Welkom bij “Hoe voorkom je rage prompting?” Les 1.
Generatieve AI kan indrukwekkend veel werk verzetten. Tegelijk kan ze hardnekkig rondjes draaien, instructies negeren en fouten vol overtuiging herhalen. Steeds harder prompten voelt op dat moment logisch, maar meestal maakt het de samenwerking vooral langer. Het gesprek gaat van “veelbelovend” naar “LEES GEWOON WAT ER STAAT”.
Het frustrerende aan AI is de wisselvalligheid. De ene opdracht wordt meteen raak uitgevoerd. Bij een bijna identieke vraag verschijnt plots een antwoord dat de helft van je instructies mist. Dat gedrag heeft verschillende oorzaken. Een taalmodel berekent welke woorden waarschijnlijk op elkaar volgen. Het redeneert daardoor anders dan een collega die je organisatie, voorgeschiedenis en onuitgesproken verwachtingen kent. Ook een overtuigend antwoord kan feitelijk fout, intern tegenstrijdig of onvolledig zijn. Het NIST-profiel voor generatieve AI beschrijft zulke verzinsels en afwijkingen van de oorspronkelijke instructie als een inherent risico van generatieve systemen.
Daar komt variatie bij. Dezelfde vraag kan bij een volgende poging een ander antwoord opleveren. Kleine wijzigingen in formulering kunnen eveneens bepalen welke informatie het model gebruikt en welke richting het uitgaat, en dat voelt willekeurig. Vanuit de werking van het model is het dat voor een stuk ook.
Lange gesprekken verzamelen digitale bagage.
Iedere correctie wordt onderdeel van het gesprek. Daardoor groeit de context met goede instructies, verkeerde antwoorden, halve pogingen en nieuwe uitzonderingen.
Op een bepaald moment bevat de conversatie verschillende versies van wat je eigenlijk wil:
- de oorspronkelijke opdracht
- de eerste verkeerde interpretatie
- jouw correctie daarop
- een tweede antwoord dat nieuwe fouten introduceert
- aanvullende instructies om die fouten te herstellen
- en ergens daartussen de afspraken die vanaf het begin belangrijk waren.
Onderzoek naar het zogenaamde lost-in-the-middle-effect toont dat taalmodellen relevante informatie in een lange context niet overal even betrouwbaar gebruiken. Informatie aan het begin en einde krijgt vaak meer gewicht dan details die ergens in het midden zijn beland. Een lang gesprek bevat dus meer context, maar die context wordt daarom nog niet beter.
Caps lock is geen architectuur!
Wanneer een model voor de vierde keer hetzelfde negeert, worden prompts korter en dwingender:
“NEE. Dat vroeg ik niet.”
“Behoud ALLE vorige instructies.”
“Verander ALLEEN deze ene zin.”
Soms volgt daarna een beter antwoord. De boosheid heeft het model dan niet plots slimmer gemaakt. De nieuwe prompt is meestal concreter geworden: minder omwegen, een duidelijkere fout en een scherpere grens rond wat mag veranderen.
Onderzoek naar beleefdheid in prompts levert bovendien geen universele formule op. Een meertalige studie naar promptbeleefdheid zag dat onbeleefde formuleringen vaak slechter presteerden, terwijl overdreven beleefdheid evenmin betere resultaten garandeerde. De effecten verschilden bovendien per taal. De bruikbare les zit dus in precisie. Een model heeft meer aan duidelijke criteria dan aan extra decibels.
Wat helpt wanneer het gesprek ontspoort?
1. Begin opnieuw met een schone context.
Na meerdere mislukte correcties kan een nieuwe conversatie efficiënter zijn. Neem de relevante informatie mee en laat de foutieve tussenstappen achter.
Maak eerst kort duidelijk:
- wat het gewenste eindresultaat is
- voor wie het bedoeld is
- welke broninformatie gebruikt moet worden
- welke regels absoluut gelden
- hoe de output opgebouwd moet zijn
- waaraan je een goed resultaat herkent
2. Geef een voorbeeld van wat goed is.
Een concreet voorbeeld maakt abstracte voorkeuren zichtbaar. “Schrijf menselijk” kan tientallen richtingen uit. Een bestaande tekst in de juiste toon geeft het model veel meer houvast. Voorbeelden werken ook voor structuur, lengte, woordgebruik en wat je precies onder kwaliteit verstaat.
3. Laat het model eerst samenvatten.
Bij complexere opdrachten helpt het om de AI eerst de opdracht, beperkingen en open vragen te laten samenvatten. Je ziet dan vóór de uitvoering waar interpretaties uiteenlopen. Dat bespaart een volledige output die technisch knap is, maar inhoudelijk naast de kwestie zit.
4. Splits denken en uitvoeren op.
Een omvangrijke opdracht wordt betrouwbaarder wanneer ze uit controleerbare stappen bestaat. Laat de AI eerst analyseren, daarna een aanpak voorstellen en pas na goedkeuring de definitieve output maken. Onderzoek naar het herschrijven van zwakke gebruikersprompts bevestigt dat een duidelijkere formulering betere antwoorden kan opleveren terwijl de oorspronkelijke bedoeling behouden blijft.
5. Vraag om onzekerheid zichtbaar te maken.
Een taalmodel probeert doorgaans een bruikbaar antwoord te produceren, ook wanneer informatie ontbreekt. Geef daarom expliciet aan dat het ontbrekende gegevens moet benoemen, aannames zichtbaar moet maken en geen feiten mag invullen zonder bron. Controle blijft essentieel zodra de output financiële, juridische, medische of andere belangrijke gevolgen kan hebben.
Wanneer beter prompten onvoldoende wordt…
Voor een losse brainstorm of eerste tekstversie werkt een algemene chatbot prima. Bij terugkerende bedrijfsprocessen wordt de vrije chatvorm snel een beperking.
Denk aan:
- duizenden productteksten die dezelfde inhoudelijke regels moeten volgen
- documenten die altijd volgens een vaste structuur geanalyseerd worden
- rapporten die gegevens uit meerdere bronnen combineren
- medewerkers die antwoorden nodig hebben op basis van interne kennis
- klantvragen die correct gecategoriseerd en doorgestuurd moeten worden
- of een toepassing waarin AI acties uitvoert binnen andere systemen
Daar wil je niet telkens opnieuw uitleggen wat de bedoeling is. De afspraken horen vast te zitten in het systeem.
Van chatvenster naar afgebakend AI-systeem.
Een betrouwbare AI-toepassing bestaat uit meer dan één sterke prompt. Ze combineert duidelijke invoer, gecontroleerde databronnen, vaste bedrijfsregels, een afgebakende workflow en een voorspelbare outputstructuur. Afhankelijk van de toepassing kunnen we onder meer:
- AI toegang geven tot geselecteerde en actuele bedrijfskennis
- invoer automatisch controleren en structureren
- taken opsplitsen in afzonderlijke, controleerbare stappen
- resultaten toetsen aan vaste kwaliteitscriteria
- menselijke goedkeuring voorzien waar die nodig is
- output rechtstreeks verbinden met WordPress, WooCommerce, CRM of interne software
- testscenario’s opzetten om te meten hoe betrouwbaar het systeem blijft
De taaltechnologie behandelt dan het stuk waarin interpretatie en generatie waarde toevoegen. Klassieke software bewaakt de regels die altijd exact moeten kloppen. Zo ontstaat een toepassing die aansluit op je processen, data en verantwoordelijkheden. Medewerkers hoeven de perfecte prompt niet telkens opnieuw uit te vinden.
AI die rust brengt in plaats van nieuwe frustratie.
Waarmakers helpt ondernemingen eerst bepalen waar AI werkelijk waarde kan toevoegen. We brengen processen, terugkerend werk, beschikbare data en risico’s in kaart. Van daaruit kiezen we de juiste aanpak. Soms volstaat een heldere AI-werkwijze met goede voorbeelden en afspraken voor het team. Soms ligt de oplossing in automatisatie zonder AI. In andere situaties bouwen we een afgebakende toepassing. Van bulkcontent voor grote webshops en AI-analysetools tot maatwerkplugins, kennisassistenten en geïntegreerde workflows, het doel blijft hetzelfde: minder correctierondes, meer controle en tijd vrijmaken voor werk dat menselijke aandacht verdient.
De volgende keer dat je “LEES MIJN VRAAG” in ChatGPT begint te typen, is het misschien tijd om het gesprek te sluiten en het systeem beter te ontwerpen.
