Je typt een vraag in ChatGPT, krijgt een vaag, nietszeggend antwoord en denkt: dit ding werkt niet. Iemand anders typt tien seconden later een andere versie van diezelfde vraag en krijgt een bruikbaar, scherp stuk tekst dat nauwelijks bewerking nodig heeft. Wat is het verschil? Geen betere internetverbinding, geen geheime instelling. Het zit hem in de instructie zelf. En precies daarin schuilt de kern van prompt engineering: de kunst van het communiceren met een taalmodel op een manier die resultaat oplevert.
Twee prompts, één taak, hemelsbreed verschil
Stel: je wil een productbeschrijving voor een draadloze koptelefoon. Prompt A luidt: “Schrijf iets over deze koptelefoon.” Prompt B luidt: “Je bent een productcopywriter voor een jong techpubliek. Schrijf een productbeschrijving van 80 woorden voor een draadloze koptelefoon met 30 uur batterijduur en actieve ruisonderdrukking. Gebruik een directe, energieke toon. Geen technisch jargon.”
Prompt A levert een generieke lofzang die je meteen weggooit. Prompt B levert iets wat je vrijwel rechtstreeks op een webshop kunt zetten. Dát verschil is prompt engineering. Niet magie, maar structuur.
Wat een prompt engineer eigenlijk doet
Een prompt engineer is geen klassieke programmeur. Je schrijft geen code, je debugt geen syntax. Wat je doet, is fungeren als communicatielaag tussen mens en model: je vertaalt een menselijke behoefte naar een instructie die een taalmodel begrijpt en bruikbaar kan uitvoeren.
Dat klinkt simpel, maar het vereist logisch denken, taalgevoel en begrip van hoe grote taalmodellen werken. Een goede prompt engineer weet waarom een model soms hallucineert, wanneer het “ja” zegt terwijl het eigenlijk gist, en hoe je een instructie opbouwt zodat dat minder snel gebeurt. Wij van Something.be zouden het omschrijven als een combinatie van technisch redacteur en UX-designer: je ontwerpt de interface, maar die interface bestaat puur uit taal.
Hoe een taalmodel een instructie verwerkt
Modellen zoals ChatGPT, Claude of Gemini werken op basis van statistisch patroonherkenning. Ze voorspellen woord voor woord wat de meest logische volgende token is, gegeven alles wat er al staat, inclusief jouw prompt. Ze hebben geen bedoelingen, geen begrip in de menselijke zin, maar ze zijn extreem gevoelig voor context en formulering.
Een vage instructie geeft het model te veel ruimte om zelf “in te vullen”, wat leidt tot gemiddelde, veilige output. Een specifieke instructie beperkt die ruimte op de juiste plekken en stuurt het model richting het gewenste pad. Het model doet niets anders dan jouw formulering serieus nemen, voor honderd procent.
De anatomie van een sterke prompt
Er zijn vier bouwstenen die samen een goede prompt vormen. Je hoeft ze niet altijd allemaal te gebruiken, maar als een prompt faalt, ontbreekt bijna altijd een van de vier.
- Rol: vertel het model wie het is. “Je bent een juridisch redacteur” of “Je bent een data-analist met ervaring in e-commerce” zorgt dat het model een consistent perspectief aanneemt.
- Context: geef achtergrondinformatie. Wie is de eindlezer? Wat is de situatie? Wat is er al geprobeerd?
- Format: beschrijf de gewenste uitvoervorm. Bulletpoints, een tabel, een mail van 150 woorden, een JSON-structuur: als je het niet zegt, kiest het model zelf.
- Beperking: zeg wat het model níet moet doen. Geen jargon, geen lange inleiding, geen aannames over het budget van de lezer. Beperkingen zijn net zo stuurzaam als opdrachten.
Slechte versus scherpe prompts: drie use cases
1. Marketingtekst
Vaag: “Schrijf een advertentie voor onze software.” Scherp: “Schrijf een Facebook-advertentie van 50 woorden voor een projectmanagementtool gericht op freelancers in de creatieve sector. Focus op tijdsbesparing. Geen prijsinformatie, geen technische termen.”
2. Data-analyse
Vaag: “Analyseer deze cijfers.” Scherp: “Je bent data-analist. Hier zijn de maandelijkse omzetcijfers van januari tot augustus. Identificeer de drie meest opvallende trends en geef per trend een mogelijke verklaring. Presenteer het als een nummered lijst.”
3. Klantenservice
Vaag: “Beantwoord deze klacht.” Scherp: “Je vertegenwoordigt de klantenservice van een Belgische webshop. Een klant klaagt dat een pakket vijf dagen te laat aankwam. Schrijf een empathisch antwoord van maximaal vier zinnen, bied een oplossing aan en sluit af met een positieve noot. Geen formeel taalgebruik.”
Het patroon is elke keer hetzelfde: specificiteit wint. Altijd.
Overlap met programmeren, en waar het fundamenteel anders is
Prompt engineering heeft iets weg van programmeren: je geeft een machine instructies, je test, je itereert en je optimaliseert. Maar de foutmeldingen zijn anders. Bij code krijg je een syntaxfout of een crash. Bij een prompt krijg je een antwoord dat correct lijkt maar inhoudelijk mist. Het probleem heet ambiguïteit, niet syntax.
Een prompt engineer lost geen compilatiefout op maar een interpretatieprobleem. Dat maakt het zowel toegankelijker (geen programmeertaal vereist) als lastiger (geen objectieve foutmelding, wel subjectief oordeel over kwaliteit). Het vereist een soort taalkundig probleemoplossen die dichter bij journalistiek of redactie ligt dan bij softwareontwikkeling.
Waarom de arbeidsmarkt nu beweegt
De vraag naar prompt engineers is de afgelopen twee jaar sterk gestegen. Sectoren die het hardst zoeken zijn onder andere financiële dienstverlening (voor samenvatting van documenten en rapportages), gezondheidszorg (voor patiëntcommunicatie en administratie), marketing (voor contentproductie op schaal) en klantenservice (voor het bouwen en verfijnen van chatbotscripts).
Wat bedrijven van kandidaten verwachten is een combinatie van drie dingen: begrip van hoe taalmodellen werken, domeinkennis in het vakgebied waar het model wordt ingezet, en het vermogen om resultaten kritisch te evalueren. Je hoeft geen AI-onderzoeker te zijn, maar blind vertrouwen op output is een disqualifier.
Wat je vandaag kunt doen om de vaardigheid te ontwikkelen
Prompt engineering is grotendeels een vaardigheid die je door doen leert. Hier is een concreet startpunt.
Stap 1: Kies één taak die je regelmatig doet, zoals het samenvatten van vergaderverslagen of het schrijven van e-mails, en voer die tien keer uit met steeds iets andere prompts. Noteer wat verschilt.
Stap 2: Bouw elke prompt op met de vier bouwstenen: rol, context, format, beperking. Gebruik ze niet als checklist maar als intuïtie die je traint.
Stap 3: Lees de promptbibliotheken die grote spelers zoals Anthropic en OpenAI publiek beschikbaar stellen. Dat zijn gratis inzichten in wat professioneel werkt.
Stap 4: Leer de basisconcepten van chain-of-thought prompting, waarbij je het model vraagt stap voor stap te redeneren voor het antwoord geeft. Dit verbetert de output bij complexe taken aanzienlijk.
Stap 5: Documenteer je beste prompts. Professionele prompt engineers werken met prompt-bibliotheken, gestructureerde templates die herbruikbaar zijn. Begin vandaag met een simpel tekstbestand.
Hoe je weet of een prompt goed genoeg is
Er zijn drie meetbare signalen die je als eigen kwaliteitscheck kunt gebruiken. Ten eerste: moet je de output meer dan licht bewerken? Als je meer tijd kwijt bent aan herschrijven dan aan prompten, is de prompt onvoldoende specifiek. Ten tweede: levert dezelfde prompt bij drie opeenvolgende runs drie vergelijkbare antwoorden op? Sterke prompts zijn consistent; vage prompts geven elke keer iets anders. Ten derde: zou iemand anders, zonder jouw context, begrijpen wat de output bedoelt? Als het antwoord alleen zinvol is omdat jij weet wat je vroeg, dan is de instructie niet volledig genoeg verankerd in de prompt zelf.
Prompt engineering groeit mee met de adoptie van AI in organisaties. Naarmate taalmodellen complexere taken uitvoeren, neemt de waarde van deze vaardigheid toe. Een technische achtergrond is daarvoor niet vereist. Wat je nodig hebt is taalkundig inzicht, logisch denken en de bereidheid om te experimenteren. Wij van Something.be zien dat mensen die dat serieus oppakken, sneller bruikbare resultaten halen dan degenen die blind op de standaardinstellingen vertrouwen. Elke slechte prompt leert je iets over wat een goede prompt onderscheidt.
