Slimmer, niet harder.
De meeste tips over AI kennen we onderhand wel: wees duidelijk, geef context, verwacht geen gedachten lezen. Prima advies, maar het is inmiddels gemeengoed. De echte winst zit een laag dieper. Niet in betere prompts, maar in slimmer werken: AI laten onthouden hoe jij werkt, het toegang geven tot je eigen kennis, en het echt taken laten uitvoeren in plaats van alleen tekst laten produceren.
In dit artikel maken we onderscheid tussen chat en agent. Bij een chat vraag je iets, krijg je antwoord en beslis jij wat je ermee doet. Een agent is veel krachtiger: die kun je toegang geven tot tools, databases en andere software, waardoor hij zelf acties uitvoert. Daardoor hebben fouten ook meer gevolgen.
Werk in stappen, niet in één worp
Vraag om een compleet resultaat in één keer en je krijgt vaak iets middelmatigs. De betere aanpak: hak het op. Vraag eerst om een opzet, laat daarna één onderdeel uitwerken, geef feedback ("korter", "zakelijker", "voeg een voorbeeld toe") en laat verbeteren.
Een gesprek met AI is een dialoog: je stuurt onderweg bij. Hoe belangrijker het resultaat, hoe meer dat loont.
Een paar tips
Een AI beantwoordt geen vraag zoals een mens; het voorspelt wat er logischerwijs volgt op wat jij typt. Hoe vager je begint, hoe meer het zelf invult. Een paar handgrepen die daarop inspelen en in de praktijk vaak schelen:
- Geef het een rol. "Je bent een ervaren boekhouder die een klant iets uitlegt" levert vaak een ander, scherper antwoord op dan dezelfde vraag zonder rol. Je vertelt het model uit welke hoek en met welke kennis het moet antwoorden.
- Laat voorbeelden zien in plaats van ze te beschrijven. Wil je een bepaalde stijl of opmaak, plak dan een of twee voorbeelden van hoe "goed" eruitziet. Het model kopieert een patroon makkelijker dan dat het een beschrijving raadt. Vaak is dit krachtiger dan nog een alinea uitleg.
- Zeg hoe het resultaat eruit moet zien. Lengte, toon en vorm maken veel uit: "maximaal 150 woorden, zakelijke toon, in bullets" geeft een heel ander (en meestal bruikbaarder) resultaat dan een open vraag.
- Geef genoeg relevante context. Wat het model niet meekrijgt, vult het zelf in: geef dus de achtergrond, cijfers, voorbeelden en beperkingen die nodig zijn. Maar meer is niet automatisch beter. Te weinig context betekent meer gokwerk; relevante context geeft de beste kans op een bruikbaar antwoord; een chat vol oude aannames, correcties en zijpaden kan het model juist in een verkeerde richting blijven duwen.
Deze punten sluiten aan bij wat OpenAI en Anthropic zelf adviseren: wees duidelijk en specifiek, geef relevante context, zeg welke output je wilt, splits complexe taken op, werk iteratief en laat voorbeelden zien wanneer dat helpt. Anthropic benadrukt daarbij om lange context bewust te behandelen in plaats van steeds maar meer informatie toe te voegen. Meer hierover in OpenAI's prompt engineering best practices for ChatGPT en how do I create a good prompt for an AI model?, en Anthropic's prompting best practices.
Laat AI onthouden hoe jij werkt
Het vervelendste aan werken met AI is jezelf herhalen. Elke nieuwe chat begint blanco: je moet opnieuw uitleggen wat je bedrijf doet, welke toon je wilt, welke afspraken er gelden. Dat kan slimmer.
Steeds meer AI-tools laten je vaste instructies vastleggen die het altijd meeleest. In de codewereld is daar zelfs een standaard voor ontstaan: een bestandje genaamd AGENTS.md in je project, waarin staat hoe er gewerkt moet worden. De AI leest het bij elke taak automatisch, zodat je het niet telkens opnieuw hoeft te zeggen.
Je hoeft geen programmeur te zijn om het idee te gebruiken. Denk aan een vast document met je tone-of-voice, je vaste do's-and-don'ts, je veelgebruikte formats. Plak dat er standaard bij, of gebruik de "custom instructions" die veel AI-tools ingebouwd hebben. Eén keer vastleggen, elke keer profijt. Het maakt het gedrag consistenter, maar geen enkele regel wordt gegarandeerd altijd gevolgd.
Geef vaardigheden een vaste plek: skills
Een stap verder dan losse instructies zijn skills. Anthropic (het bedrijf achter Claude) introduceerde ze als een manier om een terugkerende taak één keer goed vast te leggen, zodat de AI hem daarna vanzelf oppakt wanneer het relevant is.
Technisch is een skill niets meer dan een mapje met een tekstbestand erin: een korte beschrijving van wat de vaardigheid doet, plus de instructies zelf. Het slimme zit in hoe het laadt. De AI kent van elke skill alleen de naam en de korte omschrijving, en haalt de volledige inhoud er pas bij op het moment dat de taak erom vraagt. Zo blijft het overzichtelijk en snel, zonder dat je een berg instructies voor niets meesleept.
Praktisch: heb je een klus die telkens terugkomt, precies zoals jij hem wilt ("zo maken we een offerte", "zo controleren we een factuur"), leg die dan één keer vast als skill. Daarna hoef je alleen nog de opdracht te geven; het "hoe" zit er al in. Net als bij vaste instructies maakt het gedrag consistenter, zonder de garantie dat elke regel altijd wordt opgevolgd.
Geef AI je eigen kennis: RAG
Een bekende frustratie: de AI kent jouw bedrijf, klanten of documenten niet, en verzint soms zelfstandig een antwoord dat overtuigend klinkt maar nergens op slaat. Daar bestaat een oplossing voor, en die heeft een naam: RAG, voor retrieval-augmented generation.
Het idee is simpel. In plaats van dat het model puur uit zijn geheugen antwoordt, zoekt het eerst in een bron die jíj aanlevert (je handleidingen, je prijslijst, je procedures) en baseert het antwoord op wat het daar vindt. Het model hoeft dus niets uit het hoofd te kennen; het antwoordt op basis van de feiten die er echt staan.
De meeste "AI-chatbots op je eigen website" werken onder de motorkap precies zo: ze zoeken in jouw content en formuleren op basis daarvan een antwoord. Je hebt er meestal geen technische kennis voor nodig; veel tools laten je gewoon documenten uploaden.
Werken met een agent
Bij een chat stuur je vooral het antwoord. Bij een agent bepaal je ook wat hij daadwerkelijk mag uitvoeren. Denk aan "zoek de drie openstaande facturen op, controleer de bedragen en zet een concept-herinnering klaar" in plaats van "leg uit hoe ik een herinnering stuur". Om dat te kunnen, heeft een agent toegang tot je tools nodig; daarvoor bestaat een aparte standaard (MCP), waar we het in een ander artikel over hebben.
Niet alles hoeft een agent te zijn. Voor een simpele veelgestelde-vragen-functie is een gewone chatbot prima. Een agent verdient zich pas terug als er echt werk in meerdere stappen over meerdere systemen gebeurt.
Instructies vervagen in lange context
Vaste instructies, custom instructions, AGENTS.md of andere regels helpen, maar worden niet altijd perfect gevolgd. Naarmate een gesprek of agentsessie langer wordt en de context voller raakt, wegen eerdere regels minder zwaar mee. Een model kan daardoor een eerdere instructie missen, voortbouwen op een verkeerde aanname, of een workflow anders uitvoeren dan bedoeld.
Instructies sturen het gedrag, maar zijn geen harde technische beveiliging. In een gewone chat is een gemiste regel meestal alleen vervelend. Bij een agent is het belangrijker, want daar kan een fout meteen tot een actie leiden.
Begin soms opnieuw
Langer doorgaan in dezelfde chat is niet altijd beter. Bestaande context kan handig zijn, maar ook ballast worden: staat er veel aan eerdere aannames, fouten, correcties en zijpaden in, dan blijft het model daar rekening mee houden.
Een nieuwe chat helpt dan. Je begint met schone context, oude verkeerde aannames verdwijnen, het model wordt minder gestuurd door eerdere antwoorden, en je gebruikt minder onnodige tokens. Belangrijke informatie geef je opnieuw kort mee.
Loop je vast, begin dan soms een nieuwe chat. Oude context kan nuttig zijn, maar kan het model ook vasthouden in dezelfde verkeerde richting. Geef in de nieuwe chat alleen de informatie opnieuw mee die nog relevant is.
Instructies zijn geen technische grenzen
Bij agents is een regel in een prompt niet hetzelfde als een technische beperking. "Verwijder nooit productiedata" in een prompt is geen garantie dat het nooit gebeurt.
Een prompt bepaalt wat je wilt dat AI doet. De software eromheen bepaalt wat AI daadwerkelijk mag doen.
Belangrijke grenzen dwing je daarom waar mogelijk buiten het model af:
- beperkte API-rechten;
- gevaarlijke acties blokkeren in code;
- output valideren voordat iets wordt uitgevoerd;
- menselijke goedkeuring bij gevoelige acties;
- logging en een audit trail;
- secrets niet onnodig in de AI-context stoppen.
De valkuilen blijven
Slimmer werken betekent niet blind vertrouwen. De bekende aandachtspunten gelden nog steeds:
- Verzonnen feiten. Het model klinkt even zeker als het gelijk heeft of niet. Controleer namen, cijfers, citaten en bronnen zelf.
- Verouderde kennis. Zonder RAG of een opzoek-tool weet het model niets van na zijn training.
- Gevoelige gegevens. Bij een online AI-dienst gaat wat je typt naar een externe server. Wees voorzichtig met klantgegevens en vertrouwelijke documenten.
- Te veel vertrouwen. AI is een snelle hulp voor concepten en eerste versies. Jij blijft verantwoordelijk voor het eindresultaat.