. “Het klinkt allemaal zo… generiek.” Ze liet me haar prompts zien. Die zag er zo uit: “Schrijf een blog over het belang van employer branding.”
Het probleem zat niet in de output, maar in de prompt.
Wat ze eigenlijk nodig had, was een artikel voor HR-directeuren in de technische sector die worstelen met het aantrekken van jonge ontwikkelaars, geschreven vanuit de overtuiging dat salaris niet het belangrijkste is, met drie concrete cases van bedrijven die het anders doen. Dat is geen vraag meer, dat is een opdracht. En dat onderscheid bepaalt of je de output wegklikt of gebruikt.
Waarom de meeste prompts falen
De kern van het probleem is dat we AI benaderen zoals we Google benaderden: met zoektermen. Korte, losse woorden waarvan we hopen dat het systeem begrijpt wat we bedoelen. Maar AI-modellen zijn geen zoekmachines. Ze zijn taalmodellen die getraind zijn om patronen te herkennen en voort te zetten. Ze geven je het meest waarschijnlijke vervolg op je input, niet per se het beste antwoord op je vraag.
Dat klinkt als een klein verschil, maar de gevolgen zijn groot. Een vage input leidt tot een voorspelbare output. Het model vult de gaten met wat het vaakst voorkomt in vergelijkbare situaties. En wat het vaakst voorkomt, is per definitie niet origineel.
De oplossing zit dus niet in betere vragen, maar in instrueren.
De anatomie van een effectieve instructie
Een goede prompt bestaat uit lagen. Die structuur helpt vooral jou: ze dwingt je om keuzes te maken die je anders impliciet laat. In het KADO-model heb ik die lagen later samengevat als klant, aanleiding, doel en output.
De eerste laag is context. Dit is alles wat de AI moet weten om jouw situatie te begrijpen, zo specifiek mogelijk. In welke branche werk je? Wie is je doelgroep, en wat weet je over hen? Welke beperkingen spelen er? Welke pogingen heb je al gedaan?
Context bepaalt of het antwoord relevant is. Een contentkalender voor een scale-up in fintech vraagt om een compleet andere aanpak dan een contentkalender voor een regionaal accountantskantoor. De AI weet dat alleen als jij het vertelt.
De tweede laag is de eigenlijke taak. Wat moet er concreet gebeuren? Hier gaat het mis bij de meeste mensen. Ze formuleren een richting in plaats van een bestemming. “Help me met een presentatie” is geen taak. “Maak een structuur voor een presentatie van twintig minuten waarin ik ons MT overtuig om te investeren in een nieuwe tool” is dat wel.
Het verschil zit in de werkwoorden. Help is passief. Maak, analyseer, vergelijk en formuleer zijn opdrachten waar de AI iets mee kan.
De derde laag is het gewenste format. Wil je een lopende tekst of een opsomming? Een tabel of een script? Hoeveel woorden, hoeveel punten, welke structuur? Het voorkomt dat je achteraf moet omwerken, en het dwingt je na te denken over hoe je de output gaat gebruiken.
De vierde laag is perspectief of expertise. Dit is optioneel. Door de AI te vragen om te reageren vanuit een specifieke rol, zoals een ervaren copywriter of een kritische CFO, stuur je de toon, de diepgang en de invalshoek van het antwoord.
Een voorbeeld dat het verschil laat zien
Stel, je werkt voor een softwarebedrijf en je wilt een e-mail schrijven aan prospects die een demo hebben aangevraagd maar daarna stil zijn gebleven.
De standaardprompt: “Schrijf een follow-up e-mail voor prospects die niet hebben gereageerd.”
Wat je krijgt: een beleefde maar generieke mail die klinkt als elke andere follow-up. “Ik wilde even checken of u nog vragen had…” Je kent ze wel.
De geüpgradede versie: “Ik werk voor een B2B-softwarebedrijf dat projectmanagementtools verkoopt aan middelgrote bouwbedrijven. Twee weken geleden heeft een prospect een demo aangevraagd. De demo is goed verlopen, de prospect was enthousiast over de planningsfunctie, maar sindsdien heb ik niets meer gehoord. Schrijf een follow-up mail die verwijst naar die interesse, een concreet voorstel doet voor een vervolgstap, en eindigt met een vraag die uitnodigt tot reactie. Toon: behulpzaam, niet pushy. Lengte: maximaal 120 woorden.”
Het verschil zit niet in de lengte. De tweede prompt geeft de AI precies genoeg om iets te maken dat je kunt versturen zonder het te herschrijven.
De kracht van het vervolggesprek
Je hoeft het niet in één keer goed te hebben. De eerste output is zelden perfect, en dat hoeft ook niet. AI werkt het beste als gesprek, niet als automaat.
De eerste versie is te formeel? Vraag om een directere toon. De structuur klopt maar de voorbeelden niet? Vraag om alternatieven uit een specifieke sector. Het is te lang? Vraag om het te halveren met behoud van de kernboodschap.
Dat bijsturen betekent niet dat je prompt slecht was. Het hoort erbij. De beste resultaten ontstaan in de verfijning.
Waar het eigenlijk om gaat
Prompt engineering klinkt als een technische vaardigheid. In de praktijk is het de discipline om helder te formuleren wat je wilt.
Die discipline is waardevol ver voorbij AI. Het dwingt je om keuzes te maken die je anders uitstelt. Voor wie schrijf ik dit eigenlijk? Wat wil ik dat ze doen na het lezen? Welk probleem los ik op? Die vragen beantwoorden voordat je begint met schrijven, of voordat je AI vraagt om te schrijven, maakt het eindresultaat beter.
Hoe beter je wordt in prompten, hoe minder je AI nodig hebt. Het denkwerk dat je in een prompt stopt, verbetert namelijk ook je eigen werk.
Morgen anders beginnen
De volgende keer dat je een AI-tool opent, doe dan dit: stop na het typen van je eerste zin. Lees hem terug. En vraag jezelf af: zou een slimme collega die mij niet kent, hiermee kunnen doen wat ik nodig heb?
Meestal is het antwoord nee. Voeg dan context toe, maak de taak concreet en bepaal het format. Zo krijg je wat je zoekt.
Je prompt is geen vraag, maar een opdracht. Schrijf hem ook zo.
Verder lezen
Anthropic, Prompt Engineering Best Practices
Google Cloud, What is Prompt Engineering
OpenAI, Prompt Engineering
Lakera, The Ultimate Guide to Prompt Engineering
Learn Prompting, Understanding Prompt Structure