Waarom AI-cursussen de promptformule leren maar nooit hoe je een mislukte prompt repareert

Kort: de promptformule — rol, taak, context, formaat — is gratis. Elke video van tien minuten geeft hem je cadeau. De ellende begint één stap later: je schreef de prompt volgens het boekje, drukte op verzenden, en het antwoord kwam als pap terug. Vanaf dat punt legt niemand je nog iets uit. Je herschrijft op goed geluk tot iets je bevalt. Dat is geen vaardigheid, dat is een loterij. Hieronder staat een methode: benoem het symptoom, stel een diagnose, doe precies één aanpassing, vergelijk. En de volgorde waarin je graaft: context → taak → formaat → rol. De prompts in dit artikel zijn echt: druk op “Uitvoeren” en zie het verschil met eigen ogen.

Wat er mis is met de formule

De formule liegt niet tegen je. Rol, taak, context en formaat zijn echt de vier knoppen waarmee je een antwoord vormt. De basis behandelen we in wat een prompt is en hoe je er een schrijft, en die heb je nodig. Alleen beantwoordt de formule één vraag: hoe schrijf ik een prompt vanaf nul? In echt werk schrijf je bijna nooit vanaf nul. Je zit voor een prompt die alle regels al volgt en die tóch rommel opleverde.

Hier zwijgt de formule. Ze zegt niet welke van de vier knoppen de schuldige is. Ze zegt niet of je aan één moet draaien of aan alle vier. Ze zegt niet hoe je weet of het nieuwe antwoord beter is of gewoon anders. De formule is een bouwtekening. Wat je nodig hebt, is een reparatiehandleiding.

Het is het verschil tussen “hier is het schema van de motor” en “de auto start niet — waar kijk je als eerste?”. Het eerste leer je op één avond. Het tweede is een vak. En dat tweede ontbreekt vrijwel volledig op de opleidingsmarkt.

Cursisten vragen hier letterlijk om

Op 17 juli 2026 haalden we data op bij Udemy (via de interne API achter hun cursuspagina's) en van de reviewpagina's van Coursera. We lazen bewust de minderheid: de mensen die lage cijfers gaven. De dichtste kluwen klachten bleek te zitten bij cursussen die prompt engineering letterlijk in de titel voeren. Mensen kwamen voor de vaardigheid op het etiket en kregen die niet. Letterlijk, met auteurs en sterren:

“There is nothing teached about creating a good prompt. It is just an overview of types of prompts” — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

“No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.” — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

“i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts” — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

“Too much background on ChatGPT. Get me to how to prompt GPT” — Mark R., 16.09.2025, 1.5★ (Academind).

Sta even stil bij Bharat Ram A. Hij noemt drie dingen, en het derde is “how to give feedback to AI based on its answers”. Dat is debuggen, in eigen woorden beschreven door iemand die ernaar op zoek ging en met lege handen terugkwam. Manuel L. vraagt om “enhance our current prompts” — dus om iets te repareren dat al geschreven is en slecht werkt. Andere mensen, andere cursussen, hetzelfde gat.

Ernaast staat het citaat dat laat zien wat er gebeurt als er helemaal niets gecontroleerd wordt:

“you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not” — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

En in dezelfde rij: “quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'” — Cory Covino, 04.05.2024, 2★ (IBM). “All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter” — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs formuleert het zonder het te willen het scherpst van allemaal. “You won't have to debug anything” beschrijft een leerproduct waar het debuggen uit weggesneden is. De oefening draait, het voelt als praktijk, en er stond nooit iets op het spel.

Nog één, uit een andere cursus, die de cirkel rond maakt: “Didnt meet expectations, only theory is discussed which we already know” — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). De theorie die iedereen al kent, is de formule. Wat ze niet kennen, is wat te doen als hij faalt.

Waarom het gat bestaat: architectuur, geen luiheid

Het is verleidelijk om luie docenten de schuld te geven. Die verklaring is slechter dan de waarheid. De waarheid is structureel.

Er is precies één manier om een prompt te controleren: hem op een model draaien en naar het antwoord kijken. Een andere bestaat niet — je beoordeelt een prompt niet op het oog, net zomin als je code beoordeelt zonder hem uit te voeren. En een videoplatform heeft geen model in de les zitten. Er is dus niets om mee te controleren. Wat overblijft is een autograder op trefwoorden, en die geeft “100% correct” — precies waar Shinysheep sprakeloos van werd.

Dan volgt het detail dat de kwestie beslecht. De Prompt Engineering Specialization van Vanderbilt vereist een betaald ChatGPT+-abonnement om de opdrachten te maken. De cursus stuurt de cursist naar buiten, naar een ander tabblad, op zoek naar een model. De rekening voor een Coursera-cursist ziet er zo uit: Coursera Plus voor € 50/maand (of € 343/jaar met 14 dagen bedenktijd), plus een modelabonnement — zo'n € 70/maand om video's te kijken en automatisch 100% te krijgen. Over de exacte prijs van dat modelabonnement zijn we eerlijk: we kregen hem niet uit een primaire bron, alle domeinen van OpenAI antwoordden met 403, dus we drukken geen getal af. De € 50 voor Coursera Plus komt van hun eigen pagina.

Zodra het model buiten de cursus woont, ziet de cursus jouw werk niet meer. Hij weet niet welke prompt je schreef, wat er terugkwam of waarom het slecht was. Blind debuggen leren kan niet. Dus leert de cursus de formule — het enige deel dat op een slide past.

En daar komt een klacht vandaan die op het eerste gezicht over iets anders gaat:

“why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02.07.2026, 1★ (Justin Barnett).

“I can do that” is geen oordeel over een slechte spreker. Het is de constatering dat alleen de formule op een slide past. Debuggen past er niet op, want het bestaat uit een levend antwoord dat niemand vooraf kan voorspellen.

Debuggen is diagnosticeren, niet herschrijven

De beginnersreflex ziet er zo uit: antwoord is slecht → hele prompt selecteren → opnieuw schrijven, langer en mooier. Soms helpt het. Waarom het hielp, valt niet te achterhalen, en de volgende keer begin je weer bij nul.

De ingenieursaanpak is anders en bestaat uit vier stappen.

1. Symptoom. Benoem wat er mis is in woorden die je kunt controleren. Niet “slecht”, maar: verzon een feit; negeerde het formaat; te algemeen; papegaaide mijn eigen invoer terug; beantwoordde een andere vraag; viel om op een lange tekst. Zolang het symptoom geen naam heeft, valt er niets te behandelen.
2. Diagnose. Elk symptoom heeft een typische oorzaak. Het is een hypothese, geen vonnis — maar hij zegt waar je als eerste graaft.
3. Eén aanpassing. Verander precies één ding. Eén.
4. Vergelijken. Draai opnieuw en vergelijk met het vorige antwoord volgens je eigen criterium. Niet “vind ik mooier”, maar “is het beter geworden op precies dat wat ik behandelde?”.

Herhaal tot het symptoom weg is. Meestal zijn dat twee of drie rondes, geen twintig.

De regel van de ene schroevendraaier

De meest onderschatte stap is de derde. Verander één ding tegelijk.

Je verandert vijf dingen, het antwoord wordt beter, en je weet niet welke het deed. Erger: misschien waren vier neutraal, was er één ronduit schadelijk, en werd die door de vijfde gecompenseerd. Je sleept het hele pakket mee naar je volgende prompt, schadelijke regel incluis, en een maand later heb je een muur van twee pagina's tekst waarin de helft van de regels tegen je werkt.

Dit is geen uitvinding van ons. Het is de basisregel van elk debuggen — dezelfde als één variabele tegelijk veranderen in een experiment. Alleen is bij tekst de verleiding om aan alle knoppen tegelijk te draaien veel groter, want een aanpassing kost één seconde.

Een bezwaar tegen onszelf. De regel heeft een prijs. Eén aanpassing per ronde is traag, en bij echt werk ga je bochten afsnijden. Het eerlijke compromis: de regel van de ene schroevendraaier geldt zolang je de ziekte nog zoekt. Zodra de diagnose helder is en je alleen nog bijschaaft, pas gerust in bulk aan — het risico is dan klein.

Tweede eerlijkheid: modellen zijn niet deterministisch. Eén run is een steekproef van omvang één. Werd het antwoord beter na jouw aanpassing? Misschien had de aanpassing er niets mee te maken en had je geluk. Daarom verdient een vergelijking minstens drie verschillende invoeren, niet één favoriete.

De volgorde van hypotheses: context → taak → formaat → rol

Zodra het symptoom een naam heeft, is de vraag welke knop je aanraakt. Wij hebben een volgorde, en die is niet willekeurig: vaakste oorzaak eerst, zeldzaamste als laatste; duurste misser eerst, goedkoopste als laatste.

1. Context eerst. De overgrote meerderheid van slechte antwoorden zijn antwoorden op een vraag zonder feiten erin. Het model kent jouw product niet, jouw publiek niet, jouw beperkingen, cijfers, namen en eerdere beslissingen niet. Het vult de leegte met gemiddelde vulling — want gemiddelde vulling is het juiste antwoord op een vraag zonder context. Is het resultaat waterig, algemeen, passend bij iedereen, dan is de context bijna altijd de schuldige, en geen rollenspel geneest dat.
2. Taak als tweede. Controleer of je om één handeling vraagt en niet om drie, en of het werkwoord controleerbaar is. “Analyseer” is geen werkwoord; daar past van alles onder. “Noem vijf risico's, elk op één regel” wel. Beantwoordt het model een andere vraag, of de helft van de jouwe, dan ligt het aan de taak.
3. Formaat als derde. Goedkoop te repareren, en je ziet het resultaat meteen. Klopt de inhoud en de vorm niet, corrigeer dan het formaat en raak verder niets aan. Wat werkt: plak een voorbeeld van de gewenste uitvoer erin, twee of drie regels. Een voorbeeld verslaat een beschrijving altijd.
4. Rol als laatste. De rol verschuift vooral toon en woordkeus. “Je bent een ervaren marketeer” voegt nul feiten over jouw markt toe — het is de ene regel die iedereen als eerste schrijft en die vrijwel niets beslist. Grijp naar de rol als al het andere klopt en je simpelweg de stem niet mooi vindt.

Waarom deze volgorde? Omdat hij volgt hoeveel informatie je toevoegt. Context voegt feiten toe: het maximum. De taak voegt scherpte van doel toe. Het formaat voegt vorm toe. De rol voegt stijl toe. De meeste mensen doen het andersom: eerst eindeloos aan de rol schaven, daarna beledigd zijn over de vulling.

De tabel: symptoom → diagnose → één aanpassing

• Waterig, algemeen, past bij iedereen. Diagnose: geen context. Aanpassing: plak vijf concrete feiten erin — wie het leest, wat het product is, wat de beperking is, één getal, één voorbeeld. Verander verder niets.
• Verzon een feit, een link, een citaat. Diagnose: je vroeg om iets wat het model niet heeft. Aanpassing: zet de data in de prompt, of sta expliciet “ik weet het niet” toe. De regel “heb je de gegevens niet, zeg dat dan — verzin niets” kost bijna niets en vangt veel. Meer hierover in waarom AI-hallucinaties ontstaan.
• Negeerde het formaat. Diagnose: de formaateis verdronk in het midden, of botst met de lengte die je vroeg. Aanpassing: haal het formaat naar een eigen blok aan het eind en toon een voorbeelduitvoer.
• Beantwoordde een andere vraag. Diagnose: twee handelingen in één taak, het model koos er één. Aanpassing: laat één werkwoord staan. De tweede handeling wordt een tweede prompt.
• Papegaaide mijn invoer terug. Diagnose: geen werkwoord van bewerking. “Hier is de tekst, kijk er eens naar” is geen taak. Aanpassing: zeg wat er met de tekst moet gebeuren — inkorten, herstructureren, tegenstrijdigheden zoeken.
• Verkeerde toon, “dit is mijn stem niet”. Diagnose: je beschreef een stijl in plaats van hem te tonen. Aanpassing: plak een eigen alinea erin en vraag om die te raken. “Schrijf vriendelijk maar professioneel” doet niets; een voorbeeld wel.
• Viel om op een lange tekst. Diagnose: de instructie raakte zoek in de data. Aanpassing: scheid met markers (---TEKST--- / ---TAAK---) en herhaal de taak ná de tekst, niet alleen ervoor.
• Te lang, eindeloze inleiding. Diagnose: je hebt het nooit verboden. Aanpassing: één regel — “Geen inleiding, geen slotconclusie. Alleen de lijst”.

Let op: in zes van de acht gevallen is de reparatie geen “prompt herschrijven”, maar één ding toevoegen of verplaatsen.

Zie het zelf: een slechte prompt, één aanpassing, het verschil

Nu het deel dat een videoplatform fysiek niet kan bieden. Elk blok hieronder heeft een knop “Uitvoeren”: druk hier en kijk naar een levend antwoord. De volgorde telt — draai ze achter elkaar en vergelijk.

Stap 1. Draai een bewust slechte prompt

Dit is een echte prompt, geschreven “volgens de formule”: er is een rol, er is een taak, er is beleefdheid. Draai hem en kijk wat er terugkomt. De kans is groot dat je een tekst krijgt die bij elk bedrijf ter wereld zou passen.

Je bent een ervaren marketeer. Schrijf een e-mail aan onze klanten over de lancering van ons nieuwe product. Zorg dat de tekst professioneel, modern en pakkend is.

Waar je op let. Staat er in dat antwoord één bewering die je niet ongewijzigd in de mail van een ander bedrijf zou kunnen zetten? Meestal niet. Symptoom benoemd: vulling. Diagnose volgens onze volgorde: context.

Stap 2. Eén aanpassing — alleen context

Dezelfde taak, dezelfde toon, dezelfde rol. We veranderen precies één ding: we voegen feiten toe. Rol onaangeroerd, formaat onaangeroerd — zodat we eerlijk zien wat context in z'n eentje oplevert.

Je bent een ervaren marketeer. Schrijf een e-mail aan onze klanten over de lancering van ons nieuwe product.
Zorg dat de tekst professioneel, modern en pakkend is.

CONTEXT:
- Product: een dienstrooster voor koffiezaken met 3-15 medewerkers.
- Lezers: eigenaren van koffiezaken die onze voorraadapp al een half jaar
  gebruiken. Ze vertrouwen ons, maar ze zochten geen nieuwe knop.
- Wat nieuw is: roosters worden nu automatisch gemaakt, met de vrije dagen
  die het personeel aanvraagt erin verwerkt. Vroeger zette de eigenaar het
  rooster in een spreadsheet.
- Eerlijke beperking: één vestiging, ketens ondersteunen we nog niet.
- Prijs: zit in het huidige pakket, geen meerprijs.
- Wat de lezer moet doen: het onderdeel “Roosters” in zijn account aanzetten.

Waar je op let. Het antwoord is concreet geworden — en is waarschijnlijk nog steeds lang en begint nog steeds met een inleiding. Dat is prima: we behandelden alleen de context. Merk op dat “professioneel, modern en pakkend” ongeschonden is blijven staan, als oncontroleerbare eis, en niets heeft gedaan.

Stap 3. Nog een aanpassing — taak en formaat

Nu repareren we lengte en vorm. De rol schrappen we helemaal, om de hypothese te testen dat hij niets bijdraagt. En “pakkend” vervangen we door iets controleerbaars.

Schrijf een e-mail aan klanten waarin je een nieuwe functie aankondigt.

CONTEXT:
- Product: een dienstrooster voor koffiezaken met 3-15 medewerkers.
- Lezers: eigenaren van koffiezaken die onze voorraadapp al een half jaar
  gebruiken. Ze vertrouwen ons, maar ze zochten geen nieuwe knop.
- Wat nieuw is: roosters worden automatisch gemaakt, met de vrije dagen die het
  personeel aanvraagt erin verwerkt. Vroeger zette de eigenaar het rooster in
  een spreadsheet.
- Eerlijke beperking: één vestiging, ketens ondersteunen we nog niet.
- Prijs: zit in het huidige pakket, geen meerprijs.
- Actie van de lezer: het onderdeel “Roosters” in het account aanzetten.

FORMAAT:
- Onderwerpregel: maximaal 45 tekens. Verboden woorden: revolutionair, uniek, innovatief.
- Body: maximaal 120 woorden.
- Opbouw: regel één - wat er veranderd is; regel twee - wat het scheelt;
  daarna de beperking in gewone taal; één actie aan het eind.
- Geen inleiding, geen “met trots kondigen wij aan”, geen afscheidsalinea.

Daarna, op een aparte regel: drie redenen waarom deze mail ongeopend kan blijven of weggegooid wordt.

Waar je op let. Vergelijk de drie antwoorden. Je hebt zojuist een fatsoenlijke debugsessie gedraaid: symptoom benoemd, hypothese opgesteld, één aanpassing gedaan, resultaten vergeleken. En je hebt en passant een klein experiment met de rol gedaan — vergelijk de stem van antwoord twee en drie en beslis zelf of “je bent een ervaren marketeer” de plek verdiende die elke cursus eraan geeft.

Stap 4. De diagnose-oefening

De lastigste vaardigheid is een symptoom benoemen in andermans werk. Hier verzint het model een casus voor je en beoordeelt je diagnose streng. Een automatische “100% correct” komt er niet.

Overhoor me over het diagnosticeren van prompts. Regels:

- Je geeft me ÉÉN casus: de taak, de volledige prompt en de slechte uitvoer
  van het model. Verzin de casus zelf: realistisch, uit de kantoorpraktijk.
  De slechte uitvoer schrijf je ook zelf - precies zo slecht als hij in het
  echt zou zijn.
- Ik benoem het symptoom in één term en zeg wat ik als EERSTE zou veranderen.
- Jij beoordeelt streng: klopt het symptoom, klopt de hypothese,
  welke hypothese was sterker geweest dan de mijne en waarom.
  Stel ik voor om meerdere dingen tegelijk te veranderen, benoem dat apart.
- Geef me geen gelijk uit beleefdheid. Heb ik ongelijk, zeg het recht voor z'n raap.
- Daarna de volgende casus, moeilijker. Vijf casussen in totaal.

Begin met de eerste casus. Leg vooraf geen theorie uit.

Wat een prompt niet repareert

De helft van het debuggen is op tijd doorhebben dat de prompt het probleem niet is. Anders zit je formuleringen te polijsten in een laag waar niets kapot is.

• Ontbrekende data. Geen enkele formulering haalt een feit boven dat het model nooit heeft gekregen. Heb je de cijfers uit je spreadsheet nodig, plak ze erin; bedel er niet om.
• De taak is niet met tekst op te lossen. “Reken exact”, “controleer op de actuele website”, “garandeer” — dat gaat niet over formuleren, dat gaat over gereedschap. Hier betreed je het terrein van AI-agents.
• Geen definitie van “goed”. Kun je zelf niet zeggen waarom antwoord A beter is dan B, dan debug je niet: dan schuif je varianten heen en weer tot je moe wordt. Het criterium is het deel van de prompt dat in je hoofd zit, en ook dat moet opgeschreven worden.
• Verkeerd model. Dezelfde taak gedraagt zich per model anders — zie onze vergelijking van ChatGPT, Claude en Gemini. Voor je een prompt twintig keer bijschaaft: draai dezelfde prompt op een ander model. Dat is één aanpassing, geen twintig.

Een versielogboek: saai en beslissend

Maak een bestand aan. Drie kolommen: wat er in de prompt stond, wat je veranderde, wat er met het antwoord gebeurde. Eén regel per debugronde.

Het klinkt als bureaucratie. Het is het enige dat je runs in kennis omzet. Een maand later open je dat bestand en zie je: “voorbeelduitvoer in plaats van formaatbeschrijving” werkte elf van de twaalf keer, en “je bent een expert van wereldklasse” nul keer. Dat is jouw eigen statistiek, en die is meer waard dan welke lijst van 500 kant-en-klare prompts ook. Neem onze promptvoorbeelden als grondstof; het logboek maakt van grondstof jouw gereedschap.

Bijeffect: na een maand heb je een portfolio. Geen certificaat dat 698.444 anderen ook hebben, maar een tiental ontlede gevallen met voor en na. In een sollicitatiegesprek zijn dat twee verschillende gewichtsklassen.

Hoe je een cursus test — ook de onze

Onze meting levert een test van vier vragen op. Stel ze aan elke opleiding.

1. Waar draai ik de prompt? Is het antwoord “in een ander tabblad, voor een apart abonnement”, dan ziet de cursus jouw werk nooit en kan hij het niet ontleden. Zie Vanderbilt en de ChatGPT+-eis.
2. Wie beoordeelt mijn prompt? Een autograder op trefwoorden geeft je “100% correct” en nul informatie. Dat is precies de casus Shinysheep.
3. Is er een les waarin een prompt faalt? Open het programma en zoek. Is die er niet, dan gaat de cursus over een formule.
4. Wanneer is de inhoud echt bijgewerkt? Niet volgens de datum op de kaart, maar volgens de reviews van de afgelopen maand.

Eerlijk over onze data. Het aandeel negatieve reviews (≤3.5★) op Udemy is 9,61% bij Generative AI for Beginners en 10,36% bij de Complete AI Guide; bij Prompt and Context Engineering 101 (de slechtste beoordeling in onze steekproef, 4.31) is het ≥4,00%. Op Coursera is het 1,5–3,5%. Oftewel: de overgrote meerderheid van de cursisten is tevreden, en wij lazen bewust de minderheid. Niet om te bewijzen dat de cursussen slecht zijn: een tevreden cursist schrijft “geweldige cursus”, terwijl een ontevreden cursist precies de les benoemt die ontbrak. Tweede kanttekening: het sterrenfilter van Coursera draait in de browser, dus de citaten die we konden bereiken komen van de standaardpagina die elke bezoeker ziet. We hebben ze niet uit de diepte van een 1★-filter opgevist — maar we kunnen ook niet beweren dat we alle reviews gezien hebben.

En een kanttekening over onszelf. Onze sandbox heeft een harde daglimiet op het aantal runs. Dat betekent: de methode hierboven is meer waard dan de knop. De knop laat je het verschil zien; de methode laat je prompts repareren waar geen knop is — in je eigen werkchat.

De conclusie

De promptformule is wat op een slide past, en daarom wordt hij aan miljoenen verkocht. Debuggen past niet op een slide, is niet te controleren zonder levend model in de les, en daarom wordt het vrijwel nergens verkocht — terwijl cursisten er letterlijk om vragen, review na review. Daar zit het gat in de markt, en het is meteen de snelste manier om beter te worden dan de meeste mensen met een certificaat.

Onthoud de vier stappen: symptoom → diagnose → één aanpassing → vergelijken. En de volgorde van hypotheses: context, taak, formaat, rol. Begin bij de basis met wat een prompt is; kijk waar de markt voor dit “beroep” in is geëindigd in prompt engineer: wat het betaalt en of het beroep nog bestaat; leer het model op verzinsels te betrappen in AI-hallucinaties. En wil je het systematisch, met mislukkingen die expres ontleed worden, dan is er onze cursus prompt engineering.