Prompt chaining: waarom je AI beter in stapjes laat werken

Je vraagt ChatGPT in één prompt om "een complete nieuwsbrief met onderwerpregel, intro, drie voordelen, een quote en een call-to-action". Het antwoord dat terugkomt oogt op het eerste gezicht prima, maar bij nader lezen is de intro generiek, missen de voordelen scherpte en past de call-to-action niet bij de toon van de rest. Je gaat zelf aan de slag om alles recht te breien en vraagt je af waarom het model dat niet gewoon in één keer goed doet.

Dat komt doordat je eigenlijk één medewerker vijf verschillende klussen tegelijk op het bureau legt: bedenk de invalshoek, schrijf de intro, verzin de voordelen, vind een passende quote, en rond af met een overtuigende call-to-action. Handiger is een lopende band: bij het eerste bureau wordt alleen de invalshoek bedacht en gecontroleerd, pas daarna gaat het werk door naar het volgende bureau voor de intro, dan naar het volgende voor de voordelen. Elke medewerker doet één ding, en doet dat goed, voordat het werk doorschuift.

Die lopende band met AI heeft een naam: prompt chaining. Je knipt een grote taak op in een reeks kleinere prompts, waarbij de uitkomst van de ene stap de input is van de volgende.

Zodra je doorhebt dat een medewerker, of een AI-model, niet vijf taken tegelijk goed uitvoert, snap je meteen waarom die ene megaprompt zo vaak een oppervlakkig resultaat geeft: het model probeert overal een beetje aandacht aan te geven in plaats van ergens volledig. Je snapt ook waarom een fout er zomaar doorheen sluipt: er is nergens een natuurlijk moment om in te grijpen voordat het eindresultaat er al staat.

Door de taak in een keten te knippen win je op twee fronten. Je krijgt betere kwaliteit, omdat het model per stap maar één ding hoeft te doen. En je bespaart tijd en frustratie, omdat je een fout meteen ziet in de stap waarin die ontstaat, in plaats van achteraf alles te moeten herschrijven.

• Ondernemer (MKB): je wilt een nieuwsbrief over een nieuwe dienst. Laat eerst drie invalshoeken bedenken, kies de beste, en werk pas dan de tekst uit.
• Office/administratie: je stelt een offerte op. Laat eerst de klantvraag samenvatten, dan een oplossing schetsen, en pas daarna de offertetekst schrijven.
• Verkoop: je wilt een lead benaderen. Laat eerst een leadprofiel opstellen en gebruik dat profiel pas daarna als basis voor een outreach-mail.
• Corporate teams (manager, HR, marketing, IT): de manager laat een lang rapport eerst samenvatten en pas dan naar actiepunten vertalen, HR zet een vacaturetekst eerst om in functie-eisen en dan pas in sollicitatievragen, marketing bouwt eerst een contentkalender en schrijft pas daarna de losse briefings, en IT zet een requirement eerst om in user stories en dan pas in een testplan.

1. Bepaal het einddoel: wat moet er aan het eind van de keten liggen (een tekst, een plan, een besluit)?
2. Knip de taak op in logische deelstappen die elk één duidelijk resultaat opleveren.
3. Schrijf voor stap 1 een prompt die alleen die eerste deeltaak oplost, niets meer.
4. Controleer de output van stap 1 voordat je verdergaat. Klopt het? Zo niet, herschrijf de prompt.
5. Gebruik de output van stap 1 als input voor de prompt van stap 2.
6. Herhaal dit voor elke volgende stap, en check telkens tussentijds.
7. Voeg in de laatste stap een prompt toe die alles samenvoegt tot het eindresultaat.
8. Bewaar de keten (als document of los bestand) zodat je hem later opnieuw kunt gebruiken voor een vergelijkbare taak.

Een trainingsbureau wil een nieuwsbrief schrijven over een nieuwe cursus. Eerst probeert de schrijver het in één prompt, compleet met onderwerpregel, intro, drie voordelen, een quote en een call-to-action. Het resultaat leest vlot, maar de invalshoek is generiek en de voordelen lijken uit een willekeurige folder geplukt.

Dan knipt ze de taak op: eerst drie mogelijke invalshoeken laten bedenken en de beste kiezen, dan op basis daarvan een onderwerpregel en intro laten schrijven, dan de drie voordelen laten uitwerken, en tot slot alles laten samenvoegen tot een vloeiende nieuwsbrief. Het resultaat is scherper en consistenter, met hetzelfde model en dezelfde brontekst.

• Gebruik dit morgen bij het schrijven van een offerte: laat eerst de klantvraag samenvatten, dan een oplossing schetsen, dan pas de offertetekst opstellen.
• Gebruik dit morgen bij een functioneringsgesprek: laat eerst input (notities, doelen) samenvatten, dan een gespreksstructuur opstellen, dan pas de volledige voorbereiding uitschrijven.
• Gebruik dit morgen bij een vergaderverslag: laat eerst de ruwe notities ordenen per onderwerp, dan pas actiepunten en besluiten eruit filteren.
• Gebruik dit morgen bij een projectplan: laat eerst de scope samenvatten, dan risico's benoemen, dan pas een tijdlijn met mijlpalen opstellen.

Alle modellen (ChatGPT, Claude, Gemini, Copilot)

Stap 1, invalshoeken bedenken:

Ik wil een [tekst/e-mail/artikel] schrijven over [onderwerp].
Bedenk drie verschillende invalshoeken, elk in twee zinnen.
Geef geen uitgewerkte tekst, alleen de invalshoeken.

Stap 2, structuur opzetten op basis van de gekozen invalshoek:

Dit is de invalshoek die ik kies: [plak invalshoek uit stap 1].
Maak op basis hiervan een puntsgewijze structuur voor de tekst:
titel, opening, kernpunten, afsluiting. Nog geen lopende tekst.

Stap 3, volledige tekst uitwerken:

Werk de volgende structuur uit tot een lopende, samenhangende tekst
van ongeveer [aantal] woorden. Schrijf in de toon: [omschrijving toon].
Structuur: [plak structuur uit stap 2].

• Alles in één megaprompt proppen "om tijd te besparen", waardoor het model stappen overslaat of door elkaar haalt.
• Tussenresultaten niet controleren voordat je verdergaat, waardoor een fout in stap 1 doorsijpelt naar alle volgende stappen.
• Te veel stappen maken voor een simpele taak, wat onnodig tijd kost.
• Vergeten om context uit een eerdere stap mee te geven, waardoor het model "vergeet" waar de keten over ging.
• Geen vaste volgorde aanhouden, waardoor de keten bij hergebruik niet meer reproduceerbaar is.

• Houd elke stap in de keten klein en enkelvoudig: één taak, één output.
• Controleer en corrigeer elke tussenstap voordat je doorgaat naar de volgende.
• Bewaar goed werkende ketens als sjabloon, zodat je ze kunt hergebruiken voor vergelijkbare taken.
• Geef in elke volgende prompt expliciet mee welke output uit de vorige stap relevant is, in plaats van te vertrouwen op wat het model "onthoudt".
• Gebruik chaining vooral bij taken die meerdere denkstappen vereisen (analyseren, dan structureren, dan schrijven); voor simpele, enkelvoudige vragen is één prompt vaak sneller.

Kies een taak die je deze week toch al moet doen (een e-mail, een verslag, een planning) en knip die op in minimaal drie stappen. Voer de keten uit in ChatGPT, Claude of Gemini: schrijf per stap een aparte prompt, controleer de output, en gebruik die als input voor de volgende stap. Vergelijk aan het eind het resultaat met wat je zou hebben gekregen bij één enkele prompt met alle instructies tegelijk.