oktober 13, 2026

Chain-of-thought prompting

Chain-of-thought prompting is een techniek waarbij je een AI-model dwingt om een probleem stap voor stap op te lossen in plaats van direct naar het antwoord te springen. Je vraagt het model om zijn denkproces expliciet uit te schrijven, waardoor complexe redeneringen kloppen en fouten afnemen.

Technische werking

Input analyse. Het model ontvangt een prompt waarin niet alleen de vraag staat, maar ook een instructie of een voorbeeld van hoe een redenering verloopt.
Intermediate reasoning. In plaats van direct het meest waarschijnlijke volgende woord voor het eindantwoord te kiezen, genereert het model eerst een reeks tussenstappen.
Logische keten. Elke gegenereerde stap dient als context voor de volgende stap, waardoor het model een spoor van logica legt dat naar de oplossing leidt.
Eindconclusie. Pas nadat de volledige redenering is uitgeschreven, formuleert het model het definitieve antwoord op basis van de eigen tussenstappen.

Belangrijke begrippen

Zero-Shot CoT. Hierbij geef je geen voorbeelden, maar voeg je simpelweg de zin Denk stap voor stap na aan je vraag toe. Dit activeert het redeneervermogen van het model zonder dat je zelf een logische keten hoeft te bouwen.
Few-Shot CoT. Je geeft het model een paar concrete voorbeelden van een vraag inclusief de volledige uitgeschreven redenering voordat je de eigenlijke vraag stelt. Dit is effectiever voor zeer specifieke of complexe taken.
Reasoning chains. De opeenvolging van logische stappen die het model neemt. Als er één schakel in deze keten breekt, is de kans groot dat het eindantwoord onjuist is.
Token usage. Omdat het model veel meer tekst genereert voordat het bij het antwoord komt, verbruik je meer tokens. Dat maakt de prompt duurder en iets langzamer in uitvoering.
Multimodal CoT. Een variant waarbij het model niet alleen tekst, maar ook beelden gebruikt om tot een logische conclusie te komen.

Ontdekken wat we voor uw organisatie kunnen bereiken?

Vul ons contactformulier in en ontvang binnen 24 uur een persoonlijke reactie.

Geen enkele organisatie is hetzelfde, daarom stellen we altijd een op maat gemaakt plan van aanpak op.

Laat onze ervaren consultants u begeleiden naar succes!

Praktijkvoorbeeld

Stel je voor dat je een webshop hebt op example.nl die verschillende pakketbundels verkoopt. Je wilt dat de AI berekent hoeveel korting een klant krijgt bij een specifieke combinatie van producten, rekening houdend met drie verschillende kortingsregels die elkaar beïnvloeden. Een standaard prompt geeft vaak een gok of een rekenfout.

Je bent een expert in e-commerce berekeningen. 
Vraag: Een klant koopt product A (20 euro), B (30 euro) en C (10 euro). 
Regel 1: Bij aankoop van A en B krijg je 5 euro korting. 
Regel 2: Bij besteding boven de 50 euro krijg je 10% extra korting op het totaal. 
Regel 3: De 5 euro korting van regel 1 wordt eerst afgetrokken voordat regel 2 wordt berekend.
Wat is de uiteindelijke prijs?

Denk stap voor stap na:
1. Bereken eerst het bruto totaal van de producten.
2. Pas regel 1 toe op dit bedrag.
3. Controleer of het nieuwe bedrag nog steeds boven de 50 euro ligt voor regel 2.
4. Bereken de uiteindelijke korting en het eindbedrag.

Het model zal nu niet direct zeggen 51,50 euro, maar eerst uitschrijven: Totaal is 60 euro. Na regel 1 is het 55 euro. Omdat 55 boven de 50 ligt, gaat er nog 10% af. Dat is 5,50 euro korting. Het eindbedrag is 49,50 euro.

Veelgemaakte fouten

Te vage instructies. Als je alleen zegt Denk na, zonder richting te geven aan de stappen, kan het model gaan dwalen. De redenering wordt dan een lange lap tekst zonder dat het echt bijdraagt aan de precisie.
Verkeerde voorbeelden in Few-Shot. Wanneer je een voorbeeld geeft waarbij de redenering klopt maar het eindantwoord fout is, neemt het model die foutieve logica over. Het kopieert namelijk het patroon van de prompt, niet per se de wiskundige waarheid.
Overbodige complexiteit. Voor simpele vragen zoals Wat is de hoofdstad van Frankrijk is deze methode onnodig. Je verspilt tokens en tijd aan een proces dat geen verbetering oplevert.
Blind vertrouwen op de keten. Soms ziet de redenering er heel overtuigend uit, maar zit er een kleine rekenfout in stap twee. Het model blijft dan heel zelfverzekerd onjuiste conclusies trekken op basis van die ene fout.

SEO begint bij kwalitatieve content

Verhoog je conversies met onze doelgerichte content!

Het geheim achter een bloeiende SEO-strategie? Kwalitatieve content die het hart van de doelgroep verovert. Met de juiste inhoud die naadloos inspeelt op de behoeften en verlangens van jouw potentiële klanten, til je jouw zichtbaarheid naar een hoger niveau.

Als je een sterke online aanwezigheid wilt opbouwen, is hoogwaardige content de sleutel tot jouw succes.

Wanneer wel of niet gebruiken

Gebruik het wanneer een taak uit meerdere logische stappen bestaat waarbij de uitkomst van stap A nodig is voor stap B. Denk aan complexe planningen, wiskundige problemen of het analyseren van tegenstrijdige teksten. De voorwaarde is dat de taak een objectieve logica kent die in stappen opgedeeld kan worden.

Laat het achterwege bij creatieve schrijftaken of simpele feitelijke vragen. Een gedicht schrijven vereist geen logische keten, maar intuïtie en stijl. De afweging is hier simpel: levert het uitdenken van de stappen een meetbare verbetering op in de accuratesse? Zo niet, dan is het tijdverspilling.

Controle en start

Om te beginnen kun je de simpelste vorm testen door aan het einde van je prompt de zin Laat je denkproces zien toe te voegen. Vaak willen mensen direct het resultaat, maar juist door die tussenstappen te eisen, merk je waar de AI de mist in gaat.

Controleer of het werkt met deze lijst:

Consistentie. Draai dezelfde prompt drie keer. Krijg je telkens hetzelfde denkpad en hetzelfde antwoord?
Foutanalyse. Kijk bij een fout antwoord precies naar welke stap in de keten misging. Is de logica daar gebroken of is het een rekenfout?
Snoeien. Kijk of je de redenering kunt inkorten zonder dat het antwoord onjuist wordt. Hoe korter de keten, hoe kleiner de kans op afdwalen.
Verificatie. Voeg een laatste stap toe waarin het model zijn eigen redenering moet controleren op fouten voordat het het definitieve antwoord geeft.

De beste manier om dit te verbeteren is door je eigen denkproces op papier te zetten en dat exact als voorbeeld in een Few-Shot prompt te plakken.

Pak een complexe vraag die je onlangs aan een AI stelde en voeg de instructie Denk stap voor stap na toe om het verschil in resultaat te zien.

Gratis SEO scan van uw website?

Ontdek nu de verborgen potentie van uw website met onze GRATIS SEO scan! Onze geavanceerde tools en deskundige analyse bieden u een gedetailleerd inzicht in de verbeterpunten van uw online aanwezigheid.

Ontvang een uitgebreid rapport met waardevolle optimalisatie-tips die uw website naar nieuwe hoogten zullen stuwen. Neem vandaag nog de eerste stap naar een betere vindbaarheid en meer organisch verkeer. Mis deze kans niet – claim nu uw GRATIS SEO scan en maak uw website klaar voor succes!

Onze Specialisaties

Website development

Search Engine Optimization

Content Marketing

Search Engine Advertising

Symblings Digital Marketing

4.9

Gebaseerd op 14 beoordelingen

Categorieën

Onze SEO technieken

ONTVANG EEN GRATIS SEO ARTIKEL

Ontvang een gratis SEO artikel van 1000-1200 woorden die gegarandeerd jouw zoekposities zullen versterken.

Vraag direct aan

Veelgestelde vragen

Wat is chain-of-thought prompting precies?

Het is een techniek waarbij je een AI dwingt om problemen stap voor stap op te lossen. In plaats van direct naar het antwoord te springen, schrijft het model zijn denkproces expliciet uit. Hierdoor kloppen complexe redeneringen beter en maak je minder fouten bij lastige taken.

Hoe werkt chain-of-thought prompting in de praktijk?

Je geeft het model een instructie of een voorbeeld van een logische redenering. Het model genereert dan eerst een reeks tussenstappen die als context dienen voor de volgende stap. Pas nadat deze logische keten is uitgeschreven, formuleert de AI het definitieve antwoord op basis van die eigen stappen.

Kan ik een voorbeeld zien van chain-of-thought?

Stel je berekent kortingen voor een webshop met drie verschillende regels. In plaats van direct een bedrag te noemen, laat je de AI eerst het bruto totaal berekenen, daarna regel 1 toepassen en vervolgens controleren of regel 2 nog geldig is. Zo ontstaat een logisch spoor naar de juiste prijs.

Waarin verschilt deze methode van een standaard prompt?

Bij een standaard prompt gokt de AI vaak direct het meest waarschijnlijke antwoord, wat bij complexe vragen tot rekenfouten leidt. Bij chain-of-thought wordt het redeneervermogen geactiveerd door tussenstappen te eisen. Je ruilt snelheid en tokens in voor een veel hogere accuratesse bij logische vraagstukken.

Wat is het verschil tussen Zero-Shot en Few-Shot CoT?

Bij Zero-Shot voeg je simpelweg de zin Denk stap voor stap na toe aan je vraag. Bij Few-Shot ga je verder door het model een paar concrete voorbeelden te geven van een vraag inclusief de volledige uitgeschreven redenering. Dat laatste werkt beter bij zeer specifieke of complexe taken.

Zijn er nadelen aan het gebruik van deze techniek?

Ja, het verbruikt meer tokens omdat de AI veel meer tekst genereert voordat het antwoord komt. Dit maakt de uitvoering iets langzamer en duurder. Daarnaast kan een kleine fout in een vroege stap van de keten leiden tot een onjuiste conclusie.

Wanneer moet ik chain-of-thought prompting niet gebruiken?

Laat het achterwege bij simpele feitelijke vragen of creatieve schrijftaken. Een gedicht schrijven vereist intuïtie en stijl, geen logische keten. Voor vragen als Wat is de hoofdstad van Frankrijk is het onnodig; je verspilt alleen maar tijd en tokens zonder dat het resultaat verbetert.

Hoe zorg ik dat mijn chain-of-thought prompts effectief zijn?

Geef duidelijke richting aan de stappen om te voorkomen dat het model gaat dwalen. Controleer of de redenering consistent is door de prompt meerdere keren te draaien. De beste methode is om je eigen denkproces op papier te zetten en dat exact als voorbeeld in een Few-Shot prompt te plakken.