Prompting: betekenis, voorbeelden en tips voor betere AI-prompts

Prompting is de manier waarop je instructies geeft aan AI. Een prompt kan een vraag, een opdracht, een kort commando of een uitgebreidere briefing zijn. De kwaliteit van die instructie heeft een duidelijke invloed op het antwoord dat je krijgt.

Veel zwakke AI-antwoorden beginnen met een prompt die te breed of te onduidelijk is. De gekozen AI oplossing geeft dan wel een antwoord, maar dat antwoord kan al snel te algemeen, te lang of niet bruikbaar genoeg zijn voor de situatie. Een betere prompt geeft meer context, legt het doel uit en maakt duidelijk wat voor soort output nodig is.

In dit artikel lees je wat prompting is en hoe het wordt gebruikt bij het werken met AI. Je leert ook hoe het TCREI-model structuur geeft aan een prompt, hoe prompting verschilt van prompt engineering en welke fouten vaak leiden tot zwakkere output. Het artikel bevat ook voorbeelden voor studie, werk en alledaagse taken. Veel leesplezier.

Wat is een prompt?

Je kunt AI vragen om taken uit te voeren door middel van prompts. De tekst die je aan een AI-tool geeft, is de prompt. Het AI-systeem genereert een antwoord door de gegeven prompt te verwerken.

Een prompt kan kort zijn. Bijvoorbeeld: “schrijf iets over technologie”. De opdracht lijkt eenvoudig, maar laat veel open. AI weet niet wat voor soort technologie je bedoelt, voor wie de tekst bedoeld is of hoe gedetailleerd het antwoord moet zijn.

Wanneer je meer context toevoegt, wordt het antwoord meestal beter. Je kunt uitleggen wat het doel is, voor wie het antwoord bedoeld is en welke vorm de output moet hebben. Een samenvatting, lijst, tabel of stappenplan levert elk een ander resultaat op.

Je kunt prompting vergelijken met het geven van een opdracht aan een nieuwe collega. Die persoon zou jouw vereisten moeten begrijpen, omdat je alleen hebt gezegd “schrijf een tekst over AI” zonder verdere details. Je krijgt betere resultaten als je het doel, de doelgroep en het gewenste outputformaat specificeert. Het resultaat wordt gebruiksvriendelijker als u de doelgroep en het gewenste formaat specificeert en het doel van de inhoud uitlegt.

Een goede prompt bestaat vaak uit drie delen: context, instructie en doel. Deze onderdelen helpen AI te begrijpen wat je wilt bereiken. Zonder deze onderdelen wordt het antwoord al snel te kort, te lang of niet relevant genoeg.

Achtergrond en oorsprong

Prompting is algemeen bekend geworden door de opkomst van AI-tools zoals ChatGPT. De kernprincipes van prompting bestaan al lang vóór de moderne tijd.

In AI-onderzoek zijn taalmodellen geanalyseerd om vast te stellen hoe verschillende instructies de gegenereerde reacties beïnvloeden. De kwaliteit van het resultaat hangt volgens evaluatieresultaten af van zowel de modelkeuze als de kwaliteit van de invoergegevens. De uitkomst van deze ontdekking leidde tot een direct toepasbaar resultaat. De uitvoer verandert aanzienlijk wanneer je de invoerprompt slechts in geringe mate aanpast.

Hetzelfde AI-model produceert verschillende resultaten, waaronder uitleg, samenvattingen, vergelijkingen, herschrijvingen en het genereren van ideeën op basis van de taakvereisten. Het proces van prompting is essentieel geworden voor besturingssystemen. Het praktische karakter van dit vermogen bepaalt hoe goed AI-systemen presteren tijdens de daadwerkelijke implementatie ervan.

Naarmate AI-tools op grotere schaal werden gebruikt, raakte het geven van prompts ook nauw verbonden met prompt engineering. Het proces van het geven van prompts omvat het opstellen van instructies die mensen gebruiken om specifieke taken uit te voeren. Prompt engineering gaat verder en richt zich op het ontwerpen, testen en verfijnen van prompts op een meer systematische manier, vaak voor herhaald gebruik, workflows of toepassingen.

Het onderzoek heeft nieuwe perspectieven gecreëerd over hoe AI-systemen moeten werken. Complexe taken leveren betere resultaten op wanneer je ze opsplitst in afzonderlijke verwerkingsfasen. Een enkele brede vraag leidt vaak tot vage output. Een gestructureerde prompt met duidelijke aanwijzingen leidt doorgaans tot een logischer en bruikbaarder antwoord.

Hoe pas je prompting toe?

Begin je promptproces door vast te stellen welke exacte informatie je van AI-systemen wilt verkrijgen. Het antwoord wordt vaag wanneer de opdracht wordt uitgebreid naar verschillende onderwerpen. Daarom helpt het om een prompt te schrijven alsof je iemand een duidelijke opdracht geeft.

Mensen moeten de rollen van AI-systemen definiëren voordat ze overgaan tot de praktische implementatie van AI-technologie. Het model reageert in verschillende rollen, waaronder die van docent, analist, marketeer, consultant en redacteur. Het systeem geeft specifieke instructies voor het antwoord, wat leidt tot betere resultaten die nauwkeuriger aansluiten bij de context.

De taak moet alle benodigde informatie ontvangen, die in een overzichtelijke indeling moet worden gepresenteerd. Wat voor soort antwoord heb je nodig: een uitleg, een samenvatting, een analyse, een herschrijving of het genereren van ideeën? Hoe nauwkeuriger dit wordt beschreven, hoe gemakkelijker het voor de AI wordt om op koers te blijven.

Leg vervolgens uit wat voor soort output je wilt. U kunt vragen om een korte alinea, een tabel, een lijst met aanbevelingen of een stappenplan. Het antwoord moet informatie bevatten over de beoogde lezers, de juiste communicatiestijl, de benodigde hoeveelheid informatie en eventuele specifieke vereisten waaraan moet worden voldaan.

In de praktijk werkt prompting meestal beter wanneer je stap voor stap werkt. Begin met een duidelijke eerste versie, bekijk de output kritisch en verbeter de prompt vervolgens waar nodig. Het proces genereert antwoorden die beter aansluiten bij het beoogde doel, passen bij de omgevingsomstandigheden en de aangegeven structuur volgen.

Het TCREI-model

Bij grotere of complexere opdrachten helpt het om een prompt niet in één keer los op te schrijven, maar stap voor stap op te bouwen. Het TCREI-model geeft daar houvast bij. Met dit model maak je duidelijker wat je wilt, voeg je de juiste context toe en verbeter je de prompt op basis van de output. Daardoor wordt de kans groter dat het antwoord beter aansluit op je doel.

1. Task (taak): begin met de kern van de opdracht. Maak duidelijk wat AI precies moet doen en wat het eindresultaat moet zijn. Hoe scherper de taak is geformuleerd, hoe kleiner de kans op een algemeen of ongericht antwoord.
2. Context: voeg daarna relevante achtergrondinformatie toe. Denk aan het doel van de opdracht, de doelgroep, de situatie en eventuele randvoorwaarden. Deze context helpt AI om beter te begrijpen wat belangrijk is en welke richting het antwoord op moet gaan.
3. References (bronnen of voorbeelden): geef extra houvast met voorbeelden, bronmateriaal of een gewenste schrijfstijl. Je kunt bijvoorbeeld een eerdere tekst toevoegen, verwijzen naar gegevens die gebruikt moeten worden of aangeven welke toon past bij de opdracht. Daardoor wordt de output vaak consistenter en beter bruikbaar.
4. Evaluate (controleren): bekijk het antwoord kritisch. Controleer of de inhoud klopt, of de opdracht goed is gevolgd en of er nog onderdelen ontbreken. Let ook op relevantie, logica en brongebruik. Juist in deze stap zie je vaak snel waar de prompt nog te breed of te vaag is.
5. Iterate (verbeteren): pas de prompt daarna gericht aan op basis van wat je hebt gezien. Soms is een kleine wijziging al genoeg, bijvoorbeeld in de taak, de context of de gewenste vorm. Door dit stap voor stap te doen, werk je toe naar een resultaat dat beter past bij je doel. Dat sluit aan op hoe prompt engineering in officiële documentatie vaak wordt beschreven: als een iteratief proces van ontwerpen, testen, beoordelen en verbeteren.

Het TCREI-model werkt vooral goed wanneer een opdracht meer vraagt dan een kort antwoord. Denk aan analyses, samenvattingen, adviesvragen of teksten die aan meerdere eisen moeten voldoen. In zulke situaties helpt het model om meer structuur aan te brengen en gerichter naar een bruikbaar eindresultaat toe te werken.

Veelgemaakte fouten bij prompting

Het stellen van vragen verloopt vaak niet soepel omdat de instructie te breed, te vaag of te ongericht is. Gebruikers maken een veelvoorkomende fout wanneer ze proberen alle benodigde informatie in één enkel verzoek te verkrijgen. AI-systemen ondervinden moeilijkheden wanneer ze moeten bepalen welke onderdelen het meest essentieel zijn. Als gevolg hiervan kan het antwoord gefragmenteerd, onvolledig of minder bruikbaar worden.

Een ander veelvoorkomend probleem is ontbrekende context. AI moet meerdere onbekende elementen oplossen wanneer gebruikers nalaten hun doelen, hun doelgroep en hun specifieke situatie te specificeren. Het systeem produceert standaardantwoorden die niet voldoen aan de specifieke vereisten van de daadwerkelijke werktaak.

Gebruikers geven vaak niet aan welke indeling hun voorkeur heeft. De output zal aanzienlijk moeten worden bewerkt omdat u niet hebt aangegeven of u de voorkeur geeft aan een samenvatting, een tabel, een uitleg of een actieplan. Dit leidt tot vertragingen, waardoor de gegenereerde output minder bruikbaar is voor praktische toepassingen.

De laatste fout treedt op wanneer mensen het eerste antwoord accepteren zonder enige verificatie uit te voeren. AI-systemen kunnen overtuigende output geven die toch onjuiste informatie, ontbrekende details of irrelevante onderdelen bevat. De effectiviteit van prompts hangt af van duidelijke instructies in combinatie met grondige evaluatiemethoden.

Zwakke prompt versus sterke prompt

Sterke prompts bieden gedetailleerde instructies die zwakke prompts niet in dezelfde mate geven. De zwakke prompt laat alle opties volledig ongestructureerd. AI-systemen moeten vanwege deze situatie zelf criteria vaststellen voor de beoogde doelen, de doelgroep en de structuur van de output.

Een eenvoudige zwakke prompt is: “Schrijf iets over klanttevredenheid.”. De prompt geeft geen details over wat de taak vereist, het beoogde gebruik of de volledige reikwijdte ervan. Het antwoord blijft algemene informatie geven die gedetailleerde antwoorden mist vanwege deze situatie.

Een sterkere versie zou kunnen zijn: “Je bent een marketingconsultant. Schrijf een korte uitleg van maximaal 200 woorden over klanttevredenheid voor aspirant-ondernemers. Leg uit waarom klanttevredenheid belangrijk is, beschrijf drie praktische manieren om deze te verbeteren en gebruik een toegankelijke en motiverende toon.”

De nieuwe versie werkt beter omdat deze de rol, de doelgroep, de projectgrenzen, de communicatiestijl en de outputvereisten vastlegt. De toegevoegde aanwijzing leidt tot een antwoord dat specifieker en direct bruikbaar is voor de betreffende taak.

Dit voorbeeld laat zien waarom het opstellen van een goede prompt in de praktijk belangrijk is. Het opstellen van een betere prompt garandeert niet dat er perfecte antwoorden worden ontvangen, maar het helpt gebruikers de taak beter te begrijpen en vermindert de noodzaak om hun werk na inlevering te moeten bewerken.

Voorbeeld van prompting

Een student moet een verslag maken over een bestaand bedrijf. Voor deze opdracht moeten studenten een DESTEP-analyse uitvoeren, die te vinden is via de volgende link: DESTEP. De student begrijpt het model, maar wil AI-technologie toepassen om sneller tot een verbeterde eerste versie te komen.

De eerste prompt is eenvoudig: “Maak een DESTEP-analyse voor Bedrijf A.”

Het resultaat zal waarschijnlijk te breed zijn. Het antwoord kan trends noemen die op veel bedrijven van toepassing zijn, maar niet duidelijk op dit specifieke bedrijf. Sommige punten kunnen ook te algemeen zijn voor de opdracht. De AI-tool functioneert correct, dus die levert geen problemen op. De prompt geeft te weinig richting.

Een betere opdracht maakt gebruik van het TCREI-model. De student legt de taak uit, voegt context toe en geeft duidelijke eisen voor de output. Bijvoorbeeld:

“Je bent een bedrijfsanalist. Maak een DESTEP-analyse voor Bedrijf A in de sector X. Richt je alleen op externe factoren die relevant zijn voor dit bedrijf. Beschrijf 2 tot 3 factoren voor elke DESTEP-categorie. Gebruik 100 tot 300 woorden per factor. Gebruik betrouwbare Nederlandse bronnen, zoals recente nieuwsartikelen. Houd rekening met de beoordelingsrubriek. Vermeld de bronnen en gebruik relevante inzichten uit de bijlagen.”

Onderzoekers kunnen meer bruikbare informatie uit deze prompt halen. De opdracht is duidelijker. De reikwijdte is kleiner. De verwachte output is gemakkelijker te controleren. De student moet het antwoord nog steeds zorgvuldig nakijken.

De bronnen tonen aan dat ze betrouwbaar zijn. De factoren moeten hun geschiktheid voor het bedrijf aantonen. De punten bevatten voldoende details om aan de opdrachtvereisten te voldoen. Het rapport mist essentiële informatie die aan het document moet worden toegevoegd.

Tips om betere prompts te schrijven

Het gebruik van prompts is niet alleen nuttig voor academisch onderzoek, maar ook in tal van andere situaties. Een marketeer kan AI inzetten om verschillende campagnevarianten voor diverse doelgroepen op te stellen. Een HR-medewerker kan een eerste versie van een vacaturetekst opstellen met de juiste toon en vereisten. Een consultant kan AI gebruiken om interviews samen te vatten of lange aantekeningen te structureren. In deze situaties leidt een goed geformuleerde prompt vaak tot snellere resultaten die minder bewerking vereisen.

Betere prompts beginnen meestal al voordat je de AI-tool opent. Bepaal eerst wat het resultaat moet zijn, voor wie het bedoeld is en welke vorm het moet aannemen. Schrijf vervolgens de instructie zo duidelijk mogelijk op. Dit verkleint de kans op een generieke output en maakt het antwoord gebruiksvriendelijker.

AI moet een duidelijk omschreven doel krijgen, zodat het zijn taken effectief kan uitvoeren. Denk aan een docent, analist, redacteur, adviseur of marketeer. Beschrijf vervolgens de taak in duidelijke taal. Leg uit wat er geleverd moet worden en hoe het antwoord eruit moet zien.

Tegelijkertijd neemt een goede prompt de noodzaak van een beoordeling niet weg. AI-systemen slagen er niet in contextuele informatie te detecteren, terwijl ze informatie uit onbetrouwbare bronnen halen, wat onbetrouwbare informatie oplevert die eruitziet als betrouwbare inhoud. De combinatie van specifieke taakinstructies met grondige feedback levert de meest effectieve resultaten op via prompting.

Conclusie

Het opstellen van prompts is een praktische vaardigheid bij het werken met AI. Hoe beter de instructie, hoe gemakkelijker het voor de AI-tool wordt om een antwoord te geven dat bij de taak past.

Een nuttige prompt hoeft niet ingewikkeld te zijn. Deze moet uitleggen wat er moet gebeuren, waarom het belangrijk is, voor wie het antwoord bedoeld is en hoe de output eruit moet zien. Voor grotere taken helpt het TCREI-model om structuur aan te brengen voordat de AI-tool een antwoord begint te genereren.

De laatste stap is altijd menselijke controle. AI-output kan overtuigend klinken, maar toch de context missen, fouten bevatten of behoefte hebben aan duidelijkere voorbeelden. Goede prompting combineert daarom duidelijke instructies met zorgvuldige evaluatie.

Veelgestelde vragen over prompting

Wat is het verschil tussen prompting en prompt engineering?

Prompting gaat over het formuleren van een goede opdracht voor AI. Prompt engineering gaat een stap verder. Daarbij draait het om het bewust ontwerpen, testen en verbeteren van prompts om betere en betrouwbaardere output te krijgen. In gewone gesprekken worden beide termen vaak door elkaar gebruikt. In een professionele context is prompt engineering meestal breder en systematischer opgezet.

Voor welke taken werkt prompting minder goed?

Prompting werkt minder goed bij taken waarbij actuele feiten, specialistische kennis of volledige nauwkeurigheid nodig zijn en de output niet goed wordt gecontroleerd. Ook bij vage doelen, tegenstrijdige instructies of gevoelige informatie neemt de kans op zwakke resultaten toe. Dit betekent dat prompting vooral sterk werkt als vertrekpunt, maar minder geschikt is als vervanging van menselijke beoordeling.

Waarom blijft controle belangrijk bij prompting?

Ook een goed geschreven prompt geeft geen garantie op een volledig juist antwoord. AI kan informatie verkeerd interpreteren, onvolledig samenvatten of feiten noemen die niet kloppen. Juist daarom blijft controle belangrijk. Door kritisch te kijken naar inhoud, relevantie en bronnen voorkom je dat een overtuigend antwoord alsnog tot fouten leidt.

Aanbevolen boeken en artikelen over prompting

Prompting helpt je om AI-systemen gerichter aan te sturen en de kwaliteit van output zichtbaar te verbeteren. Deze boeken geven een stevige basis voor het schrijven, testen en verfijnen van prompts, terwijl de artikelen laten zien hoe prompting zich heeft ontwikkeld tot een serieus vakgebied binnen AI, taalmodellen en mens-machine-interactie. Zo krijg je een helder kader om prompting beter te begrijpen en doelgericht toe te passen in content, analyse, automatisering en kenniswerk.

1. Berryman, J., & Ziegler, A. (2024). Prompt Engineering for LLMs: The Art and Science of Building Large Language Model-Based Applications. Sebastopol, CA: O’Reilly Media. → Dit boek laat zien hoe prompting werkt in echte toepassingen en helpt om losse prompttips om te zetten in een gestructureerde werkwijze.
2. Chen, B., Zhang, Z., Langrené, N., & Zhu, S. (2025). Unleashing the potential of prompt engineering in large language models: A comprehensive review. AI and Ethics. → Dit artikel geeft een breed overzicht van promptingtechnieken en helpt om de sterktes, grenzen en toepassingsgebieden van prompt engineering beter te begrijpen.
3. Hernández Gutiérrez, J. A., Conde Díaz, J., Querol, B., Martínez Ruiz, G., & Reviriego Vasallo, P. (2024). ChatGPT: Learning Prompt Engineering with 100+ Examples. Seattle, WA: Amazon Kindle Direct Publishing. → Dit boek maakt prompting concreet met veel voorbeelden en helpt om sneller gevoel te krijgen voor opbouw, precisie en variatie in prompts.
4. Koch, D. (2025). Prompt Engineering in the Enterprise: An Introduction. Wiesbaden, DE: Springer Gabler. → Dit boek plaatst prompting in een organisatiecontext en laat zien hoe je AI-instructies inzet voor betrouwbaarheid, efficiëntie en adoptie.
5. Phoenix, J., & Taylor, M. (2024). Prompt Engineering for Generative AI: Future-Proof Inputs for Reliable AI Outputs. Sebastopol, CA: O’Reilly Media. → Dit boek geeft een sterke basis voor prompting in generatieve AI en maakt duidelijk hoe je van losse experimenten naar consistente output gaat.
6. Phillips-Wren, G., Laumer, S., & Schryen, G. (2025). Towards using prompt engineering in large language models for decision support. Procedia Computer Science, 266, 1824–1833. → Dit artikel laat zien hoe prompting wordt ingezet in besluitvorming en helpt om de vertaalslag te maken van theorie naar professioneel gebruik.
7. Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv. → Dit artikel geeft een systematisch overzicht van promptingstrategieën en laat zien hoe breed prompting inmiddels wordt toegepast in verschillende taken en domeinen.
8. Singh, B. (2025). Building Applications with Large Language Models. Cham, Switzerland: Springer. → Dit boek helpt om prompting te verbinden aan bredere AI-toepassingen en laat zien hoe prompts onderdeel worden van werkende systemen en producten.
9. Vatsal, S., & Dubey, H. (2024). A survey of prompt engineering methods in large language models for different NLP tasks. arXiv. → Dit artikel maakt duidelijk hoe prompting verschilt per taaktype en helpt om beter te kiezen welke aanpak past bij classificatie, samenvatten, redeneren of generatie.

Citatie voor dit artikel:
Jimmink, J. (2026). Prompting. Retrieved [insert date] from Toolshero.nl: https://www.toolshero.nl/informatie-technologie/prompting/

Oorspronkelijke publicatiedatum: 14-04-2026 | Laatste update: 04-05-2026

Wilt u linken naar dit artikel, dat kan!
<a href=”https://www.toolshero.nl/informatie-technologie/prompting/”>Toolshero.nl: Prompting</a>

Artikel door:

Job Jimmink

Job Jimmink is Content Manager bij Toolshero. Hij richt zich op het schrijven van artikelen en het doen van onderzoek naar management- en strategietheorieën. Daarnaast studeert hij aan de Hogeschool voor Economische Studies Rotterdam (HES), waar hij zijn projectmanagement- en probleemoplossende vaardigheden verder ontwikkelt. Zijn specifieke interesse ligt bij inkoopmanagement en strategie.