Betere AI-antwoorden in 4 stappen: meta-prompting uitgelegd

Stel je voor, je zit achter je laptop en je wilt iets gedaan krijgen met AI. E-mail, analyse, presentatie. Je typt een vraag in, drukt op enter en het resultaat is matig. Niet slecht, maar ook niet wat je in gedachte had. En je probeert het opnieuw. Andere woorden, iets meer context, beter, maar nog steeds niet helemaal herkenbaar. Dan is deze aflevering voor jou. Want er is namelijk een manier om AI te laten nadenken over hoe je vraag het beste gesteld kan worden voor het antwoord geeft. Deze techniek die heet meta-prompting. Het is een vorm van prompt engineering die je helpt betere resultaten te krijgen van ChatGPT, Claude, Gemini of welke AI je ook gebruikt. En ik ga je stap voor stap uitleggen hoe het werkt. En je luistert natuurlijk naar AIToday Live de korte aflevering. Ik ben Joop Snijder en ik neem je mee in deze aflevering. Goed. Laten we beginnen bij het begin. Wat is meta-prompting eigenlijk? Want daar gaan we het vandaag over hebben. Het woord meta betekent over zichzelf. Dus meta-prompting is dus prompting over prompting. Je vraagt de chatbot, de AI het model wat erachter zit om na te denken over de instructie zelf voor dat het aan de slag gaat. Een vergelijking maakt het denk ik duidelijker. Stel, je hebt een nieuwe collega. En je kunt die collega een opdracht geven en hopen dat het goed komt. Of je kunt zeggen, denk eerst na over wat je nodig hebt om dit goed te doen. Welke informatie mis je? Welke aanpak zou het beste werken? Stel die vragen eerst en ga dan aan de slag. Dat tweede is nou meta-prompting. Je vraagt het model niet om direct te antwoorden. Je vraagt het model om eerst na te denken tussen aanhalingstekens, want het denkt niet. Zo praten we nou eenmaal over. Je vraagt het model om eerst na te denken over de beste manier om te antwoorden. Je zou kunnen denken: waarom zou AI beter weten hoe ik mijn vraag moet stellen dan ikzelf. Het is een vraag die veel mensen hebben als ze ontdekken dat een prompt niet de resultaten opleveren die ze verwachten. Maar dat is juist precies het punt. Het model weet niet wat jij wilt, het kan wel, maar weet wel wat het zelf nodig heeft om een goed antwoord te geven. Een taalmodel heeft namelijk bepaalde informatie nodig om goede output te leveren. Context over het doel, informatie over de doelgroep, duidelijkheid over de gewenste lengte, toon, structuur. Als die informatie ontbreekt, vult het model de gaten zelf in. En die aannames zijn vaak niet wat jij bedoelde. Door het model te vragen om eerst na te denken over wat het nodig heeft, dwing je het om die gaten bloot te leggen. Het model wordt expliciet over zijn eigen behoeftes, zou je kunnen zeggen. En jij kunt die behoefte invullen voordat het fout gaat, laat me je door de basisvorm van meta-prompting heen leiden. En we doen dat in vier stappen. Ik heb er een soort van ezelsbruggetje van gemaakt, onthoud DOVE. Een ezelsbruggetje dat ik zelf gebruik. Doel, opties, vergelijk en uitvoeren. Stap 1. Geef het doel. Dus niet de opdracht, maar het doel. Dus niet schrijf een e-mail, maar ik wil een klant overtuigen om ons voorstel te accepteren. Het verschil is subtiel, maar wel belangrijk. Doel geeft richting de opdracht is beperkt. Stap 2. Vraag om mogelijke aanpakken. Dus vraag om opties. Je zegt tegen het taalmodel. Bedenk je drie verschillende manieren om dit doel te bereiken. Drie verschillende prompts die je zou kunnen gebruiken. Stap 3. Laat het model vergelijken. Vergelijk deze drie aanpakken nou. Welke is het meest volledig? Welke sluit het beste aan bij mijn doel en kies daarvan de beste. En stap 4 is dan de uitvoeren. Voer nu de gekozen aanpak uit. Dat klinkt als veel werk. En het is het ook de eerste keer. Want je moet het gaan oefenen, maar het levert betere resultaten op. Het mooie is: je kunt het hele proces in één prompt stoppen. Laten we een voorbeeld uit de praktijk geven, zodat we het concreet maken. Stel, je bent projectmanager en je wilt een samenvatting van een lang rapport voor je directieteam. Traditionele aanpak zou zijn: vat het rapport samen in vijf bullet points. De meta-prompting aanpak gaat anders. Je zegt: ik heb een rapport van 20 pagina's. Mijn directieteam heeft vijf minuten om de kern te begrijpen. Ze moeten een beslissing kunnen nemen over het vervolgtraject. Bedenk eerst wat is de beste manier om dit rapport samen te vatten voor dit doel en deze doelgroep. Welke structuur werkt het beste? Welke informatie is onmisbaar en welke kan weg. Formuleer je aanpak en voer die dan uit. Het verschil zit hier in de ruimte die je het model geeft om na te denken. In het eerste geval zeg je exact wat het moet doen. In het tweede geval zeg je wat je wilt bereiken en laat je het model meedenken over de beste weg ernaartoe. Ik gebruik zelf een vorm van meta-prompting die heel goed werkt voor juist herbruikbare prompts. Laat me die met je delen. Het begint met eigenlijk mijn werkwijze, die begint dan met een idee. Ik wil iets maken, bijvoorbeeld een template voor gespreksverslagen. Ik weet ongeveer hoe het eruit moet zien, maar niet precies. Dus ik begin te chatten met het model. Ik geef een voorbeeld, vraag om een eerste versie. Geef feedback op die versie en laat het aanpassen. Dus we zijn continu iteratief bezig, net zolang tot het resultaat klopt met precies dat het eruit ziet zoals ik het wil, dat er staat wat ik wil. Dat het resultaat helemaal van mij is. En dan komt die meta-stap. Dus ik vraag dan het model. We hebben nu deze template samengemaakt. Kun je een herbruikbare prompt schrijven waarmee ik in de toekomst vergelijkbare verslagen kan maken. Analyseer wat we gedaan hebben en destilleer de patronen en formuleer een instructie die ik direct kan gebruiken. Wat het model doet, is die kijkt dan terug naar onze conversatie. En het identificeert wat werkte. Haalt de structuur elementen, de toon, de specifieke keuzes op en formuleert dan een prompt die juist al die elementen bevat. Natuurlijk, soms moet ik dan nog regels verwijderen die te specifiek zijn omdat we ook een specifiek voorbeeld hebben gemaakt. Maar het levert een solide basis op voor een prompt die ik dan keer op keer kan gebruiken. Ik start dan een nieuwe chat op. Dan is hij even alles vergeten. Pak een input die ik heb gebruikt om uiteindelijk tot dat gespreksverslag te komen. En controleer dan ook die herbruikbare prompte. Dus ik geef hem dan die prompt, die input en kijk van oh ja, inderdaad, dan komt er ook exact uit wat ik wilde hebben. En dan kan ik dat gewoon de volgende keer weer gebruiken. En er is nog een vorm van meta-prompting die ik wil noemen en dat is zelfevaluatie. Je vraagt het model om zijn eigen output te beoordelen en te verbeteren. En dat gaat zo. Dus je laat het model eerst een antwoord geven. En daarna zeg je het volgende. Evalueer nu je eigen antwoord. Is het volledig? Is het accuraat? Is het duidelijk benoem concrete verbeterpunten. En geef dan een verbeterde versie waarin je die punten verwerkt. Het model wordt zo zijn eigen criticus. Het kijkt met frisse of misschien andere ogen naar wat het net geschreven heeft, zoek zwakke plekken en verbetert. Het is alsof je een collega vraagt om zijn eigen werk na te lezen voordat hij het inlevert. In onze aflevering over prompt engineering en leiderschap besprak ik alles hoe prompting eigenlijk een communicatievaardigheid is. En meta-prompting tilt dat naar een volgend niveau. Je traint niet alleen jezelf een helder formuleren. Je traint ook het model om kritisch naar het werk, naar de output te kijken. En daar kun je zelf ook weer van leren om volgende keren dingen beter te vragen. Beter te prompten. Dan is natuurlijk de vraag: wanneer gebruik je dit? Meta-prompting kost meer tijd dan een directe vraag. Het is niet voor elke situatie geschikt. Dus laten eens kijken van waar loont het dan wel. Dat is bij complexe taken waar je niet precies weet hoe je moet beginnen. Bij outputs die je toe doen, teksten die je organisatie vertegenwoordigen, analyses waar beslissingen op gebaseerd worden. Dat soort dingen. En natuurlijk ook bij die herbruikbare prompts die je vaker wilt gebruiken. Voor een simpele vraag als wat is de hoofdstad van Frankrijk, daar is meta-prompting overkill. Eigenlijk is prompting dan sowieso al overkill. Voor diepgaande belangrijke taken is het een waardevolle techniek, die meta-prompting die je resultaten echt aanzienlijk kan verbeteren. Dus concluderend, meta-prompting is het taalmodel laten nadenken over zijn eigen instructies. Klinkt abstract, maar de praktijk is eigenlijk simpel. Dus je geeft een doel, vraag de mogelijke aanpakken, laat evalueren en laat het uitvoeren. Of je laat het model verhelderende vragen stellen voordat het begint. Het resultaat altijd betere outputs, minder iteraties en prompts die je kunt hergebruiken. Volgende week gaan we een stap verder. Dan neem ik je mee in de ensemble voting. Dat is een techniek waarbij je meerdere modellen laat stemmen over het beste antwoord, maar daarover meer. Het mooie is wel dat als we dat gaan combineren met meta-prompting. Dan krijg je toch wel iets heel erg moois, maar daarover meer in de volgende aflevering. Dat was het voor vandaag. En bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past. En wil je meer weten over effectief werken met AI, beluister dan ook eens onze aflevering Betere AI-prompts in 5 woorden. Je vindt de link in de shownotes. Tot de volgende keer.