Prompt Engineering in 2026: De Complete Gids

"Prompt engineering is dood." Die bewering hoor je steeds vaker. IEEE Spectrum schreef het. Fast Company ook. AI-modellen worden slimmer, dus waarom zou je nog moeite doen met hoe je iets vraagt?

Omdat het onderzoek — en de arbeidsmarkt — iets anders laten zien.

MIT Sloan en Stanford tonen aan dat de helft van je prestatiewinst uit de prompt komt — niet uit het model. Wharton's Interactive AI Lab publiceerde in 2025 vier rapporten die precies laten zien welke technieken wél werken, welke niet, en waarom. En Harvard Business School en BCG bevestigen: consultants die goede prompts gebruiken werken 25% sneller en leveren 40% betere kwaliteit.

En de bedrijven die het hardst roepen dat AI "vanzelf" werkt? Die zoeken ondertussen volop prompt engineers. Op Prompt Engineer Jobs — een vacatureplatform volledig gewijd aan deze rol — staan continu tientallen openstaande posities. Anthropic zelf zoekt een Cross-functional Prompt Engineer met een salaris van $320.000–$405.000 per jaar. Apple, JP Morgan en andere Fortune 500-bedrijven hebben vergelijkbare functies openstaan. Zelfs de "instap"-posities beginnen boven de $150.000. Als prompt engineering echt dood was, zouden deze bedrijven er geen toptalent voor werven.

Het verschil? Prompt engineering anno 2026 is niet meer "probeer wat en kijk wat eruit komt." Het is een professionele vaardigheid. En deze gids legt alles uit wat je moet weten — technieken, mythes, valkuilen en de volgende stap: context engineering.

Zoek je direct bruikbare prompts per afdeling? Lees dan onze 50 kant-en-klare prompts per afdeling of bekijk onze prompt library met kant-en-klare templates. Deze gids focust op de theorie en technieken erachter.

Wat is prompt engineering (en wat is het niet)?

Prompt engineering is het systematisch formuleren van instructies aan een large language model om betere, consistentere en bruikbaardere output te krijgen. Geen willekeurig proberen. Geen trucjes. Maar begrijpen hoe deze modellen taal verwerken en daar slim gebruik van maken.

De business case is overtuigend. Het HBS/BCG-onderzoek onder 758 consultants laat zien: wie AI goed inzet, werkt 25% sneller en levert 40% betere kwaliteit. En MIT Sloan bevestigt dat 50% van het resultaatverschil tussen AI-gebruikers zit in de prompt, niet in het model.

Maar laten we ook eerlijk zijn over wat het níet is. Prompt engineering is geen magie. Het compenseert geen gebrek aan vakkennis. Een slechte marketeer wordt geen goede marketeer door een betere prompt. Wel haalt een goede marketeer met de juiste prompt 2-3x meer uit hetzelfde model.

De drie niveaus van prompt engineering

Niet iedereen hoeft een expert te worden. Maar iedereen profiteert van het juiste niveau:

1. •

   Casual prompting — Een vraag typen in ChatGPT en het antwoord gebruiken. Prima voor eenvoudige taken. Geen structuur, geen systeem.

2. •

   Structured prompting — Frameworks gebruiken zoals COSTAR, rollen toewijzen, voorbeelden meegeven, output-format specificeren. Dit is waar de meeste professionals naartoe moeten.

3. •

   Production-level context engineering — Prompts combineren met RAG, system prompts, tools en geheugen. Dit is het domein van AI-teams die werkprocessen automatiseren. Gartner voorspelt dat 70% van de enterprises dit eind 2026 inzet.

De meeste teams zitten op niveau 1 en moeten naar niveau 2. Dat is precies waar deze gids bij helpt.

De 8 belangrijkste prompt engineering technieken

Dit zijn de technieken die het onderzoek ondersteunen — van simpel naar geavanceerd. Per techniek: wat het is, wanneer je het gebruikt, en een voorbeeld.

1. Zero-shot prompting

De eenvoudigste vorm: je geeft een instructie zonder voorbeelden. Het model moet zelf uitvogelen wat je bedoelt.

Zero-shot prompting werkt goed voor eenvoudige, eenduidige taken. Samenvatten, vertalen, classificeren — taken waar weinig interpretatie nodig is.

Wanneer gebruiken: eenvoudige taken, snelle antwoorden, heldere instructies. Wanneer vermijden: complexe taken waar het model jouw specifieke stijl of format moet volgen.

2. Few-shot prompting

Je geeft 2-3 voorbeelden van de gewenste output voordat je je eigenlijke vraag stelt. Few-shot prompting is volgens PromptingGuide.ai de meest impactvolle techniek die er is.

Dit werkt omdat het model het patroon herkent: korte hook, cijfer, twist, cliffhanger. Zonder die voorbeelden krijg je een generieke tekst.

3. Chain-of-thought prompting

Je vraagt het model om stap voor stap te redeneren in plaats van direct een antwoord te geven. Chain-of-thought (CoT) is effectief bij wiskundige, logische en analytische taken.

Maar — en dit is belangrijk — het Wharton-onderzoek (Report 2) toont aan dat CoT bij reasoning models (zoals GPT-o3 of Claude met extended thinking) minder meerwaarde heeft. Die modellen denken al stapsgewijs na. Extra CoT-instructies voegen dan weinig toe of maken de output zelfs trager.

Wanneer gebruiken: complexe analyse, vergelijkingen, besluitvorming. Wanneer vermijden: bij reasoning models die al stapsgewijs denken, en bij eenvoudige taken waar stapsgewijs redeneren overkill is.

4. System prompts en rolgebaseerd prompten

Je geeft het model een rol of persona via een system prompt: "Je bent een senior financial controller met 15 jaar ervaring in Nederlandse MKB-bedrijven." De output wordt specifieker, het taalgebruik past zich aan.

Maar het Wharton-onderzoek (Report 4) laat een nuance zien: persona's verbeteren de stijl en toon van de output, maar verbeteren de feitelijke nauwkeurigheid niet. "Je bent een expert" maakt de output niet nauwkeuriger — wel relevanter voor de context.

Wanneer gebruiken: consistente toon over meerdere outputs, domeinspecifiek taalgebruik, branding. Wanneer vermijden: als je denkt dat een experrol automatisch betere feiten oplevert.

5. Prompt chaining

Je splitst een complexe taak in meerdere stappen en gebruikt de output van stap 1 als input voor stap 2. In plaats van te vragen "schrijf een compleet marketingplan," vraag je eerst om een doelgroepanalyse, dan een kanaalstrategie, dan een contentplan.

Dit werkt omdat LLM's beter presteren op gefocuste taken. Google's Prompt Engineering Whitepaper bevestigt: kleinere, gestructureerde prompts leveren consistent betere output dan één lange instructie.

Wanneer gebruiken: complexe deliverables die meerdere stappen vereisen. Wanneer vermijden: eenvoudige taken die in één prompt passen.

6. Meta-prompting

Je vraagt het model om een prompt te schrijven. Klinkt meta — want dat is het ook. In plaats van zelf een prompt te bedenken, beschrijf je wat je wilt bereiken en laat je het model de optimale prompt formuleren.

Dit is bijzonder effectief als je weet wát je wilt maar niet precies hoe je het moet vragen. Schulhoff et al. noemen het in "The Prompt Report" een van de meest onderbenutte technieken.

7. Multimodal prompting

Sinds 2025 werken alle grote modellen met tekst, beeld, audio en video. Multimodal prompting combineert deze inputs. Upload een foto van een whiteboard en vraag om een samenvatting. Stuur een screenshot van een dashboard en vraag om analyse. Geef een audioclip en vraag om transcriptie met actiepunten.

Gemini 3 Pro is hier bijzonder sterk: native multimodale verwerking, directe Google Workspace-integratie. Claude excelleert in het analyseren van lange documenten en complexe afbeeldingen.

Wanneer gebruiken: wanneer je informatie in niet-tekstformaat hebt. Wanneer vermijden: als tekst volstaat — voeg geen afbeelding toe als een tekstbeschrijving hetzelfde resultaat geeft.

8. Agentic prompting

De meest geavanceerde vorm: je instrueert niet één model, maar een systeem van AI-agents die samenwerken. Eén agent analyseert data, een ander schrijft een rapport, een derde controleert de feiten. Tools als Claude Code en AutoGPT maken dit mogelijk.

Agentic prompting vereist een fundamenteel andere denkwijze: je ontwerpt een systeem, geen zin. Je definieert taken, tools, stopvoorwaarden en escalatieregels.

Wanneer gebruiken: complexe workflows met meerdere stappen en databronnen. Wanneer vermijden: als een enkele prompt hetzelfde resultaat oplevert — overcomplexiteit is een reëel risico.

Prompt engineering per model: ChatGPT vs Claude vs Gemini

Niet elk model reageert hetzelfde op dezelfde prompt. Wie het verschil kent, haalt meer uit elke tool. Voor een diepere vergelijking, lees ons uitgebreide model-vergelijkingsartikel.

ChatGPT (GPT-5)

ChatGPT werkt het best met:

• •Markdown-structuur — koppen, lijsten en tabellen in je prompt leiden tot beter gestructureerde output
• •Tool-integratie — GPT-5 zoekt automatisch op het web, maakt afbeeldingen, analyseert bestanden. Gebruik dat
• •Reasoning modes — GPT-o3 en o4-mini denken stapsgewijs na. Chain-of-thought-instructies zijn dan overbodig en vertragen de output

Valkuil: ChatGPT is geneigd tot "people-pleasing" — het geeft je het antwoord dat je wílt horen. Vraag expliciet om tegenargumenten.

Claude (Opus/Sonnet)

Claude excelleert bij:

• •XML-tags — <context>, <instructions>, <examples> helpen Claude om prompts beter te parsen. Anthropic's eigen documentatie beveelt dit aan
• •Lange documenten bovenaan — zet achtergronddocumenten aan het begin van de prompt, instructies aan het eind
• •Extended thinking — Claude kan hardop nadenken. Bij complexe taken levert dit significant betere output

Valkuil: Claude is voorzichtig. Het weigert sneller dan andere modellen en voegt ongevraagd disclaimers toe. Wees expliciet over wat je wel wilt.

Gemini (3 Pro)

Gemini blinkt uit op:

• •Hiërarchische prompts — duidelijke koppenstructuur (hoofd- en subdoelen) werkt beter dan platte tekst
• •Multimodale taken — Gemini verwerkt tekst, beeld, audio en video native. Combineer inputs waar dat zinvol is
• •Google integratie — directe toegang tot Workspace, Search en andere Google-diensten

Valkuil: Gemini's output kan wisselend zijn tussen sessies. Test dezelfde prompt meerdere keren voordat je vertrouwt op het resultaat.

Van prompt engineering naar context engineering

Prompt engineering gaat over hoe je een vraag stelt. Context engineering gaat over alles wat je het model meegeeft: documenten, tools, geheugen, system prompts, databases. De prompt is slechts één onderdeel.

Andrej Karpathy — medeoprichter van OpenAI — introduceerde de term in 2025: "Context engineering is the subtle art and science of filling the context window with just the right information for the next step." Gartner pikte het op en voorspelt dat 70% van de enterprises context engineering inzet tegen eind 2026.

Wat betekent dat concreet?

• •RAG — documenten ophalen en meegeven als context
• •System prompts — gedragsregels die bij elke interactie gelden
• •Tools — het model kan zoeken, rekenen, databases bevragen
• •Memory — het model onthoudt eerdere gesprekken en voorkeuren
• •Guardrails — regels die de output beperken (geen medisch advies, altijd in het Nederlands)

Prompt engineering verdwijnt niet. Het wordt een subset van context engineering. De vraag is niet meer "hoe stel ik mijn prompt op?" maar "hoe ontwerp ik het complete informatiepakket dat mijn model nodig heeft?"

Voor bedrijven betekent dit: je prompt is 20% van het werk. De andere 80% zit in welke data je beschikbaar maakt, welke tools je koppelt, en welke regels je instelt. Dat is waarom we in onze ChatGPT, Claude & Gemini Masterclass niet alleen prompts behandelen, maar het hele systeem eromheen.

"Is prompt engineering dood?" — Het debat in 2026

De "prompt engineering is dood"-koppen zijn prikkelend. IEEE Spectrum schreef dat AI-modellen zo goed worden dat je straks gewoon kunt vragen wat je wilt. Fast Company beweert dat de baan "prompt engineer" al aan het verdwijnen is.

Ze hebben deels gelijk.

Het tijdperk van trial-and-error prompting ís voorbij. Je hoeft niet meer 20 varianten te testen om één bruikbaar antwoord te krijgen. Modellen begrijpen vage instructies steeds beter. De lat om een "oké" antwoord te krijgen ligt lager dan ooit.

Maar de lat voor een uitstekend antwoord ligt hoger dan ooit.

Wharton's Interactive AI Lab laat zien dat het verschil tussen een basisprompt en een geoptimaliseerde prompt bij complexe taken 40-60% kwaliteitsverschil kan opleveren. Aakash Gupta documenteert hoe bedrijven door promptoptimalisatie 76% kostenreductie bereiken op hun AI-uitgaven.

De vraag is niet "moet ik nog leren prompten?" De vraag is "kan ik het me veroorloven om het niet te doen?"

Prompt engineering en de EU AI Act

Sinds 2 februari 2025 is het officieel: werkgevers zijn wettelijk verplicht om AI-geletterdheid te borgen bij alle medewerkers die met AI-systemen werken. Dat staat in artikel 4 van de EU AI Act.

Prompt engineering valt daar direct onder. Als je medewerkers ChatGPT, Claude of Gemini gebruiken — en dat doen ze, of je het weet of niet — dan moeten ze begrijpen hoe ze dat veilig en effectief doen.

PwC Nederland waarschuwt: "Bij gebrek aan tastbare kaders en handhaving is het risico dat organisaties het onderwerp niet oppakken." En dat risico wordt groter: in augustus 2026 treden de regels voor hoog-risico AI-systemen in werking.

Wat betekent dit praktisch?

• •Inventariseer welke AI-tools je medewerkers gebruiken
• •Train ze in veilig en effectief gebruik — inclusief prompt engineering
• •Documenteer dat je het hebt gedaan (bewijs van compliance)

Prompt engineering is het meest concrete, direct toepasbare onderdeel van AI-geletterdheid. Train je team daarin en je slaat twee vliegen in één klap: betere resultaten én compliance. Lees ook: AI-geletterdheid als werkgever: wat verplicht de EU AI Act?

5 prompt engineering mythes die onderzoek heeft ontkracht

Er circuleert veel advies over prompts dat simpelweg niet klopt. Dit is wat het onderzoek écht laat zien.

Mythe 1: "Geef de AI een expertrol voor betere antwoorden"

De realiteit: Wharton Report 4 toont aan dat persona's de toon en stijl verbeteren, maar de feitelijke nauwkeurigheid niet beïnvloeden. "Je bent een Harvard-professor" levert niet nauwkeurigere informatie op — wel een academischer schrijfstijl. Gebruik persona's voor stijl, niet voor feiten.

Mythe 2: "Gebruik altijd chain-of-thought"

De realiteit: Wharton Report 2 laat zien dat CoT bij reasoning models (GPT-o3, Claude met thinking) nauwelijks meerwaarde heeft. Die modellen denken al stapsgewijs. Sterker: onnodige CoT-instructies kunnen de output vertragen zonder kwaliteitswinst. Gebruik CoT selectief — bij standaardmodellen en complexe analytische taken.

Mythe 3: "Dreig met consequenties of beloof een fooi"

De realiteit: "Je krijgt $1.000 als je dit goed doet" of "het is heel belangrijk dat je geen fouten maakt" — Wharton Report 3 concludeert dat dit geen meetbaar effect heeft op de kwaliteit van de output. Het model wordt er niet beter van. Focus op duidelijke instructies in plaats van emotionele druk.

Mythe 4: "Hoe langer en gedetailleerder, hoe beter"

De realiteit: er is een optimum. Onderzoek laat zien dat de promptkwaliteit degradeert na ongeveer 3.000 tokens aan instructies. Meer context helpt tot een punt, daarna raakt het model de draad kwijt. Schrijf zo kort mogelijk, zo lang als nodig.

Mythe 5: "Een goede prompt werkt op elk model"

De realiteit: ChatGPT, Claude en Gemini reageren fundamenteel anders op dezelfde prompt. XML-tags werken uitstekend voor Claude, maar hebben geen effect op ChatGPT. Markdown-structuur werkt beter voor ChatGPT dan voor Gemini. Test je prompts op het model dat je team daadwerkelijk gebruikt.

Oefenopdrachten: train jezelf in prompt engineering

Lezen is één ding. Het in je vingers krijgen is iets anders. Deze opdrachten lopen op in moeilijkheid: van een prompt herschrijven tot een AI een stuk software laten bouwen en dat kritisch beoordelen. Doe ze in je eigen werk, met je eigen voorbeelden. Dat plakt beter dan een oefening die niets met jou te maken heeft.

Wil je liever met kant-en-klare voorbeelden werken in plaats van vanaf nul beginnen? Pak er dan onze promptbibliotheek bij en pas een bestaande template aan op je eigen taak.

Opdracht 1: herschrijf een vage prompt met de drie vragen

Doel: ervaren hoeveel beter je output wordt als je eerst nadenkt over de uitkomst, niet over de taak.

Opdracht: neem een prompt die je deze week typte en die een matig antwoord opleverde — bijvoorbeeld "schrijf een mailtje naar een klant." Beantwoord daarna de drie vragen uit de perfecte prompt schrijven: wie leest de uitkomst, wat wil je écht bereiken, en wat weet jij dat het model niet weet? Verwerk die antwoorden in een nieuwe prompt en draai beide versies achter elkaar.

Goed resultaat herken je hieraan: de tweede versie heeft minder bijsturen nodig. Je hoeft niet drie keer "nee, korter" of "nee, zakelijker" te typen, omdat je die informatie al vooraf hebt meegegeven.

Opdracht 2: bouw een prompt met few-shot voorbeelden

Doel: een patroon overbrengen dat je lastig in woorden vangt, door het te laten zien in plaats van te beschrijven.

Opdracht: kies een terugkerende taak met een herkenbare stijl — productteksten, social posts, antwoorden op veelgestelde vragen. Verzamel twee of drie goede voorbeelden uit je eigen archief. Zet ze in je prompt vóór je nieuwe vraag, precies zoals in het few-shot voorbeeld eerder in deze gids. Vraag daarna om een nieuw exemplaar in dezelfde stijl.

Goed resultaat herken je hieraan: de output volgt jouw structuur en toon, niet de generieke standaardstijl van het model. Verwijder de voorbeelden, draai opnieuw, en je ziet meteen het verschil dat ze maakten.

Opdracht 3: split een grote taak met prompt chaining

Doel: merken dat één gefocuste deeltaak vaak beter werkt dan één grote opdracht waarin alles tegelijk moet.

Opdracht: pak een klus die je normaal in één prompt propt, zoals "maak een compleet plan voor X." Knip hem in losse stappen en geef de output van elke stap als input voor de volgende. Begin met een analyse, gebruik die uitkomst om een aanpak te kiezen, en werk pas dan de details uit.

Goed resultaat herken je hieraan: elke tussenstap is op zichzelf bruikbaar en controleerbaar. Klopt er iets niet, dan zie je in welke stap het misging in plaats van naar één grote brij te staren.

Opdracht 4: laat het model je eigen prompt verbeteren (meta-prompting)

Doel: sneller bij een goede prompt komen door het model te laten meedenken over de formulering.

Opdracht: beschrijf in gewone taal wat je wilt bereiken en met welke beperkingen (lengte, doelgroep, toon). Vraag het model vervolgens om de optimale prompt te schrijven om dat resultaat te krijgen, inclusief rol, format en context. Draai die prompt en vergelijk het met je eerste poging.

Goed resultaat herken je hieraan: de voorgestelde prompt bevat dingen waar je zelf niet aan dacht, zoals een expliciet output-format of een randvoorwaarde. Test wel altijd of het resultaat ook echt beter is — een mooiere prompt is niet automatisch een betere.

Opdracht 5: schrijf een testset en controleer op consistentie

Doel: leren dat een prompt pas betrouwbaar is als hij meerdere keren een bruikbaar antwoord geeft, niet één keer toevallig.

Opdracht: neem een prompt die je vaker gebruikt en verzin vijf realistische invoervarianten — een makkelijke, een lastige, een met ontbrekende informatie, een grensgeval en een waarvan je het juiste antwoord al weet. Draai de prompt op alle vijf. Pas de prompt aan tot hij ook de lastige gevallen netjes afhandelt.

Goed resultaat herken je hieraan: de prompt geeft op alle vijf de varianten een antwoord dat je zonder schaamte kunt doorsturen. Bij ontbrekende informatie vraagt het model door of geeft het aan wat het mist, in plaats van iets te verzinnen.

Opdracht 6 (voor developers): laat AI een kleine feature bouwen en review kritisch

Doel: ervaren waar AI je tijd bespaart bij programmeren en waar je zelf scherp moet blijven — want de verantwoordelijkheid voor de code blijft van jou.

Opdracht: kies een klein, afgebakend stuk: een hulpfunctie, een formuliervalidatie, een endpoint dat één ding doet. Beschrijf precies wat het moet doen, welke randgevallen je verwacht en in welke taal of framework je werkt. Laat het model de code schrijven mét tests. Lees daarna de output regel voor regel: klopt de logica, zitten de randgevallen erin, doet het iets ongevraagds? Draai de tests zelf en probeer het bewust te laten falen.

Goed resultaat herken je hieraan: je begrijpt elke regel die je overneemt en kunt uitleggen waarom hij er staat. Je vindt minstens één ding dat je aanpast of weggooit — dat is geen teken dat de AI faalde, maar dat jouw review werkte. Code die je niet snapt, hoort niet in je project, ook niet als de tests groen zijn.

Aan de slag: volgende stappen

Je hebt nu de theorie. Dit zijn drie concrete acties om morgen mee te beginnen:

1. •

   Start met structured prompting. Gebruik het COSTAR-framework voor je volgende vijf AI-taken. Vergelijk het resultaat met je gebruikelijke aanpak. Het verschil is direct merkbaar.

2. •

   Test per model. Neem je drie meest gebruikte prompts en test ze op ChatGPT, Claude en Gemini. Pas ze aan per platform op basis van de modelspecifieke tips in deze gids. Zie ook onze vergelijking ChatGPT vs Claude vs Gemini.

3. •

   Train je team. Individuele vaardigheid is goed, gedeelde vaardigheid is beter. In onze ChatGPT, Claude & Gemini Masterclass leren teams in één dag de technieken uit deze gids toe te passen op hun eigen werkprocessen. Of ga direct aan de slag met onze 50 kant-en-klare prompts en onze prompt library met templates per use case.

Deze gids wordt maandelijks bijgewerkt met nieuwe technieken, modelupdates en onderzoeksresultaten. Laatste update: februari 2026.

Bronnen

1. •Wharton Interactive AI Lab — Prompting Science Reports 1-4 — Vier rapporten over welke prompt technieken werken, ontkrachting van mythes.
2. •Google — Prompt Engineering Whitepaper (Boonstra) — Overzicht van prompt engineering best practices.
3. •Schulhoff et al. — "The Prompt Report" (arXiv) — Academisch overzicht van 1.500+ prompt engineering papers.
4. •Harvard Business School & BCG — AI Productivity Study — 758 consultants: 25% sneller, 40% betere kwaliteit met AI.
5. •MIT Sloan — Prompt Templates vs Ad-hoc — 50% van het resultaat komt uit de prompt, niet het model.
6. •Anthropic — Claude Prompt Best Practices — Officiële richtlijnen voor Claude prompts.
7. •Gartner — Context Engineering & AI Agents — 70% enterprise-adoptie context engineering verwacht eind 2026.
8. •Andrej Karpathy — Context Engineering definitie — "The subtle art and science of filling the context window."
9. •Aakash Gupta — 76% kostenreductie door promptoptimalisatie — Casestudie over de business impact van goede prompts.
10. •BCG — AI Value Gap (sept 2025) — 42% van AI-projecten gestaakt, analyse van de ROI-kloof.
11. •PwC NL — AI-geletterdheid & EU AI Act — Verplichtingen voor werkgevers onder de EU AI Act.
12. •Autoriteit Persoonsgegevens — EU AI Act uitleg — Nederlandse uitleg van de AI-verordening.
13. •Promptitude — Marktcijfers Prompt Engineering — Data over de groei en adoptie van prompt engineering tools.
14. •ODSC — 14 Prompt Engineering Fouten — De meest gemaakte fouten bij AI-prompts.
15. •PromptingGuide.ai — Technieken-overzicht — Open source referentie voor prompt engineering technieken.
16. •Portkey — COSTAR Framework — Uitleg van het COSTAR-framework voor gestructureerde prompts.
17. •IEEE Spectrum — "Prompt Engineering Is Dead" — Het tegenperspectief op de toekomst van prompt engineering.

Veelgestelde vragen

Wat is prompt engineering?

Prompt engineering is het systematisch formuleren van instructies aan een AI-model (zoals ChatGPT, Claude of Gemini) om betere, consistentere en bruikbaardere output te krijgen. Het gaat niet om trucjes, maar om begrijpen hoe AI-modellen taal verwerken en daar slim gebruik van maken. Onderzoek toont aan dat 50% van het resultaatverschil tussen AI-gebruikers zit in de prompt, niet in het model.

Is prompt engineering in 2026 nog relevant?

Ja, maar het is geëvolueerd. Casual prompting — een halve zin typen en hopen op het beste — is inderdaad minder nodig door slimmere modellen. Maar professioneel prompt engineering maakt nog steeds 40-60% kwaliteitsverschil bij complexe taken, volgens Wharton-onderzoek. Bedrijven die hun prompts optimaliseren bereiken tot 76% kostenreductie op AI-uitgaven. De vaardigheid is relevanter dan ooit.

Wat is het verschil tussen prompt engineering en context engineering?

Prompt engineering focust op hoe je een vraag aan de AI formuleert. Context engineering gaat breder: het omvat alles wat je het model meegeeft, inclusief documenten (RAG), system prompts, tools, geheugen en guardrails. Prompt engineering is een subset van context engineering. De term werd geïntroduceerd door Andrej Karpathy (medeoprichter van OpenAI) en wordt door Gartner gezien als de volgende stap in enterprise AI-inzet.

Moet ik prompts in het Engels of Nederlands schrijven?

Voor de meeste zakelijke taken kun je prima Nederlands gebruiken. ChatGPT, Claude en Gemini begrijpen en genereren uitstekend Nederlands. Bij technische taken of programmeren levert Engels soms betere resultaten, omdat de modellen op meer Engelstalige data zijn getraind. De vuistregel: gebruik de taal van je gewenste output. Als je een Nederlandse e-mail nodig hebt, prompt dan in het Nederlands.

Hoe lang moet een goede prompt zijn?

Zo kort als mogelijk, zo lang als nodig. Onderzoek laat zien dat de kwaliteit van de output degradeert na ongeveer 3.000 tokens aan instructies. Een goede prompt bevat context, een duidelijk doel en het gewenste outputformat — niet meer. De meestgemaakte fout is niet dat prompts te kort zijn, maar dat ze te vaag zijn. Specificiteit wint van lengte.

Welke prompt engineering technieken zijn het meest effectief?

De meest effectieve technieken volgens onderzoek zijn: few-shot prompting (voorbeelden meegeven), system prompts met roltoewijzing, en prompt chaining (complexe taken opsplitsen). Chain-of-thought is waardevol bij analytische taken, maar minder nodig bij reasoning models die al stapsgewijs denken. Het COSTAR-framework (Context, Objective, Style, Tone, Audience, Response) is de meest betrouwbare structuur voor zakelijke prompts.

Is prompt engineering verplicht onder de EU AI Act?

Niet expliciet, maar indirect wel. Artikel 4 van de EU AI Act verplicht werkgevers sinds 2 februari 2025 om AI-geletterdheid te borgen bij alle medewerkers die met AI-systemen werken. Prompt engineering is het meest concrete, direct toepasbare onderdeel van die AI-geletterdheid. Niet-naleving kan leiden tot boetes tot 35 miljoen euro of 7% van de wereldwijde jaaromzet.

Wat kost een prompt engineering training?

Een professionele prompt engineering training voor teams kost bij Project Impact vanaf €1.797 per groep. Dat omvat een volledige dag hands-on training met de ChatGPT, Claude & Gemini Masterclass, inclusief prompt engineering technieken, frameworks en oefeningen op eigen werkprocessen. De investering wordt doorgaans binnen een maand terugverdiend door tijdsbesparing en betere output.