Anthropic heeft een reeks prompttips gepubliceerd waarmee gebruikers van zijn AI-model Claude betere resultaten uit hetzelfde model kunnen halen. De adviezen draaien om vier punten: minder tokens gebruiken, natuurlijker geschreven tekst krijgen, efficiëntere code laten genereren en langere, meerstaps taken stabieler laten verlopen.
Het gaat niet om een nieuwe modelversie, maar om praktische aanpassingen in de manier waarop je een prompt opstelt. Voor iedereen die AI dagelijks inzet voor content, code of research is dat direct te vertalen naar minder frustratie en minder herhaald proberen.
Waarom prompting nog steeds het verschil maakt
Ondanks steeds krachtigere modellen blijft de kwaliteit van de output sterk afhankelijk van hoe een prompt is opgebouwd. Een vage vraag levert een vaag antwoord op, ook bij een geavanceerd model.
Anthropic benadrukt dat gestructureerde instructies, duidelijke context en concrete voorbeelden nog altijd de grootste invloed hebben op de kwaliteit van wat een model teruggeeft. Dat klinkt logisch, maar in de praktijk wordt het door veel gebruikers overgeslagen omdat ze prompten als los getypte vragen in plaats van als instructies.
Minder tokens, meer bruikbare output
Een van de kernpunten is tokenefficiëntie. Lange, omslachtige prompts kosten niet alleen meer rekenkracht, ze verhogen ook het risico dat het model afdwaalt van de eigenlijke vraag.
Door overbodige herhaling en context weg te laten en juist te focussen op wat er echt nodig is, blijft de kern van de vraag scherper overeind. Dat is vooral relevant voor bedrijven die AI op schaal inzetten, waar tokenkosten zich razendsnel opstapelen.
- Kort en specifiek formuleren in plaats van uitgebreide inleidingen
- Onnodige herhaling van context in vervolgprompts vermijden
- Alleen relevante voorbeelden meegeven, geen overbodige achtergrondinformatie
Betere schrijfresultaten en efficiëntere code
Voor tekstgeneratie adviseert Anthropic om stijl en toon expliciet te benoemen in plaats van te hopen dat het model dit zelf goed inschat. Denk aan het meegeven van een concreet doelpubliek of een voorbeeldzin van de gewenste toon.
Bij code werkt hetzelfde principe: hoe specifieker de technische randvoorwaarden in de prompt staan, zoals programmeertaal, beperkingen of gewenste architectuur, hoe minder correctierondes daarna nodig zijn.
Langere taken stabiel laten verlopen
Bij meerstaps taken, waarbij een model verschillende stappen achter elkaar moet uitvoeren, loopt de kwaliteit vaak terug naarmate de taak langer duurt. Anthropic geeft aan dat het tussentijds herhalen van de kernopdracht en het opdelen van een grote taak in kleinere, controleerbare stappen dit probleem beperkt.
Voor gebruikers die AI inzetten voor uitgebreide analyses, lange artikelen of complexe codeprojecten is dat een direct toepasbaar advies: laat het model niet in één keer alles doen, maar stuur het stap voor stap bij.
Wat dit betekent voor de praktijk
Deze tips veranderen niets aan de onderliggende technologie, maar wel aan de resultaten die gebruikers er dagelijks uithalen. Voor teams die AI structureel gebruiken in content, marketing of ontwikkeling loont het om prompts te behandelen als een vak op zich, met dezelfde aandacht als een briefing aan een collega.
Wie merkt dat AI-output regelmatig bijgestuurd moet worden, doet er goed aan eerst de prompt zelf te herzien voordat er naar een ander model wordt overgestapt.
Bron: Search Engine Journal