Ik ben maar een mens van vlees en bloed. En net als ieder ander maak ik me schuldig aan zo ongeveer alle luie technieken die de wereld te bieden heeft. Als je dit leest, waarschijnlijk jij ook.
En daar is op zichzelf niks mis mee. Waarom zou je iets moeilijk doen als het makkelijker kan?
Dat is eigenlijk precies hoe ik steeds beter ben geworden in het gebruiken van AI. Door meer AI te gebruiken.
Klinkt simpel. Is het ergens ook.
Hoe het begon
Ik zag steeds vaker hoe professionals AI inzetten. Van complexe workflows tot complete softwareprojecten. Soms was één niche YouTube-filmpje al genoeg om me weer op een nieuw idee te brengen.
Wat mij opviel, was dat het verschil niet altijd zat in welk AI-model iemand gebruikte, maar vooral in wat diegene aan het model vroeg en hoe die vraag werd gesteld.
En toen dacht ik: wat geef ik AI eigenlijk zelf?
Input. Tekst.
Dat is letterlijk het belangrijkste waar ik zelf invloed op heb. Waarom zou ik dat dan niet gewoon overoptimaliseren?
Dus begon ik met prompt engineering.
Niet door direct een enorme masterprompt te schrijven, maar door AI te vragen om mij te leren hoe ik betere prompts kon maken.
Ik maakte een soort professor/docent AI Agent. Zijn opdracht was simpel: leer mij hoe prompt engineering werkt, geef me opdrachten en beoordeel mijn antwoorden.
En daar kwam toch een hele hoop meer bij kijken dan ik dacht.
Dingen die je denkt te begrijpen
Een van de eerste lessen ging over aannames.
AI kan ontzettend veel, maar het maakt ook aannames op plekken waar jij misschien helemaal geen aannames ziet.
Stel dat je een fitnessapplicatie ontwikkelt. Je geeft AI de opdracht om een atleet automatisch sterker te laten worden op basis van zijn vorige trainingen.
Klinkt duidelijk, toch?
Maar wat betekent sterker worden?
Misschien bedoel jij dat iemand bij dezelfde oefening van 60 naar 65 kilogram gaat. AI kan daarentegen ook denken aan meer herhalingen, meer sets, een hoger trainingsvolume of een compleet andere vorm van progressie.
En afhankelijk van welk model je gebruikt, krijg je natuurlijk weer andere interpretaties.
Hetzelfde geldt voor acceptatiecriteria.
Je schrijft bijvoorbeeld:
De gebruiker moet zijn ingevulde gegevens kunnen opslaan.
Prima acceptatiecriterium, zou je denken.
Maar wanneer worden die gegevens opgeslagen? Bij iedere stap? Alleen na het klikken op een knop? Blijven de gegevens bestaan als de gebruiker teruggaat naar een vorige stap? En wat gebeurt er als het opslaan mislukt?
Ineens is dat ene acceptatiecriterium helemaal niet zo duidelijk meer.
Dat soort lessen kreeg ik aan de lopende band. Over context, rollen, constraints, verificatie, het beschermen van bestaande functionaliteit en vooral het expliciet maken van dingen waarvan je zelf dacht dat ze vanzelfsprekend waren.
Ontzettend leerzaam.
Maar ook ontzettend veel.
Drie dagen later
Daar zat ik dan. Met mijn AI-professor, oefeningen, beoordelingen en een hele lijst principes die ik moest leren toepassen.
Veel proberen. Veel fouten maken. Opnieuw schrijven. Opnieuw beoordelen.
En drie dagen later was er alweer een nieuw AI-model uit.
Dat zette me aan het denken.
Ik was ontzettend veel tijd aan het investeren in iets wat zich sneller ontwikkelde dan ik kon bijhouden.
Natuurlijk is begrijpen hoe AI werkt belangrijk. Maar moest ik nou echt zelf iedere keer die perfecte prompt kunnen schrijven?
Of kon ik AI niet gewoon gebruiken om dat voor me te doen?
De oplossing was eigenlijk precies hetzelfde als het probleem: meer AI gebruiken.
Mijn eigen Prompt Engineer Agent
Dus veranderde ik mijn aanpak.
In plaats van iedere prompt zelf helemaal uit te werken, begon ik een gespecialiseerde Prompt Engineer Agent te bouwen.
Ik wilde simpelweg kunnen uitleggen wat ik nodig had, in mijn eigen woorden, en dat de agent daar vervolgens een goed gestructureerde prompt van maakte.
Maar dan niet eentje die alleen mooi klinkt.
Eentje die rekening houdt met de context, duidelijk maakt wat er onderzocht moet worden, geen onnodige aannames doet en expliciet aangeeft wat de AI wel en niet mag veranderen.
De eerste versie was natuurlijk niet perfect.
Dus begon het refinen.
En daar kwam een techniek bij kijken die ik ook steeds vaker bij professionals zag terugkomen: laat AI zijn eigen werk beoordelen, of laat een andere AI dat doen.
Het principe is simpel.
Je geeft een agent een opdracht. Vervolgens laat je het resultaat kritisch beoordelen op vooraf vastgestelde criteria. En dan geef je hem een doel.
Bijvoorbeeld een 8,5. Of een 9.
Niet zomaar “maak dit beter”, maar:
Beoordeel deze agent op duidelijkheid, betrouwbaarheid, omgang met aannames, verificatie en praktische bruikbaarheid. Geef per onderdeel een cijfer, identificeer concrete tekortkomingen en verbeter de agent totdat deze volgens dezelfde beoordelingscriteria minimaal een 9 scoort.
Vervolgens laat je hem verschillende casussen doorlopen.
Een simpele vraag. Een complex softwareprobleem. Een situatie met conflicterende requirements. Een opdracht waarin bestaande functionaliteit absoluut niet kapot mag gaan.
Wat gaat goed? Wat gaat fout? Welke instructies ontbreken? Welke zijn juist overbodig?
Aanpassen. Testen. Beoordelen. Opnieuw.
Dat is refinen.
En het mooie is dat je de AI zelf een groot deel van dit proces kunt laten uitvoeren.
Natuurlijk is een cijfer dat AI zichzelf geeft geen objectief kwaliteitsbewijs. Een agent kan zichzelf ook gewoon te hoog beoordelen. Daarom zijn verschillende testcasussen, concrete beoordelingscriteria en uiteindelijk je eigen oordeel belangrijk.
Maar als manier om tekortkomingen te ontdekken en je agent steeds verder aan te scherpen? Voor mij werkte het ontzettend goed.
Van een simpele prompt naar een 9,79
Na heel wat iteraties begon mijn Prompt Engineer steeds beter te worden.
Hij leerde niet letterlijk zoals een mens, maar zijn instructies werden steeds verder verfijnd op basis van de resultaten die ik terugkreeg.
Ik testte hem met allerlei situaties. Van eenvoudige prompts tot complexe softwarecasussen waarin meerdere AI-agents tegenstrijdige oplossingen voorstelden.
En uiteindelijk kreeg mijn Prompt Engineer een 9,79 in mijn eigen beoordelingsproces.
Op basis van allerlei casussen, criteria en tests. De vele chats die daarvoor nodig waren, zal ik je besparen.
Maar het resultaat was precies wat ik wilde.
Waar ik eerst zelf zat te worstelen met het schrijven van de juiste promptstructuur, kon ik nu gewoon in mijn eigen woorden vertellen wat ik nodig had.
Mijn Prompt Engineer deed de rest.
En natuurlijk controleer ik nog steeds of het resultaat klopt. Maar het verschil in de manier waarop ik werk is enorm.
Ik ben van zelf proberen iedere goede prompt te schrijven gegaan naar het ontwikkelen van een agent die mij helpt om dat structureel beter te doen.
Wat je hier zelf mee kunt
Het leuke is dat je hier helemaal geen ingewikkelde infrastructuur voor nodig hebt.
Je kunt vandaag nog beginnen.
Pak een taak die je regelmatig met AI uitvoert. Schrijf op wat je verwacht en laat AI daar een eerste gespecialiseerde prompt voor maken.
Laat vervolgens dezelfde of een andere AI die prompt beoordelen. Niet alleen op hoe mooi hij geschreven is, maar vooral op hoe goed hij werkt in verschillende situaties.
Geef hem concrete testcasussen. Vraag wat ontbreekt. Laat hem de prompt verbeteren en test de nieuwe versie opnieuw.
En misschien wel het belangrijkste: accepteer niet automatisch dat een hoger cijfer ook een betere agent betekent. Kijk of de resultaten in de praktijk daadwerkelijk verbeteren.
Zo werk je iteratief naar iets toe dat niet alleen handig is voor één vraag, maar voor tientallen toekomstige vragen.
Dat is voor mij de echte kracht van het refinen van agents.
En nu?
Twee jaar geleden had ik me niet kunnen voorstellen dat AI op deze manier iets kon neerzetten.
En nu heb ik mijn eigen Prompt Engineer. Een agent die ik zelf heb opgebouwd, getest en verfijnd tot iets wat ontzettend goed aansluit op mijn manier van werken.
Is hij daadwerkelijk perfect? Waarschijnlijk niet.
Maar voor mij komt hij op dit moment aardig in de buurt.
Waar de toekomst ons naartoe leidt? Ik heb geen idee.
Maar als we gewoon in de prompt zetten dat de toekomst minimaal een 9 moet scoren, dan heb ik er alle vertrouwen in.