Mythes & antipatronen

Het onderzoek ondersteunt geen beleefdheidsbonus. Een crosslinguïstische studie vond dat onbeleefde prompts vaak wél schaden, maar dat extra beleefdheid geen gegarandeerde winst geeft, en dat het optimum per taal verschilt. Een vervolgstudie uit 2025 naar meerkeuzenauwkeurigheid vond het omgekeerde van de volkswijsheid: zeer beleefde prompts scoorden 80,8% tegen 84,8% voor zeer onbeleefde. Geen van beide is een reden om onbeleefd te zijn — de eerlijke conclusie is dat beleefdheid een klein, inconsistent effect heeft, en dat duidelijkheid de variabele is die echt verschil maakt.

Rollen werken, en elke grote leverancier documenteert ze. Superlatieven zijn het deel dat niet werkt. "Wereldklasse" en "bekroond" bevatten geen informatie waar een model iets mee kan — ze noemen geen vakgebied, niveau, publiek of randvoorwaarde. Anthropic omschrijft een bruikbare rol als vertellen waar het model verantwoordelijk voor is. Vergelijk "een wereldberoemde copywriter" met "een copywriter die onboarding-mails schrijft voor mensen die al betaald hebben en nu in de war zijn": maar één daarvan verandert ook maar één woord van de uitvoer.

Dit is de duidelijkste omkering in de huidige leveranciersrichtlijnen. OpenAI documenteert dat het verwijderen van herhaalde instructies en dubbele voorbeelden zowel prestaties als efficiëntie verbetert, en noemt een concrete faalmodus: het herhalen van regels als "vraag eerst", "wijzig niets" of "wacht op goedkeuring" leidt ertoe dat het model onnodige goedkeuringsverzoeken doet. Herhaling verdringt bovendien de instructies die maar één keer stonden.

In 2022 uitstekend advies; nu grotendeels uitgewerkt. Huidige frontier-modellen redeneren standaard intern. Onafhankelijk onderzoek vond dat de nauwkeurigheidswinst van expliciet stapsgewijs prompten bij redeneermodellen hooguit klein is, terwijl het 20–80% responstijd toevoegt, en onderzoek in het medische domein vond dat chain-of-thought veel antwoorden veranderde en er meer schaadde dan hielp. Google raadt aan de prompt te vereenvoudigen en thinking_level te verhogen in plaats van zelf het redeneren te ontwerpen.

Prompts met beloningen of druk verspreidden zich op basis van anekdotische tests uit 2023 en staan in de promptdocumentatie van geen enkele aanbieder op deze site. Google gaat verder en raadt overtuigende taal expliciet af: noem het doel gewoon. Wil je meer inspanning, dan is er een gedocumenteerde manier om erom te vragen: Anthropic raadt aan het direct te zeggen — vraag om de grondige versie in plaats van te hopen dat het model urgentie afleidt uit een verzonnen belang.

Lengte is niet de variabele; specificiteit wel. OpenAI stelt dat kortere, duidelijkere instructies bij zijn huidige modellen vaak beter presteren en dat ze minder steigerwerk nodig hebben dan oudere. Google vraagt om bondige invoerprompts. Anthropic vraagt om duidelijke en directe. Een lange prompt faalt op twee manieren tegelijk: hij begraaft de instructies die ertoe doen tussen instructies die dat niet doen, en hij bevat meestal tegenstrijdigheden die je niet ziet omdat je ze tien regels uit elkaar schreef.

Een prompt met zes eindproducten krijgt een verdeeld antwoord: elk onderdeel krijgt een zesde van de aandacht en niets is af. Het maakt diagnose ook onmogelijk, want één zwakke sectie dwingt je alles opnieuw te draaien. Anthropic documenteert het aaneenschakelen van complexe prompts als alternatief, en het is een van de weinige technieken die kwaliteit én foutopsporing tegelijk verbetert.

Toonbijvoeglijke naamwoorden zijn het minst betrouwbare deel van de meeste prompts, omdat ze iets anders betekenen voor het model, voor jou, en voor de collega die het concept beoordeelt. OpenAI’s huidige richtlijn is expliciet: vervang vage omschrijvingen door concrete schrijfkeuzes — of je antwoorden direct geeft, wanneer je een probleem erkent, wat je met slagen om de arm doet.

Vloeiendheid en juistheid komen uit hetzelfde mechanisme en hangen niet samen zoals een menselijke lezer aanneemt. Een model noemt een verzonnen wetsartikel, een verkeerd cijfer of een niet-bestaande bron in precies hetzelfde register als een correct antwoord. Daarom eindigt CLEAR op Reflectief, heeft GCSE een bronveld, en documenteert elke leverancier grounding-technieken. Behandel stellige uitvoer over feiten, recht, geneeskunde, geld of personen als een concept om te verifiëren, nooit als een antwoord.

Wat een model zegt over zijn eigen versie, kennisdatum, contextvenster of mogelijkheden is gegenereerde tekst als alle andere, en klopt vaak niet — een model kan een eerdere of latere datum noemen dan de echte, of functies beschrijven die het niet heeft. Anthropic behandelt dit expliciet onder het kopje model self-knowledge. De documentatie van de leverancier is de bron; het model is geen bron over zichzelf.