Als je een vraag stelt aan een AI zoals ChatGPT, krijg je vaak een kant-en-klaar antwoord. Dat antwoord kan goed zijn, maar soms ook slordig of zelfs fout, vooral als het gaat om logica, rekenen of feitelijke details. De reden is dat het model dan in één keer naar de uitkomst springt, zonder de tussenstappen te laten zien. Er is een eenvoudige manier om dit te verbeteren: vraag het model om zijn werk te laten zien. Deze techniek heet ‘chain-of-thought prompting’.

Het idee is simpel en herkenbaar voor iedereen die ooit wiskunde heeft gehad. Je krijgt meer punten als je de berekening opschrijft dan wanneer je alleen het antwoord geeft. Op dezelfde manier presteert een AI beter als je het vraagt zijn redenering stap voor stap uit te schrijven. Je forceert het model om niet te gokken, maar om logisch na te denken over het probleem. Dit leidt tot nauwkeurigere, beter onderbouwde en vaak creatievere uitkomsten.

Wat is chain-of-thought prompting?

Chain-of-thought prompting is geen nieuwe tool of software, maar een manier van formuleren. In plaats van een directe vraag te stellen, bouw je een opdracht die het model uitnodigt om te redeneren. Een klassiek voorbeeld is een rekenkundig probleem. De vraag “Hoeveel is 18% van 350?” kan een fout antwoord opleveren. Een betere prompt is: “Kun je stap voor stap berekenen wat 18% van 350 is? Laat je berekening zien.” Het model zal dan uitleggen dat 10% gelijk is aan 35, 8% is 28, en dat de som 35 + 28 = 63 is. Door de stappen te controleren, kun je de logica volgen en eventuele fouten eerder spotten.

De kracht van deze methode gaat veel verder dan rekenen. Het is toepasbaar op elke taak waarbij logica, analyse of creatief denken een rol speelt. Het dwingt de AI om zijn ‘gedachten’ te ordenen, wat resulteert in een hogere kwaliteit van output. Het is een fundamentele shift van het vragen naar een eindproduct naar het vragen naar een denkproces.

Hoe kun je dit vandaag toepassen?

De praktische toepassing van chain-of-thought prompting hangt volledig af van jouw dagelijkse werk. Het gaat erom dat je jouw prompts herformuleert om het redeneerproces van de AI te activeren. Hier zijn enkele inspiratievoorbeelden voor verschillende rollen.

Als je salesrapporten moet analyseren… Je zou de AI niet alleen kunnen vragen om trends te identificeren, maar ook om de logica achter die trends te verklaren. Een prompt zou kunnen zijn: “Ik heb een dataset met maandelijkse verkopen per productlijn. Analyseer de top 3 stijgers en dalers van het afgelopen kwartaal. Voor elk product: beschrijf eerst welke factoren volgens jou de verandering kunnen verklaren (zoals seizoen, campagne of prijswijziging) en trek dan pas je conclusie.” Dit leidt tot een analyse die je kunt controleren en die aanknopingspunten biedt voor actie.

Als je klantenservice-e-mails beantwoordt over een complex probleem… In plaats van te vragen “Schrijf een antwoord aan een klant wiens bestelling vertraagd is”, kun je de AI vragen de situatie eerst te evalueren. Een mogelijke prompt is: “Een klant mailt dat zijn pakket al 5 dagen ‘in behandeling’ staat. Bedenk eerst welke vragen we intern moeten stellen om de oorzaak te vinden (bv. voorraad, koerier, betaling). Schrijf dan een empathisch, transparant antwoord dat deze stappen communiceert en een realistisch tijdspad geeft.” Het resultaat is een zorgvuldiger en helpender antwoord.

Als je content zoals blogposts of social media-plannen maakt… Vraag de AI niet direct om een lijst met onderwerpen. Je zou kunnen zeggen: “Onze doelgroep zijn kleine retail-ondernemers. Denk stap voor stap na: wat zijn hun grootste pijnpunten in Q4? Welke informatie zou voor hen het meest waardevol zijn? Gebaseerd op die redenering, genereer dan 5 concrete blog-ideeën.” De gegenereerde ideeën zullen beter aansluiten bij de behoeften van je publiek omdat ze voortkomen uit een logische analyse.

Als je processen of workflows wilt optimaliseren… Wanneer je een AI vraagt om een proces te verbeteren, kan het een vage suggestie geven. Een betere aanpak is om het denkwerk uit te besteden. Overweeg een prompt als: “Beschrijf het huidige proces voor het onboarden van een nieuwe freelancer: van contract tot eerste betaling. Identificeer vervolgens stap voor stap de knelpunten waar vertraging optreedt. Tot slot, geef voor elk knelpunt een praktische oplossing.” Dit levert een gestructureerd en actiegericht plan op.

Als je strategische beslissingen moet ondersteunen met data… Stel, je overweegt een nieuwe dienst te lanceren. Je zou de AI kunnen instrueren: “We overwegen een basis-abonnement aan te bieden naast ons premium-pakket. Analyseer eerst de potentiële voordelen (bv. lagere drempel, groter bereik) en risico’s (bv. cannibalisatie, supportkosten) stap voor stap. Gebruik deze analyse om een aanbeveling te formuleren met drie opties.” De AI bouwt zo een onderbouwde redenering op, die je als basis voor discussie kunt gebruiken.

De kern is om de AI te behandelen als een collega aan wie je vraagt: “Hoe kom je daar?” Door het redeneerproces zichtbaar te maken, verhoog je niet alleen de kwaliteit van het antwoord, maar krijg je ook inzicht in de logica. Dit maakt AI een krachtiger en betrouwbaarder partner voor complexe zakelijke taken.

Bron: Zapier