Van zoekopdracht naar prompt: het raamwerk dat in twee uur te leren is

De meeste artsen die ik met AI zie werken, gebruiken het als zoekmachine. Er gaat een zoekopdracht in — "behandeling spasticiteit na CVA" — en er komt een antwoord uit dat net zo goed uit een willekeurig leerboek had kunnen komen. Generiek, en zelden bruikbaar voor de situatie waarin je het nodig had. De conclusie is dan snel getrokken: aardig speelgoed, maar niets voor mijn werk.

Die conclusie is begrijpelijk, en volgens mij onjuist. Het probleem zit meestal niet in het model, maar in de vraag.

Vier velden vóór je iets vraagt

Het afgelopen jaar gaf ik onze aios revalidatiegeneeskunde een workshopserie over praktisch AI-gebruik in de kliniek. De kern is een eenvoudig raamwerk, RTCF: vier velden die je invult vóór je iets aan een taalmodel vraagt.

Rol — wie moet de AI zijn? Een klinisch epidemioloog leest een artikel anders dan een voorlichter die op B1-niveau schrijft. Kies een expert met het juiste niveau en de juiste toon.

Taak — wat moet er gebeuren, in één sturend werkwoord: leg uit, vergelijk, beoordeel kritisch, vat samen, herschrijf, overhoor mij. Niet "vertel iets over".

Context — wat moet de AI weten? Voor wie het is, welk niveau, welke setting, welke bron, wat je al weet en wat je wilt vermijden. Dit veld slaat vrijwel iedereen over, en juist hier zit het verschil tussen een generiek en een bruikbaar antwoord.

Format — hoe ziet het antwoord eruit? Lengte, structuur, toon. Hier hoort ook de veiligheidsinstructie: markeer wat onzeker is, werk alleen met de aangeleverde bron, geen patiëntgegevens.

Wat dat oplevert

Een voorbeeld uit de opleidingspraktijk. De zoekopdracht-versie: "maak toetsvragen over dwarslaesie". Het resultaat is een rijtje weetjesvragen waar niemand iets aan heeft.

De RTCF-versie:

Je bent opleider revalidatiegeneeskunde. Overhoor mij over de neurologische niveaubepaling bij dwarslaesie. Ik ben derdejaars aios en bereid een referaat voor; stel één vraag tegelijk, wacht op mijn antwoord en word per vraag iets moeilijker. Geef na elk antwoord kort feedback en markeer wat je niet zeker weet.

Dat is geen andere technologie. Het is dezelfde chatbox met een betere vraag, en het levert een overhoring op maat op in plaats van een quizje.

Hetzelfde patroon werkt voor onderwijs voorbereiden, teksten herschrijven naar een ander niveau, of een aangeleverd artikel kritisch laten samenvatten. Steeds geldt: hoe specifieker de context, hoe minder generiek het antwoord.

Veilig werken is onderdeel van de prompt

Wat er níet in gaat is minstens zo belangrijk als wat erin gaat. Drie regels die wij hanteren, en die in het Format-veld van elke prompt thuishoren:

• Geen patiëntgegevens in publieke AI-tools. Ook niet "geanonimiseerd" — een casus met datum, leeftijd en aandoening is snel herleidbaar.
• Veranker aan een bron. Laat het model werken met het artikel of de richtlijn die jíj aanlevert, in plaats van met wat het zich meent te herinneren.
• Laat de AI markeren wat ontbreekt of onzeker is. Een model dat hardop twijfelt is bruikbaarder dan een model dat stellig gokt.

De invulprompt

Zo gebruiken wij hem in de workshops:

Geen tijd voor het volledige raamwerk? Drie reflexen geven het grootste deel van de winst:

1. Zeg voor wie het is — rol en doelgroep bepalen niveau en toon.
2. Zeg vorm en lengte — tabel of stappen? Hoeveel woorden?
3. Zeg wat je níet wilt — grenzen, veiligheid, geen cijfers verzinnen.

Twee uur

Toen ik hiermee begon verwachtte ik dat het weken zou kosten om een groep dit aan te leren. In de praktijk bleek twee uur oefenen op eigen casuïstiek genoeg: aan het eind van één sessie schrijft vrijwel iedereen prompts die ze de week erna nog gebruiken. De winst zit niet in de techniek, maar in de gewoonte om die vier velden even langs te lopen voordat je op enter drukt.