AI is niet meer weg te denken uit de hedendaagse maatschappij. De snelheid waarmee deze nieuwe technologie de wereld verovert is ongekend en verslaat zelfs de stormachtige opmars van het internet in de tweede helft van de jaren ’90. Klanten kloppen steeds vaker aan de deur en vragen om ‘iets met AI’. Reden voor MSP Business om eens dieper te duiken in de achterkant. Waarmee moet je als MSP rekening houden wanneer je AI-oplossingen en -tools implementeert bij je klant? Wat zijn eigenlijk de kosten en hoe bereken ik dat door? In deze negendelige serie krijg je antwoord op al deze vragen.
Vorige afleveringen:
Wat is een token en waarom moet jij dat weten?
Het geheugen van AI
Welk model kies je wanneer?
Je hebt een goed model gekozen, je weet wat tokens kosten en je begrijpt hoe het contextvenster werkt. Dan stuur je je eerste vraag in en het antwoord stelt teleur. Vaag, te algemeen, of gewoon niet wat je zocht. Het model is niet het probleem. De vraag is het probleem.
Hoe je iets vraagt aan een taalmodel maakt meer uit dan de meeste mensen verwachten. Taalmodellen vullen geen ontbrekende context aan vanuit aannames. Ze raden niet wat je eigenlijk bedoelt. Ze verwerken wat er staat, en produceren daar een antwoord op dat zo goed mogelijk aansluit bij de patronen in hun training. Dat lijkt een beperking, maar het is ook een hefboom. Want als je begrijpt hoe die verwerking werkt, kun je je instructies zo formuleren dat de output structureel beter wordt: prompt engineering.
Context is key
De meest voorkomende fout is te weinig context meegeven. Een vraag als “schrijf een samenvatting van dit document” levert een ander resultaat op dan “schrijf een samenvatting van dit document in drie alinea’s, gericht op een directeur die beslissingen neemt over IT-budgetten en geen technische achtergrond heeft.”
Beide vragen zijn valide. De tweede levert bijna altijd bruikbaardere output op, omdat het model weet wat het doel is, wie de lezer is en welke vorm verwacht wordt. Die drie elementen, doel, doelgroep en gewenste vorm, zijn de basisingrediënten van een goede instructie.
Een handige structuur is de combinatie van rol, taak en format. Je geeft het model een rol (“je bent een ervaren helpdeskmedewerker”), beschrijft de taak (“verwerk het volgende ticket en stel een antwoord op voor de klant”) en specificeert het format (“gebruik een begroeting, maximaal drie alinea’s en een concrete vervolgstap”). Voor eenvoudige taken volstaat een heldere taakomschrijving. Maar zodra je prompts inbouwt in geautomatiseerde processen, loont het om dit bewust te doen.
Voor MSP’s die oplossingen bouwen
Als je een AI-tool bouwt voor klanten, wordt prompt engineering een ander vak. Je schrijft dan geen losse vragen, maar systeemprompts: vaste instructies die bij elke aanroep worden meegestuurd en bepalen hoe het model zich gedraagt. Die systeemprompt is de ruggengraat van je toepassing. Hij definieert de rol van het model, de grenzen van wat het doet, de toon die het aanhoudt en het format van de output.
Lange systeemprompts van tientallen of zelfs honderden regels zijn op internet volop te vinden. Soms zijn ze zinvol: een complexe toepassing met veel randgevallen vraagt om gedetailleerde instructies. Maar kopiëren zonder begrip werkt zelden goed. Een prompt die voor het ene model is geschreven, presteert anders op een ander model. Instructies die zijn bedoeld voor een specifieke context passen niet automatisch op jouw situatie. De vuistregel is: begin compact, test wat het oplevert en breid alleen uit waar de output tekortschiet.
Een goed opgebouwde systeemprompt die honderd keer per dag wordt uitgevoerd, levert structureel betere resultaten op dan een vage instructie die toevallig soms goed uitpakt. Behandel je prompts daarom als code: versiebeheer, documenteer wat je hebt gewijzigd en waarom, en deel effectieve instructies binnen je team.
Wat je niet moet vragen
Even belangrijk als wat je vraagt, is wat je niet vraagt. Een puur taalmodel is niet geschikt voor taken waarbij een exacte, verifieerbare uitkomst vereist is, zoals het bevestigen van recente feiten of het ophalen van actuele prijzen. Het genereert plausibele tekst, geen gecontroleerde waarheid. Moderne AI-tools lossen dat deels op door een zoekfunctie in te bouwen die externe bronnen raadpleegt, maar ook dan blijft de kwaliteit van je instructie bepalend voor wat je terugkrijgt.
Verder lezen
Prompt engineering is een vaardigheid die je opbouwt door te proberen, te vergelijken en bij te stellen. Wie zich hier verder in wil verdiepen, vindt goede uitgangspunten bij de officiële gidsen van Anthropic (docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview) en OpenAI (platform.openai.com/docs/guides/prompt-engineering), en op PromptingGuide.ai, een onafhankelijke bron met technieken voor meerdere modellen.
De volgende aflevering gaat over RAG: hoe je een taalmodel koppelt aan je eigen kennisbank, zodat het werkt met jouw documentatie, jouw klantdata en jouw processen.
Dit is de vierde aflevering in de reeks ‘AI Business Basics’, waarin MSP Business de technologie achter AI stap voor stap uitlegt. Zonder marketingjargon, met de diepgang die je nodig hebt om er als IT-dienstverlener mee te werken, over te praten en op te bouwen.
