Een prompt die vorig jaar goed werkte, geeft na een modelupdate ineens slechte antwoorden. De reflex is bijna altijd dezelfde: een extra waarschuwing onderaan, het liefst in hoofdletters. Het mechanisme erachter is dat nieuwere modellen instructies letterlijker nemen, waardoor die pleisters het probleem verergeren.
Margot van Laar van Anthropic liet dit zien in de sessie The prompting playbook op Code w/ Claude in Londen (19 mei 2026). Hieronder de video, gevolgd door de belangrijkste cases en wat ze betekenen voor wie met onze PERFECT-formule werkt.
De sessie gaat over twee situaties: een bestaande prompt meenemen naar een nieuw model en een nieuwe agentic workflow opbouwen. De uitkomsten zijn getest met evaluaties, dus geen meningen. Wij vertalen ze hier naar werken in een chatomgeving. De getallen komen uit de demonstraties in de sessie; kijk de video voor de volledige opzet.
De korte versie
1. Structuur verslaat volume. 2. Oude verboden blokkeren nieuwe modellen. 3. Laat code rekenen, niet het taalmodel. 4. Drie kleine prompts verslaan één grote.
Structuur verslaat volume
De eerste case is een klantenservicebot voor een telecombedrijf. Meerdere collega's hebben maandenlang aan dezelfde prompt gesleuteld. Het resultaat is één lange tekst waarin rol, bedrijfsbeleid, toon en plakwerk van de website door elkaar staan. De vuistregel: als u zelf niet kunt zien wat richtlijn, hard beleid en klantdata is, kan het model dat ook niet.
Engineers lossen dat op met XML-tags rond rol, beleid, toon en klantcontext. Alleen al het opschonen en ordenen van de tekst, zonder inhoudelijk iets te wijzigen, verhoogde de slagingskans. In een chatvenster doet de PERFECT-formule hetzelfde: zeven vaste blokken dwingen u om ruis te schrappen voordat u op enter drukt.
| PERFECT | In het chatvenster | Bij engineers in productie |
|---|---|---|
| Persona | Het perspectief: kritische jurist, HR-adviseur | Een schone rolbeschrijving, zonder onwaarheden |
| Examples | Eén concreet voorbeeld meegeven | Vaste voorbeeldstructuren en testcases |
| Result en Format | Eindproduct, opmaak en lengte vastleggen | Een vast uitvoerformaat, bijvoorbeeld een JSON-schema |
| Exactness | Meetbare kaders en de afweging benoemen | Verouderde verboden schrappen, beide kanten van een afweging geven |
| Context | Aanleiding, doelgroep en feiten | Klantdata en beleid strikt gescheiden van de instructies |
| Task | Beginnen met een actief werkwoord | Taken splitsen of aan een tool koppelen |
Exactness: oude pleisters blokkeren nieuwe modellen
In het E van Exactness leren we deelnemers vage woorden als "professioneel" te vervangen door harde kaders. Dat werkt, tot het doorschiet in defensieve verboden. Twee voorbeelden uit de sessie.
Het model houdt informatie achter
Een klant met een oud abonnement vraagt hoeveel hotspotdata hij heeft. In de klantdata staat het antwoord: 5 GB. De bot verwijst toch door naar een webpagina. De oorzaak is een regel uit een eerdere promptversie: geef nooit onjuiste abonnementsgegevens, verwijs liever naar de URL. Een ouder model nam zo'n regel met een korrel zout. Een nieuw model volgt hem letterlijk en kiest de veiligste route: niets zeggen.
Een kostenargument dat te zwaar weegt
Bij een factuurconflict moet de bot doorzetten naar een medewerker. In plaats daarvan gaat hij zelf gokken. Reden: de prompt zegt dat escalatie ongeveer 8 dollar kost en de first-contact resolution drukt. Het model vermijdt escalatie dus tot elke prijs. Pas toen de andere kant van de afweging erbij kwam (een fout antwoord bij een factuurprobleem kost een terugbetaling en klantvertrouwen), maakte het model de juiste keuze.
Wat dit voor uw Exactness-blok betekent
Schrap restricties die u niet meer kunt verklaren. En noem bij elke beperking beide kanten van de afweging: wat kost het om te veel te doen én wat kost het om te weinig te doen.
Laat code rekenen, niet het taalmodel
Een klant vraagt wat zijn volgende factuur wordt als hij halverwege de maand overstapt naar een groter pakket. De prompt zei al: bereken pro-ratabedragen altijd exact en foutloos, in hoofdletters. Het model rekende in zijn tussenstappen, raakte de draad kwijt en gaf een vaag en onjuist antwoord. Een nog strengere zin had niets veranderd, want rekenen is geen kwestie van motivatie.
De oplossing was een rekentool en één zin in de Task: gebruik bij elke prijsberekening altijd de tool voor pro-rataberekening. Daarna slaagden alle tests. In een chatomgeving is het equivalent de analysefunctie van ChatGPT of Copilot, of een Excel-formule die u zelf draait. Laat het model redeneren en laat code rekenen.
Eén grote prompt verliest van drie kleine
Het tweede experiment: een weekrooster maken voor acht winkelmedewerkers, met beschikbaarheid, minimale bezetting en arbeidstijdenregels. Een script telde na afloop de overtredingen, over vijf testrondes per aanpak.
| Aanpak | Inrichting | Foutloze roosters (van 5) | Kosten en snelheid |
|---|---|---|---|
| 1. Basisprompt, Sonnet 4.6 | Strakke structuur en vast formaat | 0 | Controleert eigen werk niet |
| 2. Zwaarder model, Opus 4.7 | Dezelfde basisprompt | 0 | Minder overtredingen, nog steeds geen foutloos rooster |
| 3. Adaptive thinking, Opus 4.7 | Basisprompt met redeneren aan | 5 | Ongeveer drie keer zoveel tokens en circa 100 seconden per run |
| 4. Zware prompt, Sonnet 4.6 | Stapsgewijs denken en zelfcontrole in één prompt | 2 (5 bij hogere outputlimiet) | Loopt vast op de outputlimiet; daarna het traagst en duurst |
| 5. Loop van drie stappen, Sonnet 4.6 | Genereer, controleer, repareer | 5 | Laagste kosten, kortste doorlooptijd |
Wie generatie en controle in één prompt propt (aanpak 4), dwingt het model tot lange interne monologen. De winnaar knipt het werk in drie simpele stappen, ook de aanpak die we in de Agentic AI-masterclass gebruiken:
- GeneratorMaakt snel een eerste concept op basis van de randvoorwaarden.
- EvaluatorLegt het concept naast de regels en geeft alleen een lijst met overtredingen terug.
- ReparatieKrijgt concept en foutenrapport en voert alleen gerichte correcties uit.
Een extra voordeel: zachte randvoorwaarden voegt u op het laatste moment toe aan de evaluator, bijvoorbeeld "deze twee collega's niet samen inroosteren" of "woensdagmiddag extra bezetting". U hoeft de basisprompt niet te herschrijven voor uitzonderingen die per week verschillen.
Vier principes voor morgen
- Gebruik PERFECT als hygiënecheckScheid rol (Persona), bronmateriaal (Context) en gewenste vorm (Result en Format), met kopjes of tags.
- Geef bij restricties de afweging meeSchrijf in Exactness niet alleen wat het model moet vermijden, maar ook wat te veel voorzichtigheid kost.
- Scheid taal van rekenwerkTyp geen "bereken exact" zonder rekentool, analysefunctie of Excel-formule erachter.
- Knip lange prompts in drieWordt een prompt langer dan een half A4 en negeert het model regels? Splits in genereren, toetsen en repareren.
Wat wij in de praktijk zien
Inzicht 1: promptdocumenten groeien, nooit krimpen
Teams bewaren een prompt die ooit werkte en plakken er bij elke fout een regel aan toe. Niemand schrapt iets, omdat niemand meer weet waarom een regel er staat. Een vaste eigenaar en een datum per promptversie lossen dat op.
Inzicht 2: "wees nauwkeurig" is geen instructie
Medewerkers voegen wensen toe als "wees nauwkeurig" of "controleer alles goed". Een model kan daar niets mee. Een controleerbare eis wel: "noem bij elk bedrag de bron" of "geef een lijst met aannames".
Inzicht 3: de tweede prompt is de gemakkelijkste winst
Wie een concept laat toetsen door een tweede prompt met uw eigen checklist, haalt de meeste fouten eruit zonder technische kennis. Dat is de loop uit het rooster-experiment, in chatvorm.
Hoe wij dit aanpakken
In onze trainingen ChatGPT, Claude en Microsoft 365 Copilot schrijven deelnemers eerst prompts met de PERFECT-formule voor eigen werk. Daarna testen ze die op eigen documenten en bouwen ze een herbruikbare drie-stappenloop. Wie de basis wil lezen, begint bij wat is een prompt en kan de eigen prompts toetsen met hoe goed is onze PERFECT-prompt. Meer over de achtergrond staat in ons artikel over AI-agents.
Veelgestelde vragen over prompten en modelupdates
Waarom wordt mijn prompt slechter als ik er regels aan toevoeg?
Elke extra regel is een extra instructie die het model letterlijk neemt. Nieuwere modellen volgen instructies nauwkeuriger op, dus een oude waarschuwing of een verbod dat ooit een fout van een vorig model moest voorkomen, kan nu ook gewenst gedrag blokkeren. Schrap regels die u niet meer kunt verklaren en test daarna opnieuw.
Wat is het verschil tussen de PERFECT-formule en prompten met XML-tags?
Het doel is gelijk: instructies, context en gewenste vorm gescheiden houden. De PERFECT-formule (Persona, Examples, Result, Format, Exactness, Context, Task) is bedoeld voor wie in een chatvenster werkt. XML-tags zoals role, policy en context zijn de variant voor wie via een API of in een systeemprompt bouwt.
Moet ik als gewone gebruiker weten hoe een agentic loop werkt?
Niet technisch. Het principe is wel bruikbaar in Copilot, Claude en ChatGPT: laat een eerste prompt een concept maken, een tweede prompt het concept toetsen aan uw eisen en een derde prompt alleen de gevonden fouten herstellen.
Kan een model betrouwbaar rekenen als ik het goed vraag?
Een taalmodel voorspelt tekst en is geen rekenmachine. Voor bedragen, pro-rataberekeningen en tabellen is het betrouwbaarder om een rekentool, de analysefunctie van het model of een Excel-formule te gebruiken en het model de uitkomst te laten toelichten.
Tot slot
Een langere prompt is geen betere prompt. Ruim op, structureer met PERFECT en splits zodra het complex wordt. Test daarna met uw eigen voorbeelden.
De cases zijn ontleend aan de sessie The prompting playbook van Margot van Laar (Anthropic) op Code w/ Claude, Londen, 19 mei 2026. Anthropic is niet betrokken bij dit artikel. Modelnamen en resultaten zijn die uit de demonstraties en gelden niet automatisch voor andere modellen of taken.
Over de auteur
Barry van der Laan MBA is oprichter van AI Personeelstraining en werkt al meer dan 25 jaar in de financiële sector. Hij heeft een master's-niveau opleiding in Financial Services (NIBE-SVV) en helpt organisaties om generatieve AI praktisch, verantwoord en binnen duidelijke governance in te voeren.
Zijn trainingen en adviestrajecten richten zich op AI-geletterdheid, AI-beleid en de praktische invoering van AI-toepassingen in bestaande werkprocessen. Lees meer over onze trainers.