Boekbespreking - Compacte toolkit voor effectieve generatieve AI-prompts
06 oktober, 2025
Auteur Thomas Wijsman
Het boek biedt een breed scala aan prompttechnieken met toepassingsvoorbeelden, telkens voorzien van uitleg waarom ze effectief zijn. Daarbij weet de auteur een goede balans te bewaren tussen reikwijdte en verdieping, met de nadruk op praktische toepasbaarheid. De overwegend heldere tekst maakt het bovendien een vlot leesbare gids voor iedereen die doelgerichter wil leren prompten.
Sinds de komst van generatieve AI wordt de markt overspoeld met boeken over prompting. Deze variëren sterk in breedte, diepgang en bruikbaarheid. Daarom gaat deze recensie wat uitvoeriger in op de behandelde onderwerpen, zodat je als lezer een concreet beeld krijgt van de inhoud én het nut van het boek.
Duidelijke focus
Het boek biedt een toegankelijke verkenning van promptengineering bij tekstgebaseerde generatieve AI. Door deze focus blijft het geheel overzichtelijk en goed behapbaar, als een compacte introductie – zonder overbodige ballast en direct toepasbaar in de praktijk. De nadruk ligt op functioneel gebruik. Technische aspecten zoals API’s, lokale installatie van een LLM en het bouwen van prompts met Python, evenals juridische, organisatorische en ethische kwesties, komen niet of slechts beperkt aan bod. Visuele en auditieve toepassingen vallen buiten de reikwijdte, net als verdiepende beschrijvingen van de onderliggende taalverwerkingstechnologie. De inhoud blijft daarmee gericht op snel en effectief leren werken met tekstuele AI-toepassingen.
Basisuitleg LLM
Het eerste hoofdstuk geeft een duidelijke basisuitleg hoe large language models (LLM’s) werken – nuttige achtergrondinformatie voor lezers die daar nog geen duidelijk beeld van hebben. Een LLM, de kern van generatieve AI, voorspelt via een netwerk van waarschijnlijkheden telkens het volgende woord – zo ontstaat stap voor stap een samenhangend antwoord. Daarbij spelen parameters een belangrijke rol. De parameter temperature is een concreet voorbeeld: bij een lage waarde schrijft een model strak en consistent, terwijl een hoge waarde leidt tot creatievere, minder voorspelbare antwoorden. Denk aan het verschil in stijl tussen een auditrapport en een literaire roman.
Ook technische bouwstenen worden kort toegelicht: tokenisatie (het opknippen van tekst in kleine eenheden), probabiliteit (kansberekening achter woordkeuzes) en het contextvenster (de hoeveelheid tekst die het taalmodel tegelijk kan meenemen). Later in het boek komt nog de transformerarchitectuur van LLM’s met self-attention aan bod, een cruciaal mechanisme in hoe deze modellen taal verwerken (de ‘T’ in ChatGPT staat voor ‘transformer’). Self-attention stelt het model in staat om binnen een tekst te bepalen welke woorden aan elkaar gerelateerd zijn, ongeacht hun onderlinge afstand. Zo analyseert generatieve AI de relatie tussen woorden, hoe ver ze ook van elkaar verwijderd zijn. Hierdoor herkent het model relevante context en ontdekt het latente patronen.
Beperkingen van LLM’s
Naast mogelijkheden komen ook beperkingen aan bod. Zoals bekend, doen LLM’s zich voor als een alleswetende intelligentie, maar ontbreekt het ze aan menselijk begrip, bewustzijn, intentie of logisch denkvermogen – iets wat tot onjuiste of onbedoelde antwoorden kan leiden en verklaart waarom ze soms hallucineren. Tegelijkertijd bootsen ze zulke vermogens overtuigend na, wat ze krachtig én verraderlijk maakt. Ook heeft het contextvenster een beperkte omvang. Hierdoor kan het model eerdere informatie vergeten, instructies negeren of inconsistent reageren – een vorm van vergeetachtigheid die vooral voorkomt bij lange reeksen prompts en complexe taken.
Prompting als schakel tussen mens en AI
Het tweede hoofdstuk zoomt in op de rol van prompting. Een LLM baseert zich niet op begrip, maar op statistische patronen. De prompt fungeert daarbij als wegwijzer – hoe een prompt wordt geformuleerd, bepaalt dan ook in hoge mate de kwaliteit en bruikbaarheid van het resultaat. Zet je de wegwijzer verkeerd, dan raakt het LLM de weg kwijt. Algemeen geldt dat de effectiviteit niet in het aantal woorden zit, maar in instructies die precies genoeg richting geven. Goed gestructureerde prompts leveren bruikbare resultaten, terwijl vage vragen eerder leiden tot oppervlakkige of gekleurde antwoorden. Prompting is dus geen simpele invoerhandeling, maar een strategische vaardigheid. Daarbij zijn keuzes over context, detailniveau en perspectief cruciaal. Experimenteer ermee en ervaar hoe een kleine aanpassing in de formulering het verschil kan maken.
Effectieve prompts: kenmerken
De auteur benadrukt dat de lengte van een prompt niet doorslaggevend is. Waar het om draait, is dat de instructies voldoende richting geven om de AI-uitvoer effectief te sturen. In hoofdstuk 8 legt hij uit dat een goede prompt helder geformuleerd is en een juiste balans biedt tussen specificiteit en flexibiliteit. Dat houdt in dat een prompt duidelijke instructies geeft, structuur aanbrengt, de juiste beperkingen instelt en latente patronen benut – al geldt dat laatste natuurlijk alleen wanneer zulke patronen relevant en beschikbaar zijn binnen de context. Terug naar hoofdstuk 2, waar technieken ter sprake komen als stap-voor-stap redeneren, iteratief verfijnen en het expliciet laten vermelden van bronnen. Deze dragen bij aan betrouwbaardere output en helpen tegelijk om de beperkingen van AI deels te ondervangen. Goed prompten draait overigens niet alleen om betere antwoorden, maar ook om realistische verwachtingen.
Compacte toolkit
Prompten als een pro is geschikt voor iedereen met basiservaring die slimmer en sneller met generatieve AI wil werken. De lay-out oogt soms wat rommelig, maar dat doet niets af aan de bruikbaarheid. Het boek geeft heldere uitleg, gecombineerd met praktische tips en laat zien hoe je generatieve AI effectief kunt inzetten, zolang je de beperkingen in het oog houdt. Deze inzichten vormen samen een compacte toolkit voor iedereen die zijn promptvaardigheden wil aanscherpen, zonder zich door een dik handboek heen te hoeven werken. Houd er wel rekening mee dat gezond verstand onze belangrijkste tool blijft – iets waar AI voorlopig nog niet aan kan tippen.
Verdieping in specifieke technieken
Hoofdstuk 6 behandelt few-shot prompting: Met een paar voorbeelden van wat voor output je verwacht kun je toon, stijl en inhoud van het antwoord sturen. Vergelijk het met een ouder die een kind laat zien hoe het zich moet gedragen – niet door strenge regels op te leggen, maar door zelf het goede voorbeeld te geven. Ook iteratief prompten komt aan bod, een nuttige techniek, omdat de eerste uitvoer vaak te generiek of onvolledig is. Door dan stapsgewijs bij te sturen – alsof het een samenwerkingspartner is in plaats van een antwoordmachine – ontstaat geleidelijk echt bruikbare uitvoer. Daarnaast bespreekt de auteur het gebruik van vaste formats en sjablonen, een aanpak die vooral interessant is bij workflows die baat hebben bij automatisering, zoals het opstellen van rapportages of samenvatten van datasets.
Hoofdstuk 7 is gewijd aan latent reasoning: het vermogen van modellen om verbanden te leggen die niet expliciet zijn meegegeven. Dit vermogen vloeit voort uit hun transformerarchitectuur. Gebruik van latent reasoning is een krachtige prompttechniek, die in het boek uitgebreid wordt toegelicht aan de hand van tal van voorbeelden. Een eenvoudig voorbeeld: generatieve AI kan op verzoek een tekst schrijven in de stijl van Shakespeare, zonder dat deze stijl eerst is uitgelegd of via few-shot prompting voorgedaan.
Latent reasoning betekent hier dat het model de impliciete opdracht begrijpt om te schrijven met de stijlkenmerken van Shakespeare – zoals ritme, toon en woordgebruik – en deze overtuigend weet toe te passen. Overigens was een waarschuwing op zijn plaats geweest: realiseer je dat je door te vertrouwen op latent reasoning het leggen van verbanden volledig aan het model overlaat, waardoor de output minder voorspelbaar wordt.
Hoofdstuk 8 laat vervolgens zien hoe een basale prompt stapsgewijs kan worden verfijnd tot een effectieve – het meest praktische deel van het boek. In hoofdstuk 9 volgen toepassingen in verschillende vakgebieden, waarna hoofdstuk 10 ingaat op iteratie (verfijnen van antwoorden door opvolgende prompts) en contextbeheer.
Hoofdstuk 11 behandelt tot slot systeemprompts: hoe ze werken, hoe je ze opstelt en hoe ze AI-gedrag op fundamenteel niveau sturen. Systeemprompts horen primair thuis in de ontwikkelfase van een taalmodel (finetuning van een basismodel), maar het boek geeft voorbeelden van nuttig gebruik in de interactie tussen eindgebruiker en generatieve AI.
Drie bijlagen maken het geheel compleet. Bijlage A geeft effectieve voorbeeldprompts in uiteenlopende domeinen, van zakelijk gebruik tot hulp bij programmeren. Bijlage B introduceert aanvullende methodieken – zoals ReAct (Reasoning & Acting), waarbij de AI eerst doorvraagt voordat er een antwoord komt. Bijlage C biedt een praktische lijst met do’s en don’ts.
Van parameters tot geavanceerde technieken
Na deze basis volgen verdiepende hoofdstukken die de lezer stapsgewijs meenemen in de details van prompting. Eerst komen de parameters aan bod, zoals de daarnet aangestipte temperature, die de toon en voorspelbaarheid van het antwoord bepalen. Dan volgen de bouwstenen van een sterke prompt: helderheid, context en instructievorm. Zonder deze basis kan een prompt gemakkelijk vaag blijven of afdwalen in plaats van een to-the-point antwoord te geven. Vervolgens bespreekt de auteur veelgemaakte fouten, zoals promptinjectie (onbedoeld of opzettelijk manipuleren van het model) of het niet controleren van output – misschien wel de grootste valkuil. Tot slot komen geavanceerde technieken aan bod, waaronder chain-of-thought reasoning, few-shot prompting, gebruik van latent reasoning en iteratieve optimalisatie – zie verderop.
Het boek combineert feitelijke uitleg met praktische voorbeelden, hoewel sommige voorbeelden wat geforceerd aandoen. Ook spoort de auteur de lezer aan tot een actieve houding tijdens het lezen, om na te denken over het gebodene en vooral ook zelf te experimenteren met de aangereikte technieken.
