Bewijsgerichte prompts: minder hallucinaties door eerst context te controleren
Een AI-antwoord kan overtuigend klinken en toch slecht onderbouwd zijn. Dat risico wordt groter wanneer je prompt vraagt om feiten, vergelijkingen of conclusies zonder te zeggen welke bron, datum of context gebruikt moet worden. Daarom werken bewijsgerichte prompts anders: ze vragen niet alleen om een antwoord, maar ook om de basis waarop dat antwoord rust.
Onderzoek naar retrieval augmented generation laat zien dat externe context kan helpen om hallucinaties te verminderen, vooral bij gestructureerde of domeinspecifieke output. Tegelijk is ophalen van informatie geen wondermiddel. Als de context niet genoeg is, verkeerd geselecteerd wordt of niet goed in de prompt staat, blijft het antwoord kwetsbaar.
Voor praktische prompts gebruiken we daarom drie regels. Eerst: vraag om de ontbrekende informatie voordat het model conclusies trekt. Tweede: laat het model onderscheid maken tussen gegeven feiten, aannames en onzekerheden. Derde: vraag om een korte controlelijst waarmee jij het antwoord kunt nalopen.
Een zwakke prompt is: “Vergelijk deze drie opties en kies de beste.” Een sterkere prompt is: “Vergelijk deze drie opties op prijs, risico, tijd en geschiktheid voor een klein team. Gebruik alleen de informatie die ik hieronder geef. Als informatie ontbreekt, zet die in een aparte lijst en trek daar geen harde conclusie uit.”
Een tweede voordeel is dat je gesprek met AI rustiger wordt. In plaats van achteraf fouten zoeken, dwing je vooraf af dat het model aangeeft wat het wel en niet weet. Dat maakt de output bruikbaarder voor mensen die snel moeten beslissen maar geen bronloze zekerheid willen.
Deze manier van werken is vooral nuttig bij onderzoek, offertes, productvergelijkingen, juridische samenvattingen, medische teksten en financiële onderwerpen. Voor zulke onderwerpen moet je extra voorzichtig blijven: AI kan helpen structureren, maar hoort geen professioneel oordeel te vervangen.
Test je eigen opdracht met de hallucinatie-risico checker. Gebruik daarna de prompt checker om te zien of je prompt genoeg context, outputvorm en controlepunten bevat.
Bronnen
- OpenAI Academy: Prompting fundamentals
- OpenAI: prompt engineering best practices
- Anthropic: prompts structureren met XML-tags
- The Prompt Report: survey van promptingtechnieken
- Systematic Survey of Prompt Engineering in LLMs
- POSIX: Prompt Sensitivity Index
- Premise Order Matters in Reasoning with LLMs
- Reducing hallucination in structured outputs via RAG
- Google Search Central: helpful, reliable content