Waarom een prompt een sjabloon is, geen zin

Een groot deel van het dagelijkse werk in elk bedrijf bestaat uit het steeds opnieuw schrijven van vergelijkbare teksten: offertes, klant-e-mails, productteksten. Een goede prompt verandert dat, mits je hem behandelt als een herbruikbaar sjabloon en niet als een eenmalige vraag. Het verschil tussen "schrijf een offerte" en een doordacht sjabloon is het verschil tussen wisselende kwaliteit en voorspelbare, bruikbare output — elke keer opnieuw, zonder dat jij er telkens bovenop moet zitten.

De vaste structuur: rol, context, taak, outputformaat

De kern van een sterke prompt is dat je het model altijd vier dingen meegeeft:

• Rol: wie moet het model zijn? ("Je bent een ervaren accountmanager bij een installatiebedrijf.")
• Context: wat is de situatie? (branche, klantsegment, eerdere correspondentie, relevante cijfers)
• Taak: wat moet er precies gebeuren? (een offerte opstellen, een klacht beantwoorden, drie varianten van een productomschrijving schrijven)
• Outputformaat: hoe moet het antwoord eruitzien? (aantal woorden, opsomming of lopende tekst, aanhef en afsluiting, toon)

Een vaste structuur als ROL / CONTEXT / TAAK / OUTPUTFORMAAT maakt je resultaten meteen voorspelbaarder, omdat het model niet hoeft te raden wat je bedoelt. Een concreet MKB-voorbeeld voor een offerte-mail:

ROL: Je bent verkoopmedewerker bij een installatiebedrijf voor zonnepanelen.
CONTEXT: De klant vroeg een offerte aan voor 12 panelen, dakhelling 35 graden, oost-west opstelling. Terugleveren via saldering is nog mogelijk voor particulieren.
TAAK: Schrijf een vriendelijke, zakelijke e-mail waarin je de offerte aankondigt, kort de belangrijkste keuzes toelicht en een vervolgstap voorstelt (bel-afspraak).
OUTPUTFORMAAT: Maximaal 150 woorden, aanhef "Beste [naam]", geen jargon, eindig met een concrete call-to-action.

Few-shot prompting: voorbeelden laten het patroon zien

Met few-shot prompting zet je twee tot vijf concrete voorbeelden in de prompt van hoe de output eruit moet zien. Het model herkent dan het patroon en levert consistente, gestructureerde output. Voor productteksten werkt dit goed: geef twee bestaande productomschrijvingen van jouw webshop als voorbeeld, en vraag het model om een derde tekst in exact dezelfde toon en lengte te schrijven voor een nieuw product. Zonder voorbeelden krijg je vaak een generieke marketingtekst; mét voorbeelden sluit de output aan bij jouw merkstem.

Chain-of-thought: laat het model eerst nadenken

Met chain-of-thought vraag je het model om eerst stap voor stap te redeneren voordat het een definitief antwoord geeft. Dit helpt bij complexere redeneertaken, zoals het berekenen van een prijsopbouw met meerdere kortingslagen, of het afwegen van welke levertijd realistisch is gezien de huidige voorraad. Vraag bijvoorbeeld: "Denk eerst hardop na over de kostenopbouw (materiaal, arbeid, marge), en geef daarna pas het eindbedrag." Dit voorkomt dat het model een plausibel klinkend maar onjuist getal uit de lucht grijpt.

Tweede MKB-case: productteksten op schaal

Een webshop-eigenaar die twintig nieuwe producten per week toevoegt, wil niet elke keer opnieuw nadenken over toon en structuur. Ook hier werkt de vaste structuur, aangevuld met few-shot voorbeelden:

ROL: Je bent copywriter voor een webshop in outdoorkleding.
CONTEXT: Doelgroep is 25-45 jaar, actieve wandelaars en fietsers, merk communiceert nuchter en to-the-point, geen overdreven marketingtaal.
TAAK: Schrijf een productomschrijving voor een regenjas, gebaseerd op de bijgevoegde specificaties (waterkolom, gewicht, materiaal).
OUTPUTFORMAAT: 80-100 woorden, één korte alinea plus drie bullet points met kernvoordelen.

Voeg hier twee bestaande, goed lopende productteksten als few-shot voorbeeld aan toe, en het model schrijft in dezelfde toon verder — zonder dat je elke keer opnieuw hoeft uit te leggen wat "nuchter" en "to-the-point" voor jouw merk precies betekenen.

Iteratie: de eerste versie is nooit de laatste

Een prompt-sjabloon staat zelden meteen goed. Behandel het als een klein experiment: genereer output, beoordeel wat er niet klopt (te formeel, te lang, mist een belangrijk detail), en pas precies dát onderdeel van de prompt aan. Verander bijvoorbeeld alleen het outputformaat als de lengte niet klopt, in plaats van de hele prompt te herschrijven. Door systematisch te itereren bouw je binnen een paar rondes een sjabloon dat structureel goede output geeft, in plaats van te blijven hangen in losse, eenmalige pogingen.

Systeem-prompt en gebruikersinvoer scheiden

Het loont om systeem-instructies te scheiden van gebruikersinvoer. De systeem-prompt is de vaste instructieset die rol en gedrag voor een hele sessie bepaalt; de gebruikersinvoer is wat er elke keer verandert (de specifieke klantvraag, de productgegevens). Door deze twee te scheiden bouw je herbruikbare sjablonen die je telkens met nieuwe invoer kunt vullen — dit is precies wat je later in n8n (les 3) gaat automatiseren: de systeem-prompt staat vast in de workflow, alleen de klantgegevens wisselen per uitvoering.

• Rol + context + taak + outputformaat horen altijd in je prompt thuis.
• Few-shot-voorbeelden verbeteren de consistentie van gestructureerde output.
• Chain-of-thought helpt bij complexere redeneertaken zoals prijsberekeningen.
• Scheid de vaste systeem-prompt van de wisselende gebruikersinvoer.

Samenvatting

Een prompt wordt pas krachtig als je hem behandelt als een herbruikbaar sjabloon: rol, context, taak en outputformaat vastleggen, aangevuld met voorbeelden (few-shot) en waar nodig expliciete redeneerstappen (chain-of-thought). Door systeem-instructies te scheiden van wisselende gebruikersinvoer, leg je de basis voor de automatisering die in de volgende lessen volgt.

Verder lezen: de documentatie van je gekozen AI-leverancier (prompting guides van OpenAI en Anthropic zijn vrij toegankelijk en bevatten actuele voorbeelden) en de KVK-kennisbank over AI in het MKB.