Stop met prompten alsof het 2025 is: bouw eerst je AI-werkmap

Het echte probleem is niet je prompt

Veel AI-gebruikers blijven hangen in hetzelfde patroon: ze openen een nieuwe chat, schrijven een lange prompt, plakken wat losse context en hopen dat het model de bedoeling begrijpt. Voor een korte tekst, een brainstorm of een eenvoudige samenvatting werkt dat vaak prima. Maar zodra de taak bestaat uit meerdere documenten, klantnotities, spreadsheets, eerdere besluiten en kwaliteitscriteria, wordt een losse prompt een zwakke basis.

De fout zit dan meestal niet in één verkeerd geformuleerde zin. Het probleem is dat de AI moet werken met rommelige context. Een deel staat in je hoofd, een deel in oude chats, een deel in bestandsnamen die je zelf niet meer scherp hebt, en een deel in documenten die nooit tegelijk zijn aangeboden. Dan kun je blijven sleutelen aan prompt templates, maar je lost het fundament niet op.

De volwassen AI-gebruiker wordt daarom minder een promptkunstenaar en meer een contextregisseur. Prompt engineering blijft nuttig, vooral bij afgebakende one-off taken. Maar bij serieus werk verschuift de hefboom naar de voorbereiding: welk materiaal krijgt het model, in welke structuur, met welke taakgrenzen en met welke definitie van goed werk?

Van losse chat naar AI-werkmap

Een AI-werkmap is een lokale folder waarin je alle relevante context voor één taak samenbrengt. Denk aan bronbestanden, notities, ruwe input, voorbeeldoutput, besliscriteria, tone-of-voice afspraken, constraints en eventueel een apart instructiedocument. In plaats van één gigantische prompt te bouwen, ontwerp je een kleine werkomgeving waarin de AI kan rondkijken.

Dat klinkt minder spectaculair dan een geheime promptformule, maar het is vaak precies wat complexe taken nodig hebben. Tools die goed met bestanden en folderstructuren kunnen werken, kunnen verbanden leggen tussen documenten, instructies en outputbestanden. Daardoor wordt het werk minder afhankelijk van wat je in één chatvenster hebt geplakt.

Een simpele structuur kan al genoeg zijn. Maak bijvoorbeeld een map met vijf onderdelen: 01-bronnen, 02-instructies, 03-voorbeelden, 04-output en 05-review. In de bronmap zet je de documenten die echt nodig zijn. In instructies zet je de opdracht, randvoorwaarden en definities. In voorbeelden plaats je eerdere goede output. In output laat je de AI werken. In review zet je de checklist waarmee jij het resultaat controleert.

Waarom contextregie beter past bij agentisch werk

Agentische AI-tools zijn niet alleen vraag-en-antwoordmachines. Ze kunnen taken opdelen, bestanden lezen, concepten maken, code aanpassen of meerdere stappen achter elkaar uitvoeren. Juist daarom is de vergelijking met een junior collega nuttiger dan de vergelijking met een zoekmachine. Je geeft een junior collega ook niet één losse zin en daarna volledige vrijheid. Je geeft context, voorbeelden, grenzen en een manier om kwaliteit te toetsen.

Daar zit ook de waarschuwing. Delegeren is niet hetzelfde als verlaten. Als jij een AI-tool toegang geeft tot een map met klantdata, strategische documenten of financiële informatie, blijf jij verantwoordelijk voor de selectie van data, de veiligheid van de omgeving en de controle van het eindresultaat. Gebruik geen gevoelige bestanden in tools of omgevingen waarvan je de toegangsrechten, opslag of dataverwerking niet begrijpt.

Contextregie maakt agentisch werk niet foutloos, maar wel beter bestuurbaar. Je ziet welke input is gebruikt. Je kunt instructies apart verbeteren. Je kunt output naast je reviewcriteria leggen. En je kunt dezelfde werkmap later opnieuw gebruiken of uitbreiden, zonder dat alle kennis opgesloten zit in een oude chatgeschiedenis.

De nieuwe volgorde: eerst taakvorm, dan uitvoering

De belangrijkste verschuiving is dat je niet meteen vraagt om uitvoering. Begin met co-scoping: laat de AI eerst helpen om de taak scherp te krijgen. Vraag welke informatie ontbreekt, welke aannames riskant zijn, welke deelstappen logisch zijn en hoe goed resultaat beoordeeld moet worden. Pas daarna laat je de tool uitvoeren.

Een praktische startprompt kan zijn: ‘Bekijk de bestanden in deze werkmap. Voer de taak nog niet uit. Formuleer eerst welke context relevant is, welke vragen nog openstaan, welke risico’s je ziet en welke succescriteria we moeten gebruiken.’ Daarmee voorkom je dat de AI te snel een richting kiest op basis van halve informatie.

Daarna kun je de opdracht aanscherpen: ‘Gebruik alleen de documenten in 01-bronnen en de regels in 02-instructies. Maak een voorstel voor de taakaanpak. Geef aan welke onderdelen je wel en niet zeker weet. Wacht op akkoord voordat je de definitieve output maakt.’ Deze volgorde voelt trager, maar voorkomt vaak reparatiewerk achteraf.

Concreet voorbeeld: een klantanalyse uit meerdere bestanden

Stel dat je een klantanalyse wilt maken voor een B2B-bedrijf dat meer leads uit de website wil halen. Normaal zou je misschien een prompt schrijven met een paar bullets over doelgroep, aanbod en huidige problemen. Met een AI-werkmap pak je het anders aan.

In 01-bronnen zet je bijvoorbeeld de websiteteksten, export van formulierinzendingen, notities uit salesgesprekken, een overzicht van diensten en een spreadsheet met campagnes. In 02-instructies zet je het doel: analyseer waar bezoekers afhaken, welke bezwaren terugkomen en welke funnelkansen realistisch zijn. In 03-voorbeelden zet je eventueel een eerdere analyse waarvan de structuur goed werkte.

De eerste opdracht is niet: ‘Maak een klantanalyse.’ De eerste opdracht is: ‘Lees de werkmap en geef aan welke bestanden waarschijnlijk bepalend zijn voor de analyse, welke informatie ontbreekt en welke vijf vragen we moeten beantwoorden voordat we conclusies trekken.’ Daarna laat je de AI een analyseopzet maken. Pas als die opzet klopt, vraag je om de volledige uitwerking.

De review blijft menselijk. Controleer of de AI geen claims doet die niet in de bestanden staan. Check of commerciële conclusies aansluiten op echte klantinput. Kijk of aanbevelingen uitvoerbaar zijn binnen budget, teamcapaciteit en bestaande systemen. Zo gebruik je AI als versneller, niet als black box.

Bouw minder prompts, bouw betere context

De reflex om steeds betere prompts te zoeken is begrijpelijk. Een goede prompt kan veel verschil maken. Maar bij complex werk is de vraag niet alleen wat je tegen AI zegt. De vraag is welke werkomgeving je voor AI bouwt. Als de context verspreid, onvolledig of onveilig is, wordt zelfs een nette prompt kwetsbaar.

Begin daarom klein. Kies één terugkerende taak die nu vaak rommelig verloopt: een klantanalyse, strategiebrief, productdocument, contentplan of interne procesbeschrijving. Maak daarvoor één werkmap. Verzamel alleen de relevante bestanden. Schrijf één instructiedocument. Definieer drie tot zeven succescriteria. Laat AI eerst vragen stellen en pas daarna uitvoeren.

Dat is minder spannend dan de nieuwste prompt-hack, maar veel bruikbaarder voor professionals die betrouwbare output willen. De toekomst van AI-werk zit niet alleen in slimmere modellen. Ze zit ook in betere operators: mensen die context kunnen ordenen, taken kunnen afbakenen en kwaliteit niet uit handen geven.