Wat is Prompt Engineering?
De vakdiscipline van het systematisch ontwerpen van AI-instructies
Snel Antwoord
Prompt engineering is de vakdiscipline van het systematisch ontwerpen, testen en optimaliseren van prompts om consistente, kwalitatief hoogwaardige output uit AI-modellen te krijgen. Het verschil met “een prompt schrijven” is dat prompt engineering niet incidenteel is — het is een methodische aanpak waarbij prompts als productiecode worden behandeld. In 2022-2023 werd de term vaak afgedaan als hype; in 2026 is het een erkende discipline met eigen tools, methoden en best practices. Voor wie AI-toepassingen in productie zet — een chatbot, een document-analysetool, een geautomatiseerd schrijfproces — is prompt engineering een onmisbare vaardigheid.
01In één alinea
Prompt engineering verschilt van gewoon prompten zoals software engineering verschilt van een script schrijven. Een script kan eenmalig werken; software moet betrouwbaar, schaalbaar, onderhoudbaar en veilig zijn. Hetzelfde geldt voor prompts. Een prompt voor incidenteel gebruik mag fragiel zijn — als hij vandaag werkt, is dat genoeg. Maar een prompt die honderdduizenden keren per dag een chatbot aanstuurt, moet voorspelbaar werken voor elke gebruiker, robuust zijn tegen onverwachte input, niet hallucineren bij randgevallen, en uitleg-baar blijven voor wie hem onderhoudt. Dat is prompt engineering. De discipline ontstond rond 2022, kreeg in 2023 even een hype-status (met “prompt engineer”-vacatures van honderden duizenden euro’s), en is in 2026 gestabiliseerd tot een serieus vakgebied — minder mystiek, meer methodiek.
02Voor de strateeg
Voor wie strategisch over AI denkt is prompt engineering de brug tussen “AI-mogelijkheden” en “betrouwbare zakelijke inzet.” Drie strategische dimensies waarin het verschil maakt.
03Technisch diep
Prompt engineering bestaat uit een groeiende verzameling technieken die elk voor specifieke situaties zijn ontwikkeld. De belangrijkste families:
Zero-shot prompting. Een directe instructie zonder voorbeelden. “Vat de volgende tekst samen in drie zinnen.” Werkt verrassend goed bij moderne modellen voor standaardtaken. De simpelste vorm van prompting.
Few-shot prompting. Een paar voorbeelden van het gewenste resultaat in de prompt. “Hier zijn drie voorbeelden van hoe ik wil dat je e-mails samenvat: [voorbeeld 1] [voorbeeld 2] [voorbeeld 3]. Vat nu deze e-mail op dezelfde manier samen.” Verhoogt de consistentie dramatisch — een paar voorbeelden zijn vaak effectiever dan een lange beschrijving.
Chain-of-Thought (CoT) prompting. Het model expliciet vragen om stap voor stap te redeneren. “Denk stap voor stap” of “leg eerst je redenering uit, geef dan het antwoord.” Wei et al. (2022) toonden aan dat dit bij complexe redeneertaken meetbare prestatieverbetering oplevert. Voor wiskunde, logica en multi-stap-problemen vrijwel onmisbaar.
Self-consistency. Dezelfde vraag meerdere keren stellen met variaties en de meest voorkomende antwoorden kiezen. Vermindert het risico op willekeurige fouten. Kostbaarder maar betrouwbaarder.
Structured output prompting. Het model vragen om antwoorden in een specifiek formaat — JSON, XML, markdown-tabel. Cruciaal voor productiesystemen die de output verder verwerken. “Geef je antwoord uitsluitend als geldig JSON met de velden: titel, samenvatting, datum.”
Role prompting. Het model een specifieke persona of rol toewijzen. “Reageer als een ervaren financieel adviseur die spreekt met een MBO-opgeleide klant.” Verandert toon, woordkeuze en complexiteit van de output.
Constraint prompting. Expliciete grenzen aan wat het model wel of niet mag doen. “Gebruik geen jargon,” “noem geen specifieke producten,” “antwoord alleen op basis van de gegeven documenten.”
System-prompt-design. De verborgen instructie die het basisgedrag bepaalt. Voor productiesystemen het belangrijkste onderdeel — de system prompt geldt voor alle gebruikersinteracties en bepaalt fundamenteel wat de AI wel en niet doet.
De engineering-discipline. Wat dit alles tot “engineering” maakt is de methodische aanpak die eromheen is ontwikkeld:
Prompt-versiebeheer. Prompts worden beheerd zoals code — met Git-vergelijkbare systemen, change logs, en rollback-mogelijkheden.
A/B-testen van prompts. Twee versies van een prompt op echte gebruikers loslaten en meten welke beter werkt. Dezelfde discipline als bij webdesign of marketingteksten.
Evaluatie-frameworks. Systematisch testen of een prompt voldoet — accuraatheid, snelheid, robuustheid tegen edge cases, weerstand tegen prompt injection. Tools als LangSmith, Promptfoo en Helicone faciliteren dit.
Prompt-monitoring in productie. Real-time meten hoe prompts presteren, anomalieën detecteren, en waarschuwen wanneer model-updates de output veranderen. Een prompt die gisteren werkte, kan na een model-update vandaag anders reageren.
Prompt engineering versus fine-tuning. Een belangrijke strategische keuze: wanneer kies je voor uitgekiende prompts en wanneer voor het fine-tunen van een model? Vuistregel: prompt engineering is sneller, goedkoper en flexibeler, maar heeft grenzen. Fine-tuning is kostbaarder maar geeft meer controle. Voor de meeste zakelijke toepassingen is goede prompt engineering voldoende; voor zeer specifieke domeinen kan fine-tuning meerwaarde leveren.
04In de praktijk
Een Nederlandse verzekeraar wil een AI-assistent inzetten die klanten helpt met het invullen van schadeformulieren. Een prompt engineer doorloopt vier fasen voordat de toepassing live gaat:
Dit proces toont waarom prompt engineering “engineering” is: het is methodisch, gemeten en herhaalbaar. Een organisatie die deze discipline overslaat, krijgt prompts die werken voor de prompt-schrijver maar falen voor de gewone gebruiker — of erger, falen op manieren die schade veroorzaken.
Voor individuele professionals zonder productie-context geldt een lichtere variant: bouw je eigen prompt-bibliotheek op, test wat werkt, deel binnen je team wat goed werkt. Niet elke prompt heeft engineering-discipline nodig, maar de mindset — methodisch verbeteren in plaats van eindeloos opnieuw beginnen — werkt op elk niveau.
05Verwarring vermijden
- Niet hetzelfde als prompten. Iedereen die een AI-tool gebruikt, prompt. Prompt engineering is wat je doet als je prompts systematisch ontwerpt en optimaliseert voor herhaald, betrouwbaar gebruik.
- Niet langer een hype-discipline. Tussen 2022 en 2024 waren er prompt engineer-vacatures met salarissen van enkele honderdduizenden euro’s. Die hype is voorbij. Prompt engineering blijft waardevol, maar wordt steeds vaker behandeld als één van meerdere AI-vaardigheden, niet als afzonderlijk specialisme.
- Niet altijd beter dan fine-tuning. Voor bepaalde toepassingen — gespecialiseerd jargon, organisatie-specifieke kennis, consistente toon over miljoenen interacties — is fine-tuning een betere oplossing dan ingenieuze prompts. De keuze tussen beide is een strategische afweging.
- Niet model-onafhankelijk. Een prompt die geweldig werkt in Claude kan slecht werken in GPT-4, en omgekeerd. Modellen hebben verschillende sterke punten en gevoeligheden. Productie-prompts moeten getest worden op het specifieke model waar ze voor bedoeld zijn.
- Niet stabiel over tijd. Wanneer modelleveranciers updates uitrollen — wat ze regelmatig doen — kunnen prompts anders reageren. Dit “model drift”-fenomeen vereist doorlopende monitoring en hertesting. Een AI-toepassing in productie is nooit “klaar.”
06Plek in het AIWiser-ecosysteem
Waar dit begrip terugkomt op de rest van de site:
AI-Groeimodel · Kerncompetentie 8
Prompt engineering is expliciet als kerncompetentie 8 in het Groeimodel opgenomen — voor alle professionals, niet alleen specialisten.
Naar Prompt Engineering →AI-Strategie · Implementatiefase
De keuze tussen prompt engineering en fine-tuning is een centrale strategische beslissing in elke AI-implementatie.
Naar de strategie →AI-Rollen · De Prompt Engineer
De rol van prompt engineer als specifieke functie in organisaties die AI op grote schaal inzetten.
Bekijk de rol →AI Top 100 · Prompt-tools
Tools die prompt engineering als discipline ondersteunen — LangSmith, Promptfoo, Helicone en meer.
Naar de Top 100 →Verwante begrippen
Termen die direct met prompt engineering verbonden zijn:
Bronnen
Wetenschappelijke en gezaghebbende bronnen die bij deze definitie geraadpleegd zijn. De volledige onderbouwing en context staat in AI-Publicaties.
- Wei et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models Het paper dat aantoonde hoe specifieke prompttechnieken de kwaliteit van LLM-output drastisch verbeteren.
- Anthropic: Prompt Engineering Guide Toonaangevende praktische gids voor effectieve prompts, vrij beschikbaar online.
- OpenAI: Best Practices for Prompt Engineering OpenAI’s officiële richtlijnen voor effectief prompten met GPT-modellen.
- Stanford HAI: AI Index Report 2026 Jaarlijkse stand van zaken over AI-productiviteit en de impact van prompttechniek.