Prompt engineering: 9 frameworks voor betere AI-resultaten — Sean Vermond

Je typt "schrijf een e-mail" in ChatGPT en krijgt rommel terug. Een generiek, zielloos stuk tekst dat klinkt alsof het door een robot is geschreven. Wat het ook is, natuurlijk. Maar dat hoeft het niet te klinken. Je probeert het opnieuw. "Schrijf een professionele e-mail." Iets beter. Nog steeds niet wat je wilt. Frustratie. "Waarom kan AI dit niet gewoon goed doen?"

Ik test elke week nieuwe prompts. Serieus — ik heb een map in Notion met honderden varianten die ik heb uitgeprobeerd voor klantprojecten, voor mijn eigen websites, voor alles. De meeste zijn rommel. Weggooi-prompts die generieke output opleveren waar niemand iets mee kan. Maar als je het juiste framework pakt, verandert alles. Dan gaat AI van "meh" naar "dit had ik zelf niet beter kunnen formuleren."

Welkom bij prompt engineering. De vaardigheid die in 2025 misschien wel belangrijker is dan Excel, Photoshop of welk ander digitaal gereedschap dan ook. In het vorige artikel schreef ik over het verschil tussen sneller en slimmer werken met AI. Vandaag gaan we een stap dieper: hoe formuleer je de instructies die echt slimme output opleveren?

In dit artikel deel ik negen bewezen frameworks voor betere prompts. Per framework krijg je een uitleg, een concreet voorbeeld, en tips om het direct toe te passen. Geen theorie, geen academisch geneuzel — gewoon werkbare methoden die je morgen al kunt gebruiken.

Waarom je prompt ertoe doet

Maar eerst: waarom doet het ertoe hoe je je prompt schrijft?

Het simpele antwoord: input bepaalt output. Een AI-model als Claude Opus 4, GPT-4o of Gemini 2.5 Pro heeft geen context over jouw situatie. Het weet niet voor wie je schrijft, wat je tone of voice is, welke beperkingen er zijn, of wat je met het resultaat wilt doen. Die context moet jij leveren. En de manier waarop je die context levert — je prompt — bepaalt de kwaliteit van wat je terugkrijgt.

Vergelijk het met een restaurant. "Doe maar wat lekkers" levert iets anders op dan "Ik wil een licht voorgerecht met vis, Aziatische smaken, geen noten, voor twee personen, als start van een vijfgangenmenu." De chef is dezelfde. De ingrediënten zijn dezelfde. Het verschil zit in de briefing.

Prompt engineering is de briefing voor AI.

En net als bij een goede briefing voor een designer, een copywriter of een ontwikkelaar geldt: hoe specifieker en doordachter je brief, hoe beter het resultaat. Niet langer. Niet complexer. Maar doordachter.

De 9 frameworks

1. RACE — Role, Action, Context, Expectation

Als je maar één framework onthoudt, laat het dit zijn. RACE is het Zwitserse zakmes van prompt engineering. Het werkt voor vrijwel elke situatie en is makkelijk te onthouden. Dit is ook het framework waar ik zelf het vaakst naar grijp — of het nu een klanttekst is, een technische architectuurbeschrijving of een strategiedocument.

Hoe het werkt:

Role: Wie moet AI zijn? Welke expertise heeft het nodig?
Action: Wat moet AI precies doen?
Context: Wat is de achtergrond? Voor wie? Waarom?
Expectation: Wat verwacht je als output? Formaat, lengte, toon?

Voorbeeld — zonder RACE:

Schrijf een mail aan een klant over een vertraging.

Voorbeeld — met RACE:

Role: Je bent een ervaren projectmanager bij een digitaal bureau.

Action: Schrijf een e-mail aan de klant waarin je een vertraging van twee weken communiceert.

Context: Het project is een website-redesign voor een advocatenkantoor. De vertraging is veroorzaakt door vertraagde feedback van de klant zelf, maar we willen de relatie niet beschadigen. De klant is een senior partner die weinig tijd heeft.

Expectation: De e-mail moet maximaal 150 woorden zijn, professioneel maar warm, en eindigen met een concreet voorstel voor een nieuw tijdschema. Geen schuld toewijzen.

Het verschil in output is dag en nacht. De eerste prompt levert generieke tekst. De tweede levert iets dat je daadwerkelijk kunt versturen. Ik gebruik RACE dagelijks — van offertes schrijven tot technische documentatie. Het is simpel, maar het dwingt je om na te denken voordat je begint te typen. En dat alleen al maakt de output beter.

2. Chain-of-Thought (stap voor stap denken)

Chain-of-Thought is geen template maar een techniek. Je vraagt AI om stap voor stap te redeneren in plaats van direct een antwoord te geven. Dit is bijzonder krachtig voor analytische en complexe taken.

Wanneer gebruiken:

Complexe berekeningen of analyses
Beslissingen met meerdere factoren
Problemen waarbij het denkproces ertoe doet

Voorbeeld:

Ik overweeg om een nieuwe medewerker aan te nemen versus een freelancer in te huren voor een project van zes maanden. Denk hier stap voor stap over na. Overweeg: kosten (salaris vs. dagtarief), flexibiliteit, kennisbehoud, onboarding-tijd, en risico's. Geef per factor je analyse en kom dan tot een advies.

Door "denk stap voor stap" toe te voegen, dwing je AI om niet te springen naar een conclusie maar om het denkproces te doorlopen. Het resultaat is genuanceerder, beter onderbouwd, en — cruciaal — je kunt het denkproces controleren op fouten.

Dit is trouwens niet alleen handig voor AI. Het is ook een goede gewoonte voor jezelf. Ik betrap mezelf er regelmatig op dat ik op onderbuikgevoel een beslissing neem terwijl ik beter even had kunnen structureren. Sinds ik dit framework ken, doe ik dat vaker — ook zonder AI erbij. Chain-of-Thought heeft me een betere denker gemaakt, niet alleen een betere prompter.

3. Few-shot (leren door voorbeelden)

Few-shot prompting is simpel maar verbluffend effectief: je geeft AI een paar voorbeelden van wat je wilt, en AI begrijpt het patroon.

Wanneer gebruiken:

Als je een specifieke stijl of format wilt
Als het lastig is om in woorden te beschrijven wat je bedoelt
Als je consistentie wilt over meerdere outputs

Voorbeeld:

Ik wil productbeschrijvingen schrijven in een specifieke stijl. Hier zijn twee voorbeelden:

Product: Draadloze koptelefoon

Beschrijving: "Muziek zoals het bedoeld is. Geen kabels die in de knoop raken, geen buitengeluiden die storen. Gewoon jij en je favoriete album, in kristalhelder geluid. De XR-500: vrijheid voor je oren."

Product: Hardloopschoenen

Beschrijving: "Elke stap voelt als de eerste. Lichtgewicht. Veerkrachtig. Met een zool die zich aanpast aan jouw loopstijl, niet andersom. De RunFlex Pro: je nieuwe persoonlijk record begint hier."

Schrijf nu een beschrijving in dezelfde stijl voor: een ergonomische bureaustoel.

AI pikt de stijl op: kort, puntig, persoonlijk, eindigend met de productnaam en een punchline. Zonder dat je die stijl expliciet hoefde te beschrijven.

4. Role-playing (de expert simuleren)

Role-playing gaat een stap verder dan de "Role" in RACE. Hier vraag je AI niet alleen om een rol aan te nemen, maar om volledig in die rol te blijven gedurende een heel gesprek.

Wanneer gebruiken:

Voorbereiding op pitches, onderhandelingen of presentaties
Het testen van argumenten vanuit een ander perspectief
Training en simulatie

Voorbeeld:

Jij bent een kritische CFO van een middelgroot productiebedrijf. Je hebt een beperkt IT-budget en bent sceptisch over nieuwe technologie-investeringen. Ik ga je een voorstel pitchen voor een AI-implementatie in jullie klantenservice. Reageer zoals een echte CFO zou doen: stel kritische vragen, vraag om onderbouwing, en wees niet makkelijk te overtuigen. Begin het gesprek met: "Goed, je hebt tien minuten. Overtuig me."

Dit is goud waard als voorbereiding. AI speelt de rol van je toughest audience, stelt vragen die je niet had verwacht, en dwingt je om je argumenten aan te scherpen. Veel effectiever dan voor de spiegel oefenen.

5. Iterative Refinement (verfijnen in rondes)

Niet elke prompt hoeft in één keer perfect te zijn. Iterative Refinement is het principe dat je in meerdere rondes naar het gewenste resultaat toewerkt. Elke ronde bouwt voort op de vorige.

Wanneer gebruiken:

Creatief werk (teksten, concepten, designs)
Complexe documenten (businessplannen, strategieën)
Als je zelf nog niet precies weet wat je wilt

Voorbeeld — Ronde 1:

Schrijf een elevator pitch voor mijn consultancybedrijf dat MKB-bedrijven helpt met AI-implementatie.

Ronde 2:

Goed begin. Maar het klinkt te corporate. Maak het persoonlijker, alsof ik het tegen een ondernemer zeg op een netwerkborrel. En begin met een herkenbaar probleem, niet met wat wij doen.

Ronde 3:

Beter! Maar de laatste zin is te lang. Maak die korter en krachtiger. En vervang "digitale transformatie" door iets dat geen jargon is.

Dit is hoe de meeste goede output tot stand komt: niet in één keer, maar door dialoog. En dat is precies waar AI uitblinkt — het is oneindig geduldig, vergeet niets van de vorige rondes, en wordt niet beledigd als je zegt dat het niet goed genoeg is.

6. STAR — Situation, Task, Action, Result

STAR ken je misschien van sollicitatiegesprekken. Het werkt verrassend goed als prompt framework, vooral voor het genereren van cases, voorbeelden of scenario's.

Wanneer gebruiken:

Het schrijven van case studies
Het genereren van voorbeeldscenario's
Het structureren van ervaringsverhalen

Voorbeeld:

Gebruik het STAR-framework om een case study te schrijven:

Situation: Een e-commercebedrijf met 50 medewerkers zag hun klantenservice-kosten met 40% stijgen in zes maanden.

Task: Ze moesten de kosten terugdringen zonder de klanttevredenheid te laten dalen.

Action: Beschrijf drie concrete stappen die ze namen, inclusief AI-implementatie in hun support.

Result: Geef realistische maar positieve resultaten met specifieke percentages en tijdslijnen.

STAR dwingt structuur af. En structuur leidt tot betere output — zowel van AI als van jezelf.

7. Tree-of-Thought (meerdere denkpaden verkennen)

Tree-of-Thought is de geavanceerde variant van Chain-of-Thought. In plaats van één denkpad te volgen, vraag je AI om meerdere mogelijke paden te verkennen en dan de beste te kiezen.

Wanneer gebruiken:

Strategische beslissingen met meerdere opties
Creatieve brainstorms waarbij je meerdere richtingen wilt verkennen
Complexe problemen met geen voor de hand liggend antwoord

Voorbeeld:

Ik wil de online zichtbaarheid van mijn bakkerij vergroten. Verken drie fundamenteel verschillende strategieën:

Pad A: Focus op social media en content.

Pad B: Focus op lokale SEO en Google Business.

Pad C: Focus op partnerships en community.

Werk elk pad uit met concrete acties, verwachte kosten, en tijdlijn. Vergelijk ze dan op haalbaarheid voor een eenmanszaak met beperkt budget en kies de beste optie met onderbouwing.

Het mooie aan Tree-of-Thought is dat je opties krijgt die je zelf niet had bedacht. Door AI te dwingen om verschillende richtingen te verkennen, ontsnap je aan je eigen tunnelvisie.

8. Structured Output (gestructureerde output afdwingen)

Soms wil je geen lopende tekst maar data in een specifiek formaat. Structured Output prompts vertellen AI precies in welke structuur je het antwoord wilt.

Wanneer gebruiken:

Vergelijkingen en analyses
Data die je verder wilt verwerken
Rapporten met een vaste structuur

Voorbeeld:

Analyseer de volgende drie CRM-systemen voor een MKB-bedrijf met 20 medewerkers: HubSpot, Pipedrive, en Monday CRM.

Geef je analyse in deze structuur per systeem:

Naam:

Prijs per gebruiker/maand:

Sterke punten: (maximaal 3 bullets)

Zwakke punten: (maximaal 3 bullets)

Beste voor:

Score (1-10):

Sluit af met een tabel die alle drie naast elkaar zet op prijs, gebruiksgemak, en functionaliteit.

Door het gewenste format te specificeren, elimineer je de gok. AI hoeft niet te raden wat je wilt — het vult simpelweg de structuur in die je hebt gegeven.

9. Constraint-based (werken met beperkingen)

De laatste maar zeker niet de minste. Constraint-based prompting draait om het expliciet benoemen van beperkingen. Wat mag AI niet doen? Hoe lang mag het antwoord zijn? Welke woorden of concepten moeten vermeden worden?

Wanneer gebruiken:

Altijd. Serieus: constraints verbeteren vrijwel elke prompt.

Voorbeeld:

Schrijf een LinkedIn-post over de impact van AI op het MKB.

Constraints:

Maximaal 200 woorden

Geen jargon of Engelse termen (behalve "AI")

Geen opsommingen of bullets — alleen lopende tekst

Begin niet met een vraag

Eindig met een concrete tip, geen open vraag

Toon: informeel maar niet grappig. Alsof je het tegen een collega zegt.

Constraints zijn contraïntuïtief. Je zou denken dat meer beperkingen tot slechtere output leiden. Het tegenovergestelde is waar. Beperkingen dwingen AI om keuzes te maken. En keuzes leiden tot betere, specifiekere output.

Het is alsof je een dichter vraagt om een haiku te schrijven in plaats van "schrijf een gedicht." De beperking van 5-7-5 lettergrepen produceert iets krachtiger dan volledige vrijheid. Dat herken ik ook als muzikant — als ik met Suno een track maak en zeg "maak iets moois," krijg ik generieke muziek. Maar als ik zeg "synthwave, 120 BPM, melancholisch, geen vocalen, maximaal drie minuten" — dan komt er iets met karakter uit.

Frameworks combineren: de echte kracht

De negen frameworks hierboven zijn geen losse trucjes. De echte kracht zit in het combineren ervan. Een paar voorbeelden:

RACE + Constraints:

Role: Senior copywriter voor B2B SaaS.

Action: Schrijf een landingspagina-headline.

Context: Voor een projectmanagement-tool gericht op architectenbureaus.

Expectation: 5 varianten.

Constraints: Max 8 woorden per variant. Geen "revolutionair" of "gamechanger." Minimaal twee moeten met een werkwoord beginnen.

Chain-of-Thought + Tree-of-Thought:

Analyseer stap voor stap of wij moeten investeren in eigen AI-tooling of bestaande tools moeten blijven gebruiken. Verken beide paden volledig voor je een conclusie trekt.

Few-shot + Structured Output:

Hier zijn twee voorbeelden van hoe ik klantprofielen schrijf. [voorbeelden] Maak nu een profiel voor de volgende klant in dezelfde structuur.

Het combineren wordt na een tijdje tweede natuur. Je denkt niet meer in losse frameworks maar in bouwblokken die je naar behoefte combineert. Ik merk dat ik tegenwoordig automatisch RACE als basis neem en dan constraints en chain-of-thought als laag eroverheen leg. Dat is geen bewuste keuze meer — het is een gewoonte geworden, net zoals je automatisch een inleiding-kern-slot structuur hanteert als je een tekst schrijft.

De beste manier om te beginnen

Negen frameworks is veel. En als je nu denkt "waar begin ik in hemelsnaam?" — dat snap ik. Mijn advies: start met RACE.

RACE dekt 80% van alle use cases. Het dwingt je om na te denken over de vier dingen die er het meest toe doen: wie, wat, waarom, en hoe. Als je RACE beheerst — en dat kost je een week van bewust oefenen — dan voeg je vanzelf elementen van de andere frameworks toe.

Begin vandaag. De volgende keer dat je een AI-tool opent, neem tien seconden extra om je prompt door het RACE-filter te halen. Je zult verbaasd zijn over het verschil.

Conclusie: prompt engineering is de nieuwe geletterdheid

We leven in een tijd waarin de kwaliteit van je output steeds meer afhangt van de kwaliteit van je input. Prompt engineering is geen nerdy hobby. Het is een kernvaardigheid. Net zoals je ooit moest leren typen, moest leren Googlen, en moest leren mailen — zo moet je nu leren prompten.

De negen frameworks in dit artikel zijn je gereedschapskist. RACE voor de basis. Chain-of-Thought voor analyse. Few-shot voor stijl. Role-playing voor simulatie. Iterative Refinement voor perfectie. STAR voor structuur. Tree-of-Thought voor strategie. Structured Output voor data. En Constraints voor alles.

De tools worden steeds krachtiger. Llama 4 is net gelanceerd, Claude en GPT worden elke maand beter. Maar de tool is slechts zo goed als de persoon die het gebruikt. En de persoon is slechts zo goed als de vragen die hij stelt.

Stel betere vragen. Krijg betere antwoorden. Zo simpel is het.

Dit is deel 13 in de serie "Reis door AI". In het volgende artikel vergelijken we de beste AI-tools van dit moment en ontdek je welke tool je waarvoor het best kunt gebruiken.