Wat is prompting (prompten)? Betekenis, prompt engineering en technieken

Prompting is in korte tijd een gewoon woord geworden. Wie het opzoekt, vindt woordenboeken die het uitleggen en cursussen die meteen tips geven. Hier krijg je eerst de betekenis van prompten, en daarna de stap naar prompt engineering: instructies ontwerpen die telkens werken, ook bij moeilijke taken en in handen van een collega. We zetten de technieken op een rij die een echte onderzoeksbasis hebben, van few-shot tot zelfcontrole, met de papers erbij. En we leggen naast elkaar wat OpenAI, Anthropic en Google er vandaag zelf over schrijven, want bij redeneermodellen werkt een deel van die technieken anders dan bij de modellen die er eerder waren.

Wat betekent prompten (of prompting)?

Prompting, of prompten, is het geven van instructies aan een AI-model in gewone taal: de vraag, de context, eventuele voorbeelden en de gewenste vorm van het antwoord. AI prompting is dezelfde vaardigheid, toegepast op taalmodellen zoals ChatGPT, Claude of Gemini. Wie prompting systematisch aanpakt, met testen en herbruikbare sjablonen, doet aan prompt engineering.

Google omschrijft het ontwerpen van prompts als het maken van verzoeken in natuurlijke taal die een taalmodel nauwkeurige antwoorden van hoge kwaliteit laten geven. Wat een prompt zelf is en hoe je er een goede schrijft, leggen we uit in wat is een prompt?. Hier gaat het over het werkwoord, en over hoe je dat instrueren tot een vak maakt.

Buiten AI heeft het woord een oudere betekenis. In de psychotherapie is prompting volgens het APA Dictionary of Psychology het aanreiken van onderwerpen door de therapeut, om de cliënt aan te moedigen bepaalde thema’s te bespreken, bijvoorbeeld door eerder besproken materiaal in herinnering te brengen of een zin voor de cliënt af te maken. In de logopedie bestaat bovendien de PROMPT-methode, waarbij de logopedist volgens het PROMPT Institute met de handen kaak, lippen en tong begeleidt om woorden te vormen. Verder gaat het in dit artikel alleen over AI.

In Vlaanderen is prompting intussen geen niche meer. Volgens de imec.digimeter 2025 gebruikt 43% van de Vlamingen van 18 jaar en ouder actief generatieve AI, en doet 51% van de werkenden dat minstens maandelijks voor het werk. Hoe goed hun instructies zijn, bepaalt wat ze uit dezelfde tools halen. ClickForest leert teams van KMO’s in Vlaanderen prompten en prompt engineering in zijn AI-opleidingen, op de taken die ze elke dag doen.

Wat is prompt engineering?

Prompt engineering is het systematisch ontwerpen, testen en verfijnen van prompts zodat een AI-model betrouwbaar de gewenste output levert. Het verschil met gewoon prompten zit in dat woord systematisch: je bouwt een herbruikbare instructie, test hem op meerdere gevallen, kijkt waar hij faalt en scherpt aan tot de kwaliteit consistent is.

Zo omschrijft OpenAI het zelf:

“Prompt engineering is the process of writing effective instructions for a model, such that it consistently generates content that meets your requirements.”

— OpenAI, prompt engineering-gids in de API-documentatie (geraadpleegd september 2026)

Hoe je een opdracht formuleert, bepaalt voor een groot deel wat een taalmodel levert; daarom publiceren OpenAI, Anthropic en Google elk een eigen promptgids. Voor de dagelijkse basis (de formule Rol + Doel + Context + Output en kant-en-klare voorbeeldprompts) verwijzen we naar onze beginnersgids prompt schrijven; dit artikel begint waar die gids stopt. Een beknopte definitie vind je ook in onze woordenlijst.

Wat is het verschil tussen prompten en prompt engineering?

Prompten is een vraag stellen, prompt engineering is een recept schrijven. Wie prompt, wil nu een goed antwoord. Wie aan prompt engineering doet, wil een instructie die volgende week, door een collega, op een ander geval, nog altijd hetzelfde kwaliteitsniveau haalt. Dat vraagt een andere werkwijze: ontwerpen, testen op meerdere voorbeelden, en meten.

In de praktijk zie je het verschil aan wat er met een prompt gebeurt nadat hij één keer gewerkt heeft. Een geëngineerde prompt wordt een sjabloon met invulvelden dat je telkens opnieuw gebruikt. Voor je hem deelt, leg je hem naast vijf tot tien echte gevallen en beoordeel je de output systematisch, want één gelukte poging zegt weinig. Wat werkt, schrijf je op, zodat een collega er later op kan voortbouwen. Zo wordt prompt engineering de brug tussen los AI-gebruik en de gestructureerde AI-marketing-werkwijze waar een team op kan bouwen. Wie voor het dagelijkse prompten graag een vast stramien gebruikt, vindt dat in het RACE-model voor ChatGPT-prompts; de technieken hieronder beginnen waar zulke invulmodellen ophouden.

Welke prompt engineering-technieken moet je kennen?

Vier technieken dekken het overgrote deel van de praktijk: voorbeelden meegeven (few-shot), stap-voor-stap laten redeneren (chain-of-thought), prompts schakelen (chaining) en het model zijn eigen werk laten controleren. Alle vier zijn onderzocht in wetenschappelijke papers. Hoe je ze inzet, verschilt wel per model: de nieuwste redeneermodellen denken zelf na en hebben een deel van die instructies niet meer nodig.

Techniek	Wat je doet	Wanneer inzetten
Few-shot (voorbeelden meegeven)	Je toont 3 tot 5 voorbeelden van input plus gewenste output vóór de echte vraag	Stijl, formaat of beoordeling die moeilijk te beschrijven maar makkelijk te tonen is
Chain-of-thought (stap-voor-stap)	Je vraagt het model eerst te redeneren en dan pas te antwoorden	Bij modellen zonder ingebouwd denkwerk; redeneermodellen doen dit zelf
Prompt chaining (schakelen)	Je knipt een grote taak in stappen met elk een eigen prompt	Lange werkstromen waarbij je de tussenresultaten wil controleren, zoals research, outline, tekst en controle
Zelfcontrole	Je laat het model zijn output toetsen aan een checklist of criteria	Kwaliteitsbewaking bij terugkerende productie, vóór de menselijke eindcontrole

Chaining en zelfcontrole gaan vaak samen. Het meest gebruikte schakelpatroon is volgens Anthropic zelfcorrectie: een eerste versie laten maken, die laten toetsen aan criteria en daarna laten verbeteren. Ook in één enkele prompt kan dat. Anthropic raadt aan om het model te vragen zijn antwoord vóór het afronden te toetsen aan je testcriteria, wat volgens de documentatie fouten betrouwbaar opvangt, vooral bij code en rekenwerk.

De wetenschappelijke wortels zijn de moeite om te kennen. Few-shot leren werd op de kaart gezet door het GPT-3-paper van Brown en collega’s (2020, “Language Models are Few-Shot Learners”), chain-of-thought door Wei en collega’s (2022), die aantoonden dat redeneerstappen uitlokken de prestaties verbetert op reken-, gezond-verstand- en symbolische redeneertaken. Prompts schakelen beschreven Wu en collega’s in 2021 (“AI Chains”): de output van de ene stap wordt de input van de volgende. Het model zijn eigen output laten beoordelen en verbeteren onderzochten Madaan en collega’s in 2023 (“Self-Refine”). De papers verklaren waarom de technieken werken: je stuurt de manier waarop het model tot zijn antwoord komt. Om ze te gebruiken, hoef je ze niet gelezen te hebben.

“Experiments on three large language models show that chain of thought prompting improves performance on a range of arithmetic, commonsense, and symbolic reasoning tasks.”

— Jason Wei en collega’s, abstract van het chain-of-thought-paper (januari 2022)

Wat is het verschil tussen zero-shot, one-shot en few-shot prompting?

Het verschil zit in het aantal voorbeelden dat je in de prompt meegeeft. Bij zero-shot geef je alleen een instructie, zonder voorbeeld. Bij one-shot voeg je precies één voorbeeld toe, bij few-shot een handvol. Het GPT-3-paper van 2020 beschreef ze als drie aparte opstellingen. Meer voorbeelden sturen vorm en toon sterker, en maken je prompt ook langer.

Opstelling	Wat je meegeeft	Wanneer bruikbaar
Zero-shot	Alleen een instructie in gewone taal, geen voorbeeld	Eenvoudige taken, en de eerste poging bij een redeneermodel
One-shot	De instructie plus één voorbeeld van input en gewenste output	Als één goed voorbeeld de gewenste vorm al duidelijk maakt
Few-shot	De instructie plus een handvol voorbeelden; Anthropic raadt er 3 tot 5 aan	Stijl, toon of beoordeling die je makkelijker toont dan beschrijft

Het GPT-3-paper omschrijft one-shot als dezelfde opstelling als few-shot, met maar één demonstratie naast de beschrijving van de taak, en zero-shot als een opstelling waarin het model alleen een instructie in natuurlijke taal krijgt. Google hanteert dezelfde indeling in zijn Gemini-documentatie: prompts met een paar voorbeelden heten few-shot, prompts zonder voorbeelden zero-shot. Over het nut van voorbeelden is Anthropic, het bedrijf achter Claude, uitgesproken:

“Examples are one of the most reliable ways to steer Claude’s output format, tone, and structure. A few well-crafted examples (known as few-shot or multishot prompting) improve accuracy and consistency.”

— Anthropic, Prompting best practices in de documentatie van Claude (geraadpleegd september 2026)

Anthropic vraagt ook dat die voorbeelden dicht bij de echte taak liggen, randgevallen dekken en genoeg variëren zodat het model geen onbedoelde patronen oppikt, en dat ze duidelijk van de instructies gescheiden zijn. Welke opstelling het best werkt, hangt af van het model. Daarover gaat de volgende vraag.

Hoe prompt je een redeneermodel?

Geef een redeneermodel een helder doel en de nodige context, en laat het denkwerk aan het model. Zulke modellen werken eerst intern een redenering uit voordat ze antwoorden. OpenAI raadt daarom af om ze nog te vragen stap voor stap te denken, en adviseert om eerst zonder voorbeelden te proberen. Of voorbeelden bij jouw model nog iets toevoegen, test je zelf.

OpenAI noemt zulke modellen redeneermodellen, Anthropic en Google spreken van thinking. Dat verandert een deel van de technieken hierboven. Over stap voor stap laten denken zitten de drie leveranciers dicht bij elkaar; over voorbeelden verschillen ze:

Leverancier	Stap voor stap laten denken	Voorbeelden meegeven
OpenAI (gids voor redeneermodellen)	Afgeraden: “Avoid chain-of-thought prompts”, omdat die modellen intern al redeneren	Eerst zonder: “Try zero shot first, then few shot if needed”
Anthropic	Liever een algemene instructie dan een uitgeschreven stappenplan; een zelf uitgeschreven redenering is een terugvaloptie als het denkwerk uitstaat	3 tot 5 voorbeelden, en die werken samen met het denkwerk
Google (Gemini)	Meestal niet nodig: het is volgens Google “generally not necessary” om het model zijn redeneerstappen te laten uitschrijven. Voor zware redeneertaken kan een simpele vraag als “Think very hard before answering” helpen, ten koste van extra denktokens	Altijd: “We recommend to always include few-shot examples in your prompts”

Anthropic formuleert het het scherpst: “A prompt like ‘think thoroughly’ often produces better reasoning than a hand-written step-by-step plan.” Google vraagt voor zijn recente Gemini-modellen daarnaast om direct en gestructureerd te formuleren, met de taak en de randvoorwaarden duidelijk afgebakend. OpenAI vat het verschil tussen de twee soorten modellen samen met een vergelijking uit de werkvloer:

“A reasoning model is like a senior co-worker. You can give them a goal to achieve and trust them to work out the details. A GPT model is like a junior coworker. They’ll perform best with explicit instructions to create a specific output.”

— OpenAI, prompt engineering-gids in de API-documentatie (geraadpleegd september 2026)

Omdat de leveranciers het oneens zijn over voorbeelden, wordt de minitestset uit de volgende secties belangrijker: alleen door te testen zie je of een voorbeeld of een stappenplan bij jouw model nog iets toevoegt. Welke assistent je voor welke taak kiest, vergelijken we in ChatGPT vs Claude vs Perplexity.

Hoe bouw je een promptbibliotheek voor je team?

Een promptbibliotheek is voor een KMO de grootste hefboom van prompt engineering: een gedeelde verzameling geteste promptsjablonen per taak, met versiebeheer in de simpelste vorm, namelijk wie wat aanpaste en waarom. Zo komt wat één medewerker uitprobeert ten goede aan het hele team, en blijft het bewaard als die medewerker met iets anders bezig is.

Begin met de drie meest terugkerende taken, geef elk sjabloon een eigenaar en spreek een vast format af: naam, doel, het sjabloon zelf, een goed voorbeeld van de output, het model waarop het getest is en de laatste wijziging. Bewaar het centraal. Een gedeeld document volstaat, gespecialiseerde tools komen later. Plan per kwartaal een korte revisie, want modellen veranderen en sjablonen verouderen mee. Het verschil merk je vooral bij nieuwe collega’s: zij starten meteen met de sjablonen van het team. Voor de bredere toolkeuze rond zo’n werkwijze helpt onze gids met de beste AI-tools voor marketeers.

Wil je dit met je team oefenen? ClickForest traint teams van KMO’s in Vlaanderen in prompten en prompt engineering op hun eigen taken, in een sessie van een halve of hele dag of in een traject. Bekijk de AI-opleiding of boek een vrijblijvende video-call.

Hoe test je of een prompt echt goed is?

Met een minitestset: leg je prompt naast vijf tot tien echte, gevarieerde gevallen, inclusief een paar lastige, en beoordeel de output op vaste criteria zoals feitelijke juistheid, toon en bruikbaarheid zonder nabewerking. Pas als de output over de hele testset consistent is, weet je dat de prompt werkt en kun je hem delen met je team.

Waarom dat testen nodig is, schrijft OpenAI in zijn gids: “Because the content generated from a model is non-deterministic, prompting to get your desired output is a mix of art and science.” Hetzelfde model kan op dezelfde prompt dus telkens iets anders antwoorden.

Hou het testen licht, anders hou je het niet vol. Een simpel scoreblad volstaat: goed, bruikbaar mits aanpassing, onbruikbaar. De lastige gevallen bewaar je als vaste testset, zodat elke promptversie tegen dezelfde lat wordt gelegd. Verandert het onderliggende model, draai de testset dan opnieuw: prompts die maandenlang goed werkten, kunnen na een modelwissel anders reageren. OpenAI waarschuwt zelf dat zelfs verschillende versies binnen dezelfde modelfamilie andere resultaten kunnen geven, en raadt aan om vaste modelversies te gebruiken en tests te bouwen.

Wanneer bouw je een geteste prompt in een automatisering?

Zodra een prompt over je hele testset betrouwbaar scoort, kun je hem inbouwen: in een marketing-automatisering die hem telkens uitvoert, of in een AI-agent die hem gebruikt als onderdeel van een grotere taak. Prompt engineering is zo de kwaliteitspoort naar automatisering. Wat met een mens erbij niet consistent werkt, hoort ook niet in een systeem zonder mens erbij.

De volgorde telt: eerst de prompt betrouwbaar krijgen, dan pas koppelen aan werkstromen, en altijd met een controlemoment op de plekken waar fouten geld of reputatie kosten. ClickForest bouwt zulke marketing-automatiseringen en AI-agents voor KMO’s in Vlaanderen. Wat er mogelijk wordt zodra die basis staat, lees je in onze gids over AI-agents in marketing; welke assistent je waarvoor inzet, staat in onze praktische keuzegids voor ChatGPT, Claude en Perplexity.

Is prompt engineer een job, en moet jij er een aanwerven?

De functietitel bestaat, maar is nooit echt doorgebroken. Op Indeed piekten de zoekopdrachten naar zulke jobs volgens Fortune al in april 2023. Steeds vaker wordt prompt engineering een competentie in bestaande rollen: de marketeer die betrouwbare contentprompts bouwt, de analist die redeneerprompts voor rapportages ontwerpt. Voor de meeste KMO’s is opleiden daarom een betere route dan aanwerven.

“Prompt engineering as a skill is still definitely a good thing to have, but it’s not an entire title”, zei Indeed-econoom Allison Shrivastava in mei 2025 aan Fortune. Die cijfers en die uitspraak gaan over de Amerikaanse arbeidsmarkt.

De vaardigheid zelf ontbreekt in Vlaanderen nog vaak. Volgens de imec.digimeter 2025 weet 33% van de Vlamingen niet hoe ze generatieve AI moeten gebruiken om taken efficiënter uit te voeren, en zegt maar 27% van de werkenden dat hun werkgever een duidelijk beleid en richtlijnen heeft over generatieve AI. De technieken uit dit artikel leer je in enkele dagen, en ze renderen het hardst bij de mensen die de taken en de klanten al kennen. Daarom werkt deze combinatie: je eigen mensen de vaardigheid aanleren, met externe begeleiding voor de opstart en de moeilijke gevallen. ClickForest geeft die AI-opleidingen aan KMO’s in Vlaanderen, in-company of online.

Wat onthoud je over prompting en prompt engineering?

Prompting is instructies geven aan een AI-model. Prompt engineering is de verdieping daarbovenop: systematisch ontwerpen, testen en verfijnen tot een prompt betrouwbaar genoeg is om te delen, te herhalen of te automatiseren. De vier kerntechnieken hebben een serieuze onderzoeksbasis, maar redeneermodellen vragen een lichtere hand: minder stappenplannen, meer doel en context.

Voor een team zit de grootste winst in de promptbibliotheek: gedeelde, geteste sjablonen die kennis laten stapelen, met een testset die je bij elke modelwissel opnieuw draait.

ClickForest leert teams van KMO’s in Vlaanderen prompten en prompt engineering op hun eigen taken, als onderdeel van een praktijkgerichte AI-opleiding of een breder AI-traject. Benieuwd waar jouw team staat? Plan een vrijblijvende video-call en we bekijken samen welke taken als eerste in aanmerking komen.