Wat is prompt engineering? Technieken die verder gaan dan een goede prompt

Een goede prompt schrijven kan iedereen leren, maar soms is een goede prompt niet genoeg: het model redeneert slordig, de output wisselt van kwaliteit, of je wil een taak zo betrouwbaar maken dat je hem kunt herhalen of automatiseren. Daar begint prompt engineering: het vak van instructies ontwerpen die telkens werken. In dit artikel leggen we uit wat prompt engineering precies is, hoe het verschilt van gewoon prompten, en welke technieken (voorbeelden meegeven, stap-voor-stap redeneren, prompts schakelen) de moeilijke taken kraken. Met de onderzoekspapers waar de technieken vandaan komen, want dit vak heeft, anders dan veel AI-hype, een serieuze wetenschappelijke basis. Bij ClickForest passen we deze technieken dagelijks toe en leren we ze aan teams van KMO’s in Vlaanderen.

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 het woord systematisch: je schrijft niet één goede vraag, je bouwt een herbruikbare instructie, test hem op meerdere gevallen, meet waar hij faalt en scherpt aan tot de kwaliteit consistent is.

Zo definieert 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, in zijn officiële prompt engineering guide

De term ontstond in de onderzoekswereld en werd mainstream toen bleek hoeveel verschil de formulering van een opdracht maakt voor wat een taalmodel presteert. 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 herken je het verschil aan drie dingen. Ten eerste herbruikbaarheid: een geëngineerde prompt is een sjabloon met invulvelden, geen eenmalige vraag. Ten tweede testen: je legt de prompt naast vijf tot tien echte gevallen en beoordeelt de output systematisch, in plaats van af te gaan op één gelukte poging. Ten derde documentatie: wat werkt, wordt vastgelegd en gedeeld. Precies daarom is 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 overigens 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 gedocumenteerd in onderzoek en werken bij elk groot model, van ChatGPT tot Claude en Gemini.

Techniek	Wat je doet	Wanneer inzetten
Few-shot (voorbeelden meegeven)	Je toont 2-5 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	Rekenwerk, analyses, afwegingen en alles waar het model anders te snel concludeert
Prompt chaining (schakelen)	Je knipt een grote taak in stappen met elk een eigen prompt	Lange werkstromen zoals research, dan outline, dan tekst, dan controle
Zelfcontrole	Je laat het model zijn output toetsen aan een checklist of criteria	Kwaliteitsbewaking bij terugkerende productie, vóór menselijke eindcontrole

Over die eerste techniek is Anthropic, het bedrijf achter Claude, expliciet in zijn eigen documentatie:

“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, in de officiële promptdocumentatie van Claude

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”), en chain-of-thought door Wei en collega’s (2022), die aantoonden dat redeneerstappen uitlokken de prestaties op complexe taken fors verbetert. Je hoeft de papers niet te lezen om de technieken te gebruiken, maar het verklaart waarom ze werken: je stuurt hoe het model denkt, niet alleen wat het zegt.

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

— Wei et al., in het abstract van het chain-of-thought-paper (2022)

Hoe bouw je een promptbibliotheek voor je team?

Een promptbibliotheek is de grootste hefboom van prompt engineering voor een KMO: een gedeelde verzameling geteste promptsjablonen per taak, met versiebeheer in de simpelste vorm (wie paste wat aan en waarom). Zo stapelt kennis zich op in plaats van te verdampen bij elke medewerker die zelf wat probeert.

Praktische opbouw: begin met de vijf 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, 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. Teams die dit doorvoeren, merken het verschil vooral bij nieuwe collega’s: die prompten vanaf dag één op het niveau van het team in plaats van vanaf nul. Voor de bredere toolkeuze rond zo’n werkwijze helpt onze gids met de beste AI-tools voor marketeers.

Wil je je team dit in één dag praktijkgericht aanleren? ClickForest traint teams van KMO’s in Vlaanderen in prompt engineering op hun eigen taken, van formule tot promptbibliotheek. 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. Eén gelukte poging bewijst niets; consistentie over de testset wel.

Waarom testen zo belangrijk is, verwoordt OpenAI treffend:

“Because the content generated from a model is non-deterministic, prompting to get your desired output is a mix of art and science.”

— OpenAI, in zijn officiële prompt engineering guide

Twee gewoontes maken het testen licht genoeg om vol te houden. Werk met een simpel scoreblad (goed, bruikbaar mits aanpassing, onbruikbaar) in plaats van lange evaluaties, en bewaar de lastige gevallen als vaste testset zodat elke promptversie tegen dezelfde lat wordt gelegd. Verandert het onderliggende model (een nieuwe ChatGPT- of Claude-versie), draai de testset dan opnieuw; prompts die maandenlang goed werkten, kunnen na een modelwissel anders reageren. Dit is exact hoe wij bij ClickForest promptkwaliteit bewaken voor terugkerende contentproductie bij KMO’s in Vlaanderen: klein, systematisch en herhaalbaar.

Wanneer wordt prompt engineering automatisering?

Zodra een geëngineerde prompt bewezen betrouwbaar is, kun je hem inbouwen: in een marketing-automatisering die hem telkens uitvoert, of in een AI-agent die hem als onderdeel van een grotere taak gebruikt. Prompt engineering is daarmee de kwaliteitspoort naar automatisering: wat niet consistent werkt met een mens erbij, hoort niet in een systeem zonder mens erbij.

De volgorde is belangrijk: eerst de prompt betrouwbaar krijgen (testset groen), dan pas koppelen aan werkstromen, en altijd met een controlemoment op de plekken waar fouten geld of reputatie kosten. Wat er mogelijk wordt zodra die basis staat, van zelfstandig werkende assistenten tot volledige werkstromen, 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 en het vak groeit, maar voor de meeste organisaties wordt prompt engineering een competentie in bestaande rollen in plaats van een aparte functie: de marketeer die betrouwbare contentprompts bouwt, de analist die redeneerprompts voor rapportages ontwerpt. Voor een KMO is aanwerven zelden de juiste route; opleiden vrijwel altijd.

De rekensom is simpel: de technieken uit dit artikel zijn aan te leren in dagen, niet maanden, en ze renderen het hardst bij de mensen die de taken en de klanten al kennen. Een externe specialist kent de technieken; jouw team kent jouw zaak. De combinatie die werkt is dus: je eigen mensen de vaardigheid aanleren, met externe begeleiding voor de opstart en de moeilijke gevallen. Zo bouw je blijvende capaciteit op in plaats van afhankelijkheid.

Wat onthoud je over prompt engineering?

Prompt engineering is de verdieping bovenop goed prompten: systematisch ontwerpen, testen en verfijnen tot een prompt betrouwbaar genoeg is om te delen, te herhalen of te automatiseren. De vier kerntechnieken (few-shot, chain-of-thought, chaining en zelfcontrole) hebben een serieuze onderzoeksbasis en werken bij elk groot model. De grootste hefboom voor een team is niet de slimste truc maar de promptbibliotheek: gedeelde, geteste sjablonen die kennis laten stapelen.

ClickForest leert teams van KMO’s in Vlaanderen prompt engineering aan 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.