Beter werken met ChatGPT en taalmodellen: prompt engineering en hallucinaties
ChatGPT, Claude en Gemini zijn razendsnel onderdeel geworden van het dagelijks werk van kenniswerkers — maar het verschil tussen een goed antwoord en een waardeloze output zit vaak in de prompt. Hoe schrijf je effectieve prompts in het Nederlands? Waarom hallucineert een taalmodel en wat doe je eraan?
Wanneer helpt meta-prompting en wanneer is het overkill? AIToday Live heeft deze vragen in concrete afleveringen uitgewerkt, met tips die verder gaan dan de standaardadviezen. Denk aan 'betere prompts in vijf woorden', een technisch perspectief op waarom 'niet hallucineren' zeggen niets oplost, en gesprekken met experts over hoe teams structureel beter met taalmodellen leren werken.
Deze pillar bundelt de praktische kennis: van basisprompting tot geavanceerdere technieken als meta-prompting, context-engineering en retrieval-augmented generation.
Veelgestelde vragen over Beter werken met ChatGPT en taalmodellen
Hoe schrijf ik goede prompts in het Nederlands?
Goede prompts zijn specifiek, voorzien van context en leggen het gewenste formaat vast. In het Nederlands werkt het goed om de rol van het model te benoemen ('Jij bent een juridisch redacteur'), de taak helder te formuleren en een voorbeeld mee te geven. Vermijd vage termen als 'maak iets over X' — geef liever bron, doelgroep en lengte mee. In S08E17 bespreekt Joop Snijder de DOVE-aanpak (Define, Optimize, Verify, Evaluate) als structuur voor iteratieve prompts.
Waarom hallucineert ChatGPT en hoe voorkom ik dat?
Taalmodellen genereren tekst op basis van statistisch waarschijnlijke vervolgwoorden — ze 'weten' niets, ze voorspellen. Daardoor kunnen ze plausibel klinkende maar onjuiste feiten produceren. Je vermindert hallucinaties door het model bronnen mee te geven (retrieval-augmented generation), het te vragen zijn redenering te tonen (chain-of-thought) en outputs kritisch te verificeren, zeker bij feiten en cijfers. Zie S08E01 voor een praktijkles over kritisch blijven denken bij AI-output.
Wat is meta-prompting en wanneer gebruik je het?
Meta-prompting betekent dat je een taalmodel vraagt om zelf een betere prompt te schrijven of te verbeteren voor een specifieke taak. Het is nuttig als je niet zeker weet hoe je een complexe opdracht het beste formuleert, of als je een prompt wilt hergebruiken voor meerdere situaties. Het kost extra tokens maar levert vaak duidelijk betere output op. S08E17 legt uit wanneer meta-prompting de moeite waard is en wanneer een directe prompt simpelweg sneller werkt.
Welke tips voor prompt-engineering werken echt?
De tips die in de praktijk het meeste opleveren: geef altijd context (wie ben jij, wat is het doel), gebruik rolformatting ('Jij bent een...'), vraag om een stapsgewijze redenering bij complexe taken, en itereer — een eerste prompt is zelden optimaal. Voeg een voorbeeld toe als je een specifiek formaat wilt. Vermijd negaties ('schrijf geen...') en wees concreet over lengte en toon. In S07E68 legt Joop uit waarom Chain-of-Draft — meerdere korte iteraties — beter werkt dan één uitgebreide prompt.
Wat gasten hierover zeiden
“AI is juist heel goed in het produceren van dingen die er overtuigend uitzien, maar waar de diepgang ontbreekt. In de wetenschap zien we dit probleem al: er worden zoveel papers gepubliceerd dat onderzoekers het niet meer kunnen bijhouden. Hetzelfde kan gebeuren bij jou in je organisatie.
Joop Snijder — S08E01
“AI maakt me sneller. Kritisch denken maakt me beter. Het begint al bij het moment dat je overweegt om AI in te zetten. Misschien is het antwoord wel: nee, ik wil hier helemaal geen AI bij.
Joop Snijder — S08E01
“Ik was gestopt met kritisch denken. Voegden al deze extra's iets toe voor de workshop deelnemers? Door steeds meer toe te voegen werd de aanpak veel te complex in uitvoering. Van eenvoud was ik afgedreven naar complex.
Joop Snijder — S08E01
Afleveringen over Beter werken met ChatGPT en taalmodellen: prompt engineering en hallucinaties
Meta-prompting en de DOVE-aanpak voor betere prompts
Joop Snijder legt uit hoe meta-prompting werkt en waarom het DOVE-principe (Define, Optimize, Verify, Evaluate) de kwaliteit van prompts structureel verbetert.
Chain of Draft: betere output door iteratie met taalmodellen
Joop Snijder bespreekt de Chain of Draft-techniek en waarom iteratief werken met een taalmodel vaak betere resultaten geeft dan een perfecte one-shot prompt.
Kritisch blijven denken in een tijdperk van snelle AI-output
Joop Snijder laat met een persoonlijk voorbeeld zien hoe enthousiasme voor AI-output kan leiden tot onbruikbare complexiteit, en waarom kritisch denken in drie fases (voor, tijdens, na) essentieel is.
Basismythes over AI en agents: waarom een prompt geen agent is
Joop Snijder laat zien dat veel 'agents' in de praktijk gewoon prompts of workflows zijn en legt uit waarom goed promptwerk de basis blijft voor effectief AI-gebruik.
Vibe citations: waarom de waarschuwing niet genoeg is
Hallucinaties in AI-output zijn niet alleen een technisch probleem, maar ontstaan door organisatorische failings in control-processen. De aflevering leert vier concrete patronen die fouten doorlaten en praktische stappen voor betrouwbare AI
Gelijktijdig een roman in vijf talen uitbrengen met AI, als eerste schrijver ter wereld
Praktische toepassing van AI-tekstgeneratie voor vertalingen en content-creatie: hoe prompt engineering en taalmodellen kenniswerkers helpen bij schaalbare, meertalige projecten zonder traditionele workflows.
Taalmodellen als bandlid: een andere kijk op AI
Door AI als collaboratief instrument in te zetten ipv. passief toe te passen, behoud je controle over output-kwaliteit. Dit raakt prompt engineering: bewust sturen van AI-resultaten zonder automatisch alle output te accepteren.
Werkgeluk in de zorg verbeteren met AI-tools
Praktische toepassing van betrouwbare AI in hoogrisico-omgeving (zorg) waar hallucinaties en fouten niet acceptabel zijn. Laat zien hoe prompt engineering en AI-validatie kritiek zijn voor implementatie buiten laagrisico-taken.
Uitlegbaarheid bij taalmodellen: wat kun je echt weten?
Uitlegbaarheid is essentieel voor effectief ChatGPT-gebruik: je leert drie praktische methoden om te controleren of AI-output betrouwbaar is, wat direct raakt aan het probleem van hallucinaties en het kritisch evalueren van taalmodel-output
"Hallucineer niet" zeggen lost niets op. Dit wel!
Vijf praktische methodes om hallucinaties in AI-modellen tegen te gaan, waaronder RAG en verificatietechnieken. Gaat verder dan ineffectieve prompts en biedt concrete oplossingen voor professionals.
Ai van Columbus: vijf lagen van betekenis
De aflevering verklaart de werking van taalmodellen en het hallucinatieprobleem, en benadrukt drie essentiële vaardigheden voor verantwoord AI-gebruik—kernthema's voor effectief ChatGPT-werken zonder technische vereisten.
Hoe meet je vooroordelen in taalmodellen?
Lisa Pouels, afgestudeerd data scientist, onderzocht fairness in GraphRAG-systemen en werd hiervoor genomineerd voor de...
Verdiep je in Beter werken met ChatGPT en taalmodellen
De stap van incidenteel gebruik naar structurele integratie vraagt om kaders, niet om meer experimenteren. Wie grenzen stelt, haalt meer uit AI — niet minder.
Betere prompts beginnen niet met betere zinnen — ze beginnen met beter nadenken over context, doel en de grenzen van het model.