Wat is Prompt Engineering?

Wat is Prompt Engineering eigenlijk?

Prompt Engineering is de vaardigheid om je vraag of opdracht aan een AI-model zo te formuleren dat je het beste resultaat krijgt. Het klinkt misschien simpel — je typt toch gewoon wat je wilt? — maar de manier waarop je een vraag stelt, maakt een enorm verschil in wat je terugkrijgt.

Stel je voor dat je een keukenhulp hebt die heel vaardig is, maar letterlijk doet wat je zegt. Vraag je "maak iets lekkers", dan krijg je misschien pindakaas op brood. Zeg je "maak een hartige maaltijd voor vier personen, vegetarisch, met seizoensgroenten, klaar in 30 minuten", dan krijg je een veel bruikbaarder resultaat. Zo werkt het ook met AI.

Waarom maakt de formulering zoveel uit?

Taalmodellen zoals GPT, Claude of Gemini zijn getraind op enorme hoeveelheden tekst. Ze voorspellen wat er waarschijnlijk zou volgen op jouw invoer — maar ze kunnen niet in je hoofd kijken. Als je vraagt "schrijf een blogpost over marketing", weet het model niet:

• Hoe lang moet het zijn?

• Voor welk publiek?

• Welke toon past erbij?

• Welke aspecten van marketing wil je belichten?

Met goede Prompt Engineering geef je het model context, richtlijnen en voorbeelden. Je kunt bijvoorbeeld schrijven: "Schrijf een blogpost van 500 woorden voor Nederlandse mkb-ondernemers die niks weten van online marketing. Leg uit wat SEO is, gebruik een vriendelijke toon en sluit af met drie concrete tips."

Dat geeft het model veel meer houvast — en jou een bruikbaarder resultaat.

Technieken die vaak werken

Er zijn inmiddels hele handboeken vol Prompt Engineering-trucs, maar een paar basistechnieken kom je overal tegen:

• Rol toekennen: "Je bent een ervaren copywriter gespecialiseerd in B2B-communicatie."

• Stapsgewijs denken: "Leg eerst uit wat het probleem is, dan de oplossing, dan de implementatie."

• Voorbeelden geven: "Hier zijn twee goede voorbeelden van de stijl die ik zoek: ..."

• Beperkingen stellen: "Maximaal 200 woorden, geen jargon, gebruik bulletpoints."

• Outputformaat specificeren: "Geef het resultaat als tabel / JSON / lijst met koppen."

Sommige mensen noemen het 'Chain of Thought' als je het model stap voor stap laat redeneren, of 'Few-Shot Learning' als je voorbeelden meegeeft. Maar de kern blijft hetzelfde: hoe duidelijker jij bent, hoe nuttiger de output.

Een voorbeeld uit de praktijk

Stel, je bent recruiter en wilt een vacaturetekst herschrijven om inclusief en toegankelijk te zijn. Een zwakke prompt: "Maak deze vacature inclusiever." Een sterkere prompt:

"Herschrijf deze vacaturetekst voor een junior marketeer. Verwijder onnodig jargon, vervang 'hij/zij' door 'je', haal eisen weg die niet essentieel zijn (zoals 'minimaal 5 jaar ervaring'), en voeg een zin toe over flexibele werktijden. Behoud de enthousiaste toon, maar maak het toegankelijker voor mensen zonder marketingachtergrond."

Dat tweede voorbeeld geeft het model concrete instructies — en dat levert een stuk betere tekst op.

Waar kom je het tegen?

Prompt Engineering is relevant zodra je met een AI-chatbot of taalmodel werkt:

• ChatGPT, Claude, Gemini, Copilot — alle chatbots die je tekstopdrachten geeft

• AI-schrijftools zoals Jasper, Copy.ai of Writesonic

• Code-assistenten zoals GitHub Copilot of Cursor (ja, ook daar prompt je)

• Bedrijfssoftware met ingebouwde AI (Notion AI, Microsoft 365 Copilot, Salesforce Einstein)

• Contentgeneratoren voor blogs, advertenties, sociale media

Er zijn zelfs vacatures verschenen voor 'Prompt Engineer' — mensen die fulltime werken aan het optimaliseren van instructies voor AI-systemen binnen een bedrijf.

Begin gewoon, en experimenteer

Prompt Engineering klinkt misschien als een vak apart, maar eigenlijk leer je het door te doen. Begin met heldere, concrete instructies. Als het resultaat niet klopt, verfijn je je vraag: voeg context toe, geef voorbeelden, stel grenzen. Na een paar pogingen krijg je gevoel voor wat werkt.

Het mooie is: je hoeft geen programmeur te zijn. Iedereen die helder kan communiceren, kan leren om AI-modellen effectief aan te sturen. En naarmate de modellen slimmer worden, wordt de vaardigheid om ze goed te bevragen steeds waardevoller.