Zo schrijf je prompts die direct betere output geven [handig model]

Iedereen gebruikt AI. Voor content, campagnes, research of gewoon om sneller tot ideeën te komen. Maar in de praktijk valt de output vaak tegen. Teksten voelen generiek, missen nuance en sluiten net niet aan bij wat je bedoelt. Dat ligt zelden aan de tool zelf, maar bijna altijd aan hoe je hem aanstuurt. En ergens is dat ook best logisch als je erover nadenkt.

Ik gebruik voor de leesbaarheid ‘AI’, maar daarmee bedoel ik tools als ChatGPT, Claude en Gemini. Veel mensen gebruiken AI als een soort zoekmachine: één vraag erin, één antwoord eruit. Terwijl AI in de praktijk veel beter werkt als een sparringpartner die je moet sturen. AI doet namelijk precies wat je vraagt, niet wat je bedoelt. En precies daar gaat het in de praktijk het vaakst mis.

Op dit punt komt kwalitatief prompten om de hoek kijken. ‘Een prompt is de invoer of instructie die je aan een model geeft om een bepaald antwoord of resultaat te krijgen.’ Het is de manier waarop je richting geeft, context meegeeft en daarmee dus bepaalt wat je terugkrijgt. Zie het niet als een commando, maar als een briefing. Hoe beter je prompt, hoe beter de output.

In deze blog neem ik je mee waarom AI-output vaak tegenvalt en hoe je met slimmer prompten wél tot bruikbare, relevante resultaten komt.

Gegenereerd met ChatGPT

Wat AI wel en niet is

Om goed te begrijpen waarom prompten zo belangrijk is, moet je eerst snappen hoe AI werkt. De meeste tools die je gebruikt, zoals ChatGPT of Gemini, zijn zogenaamde large language models. Die modellen denken niet zoals mensen, maar herkennen patronen in enorme hoeveelheden tekst en voorspellen wat waarschijnlijk een logisch vervolg is.

Dat betekent ook dat AI geen waarheid kent. Het weet niet wat klopt, maar genereert wat aannemelijk klinkt. Het is goed in het leggen van verbanden en kan snel overtuigende antwoorden geven, maar kan ook informatie verzinnen als de context ontbreekt. Dit wordt ook wel hallucineren genoemd.

Daarnaast geldt één simpele regel: input is output. De kwaliteit van wat je erin stopt, bepaalt direct wat je eruit krijgt. Zie het als een soort ruilmiddel: hoe beter je input, hoe waardevoller de output. AI is dus geen slimme vervanger die het werk voor je overneemt, maar een krachtige versneller van je eigen denken en werkproces. En precies daarom maakt het zo’n verschil hoe je het aanstuurt.

Waarom levert AI niet de output die je verwacht

Uit onderzoek van Harvard blijkt dat de kwaliteit van AI-output sterk samenhangt met hoe duidelijk en uitgebreid de instructie is. In experimenten waarbij deelnemers dezelfde taak kregen, maar verschillende niveaus van instructie gebruikten, ontstonden duidelijke verschillen. Deelnemers die hun prompt uitbreiden met context, doel en specifieke randvoorwaarden, produceerden niet alleen relevantere antwoorden, maar ook een consistenter bruikbaar resultaat.

Wat vooral opvalt, is dat kleine aanpassingen in de prompt al een groot effect hebben. Het toevoegen van doelgroepinformatie of een concreet einddoel zorgt er bijvoorbeeld voor dat AI minder ‘algemeen’ antwoord en beter prioriteiten stelt in de inhoud. Tegelijkertijd laat het onderzoek zien dat gebruikers die blijven hangen in korte, generieke prompts vaker output krijgen die opnieuw geschreven moet worden.

In de praktijk zie je echter dat AI vaak wordt aangestuurd met korte en algemene opdrachten. Denk aan: “Schrijf een blog over marketing” of “Maak een campagne-idee”. Dat lijkt efficiënt, maar leidt vrijwel altijd tot dezelfde uitkomst: algemene teksten die overal op kunnen slaan, maar nergens echt onderscheidend zijn.

Dat is geen beperking van de tool, maar een gevolg van hoe het wordt gebruikt. Zonder duidelijke briefing mist AI de context om keuzes te maken. Het weet niet voor wie het schrijft, wat het doel is of waar de nadruk moet liggen. Daardoor blijft de output veilig en oppervlakkig.

Daar zit ook meteen een belangrijke valkuil. Wie AI gebruikt als eindproduct in plaats van als onderdeel van het proces, loopt het risico middelmatige output te accepteren. AI kan je werk versnellen, maar neemt het denkwerk niet over. Juist doordat het snel iets oplevert, voelt het al snel ‘goed genoeg’, terwijl daar vaak nog de echte kwaliteitsslag moet worden gemaakt. Pas wanneer je AI inzet als hulpmiddel binnen je proces en bewust stuurt op richting en inhoud, ontstaat er output die echt aansluit op je merk, doelgroep en doelstelling.

Hoe haal je betere resultaten uit AI met een goede prompt?

AI werkt het beste als je het ziet als een verlengstuk van je proces. Dat betekent dat je niet alleen vraagt om output, maar stuurt op richting, kwaliteit en bruikbaarheid. Hoe beter je die kaders vooraf bepaalt, hoe minder je achteraf hoeft te corrigeren.

In de praktijk zie je dat direct terug. Zonder duidelijke briefing krijg je output die nog herschreven moet worden. Met een goede prompt ontstaat direct een eerste versie die dicht bij het eindresultaat ligt. Dat scheelt tijd, voorkomt herhaling en zorgt voor meer consistent werk. Zie het als samenwerken met een collega. Als je zegt: “Kun je hier iets mee doen?”, krijg je waarschijnlijk een eerste aanzet die nog veel vragen oproept. Geef je duidelijke context, een doel en richting, dan krijg je output die direct beter aansluit en minder nabewerking vraagt.

Slechte versus goede prompts

Het verschil tussen een slechte en een goede prompt zit zelden in de tool, maar bijna altijd in de mate van richting die je meegeeft. Veel prompts blijven vaag en algemeen, waardoor AI geen duidelijke keuzes kan maken.

Het resultaat: output die overal op kan slaan, maar nergens echt scherp is.

Voorbeeld 1

Slecht:

• “Schrijf een SEO-blog over een SaaS-product”

Resultaat:

• Een algemene tekst over wat SaaS is, de voordelen van cloudsoftware en waarom het handig is voor bedrijven. Correct, maar niet onderscheidend en nauwelijks gericht op een specifieke doelgroep of fase in de funnel.

Goed:

• “Geef me 3 invalshoeken voor een SEO-blog over een SaaS-product, gericht op conversie en het selectieproces van SaaS software voor B2B decision makers. Focus op twijfels, vergelijking en besluitvorming.”

Resultaat:

Concrete blogideeën zoals:

• “Waar moet je op letten bij het kiezen van SaaS software? 7 valkuilen voor B2B-teams”
• “De verborgen kosten van SaaS: waar decision makers vaak te laat achter komen”
• “Van demo tot beslissing: zo kies je de juiste SaaS-oplossing voor jouw organisatie”

Het verschil zit hier in specificiteit. In de tweede prompt geef je niet alleen het onderwerp, maar ook het doel (conversie), de doelgroep (B2B decision makers) en de context (selectieproces). Daardoor kan AI gerichter keuzes maken in inhoud en invalshoek.

Voorbeeld 2

Slecht:

• “Schrijf een LinkedIn-post over AI”

Resultaat:

• Een generieke post over hoe AI de toekomst verandert en waarom bedrijven moeten meebewegen.

Goed:

• “Schrijf een LinkedIn-post van maximaal 150 woorden voor marketingmanagers in B2B, waarin je uitlegt waarom de meeste AI-output tegenvalt en wat ze vandaag anders kunnen doen. Gebruik een prikkelende opening en sluit af met een concrete tip.”

Resultaat:

Een post met een duidelijke hook, herkenbaar probleem en praktische takeaway die beter aansluit bij de doelgroep en het platform.

Wat je in deze voorbeelden ziet, is dat een goede prompt keuzes afdwingt. Je geeft richting op:

• Doel (bijvoorbeeld conversie of engagement)
• Doelgroep (voor wie is het bedoeld?)
• Context (in welke fase of situatie?)
• Vorm (wat voor output verwacht je?)

Zonder die kaders blijft AI aan de oppervlakte. Met duidelijke input ontstaat output die niet alleen beter is, maar ook direct bruikbaar. En precies daar zit de winst: minder herschrijven, minder ruis en sneller tot iets dat echt past bij je doel. Dit is waar het 3R-model om de hoek komt kijken.

Wat is het 3R-model?

Om het je makkelijker te maken, ontwikkelden we het 3R AI-model. Een handig hulpmiddel om snel tot goede prompts te komen om AI meer voor je te laten werken. Het model bestaat uit drie onderdelen:

1. Rol
2. Randvoorwaarden
3. Resultaat.

Samen helpen ze om je vraag duidelijker te formuleren en direct te sturen op bruikbare output. Hieronder geef ik meer uitleg hoe je met een duidelijke opbouw je prompt kunt structureren en kwalitatief kunt maken.

1. Rol

De eerste variabele die je meegeeft aan je prompt, is welke rol de AI moet aannemen. Naast een rol kun je ook denken aan expertise. Daarmee stuur je hoe het antwoord wordt opgebouwd. Bijvoorbeeld: “Gedraag je als een senior B2B-marketeer”. Dit zorgt ervoor dat de output inhoudelijk sterker en geschreven wordt vanuit die ervaring. Maar naast een fysieke rol kun je ook AI vragen zich te gedragen als jouw business coach, sparringspartner, een bekende ondernemer (bijvoorbeeld Elon Musk) of als een van je ouders. Experimenteer hiermee en ervaar in welke situatie je welke rol of expertise inzet. Hoe duidelijker je dit kadert, hoe beter de AI weet hoe hij zich moet gedragen.

2. Randvoorwaarden

Bij de tweede variabele geef je context mee aan je prompt. Wat is het doel, wie is de doelgroep, wat is belangrijk en wat juist niet? Hoe concreter je dit maakt, hoe minder generiek het resultaat. Bijvoorbeeld:

• Doelgroep: marketingmanagers in SaaS
• Doel: leadgeneratie
• Tone of voice: inhoudelijk en direct

Je kunt hier met bulletpoints werken (om het voor jezelf, maar ook voor AI overzichtelijk te maken) of met volzinnen. Het voordeel van bulletpoints is dat je meer structuur in je prompt houdt en je sneller kunt finetunen als je later toch iets wil aanpassen.

3. Resultaat

De laatste variabele gaat over het resultaat dat je terug wil ontvangen. Hoe duidelijker jij aangeeft wat je verwacht van AI, hoe beter het je kan helpen. Denk hierbij aan structuur, aantal varianten of format. Bijvoorbeeld: “Geef 3 ideeën, elk met een titel, korte uitleg en concrete invalshoek”. Door het resultaat scherp te maken, voorkom je dat je achteraf nog moet herschrijven. Hoe vager en abstracter je blijft, hoe meer je moet prompten om uiteindelijk tot een goede uitkomst te komen. Geef daarom liever aan dat je drie varianten wil ontvangen, in plaats van ‘een aantal’.

Alles samen in één prompt

Als je dit alles samenvat in één prompt, heb je een goede basis om AI aan te sturen. Met deze combinatie, ontstaat een duidelijke en complete briefing. Hieronder vind je een voorbeeld:

Zo stuur je vanaf het begin op richting, inhoud en vorm, en ligt de eerste output direct dichter bij wat je nodig hebt. Maar er is meer mogelijk om AI aan te sturen en betere output te krijgen. Daarom neem ik je mee in hoe je nog meer structuur toevoegt aan de prompt. Dit doe je met Markdown.

Wat is Markdown en hoe helpt het bij AI prompts?

Met je prompt bepaal je niet alleen wat AI schrijft, maar ook hoe die output eruitziet. Laat je die structuur weg, dan krijg je vaak lange, onsamenhangende teksten die je zelf nog moet opdelen en herschrijven. Markdown helpt je om daar vooraf op te sturen.

Markdown is een eenvoudige manier om structuur aan te brengen in je prompt. Je gebruikt het om duidelijk te maken wat hoofd- en bijzaken zijn, hoe informatie gegroepeerd moet worden en welke elementen nadruk krijgen. Daarmee help je AI om je instructie beter te interpreteren én direct beter gestructureerde output te geven.

Een paar praktische toepassingen:

• Gebruik # voor koppen om hiërarchie aan te geven.
• Gebruik – voor bulletpoints om informatie te groeperen.
• Gebruik **bold** om nadruk te leggen op belangrijke onderdelen zoals doel of doelgroep.
• Gebruik genummerde lijsten als volgorde belangrijk is.

Het effect is direct merkbaar. In plaats van een lange lap tekst krijg je output die logisch is opgebouwd, beter scanbaar is en minder nabewerking vraagt. Zie Markdown daarom niet als extra stap, maar als een manier om vooraf structuur af te dwingen. Hoe duidelijker je prompt is opgebouwd, hoe consistenter en bruikbaarder het resultaat.

Nu begint het echte werk pas

Slim prompten is geen trucje, maar een vaardigheid. Het vraagt dat je anders leert denken: niet in losse opdrachten, maar in duidelijke briefings. AI maakt je werk niet automatisch beter, het versnelt wat je al doet. Juist daarom blijft de menselijke maat belangrijk. Jij bepaalt de richting, beoordeelt de kwaliteit en maakt de keuzes die AI zelf niet kan maken.

In de praktijk faalt een groot deel van AI-gebruik niet door de technologie, maar door de manier waarop mensen ermee werken. In veel organisaties wordt AI nog ingezet als een snelle oplossing: één prompt erin, één antwoord eruit. Zonder duidelijke context en richting blijft de output oppervlakkig en generiek. Dat lijkt efficiënt, maar zorgt juist voor meer werk achteraf. Teams die werken met gestructureerde prompts en iteratie zijn aantoonbaar minder tijd kwijt aan herschrijven en correcties. Het verschil zit dus niet in wat AI kan, maar in hoe het wordt ingezet.

Wat hier eigenlijk onder ligt, is een fundamenteel misverstand over hoe AI werkt. Veel teams behandelen AI nog steeds als een eindstation: je stelt een vraag en verwacht direct een bruikbaar resultaat. Maar zo werkt het niet. AI is geen vervanger van je denkproces, het is een versneller ervan. Wie geen duidelijke richting geeft, krijgt geen scherpe output. En precies daar gaat het mis. Niet omdat de technologie tekortschiet, maar omdat we te weinig tijd besteden aan het formuleren van de juiste vraag. De kwaliteit van AI-output is daarmee geen technisch probleem, maar een denkprobleem. Pas wanneer je AI ziet als onderdeel van je proces, in plaats van als eindproduct, begin je het echte verschil te merken. AI maakt je werk niet beter. Het vergroot wat je al doet.