Prompt engineering krijgt te veel eer, vindt Boris Cherny, hoofd van Claude Code bij Anthropic. Volgens hem bepaalt niet de perfecte formulering van een opdracht of je goede resultaten haalt uit een AI-codeertool, maar de manier waarop je de agent begeleidt, context geeft en tussentijds bijstuurt.
Wie is Boris Cherny en waarom telt zijn mening
Cherny staat aan het hoofd van Claude Code, de agentic coding-tool die Anthropic in februari 2025 lanceerde. Het product groeide sindsdien uit tot een van de snelst schalende onderdelen binnen het bedrijf, vooral onder professionele ontwikkelaars die AI inzetten voor grotere codebases.
Als leidinggevende over een tool die dagelijks door duizenden developers wordt gebruikt, heeft Cherny een unieke kijk op wat werkende gebruikspatronen onderscheidt van minder effectieve. Die observatie deelde hij recent in een interview, waarna het nieuws werd opgepikt door onder meer Search Engine Journal.
Waarom prompt engineering overschat wordt
De aanname dat één slim geformuleerde prompt het verschil maakt, klopt volgens Cherny niet met wat hij ziet bij de meest productieve gebruikers. Zij besteden nauwelijks tijd aan het polijsten van hun instructies.
In plaats daarvan richten ze zich op het proces eromheen: welke bestanden de agent mag zien, hoe een taak wordt opgeknipt en hoe snel je een fout herkent. Een technisch correcte prompt levert weinig op als de agent geen goed beeld heeft van de rest van het project.
Wat de top 1 procent van de gebruikers wél anders doet
Uit Cherny's observaties komt een patroon naar voren dat weinig te maken heeft met woordkeuze en veel met werkdiscipline. De gebruikers die het meeste uit Claude Code halen, delen een aantal gewoontes.
- Ze geven de agent relevante context mee, zoals bestaande code, documentatie of eerdere beslissingen.
- Ze knippen grote taken op in kleine, controleerbare stappen in plaats van één omvangrijke opdracht.
- Ze checken tussentijdse resultaten voordat ze verdergaan, zodat fouten niet opstapelen.
- Ze passen hun aanpak aan zodra de agent afwijkt van wat nodig is, in plaats van te blijven vertrouwen op de oorspronkelijke instructie.
Dat vraagt meer om projectmatig inzicht dan om schrijfvaardigheid. De agent is in die visie eerder een collega die je aanstuurt dan een zoekmachine die je perfect moet bevragen.
Wat dit betekent voor ontwikkelaars en bedrijven in Nederland
Voor teams die AI-codeertools overwegen, is de les vooral praktisch. Tijd investeren in duidelijke projectdocumentatie en een overzichtelijke codebase levert meer op dan uren besteden aan het schaven van prompts.
Ook het opknippen van werk in kleine, toetsbare stappen blijkt effectiever dan één grote opdracht aan de agent overlaten. Wie AI-agents structureel wil inzetten, kan dus beter investeren in werkproces en context dan in prompttechniek alleen.
Bron: Search Engine Journal