1. home
  2. nieuws

Wat is er overgebleven van prompt-engineering in 2026?

Gepost op: 27-05-2026 om 14:38

We hebben drie jaar prompt-tips zien komen en gaan. Wat werkt nu nog, en wat is achterhaalde folklore? Een eerlijke balans, met de drie populairste tricks die niet meer werken en vier technieken die wel blijven.

We hebben drie jaar prompt-tips zien komen en gaan. Wat werkt nu nog, en wat is achterhaalde folklore?

Drie jaar prompts, en wat ervan overblijft

In december 2023 ontdekte een programmeur dat ChatGPT langere antwoorden gaf als je een fooi beloofde. In november 2023 toonde Google DeepMind dat AI-modellen gevoelig waren voor "menselijke aanmoediging" als prompt-stijl. Beide ontdekkingen werden destijds gretig opgepikt en verspreid als praktische prompt-tips. Anno 2026 werken ze geen van beide nog.

Tussen 2023 en nu is de generatie taalmodellen waarmee we werken doorgegaan van GPT-3.5 en GPT-4 naar GPT-4 Turbo, GPT-4o, de o-series en GPT-5-tier; van Claude 2 naar Claude 3.5 en Claude 4; en met serieuze open-source-instappers van DeepSeek, Mistral en Meta. Elke generatie modellen heeft op deze prompt-curiosa training gehad. Wat in 2023 een viral truc was, is in 2026 weg-getrained, of gewoon irrelevant geworden omdat de modellen onderliggend beter zijn gaan begrijpen wat ze gevraagd wordt.

Tijd voor een eerlijke balans in drie delen. Wat is folklore geworden, wat blijft staan, en wat is er nieuw te zien bij de mensen die er dagelijks mee werken.

Drie technieken die zijn afgevallen

Fooi-prompts. Het experiment van Theia Vogel in 2023 is op moderne modellen niet meer reproduceerbaar. Bieden van een fictieve fooi van 200 dollar levert geen meetbaar verschil meer op in antwoord-lengte of kwaliteit. We hebben ons artikel van december 2023 inmiddels van een historische noot voorzien.

Menselijke aanmoedigingen ("take a deep breath"). Het OPRO-paper van Google DeepMind beschreef in 2023 dat 2023-modellen scherper rekenden met aanmoedigende prompt-toevoegingen. Het paper blijft historisch interessant; de praktische tip werkt niet meer. Zie ook onze update bij dat artikel.

Schreeuwen of overdreven beleefdheid. Variaties op "doe je best", emoji-ladders en HOOFDLETTERS-instructies leverden in 2023 soms verschil op. Vandaag is dat verschil ofwel weg-getrained, ofwel overschreeuwd door het feit dat moderne modellen sowieso al beleefd, helder en accuraat antwoorden zonder dat je ze daartoe moet bewegen.

De rode draad: deze tricks waren oppervlakte-trucs op een onderliggende kwetsbaarheid die inmiddels is gepatcht.

Vier technieken die wel zijn gebleven

Duidelijke instructie boven beleefde uitnodiging. "Schrijf een marketing-mail van 200 woorden voor doelgroep X met toon Y" werkt beter dan "Zou je misschien een marketing-mail willen schrijven voor X?". Dat was in 2023 al zo en is in 2026 niet anders. Wat veranderd is, is dat de afwijking kleiner is geworden. Een beleefde uitnodiging werkt ook redelijk goed nu. Maar duidelijke instructie blijft de voorspelbare optie.

Voorbeelden geven (few-shot). Twee of drie voorbeelden van wat je verwacht, voor de echte vraag, blijven het krachtigste enkele aanpassingsmiddel. Modellen zijn semantisch geworden in hoe ze met voorbeelden omgaan: ze hoeven niet meer letterlijk te imiteren, ze pakken de structuur en passen die toe. In de Ai-Toolbox merken we dit als de techniek die het verschil maakt tussen "OK"-output en consistent-bruikbare output.

Context-blokken. Modellen zijn beter geworden in het vasthouden en gebruiken van grote contexten. Moderne context-windows zijn 200k+ tokens. Dat betekent dat je in 2026 meer relevante achtergrondinformatie kunt meegeven dan ooit, en dat het model die ook daadwerkelijk benut. Bedrijfsspecifieke documentatie, klant-data, eerdere voorbeelden: alles wat het model nodig heeft om jouw werk te begrijpen, hoort in de prompt.

Iteratie. Geen prompt is goed bij de eerste poging. Wat in 2023 een tip was ("verfijn je prompt op basis van wat eruit komt"), is in 2026 de werkwijze. De Ai-Toolbox is precies daarvoor gebouwd: prompt-templates die je incrementeel verbetert op basis van wat je in de praktijk ziet, in plaats van eenmalige losse instructies.

Wat nu bij experts speelt

Naast wat blijft en wat valt is er een derde laag. De discussie die op dit moment in de prompt-engineering-praktijk plaatsvindt gaat niet over kleine trucjes maar over architectuur-keuzes. Drie thema's domineren.

Reasoning-modellen of snelle modellen: kiezen, niet automatiseren. Sinds OpenAI's o-series en Anthropic's reasoning-modus van Claude is er een aparte modus voor "denken voor antwoord". Maar het is geen vervanging voor alles. Op taken met 5 of meer redeneer-stappen winnen reasoning-modellen substantieel; cijfers uit prompting-gidsen wijzen op circa 16% beter resultaat op wiskunde-achtige problemen. Op taken met minder dan 5 stappen verdwijnt dat voordeel naar minder dan 3%, en op werkelijk eenvoudige taken doen reasoning-modellen het in een meetbaar aantal gevallen slechter omdat ze over-denken. De praktische regel die zich uitkristalliseert: reasoning als de planner aan het begin of de synthesizer aan het einde, snelle modellen voor het tussenwerk. En de prompt-stijl verschilt opvallend. Een reasoning-model is als een senior collega die je een doel geeft en laat uitvogelen; een snel model is een junior die werkt op precieze instructies.

Lange contexten of RAG: het is geen wedstrijd meer. Modellen met 1 miljoen tokens context of meer zijn standaard in 2026. Veel teams stelden de vraag: kunnen we nu eindelijk RAG (retrieval-augmented generation) weggooien? Het antwoord uit de praktijk is nee. Long-context wint bij single-document multi-hop, bijvoorbeeld "vind tegenstrijdigheden in deze 50 juridische clausules". RAG wint bij grote of frequent wisselende corpora waar je niet alles in een prompt wilt proppen. Het "lost in the middle"-fenomeen, modellen die de middelste delen van een lange prompt minder goed wegen, blijft bestaan, ook bij de nieuwste generaties. De architectuur die zich uitkristalliseert is hybride: long-context voor full-document-redenering, RAG voor selectieve retrieval, en een enterprise context layer die bepaalt wat waarin terechtkomt.

Agentic patterns als nieuwe baseline. Het ReAct-patroon, waarin het model redeneert, een tool aanroept en redeneert op het resultaat, is in 2026 geen experiment meer maar de basis-architectuur van bijna elke serieuze AI-toepassing. Vier patronen domineren: tool use, reflection (model controleert eigen werk), planning (taak in subdoelen breken) en multi-agent collaboration. Frameworks als LangGraph zijn productie-stabiel geworden. De waarschuwing uit de productie-praktijk: agent-loops kosten latency en tokens. Doe het alleen als de taak het rechtvaardigt. Voor een single-prompt-taak blijft een single prompt sneller en goedkoper.

Wat het betekent

Prompt-engineering in 2026 is rustiger dan in 2023. Minder hype, minder folklore-tips, meer aandacht voor wat structureel werkt. Voor wie AI in een organisatie inzet is dat goed nieuws: het patroon "prompt-bouwen + voorbeelden + context + iteratie" is een werkwijze, geen verzameling losse trucs. Daar kun je een team in trainen, een proces omheen bouwen en op vertrouwen.

Voor wie nog volgens 2023-richtlijnen werkt, is dit het moment om bij te werken. De fooi-belofte werkt niet meer.

Lees meer over hoe we deze werkwijze in onze Ai-Toolbox hebben verwerkt, of neem contact op voor een demo.

Verder lezen (mei 2026):