Wanneer “AI helpt” ineens tijd kost

Stel: een teamlead wil snel een korte gedragscode laten herschrijven voor interne communicatie. Ze plakt de tekst in een AI-tool, vraagt “maak dit duidelijker”, en krijgt een vlot stuk terug. Iedereen tevreden—tot Legal vraagt: “Welke definities zijn veranderd?” en HR zegt: “De toon is te streng, dit past niet bij ons beleid.” De output is niet per se fout, maar niet controleerbaar en niet afgestemd op succescriteria die in een bedrijf belangrijk zijn.

Dat is precies waar vibecoding (snel in een flow iets maken met AI) in organisaties vaak botst met realiteit: er zijn stakeholders, compliance, reputatierisico’s en herbruikbaarheid. Een prompt is dan niet “een vraag”, maar een specificatie die bepaalt of je output bruikbaar, uitlegbaar en veilig is.

In deze les leer je de anatomie van een sterke prompt en de succescriteria waarmee je AI-output kunt beoordelen alsof het een zakelijke deliverable is.

Wat bedoelen we met prompt, context en succescriteria?

Een prompt is alle input die je aan een model geeft om een gewenste output te krijgen: instructies, gegevens, voorbeelden, stijlregels, en soms ook beperkingen (“gebruik geen persoonsgegevens”). In bedrijfsomgevingen is een prompt nuttig als hij de taak afbakent en de kwaliteitslat expliciet maakt, zodat de output voorspelbaar is.

Context is informatie die het model nodig heeft om het werk goed te doen: doel, doelgroep, organisatie-afspraken, bronmateriaal, definities en randvoorwaarden. Context is krachtig, maar ook risicovol: te weinig context geeft generieke output, te veel context kan leiden tot datalekken of het onbedoeld delen van interne details.

Succescriteria zijn meetbare of observeerbare kenmerken van een “goede” output. Denk aan: klopt het juridisch, past het bij tone-of-voice, is het compleet, is het controleerbaar, is het veilig? In een bedrijf is “klinkt goed” zelden genoeg; je wilt criteria die iemand anders ook kan toetsen.

Een bruikbare analogie: zie een prompt als een creative brief + quality checklist. Hoe beter je brief (wat moet er komen en voor wie), en hoe duidelijker je checklist (waaraan moet het voldoen), hoe kleiner de kans op mooie maar onbruikbare tekst.

De anatomie van een sterke prompt (en waarom elk onderdeel telt)

Een sterke prompt bestaat meestal uit bouwstenen. Je hoeft niet altijd alles te gebruiken, maar je wilt weten welke knop je aan het draaien bent. Onderstaande vergelijking helpt om “vibing” om te zetten in iets dat reproduceerbaar is.

Bouwsteen Wat het is Waarom het werkt in bedrijven Veelgemaakte fout
Rol / expertise Je benoemt welke pet het model opzet (bv. “HR-adviseur”, “security officer”). Dwingt een perspectief af: andere prioriteiten, andere taal, andere risico’s. Handig wanneer meerdere stakeholders meelezen. Te breed (“je bent een expert”) of een rol die niet past bij de taak, waardoor de output overtuigend maar misleidend wordt.
Doel & doelgroep Wat wil je bereiken en voor wie is het bedoeld? Voorkomt generieke output; maakt tone-of-voice en detailniveau toetsbaar. Alleen “maak het beter” zonder doel (informeren? overtuigen? instrueren?) waardoor je geen kwaliteitslat hebt.
Input / bronmateriaal De tekst, data of bullets waarop het model moet baseren. Verhoogt consistentie en reduceert hallucinatie: het model heeft “iets om op te leunen”. Bronmateriaal dumpen zonder te zeggen wat leidend is, of zonder te markeren wat niet mag veranderen.
Constraints (randvoorwaarden) Wat mag niet, wat moet wel (lengte, terminologie, compliance, privacy). Dit is waar bedrijfsrealiteit zit: beleid, wetgeving, merkrichtlijnen, geheimhouding. Constraints impliciet laten en achteraf mopperen dat het niet klopt (“maar dat hadden ze toch kunnen weten?”).
Outputformat Vorm: tabel, bullets, e-mail, policy, stappenplan, met kopjes. Maakt review sneller en hergebruik makkelijker (bijv. direct in Confluence/SharePoint). Format niet specificeren en dan een muur van tekst krijgen die niemand wil reviewen.
Kwaliteitscriteria Waar moet het aan voldoen? (checklist/acceptatiecriteria) Maakt “goed” objectiever; helpt bij consistent toezicht en auditing. Alleen stijlcriteria noemen (“professioneel”), maar geen inhoudelijke criteria (“vermeld scope, uitzonderingen, definities”).

De kern is dat deze bouwstenen verschillende failure modes oplossen. Rol stuurt perspectief; doel/doelgroep stuurt relevantie; bronmateriaal stuurt feitelijkheid; constraints sturen risico; format stuurt werkbaarheid; kwaliteitscriteria sturen toetsbaarheid. Als je één bouwsteen weglaat, is dat soms prima—maar dan weet je ook welk risico je accepteert.

Een belangrijke nuance: meer tekst in je prompt is niet automatisch beter. Extra woorden helpen alleen als ze informatief zijn (definities, beslisregels, voorbeelden) en niet vooral vaag (“maak het geweldig”). In organisaties is “vaag” een multiplier van misalignment: teams gaan elk vanuit hun eigen assumpties reviewen.

Typische misvatting: “Als ik maar genoeg context geef, komt het goed.” In werkelijkheid kan te veel context juist leiden tot verouderde details, onbedoelde beleidsclaims, of het verwerken van informatie die je niet had mogen delen. Sterke prompts zijn dus niet per se lang, maar gericht: ze bevatten precies genoeg om de output op rails te zetten.

Succescriteria die je echt kunt gebruiken: kwaliteit, veiligheid en herhaalbaarheid

Succescriteria krijgen pas waarde als ze concreet zijn en passen bij bedrijfsprocessen. “Goed geschreven” is subjectief; “maximaal 180 woorden, bevat 3 bullets met acties, verwijst niet naar interne systemen” is toetsbaar. In AI-werk is het nuttig om succescriteria in drie lagen te zien: outputkwaliteit, risico/veiligheid, en operationaliseerbaarheid.

Dimensie Wat je beoordeelt Voorbeelden van concrete succescriteria Wat er misgaat als je dit overslaat
Kwaliteit & juistheid Klopt het, is het volledig, is het consistent met bron/beleid? “Gebruik definities uit het beleid woordelijk”, “Noem uitzonderingen”, “Maak aannames expliciet”, “Geen nieuwe feiten toevoegen zonder markering.” Output klinkt plausibel maar introduceert stille wijzigingen of ‘fantasie-feiten’, waardoor je onbedoeld beleid verandert.
Geschiktheid voor doelgroep Past toon, jargon en detailniveau bij de lezer? “MBO-niveau, korte zinnen”, “Vermijd vakjargon”, “Gebruik onze tone-of-voice: vriendelijk maar direct.” Mensen begrijpen het niet of voelen weerstand, waardoor adoptie daalt en je extra communicatie nodig hebt.
Veiligheid & compliance Geen gevoelige info, geen verboden claims, geen privacy-issues. “Geen persoonsgegevens”, “Geen klantnamen”, “Geen security details”, “Volg interne classificatie: alleen ‘intern’.” Datalekken, reputatieschade, of output die niet door Legal/IT goedgekeurd wordt.
Herbruikbaarheid & onderhoud Kan iemand dit later opnieuw doen of updaten? “Gebruik vaste kopjes”, “Verwijs naar beleid paragraaf X”, “Geef output in templatevorm.” Eenmalig stukje tekst zonder traceerbaarheid; teams moeten telkens opnieuw beginnen.

Deze criteria werken het best als je ze in je prompt zet als acceptatiecriteria. Dan stuur je niet alleen wat het model moet maken, maar ook hoe je ‘klaar’ definieert. Dat verlaagt de reviewlast: reviewers kunnen afvinken in plaats van discussiëren op gevoel.

Een veelvoorkomende valkuil is succescriteria verwarren met “extra instructies”. Succescriteria zijn geen nieuwe taak (“voeg ook een training toe”), maar eisen waaraan de output moet voldoen. Ze horen daarom dicht tegen risico’s en kwaliteitsnoodzaak aan te zitten. Als je merkt dat je steeds extra werk “erbij vraagt”, is de taak waarschijnlijk te breed geformuleerd.

Nog een misvatting: “Het model checkt zichzelf wel.” Zelf-evaluatie kan helpen, maar is niet hetzelfde als onafhankelijke verificatie. In bedrijfscontext wil je prompts die output opleveren die makkelijk te controleren is: met bronverwijzingen, met expliciete aannames, met duidelijke structuur. Dat is betrouwbaarder dan een model dat zegt “ik denk dat dit klopt”.

[[flowchart-placeholder]]

Twee bedrijfsvoorbeelden: van vibe naar verifieerbaar

Voorbeeld 1: HR herschrijft een thuiswerkbeleid zonder stille beleidswijzigingen

Een HR-adviseur wil een bestaand thuiswerkbeleid begrijpelijker maken voor medewerkers. De “vibe”-prompt is vaak: “Herschrijf dit beleid in duidelijke taal.” Het risico: het model maakt het soepeler, strenger, of anders—en niemand ziet precies wat er veranderde. In beleidsteksten is dat gevaarlijk, omdat woorden als “mag”, “kan”, “moet” juridische en organisatorische implicaties hebben.

Een sterke aanpak begint met prompt-anatomie: je zet doel/doelgroep neer (“medewerkers, helder en vriendelijk”), je plakt de bron (huidige tekst), en je voegt constraints toe (“betekenis mag niet veranderen”, “modale werkwoorden behouden”, “geen nieuwe regels toevoegen”). Daarna voeg je succescriteria toe die review helpen: “Markeer onduidelijke passages als vragen”, “Lever ook een lijst met wijzigingen: alleen redactioneel vs. inhoudelijk.” Dat maakt de output niet alleen beter leesbaar, maar vooral auditbaar.

Stap voor stap in de praktijk ziet de impact er zo uit. HR krijgt een versie met vaste kopjes (scope, definities, regels, uitzonderingen, contactpunt) waardoor managers sneller kunnen scannen. Legal kan veranderingen beoordelen via de wijzigingslijst: als er inhoudelijke wijzigingen zijn, komen die expliciet naar boven in plaats van verstopt in nette zinnen. De beperking is dat AI nog steeds nuance kan verschuiven bij parafrases; daarom is de succescriteria-set belangrijk: die dwingt het model om voorzichtig te zijn en onzekerheid te markeren. Het resultaat is een document dat sneller door de organisatie gaat, met minder “rondjes” tussen HR en Legal.

Voorbeeld 2: Sales maakt klant-e-mails met strakke compliance en merktoon

Een sales-team wil met AI sneller follow-up e-mails schrijven na een demo. De verleiding is groot om allerlei klantdetails in de prompt te dumpen (“Ze gebruiken systeem X, hebben probleem Y, contactpersoon Z…”). Maar in veel organisaties geldt: deel geen persoonsgegevens met externe AI-tools, en wees voorzichtig met prijsafspraken, interne roadmap, of security-claims.

Een prompt met goede anatomie begint daarom anders: doel (“korte follow-up met duidelijke next step”), doelgroep (“drukke IT-manager”), en constraints (geen persoonsgegevens, geen specifieke security-toezeggingen, geen absolute claims zoals ‘100% veilig’). Vervolgens definieer je succescriteria die direct aansluiten op commerciële en juridische risico’s: “Max 120 woorden”, “1 duidelijke call-to-action”, “Geen beloften over levertijd tenzij expliciet gegeven”, “Gebruik ons merk-idioom: nuchter, geen hype.” Je kunt ook het outputformat strak maken: onderwerpregel + 3 alinea’s + PS-optie.

In de workflow helpt dit op meerdere manieren. Marketing herkent de toon en hoeft minder te corrigeren; Legal ziet minder risicovolle taal; en sales kan sneller varianten genereren zonder elke keer opnieuw te stoeien met structuur. De beperking blijft dat context-arm werken soms te generiek voelt. Dat los je niet op door meer gevoelige context te delen, maar door niet-gevoelige context slim te geven: sector, rol van ontvanger, doel van meeting, en gewenste next step. Je output is dan consistent én veilig genoeg om in een bedrijfsomgeving te gebruiken.

Wat je vanaf nu standaard meeneemt in je prompts

Een prompt werkt het best als hij twee dingen tegelijk doet: richting geven (wat moet er komen) en review vergemakkelijken (waaraan moet het voldoen). De anatomie-bouwstenen helpen je bewust sturen op perspectief, relevantie, risico en format. Succescriteria maken “goed” concreet en zorgen dat AI-output zich gedraagt als een zakelijke deliverable in plaats van een leuke tekstsuggestie.

In de volgende les, zul je dit verder uitbouwen met Context packaging zonder oversharing [20 minutes].

Laatste wijziging: donderdag, 4 juni 2026, 11:37