Promptgids per model: hoe je Claude, Gemini en ChatGPT verschillend benadert

Dit artikel valt binnen Module 2 — Een model gebruiken van het educatieve platform. Waar de eerste module stilstaat bij het verwerken van individuele tokens en de achterliggende wiskunde van transformatornetwerken, richten we ons in deze fase op de praktische besturing van draaiende taalmodellen. Het formuleren van een effectieve opdracht lijkt op het eerste gezicht universeel, maar de leidende AI-modellen reageren in de praktijk sterk verschillend op dezelfde tekstinvoer.

De noodzaak van een modelspecifieke aanpak

Het idee dat één universele prompt naadloos werkt op Anthropic Claude, Google Gemini en OpenAI ChatGPT is een hardnekkige misvatting. Hoewel al deze systemen gebaseerd zijn op de transformer-architectuur, verschillen hun verdere trainingstrajecten ingrijpend. De keuzes die gemaakt worden tijdens de uitlijningsfase (alignment), het verwerken van systeem-prompts, de implementatie van versterkend leren en de fijne afstemming op specifieke invoerformaten bepalen hoe gevoelig een model is voor specifieke stuurtechnieken.

Een instructie die bij de GPT-modellen van OpenAI tot een strak en gestructureerd antwoord leidt, kan bij Claude een te voorzichtige of juist overmatig verhalende reactie uitlokken. Gemini daarentegen is vanaf de basis ontworpen voor verwerking van uiteenlopende mediatypen en directe verwevenheid met zoek-ecosystemen, wat vraagt om een specifieke behandeling van contextuele bronnen. Wie de fijnmazige verschillen tussen deze drie modelfamilies begrijpt en benut, behaalt aanzienlijk hogere betrouwbaarheid en precisie in geautomatiseerde workflows.

Anthropic Claude: Systeem-prompts, XML-tags en expliciete kaders

De Claude-modellen van Anthropic (zoals de Claude 3- en 3.5-reeks) onderscheiden zich door een uitstekende verwerking van lange, gestructureerde teksten en een scherp begrip van semantische hiërarchie. Waar andere modellen verward raken door uitgebreide voorschriften, floreert Claude wanneer instructies helder gescheiden worden van gegevens met behulp van XML-tags.

Anthropic traint Claude specifiek om XML-elementen zoals <instructions>, <context>, <example> en <output> te herkennen als harde grenzen. Dit voorkomt dat het model de opdrachten verwart met de meegegeven documenten — een cruciaal voordeel bij complexe analyses of beveiligde verwerking van externe data.

<system>
Je bent een senior data-analist gespecialiseerd in Nederlandse kwartaalrapportages.
</system>

<context>
Hieronder staat het ruwe financieel verslag van het afgelopen boekjaar.
[VOEG TEKST TOE]
</context>

<instructions>
1. Filter alle eenmalige omzetposten uit de analyse.
2. Formuleer de drie grootste operationele risico's.
3. Schrijf de samenvatting in formeel Nederlands.
</instructions>

<output_format>
Presenteer de risico's in een HTML-tabel met kolommen: Risico, Impact, Maatregel.
</output_format>

Een ander kenmerk van Claude is de sterke neiging tot nuance en het vermijden van absolute uitspraken als de data onvolledig is. Als ontwikkelaar moet je bij Claude soms expliciet toestemming geven om een direct oordeel te vellen, of juist strikte restricties instellen om te voorkomen dat het antwoord overmatig voorzichtig wordt ingestoken. Wanneer je grote hoeveelheden achtergrondinformatie meestuurt, is het bovendien raadzaam om de feitelijke brontekst bovenin te plaatsen en de specifieke instructie helemaal onderaan de prompt af te sluiten.

OpenAI ChatGPT: Instructievolgendheid, JSON-modus en rolverdeling

De ChatGPT-familie van OpenAI, aangedreven door modellen zoals GPT-4o en de gespecialiseerde redeneermodellen uit de o-serie, kenmerkt zich door een zeer hoge instructievolgendheid en een gestroomlijnde verwerking van systeem- en gebruikersrollen. OpenAI stelt strenge eisen aan het opvolgen van beperkingen (zoals een maximaal aantal woorden of een verplicht JSON-schema).

Bij het prompten van GPT-modellen werkt het hanteren van een duidelijke roltoewijzing (persona) in de system-prompt bijzonder effectief. Het model gebruikt deze systeeminstructie om de waarschijnlijkheidsverdeling van opvolgende tokens sterk te vernauwen naar het gewenste vakdomein of de gewenste schrijfstijl.

Voor toepassingen waarin gestructureerde data vereist is, biedt OpenAI ondersteuning voor 'Structured Outputs'. In tegenstelling tot reguliere prompts waarin je vraagt om JSON, dwingt de API via grammaticabeperkingen af dat de uitvoer gegarandeerd voldoet aan het meegegeven JSON-schema. Als je echter via de chatinterface of standaard API-prompts werkt, helpt het om expliciete 'few-shot' voorbeelden op te nemen die het exacte invoer- en uitvoerformaat tonen.

Mocht je specifieke prestaties op Nederlandstalige teksten willen vergelijken tussen de grote aanbieders, bekijk dan de Nederlandstalige content vergelijking tussen GPT-4o, Claude en Gemini op de hub. Daar zie je hoe het taalgevoel en de grammatica van de verschillende modelfamilies uitpakken bij complexe schrijfopdrachten.

Google Gemini: Multimodale context, zoekintegratie en grounding

Google Gemini is vanaf het eerste ontwerp opgebouwd als een native multimodal model. Dit betekent dat tekst, afbeeldingen, audio en video via dezelfde interne representaties verwerkt worden. Waar andere modellen visuele data vertalen via een afzonderlijke visiemodule vóór verwerking, verwerkt Gemini ruimtelijke en visuele relaties rechtstreeks binnen de context.

Een tweede uniek aspect van Gemini is de integratie met 'Google Search grounding'. Wanneer Gemini ingezet wordt met externe zoekfuncties, verandert de dynamiek van de prompt. De prompt moet in dat geval niet alleen de taak omschrijven, maar ook duidelijke criteria meegeven voor wanneer het model externe informatie moet ophalen of juist moet vertrouwen op de meegegeven context.

Gebruik voor het beantwoorden van de onderstaande vraag uitsluitend de meegegeven brondocumenten. 
Indien de informatie niet aanwezig is in de tekst, geef dit expliciet aan en start GEEN externe zoekopdracht.

[DOCUMENT TEKST]

Vraag: Wat zijn de exacte garantieverplichtingen bij schade door overmacht?

Gemini heeft de neiging om antwoorden visueel en aantrekkelijk te structureren, vaak met opmaak in opsommingstekens en koppen. Voor beknopte, feitelijke analyses kan dit tot overbodige opmaak leiden. Het expliciet specificeren dat een antwoord in platte tekst of zonder inleidende beleefdheidsvormen gegenereerd moet worden, is bij Gemini vaker nodig dan bij Claude of GPT-4o.

Systematische vergelijking van de drie modelfamilies

Om te bepalen welk model het beste past bij jouw specifieke toepassing, is het nuttig om de stuurmechanismen en eigenschappen naast elkaar te zetten. Onderstaande tabel geeft een overzicht van de optimale aansturing per modelfamilie.

Systeem-prompts en roltoewijzing: Waar elk model op aanslaat

Het toewijzen van een specifieke rol of 'persona' verandert het gedrag van een taalmodel ingrijpend. De manier waarop deze rol wordt verwerkt verschilt echter sterk tussen de aanbieders.

Bij OpenAI modellen werkt een roldefinitie het beste wanneer deze beschrijft *hoe* het model moet denken en welke *beperkingen* het heeft. Een prompt zoals "Je bent een deskundige jurist" is vaak te vrijblijvend. Beter is: "Je bent een juridisch adviseur die contracten controleert op Nederlandse wetgeving. Je geeft alleen antwoord op basis van het Burgerlijk Wetboek en noemt bij elk oordeel het toepasselijke artikel."

Bij Claude werkt een roldefinitie optimaal als deze gecombineerd wordt met voorbeelden van gewenste reflectie. Claude gebruikt de rol om de toon en het dieptekader vast te stellen, maar heeft sturing nodig om te voorkomen dat het model een te uitgebreide beschouwing geeft van alle mogelijke randgevallen.

Bij Gemini is het raadzaam de rolomschrijving te koppelen aan een duidelijke doelgroep. Geef expliciet aan voor wie het antwoord bedoeld is (bijvoorbeeld: "Leg dit uit aan een junior software engineer zonder ervaring met distributed systems"). Gemini past zijn vocabulaire en voorbeelden hierop verrassend effectief aan.

Ketenredenering: Chain-of-Thought per model sturen

Chain-of-Thought (CoT) is het expliciet laten tussenstappen van een redenering voordat het finale antwoord gegeven wordt. Bij standaardmodellen verhoogt dit de nauwkeurigheid bij rekenkundige of logische taken aanzienlijk. Wel verschilt de manier waarop je dit activeert per model.

Voor Claude bereik je het beste resultaat door het model te vragen zijn redenering binnen specifieke XML-tags te plaatsen, zoals <thinking>...</thinking>, voordat het eindantwoord in <answer>...</answer> getoond wordt. Dit maakt het verwerken van de uitvoer in software-toepassingen eenvoudig, omdat je de tussenstappen gemakkelijk kunt wegfilteren voor de eindgebruiker.

Bij de nieuwste redeneermodellen van OpenAI (zoals de o1- en o3-serie) is het handmatig toevoegen van "Denk stap voor stap" in de prompt vaak overbodig of werkt het zelfs averechts. Deze modellen hebben immers een ingebouwd redeneermechanisme dat automatisch extra rekenstappen verwerkt vóór het genereren van tokens. Bij reguliere modellen zoals GPT-4o blijft het handmatig afdwingen van tussenstappen daarentegen een krachtige methode om redeneerfouten te voorkomen.

Wanneer een model feitelijk onjuiste details verzint, helpt het overzicht over hallucinaties bij AI-modellen om de oorzaken van gefabriceerde antwoorden te herkennen en via gerichte redeneerstappen op te lossen.

Contextbeheer bij extreem lange documenten

Met de komst van contextvensters van honderden kilobyte tot zelfs meerdere megabytes is het mogelijk geworden om volledige boeken, codebases of dossierverzamelingen in één prompt mee te sturen. De manier waarop modellen deze informatie verwerken is echter niet overal gelijk.

Het fenomeen waarbij een model informatie in het midden van een grote hoeveelheid tekst 'over het hoofd ziet' (het zogenaamde 'needle in a haystack' probleem) treedt bij elk model in meer of mindere mate op. Om dit risico te minimaliseren hanteren we de volgende vuistregels per model:

• Claude: Plaats alle brondocumenten bovenaan in de prompt, bij voorkeur gescheiden met duidelijke tags (bijvoorbeeld <document_1>). Sluit de prompt pas af met de specifieke vraag of instructie.
• ChatGPT: Zorg bij grote teksten voor duidelijke sectiekoppen in Markdown. Indien de tekst heel lang is, helpt het om de kerninstructie zowel aan het begin als aan het einde van de prompt kort te herhalen.
• Gemini: Profiteert van een duidelijke inhoudsopgave of een overzicht van de structuur voorafgaand aan de lange tekst. Geef specifiek aan op welke hoofdstukken of paragrafen het model zich moet richten.

Voor ontwikkelaars die grotere hoeveelheden documenten meegeven is de analyse over context-engineering en vensterbeheer essentieel voor het behoud van relevante informatie binnen complexe applicaties.

Meten van effectiviteit en iteratief testen van je prompts

Het optimaliseren van een prompt voor een specifiek model is een empirisch proces. Wat op het oog een kleine aanpassing in de zinsbouw lijkt, kan een significante stijging of daling in de nauwkeurigheid veroorzaken. Om te bepalen of een aanpassing daadwerkelijk een verbetering oplevert, is een gestructureerde testmethode noodzakelijk.

Het testen van opdrachten omvat de volgende stappen:

1. Stel een vaste benchmark-set samen: Verzamel minimaal 20 tot 50 representatieve invoervoorbeelden met bijbehorende gewenste uitkomsten (ground truth).
2. Isoleer variabelen: Pas slechts één onderdeel van de prompt tegelijk aan (bijvoorbeeld het veranderen van de roltoewijzing of het toevoegen van een XML-structuur).
3. Fixeer sampling-parameters: Zorg dat de temperature en top_p gedurende de vergelijkingstest identiek blijven om willekeur in de gegenereerde uitkomst uit te sluiten.
4. Beoordeel de uitvoer objectief: Gebruik automatische evaluatiescripts of geautomatiseerde beoordelingsmodellen (LLM-as-a-judge) om de uitvoer te toetsen op nauwkeurigheid en formaatvastheid.

Voor wie exact wil afstellen hoe creatief of strikt de antwoorden gegenereerd worden, biedt de gids over sampling-parameters en temperature de benodigde technische verdieping om variatie in testresultaten onder controle te houden.

Om de kwaliteit van je aangepaste opdrachten kwantitatief te toetsen, kun je de methodiek voor A/B-testen van prompts toepassen binnen je testomgeving. Hiermee vervang je buikgevoel door harde statistische cijfers over modelprestaties.

Veelgemaakte fouten bij modeloverschrijdend prompten

In de praktijk zien we regelmatig patronen die tot verminderde prestaties of onvoorspelbaar gedrag leiden wanneer prompts van het ene naar het andere model worden overgezet. De meest voorkomende valkuilen zijn:

1. Over-engineering bij redeneermodellen: Het toevoegen van uitgebreide Chain-of-Thought instructies aan modellen die al intern redeneren. Dit leidt tot dubbele verwerkingstijd, hogere tokenkosten en soms zelfs tot verwarring bij het model.

2. Blinde overname van XML-tags naar modellen die hier niet op getraind zijn: Hoewel GPT-4o XML-tags begrijpt, kent het model er niet dezelfde strikte hieïrarchische betekenis aan toe als Claude. Vertrouw bij OpenAI primair op heldere Markdown-kopteksten en duidelijke instructies.

3. Vage negatieve instructies: Zeggen wat een model *niet* mag doen ("Gebruik geen vakjargon") werkt bij alle drie de modellen minder goed dan zeggen wat het *wel* moet doen ("Gebruik begrijpelijke taal geschikt voor middelbare scholieren"). Negatieve instructies vereisen een extra logische stap die de waarschijnlijkheid van fouten vergroot.

4. Het negeren van systeemrollen: Alle instructies los in de gebruikersprompt dumpen in plaats van gebruik te maken van het system-veld. Dit vermindert de consistentie van de gewenste persona, met name tijdens langere gespreksverlopen.

Conclusie en praktische aanbevelingen

Het effectief aansturen van taalmodellen vereist een adaptieve aanpak. Anthropic Claude uitblinken laat zien bij het gebruik van XML-tags en een heldere scheiding van context en opdrachten. OpenAI ChatGPT vraagt om strakke roltoewijzingen en gestructureerde schema's voor betrouwbare integratie. Google Gemini floreert wanneer multimodale invoer en zoekfuncties met duidelijke afkadering worden aangeboden.

Door je prompts af te stemmen op de specifieke kenmerken van elk model, voorkom je niet alleen hallucinaties en foutieve opmaak, maar haal je ook het maximale rendement uit de ingezette AI-infrastructuur.