De afgelopen twee jaar werd ‘promptengineering’ behandeld als een vak dat op één lijn stond met copywriting of SQL — een Skill waarin je zichtbaar beter kon worden door de juiste bezweringen te leren. Voeg een rol toe. Voeg beperkingen toe. Voeg ‘denk stap voor stap’ toe. Voeg voorbeelden toe. Blijf de formulering aanpassen totdat de uitvoer op zijn plaats valt.
Die Skill blijft belangrijk. Maar het is niet langer het knelpunt.
De modellen zelf hebben de achterstand stilletjes ingelopen. Claude, GPT en Gemini zijn in hun huidige generaties allemaal aanzienlijk beter in het volgen van lange, gedetailleerde instructies dan de modellen die promptengineering in 2023 tot een ambachtelijke bedrijfstak maakten. Geef een modern frontiermodel een duidelijke, volledige briefing en het voert die doorgaans de eerste keer correct uit — slimme formuleringen zijn niet nodig. De truc met slimme bewoordingen, die vroeger een kwaliteitsverbetering van 20% opleverde, levert nu bijna niets meer op, omdat het model in de eerste plaats nooit in de war raakte door de formulering. Het raakte in de war door ontbrekende informatie.
Die herformulering vertelt het hele verhaal. Het knelpunt verschoof niet van slechte instructies naar goede instructies. Het verschoof van instructies naar context — van ‘hoe formuleer ik deze prompt slim?’ naar ‘heb ik mijn standaarden, stem, proces en voorbeelden eigenlijk ergens opgeschreven waar de AI ze kan lezen?’
Promptengineering optimaliseert een zin. Contextengineering optimaliseert een bedrijfsmiddel.
Een prompt is wegwerpbaar. Je schrijft hem, gebruikt hem één keer, bewaart hem misschien in een notitie-app die je nooit meer opent, en volgende week schrijf je voor een iets andere taak een iets andere versie van dezelfde instructies. Elke verbetering die je aanbrengt, leeft en sterft binnen dat ene gesprek.
Een herbruikbaar contextbestand — wat wij een skillbestand noemen — verschilt wezenlijk, niet alleen gradueel. Het is een duurzaam document: je richtlijn voor merkstem, je QA-checklist, je onboarding-SOP, je ideale klantprofiel, je standaarden voor codebeoordeling, je redactionele stijlregels, uitgewerkte voorbeelden van hoe ‘goed’ eruitziet voor deze specifieke taak. Je schrijft het één keer, plakt het (of voegt het toe als bijlage) aan elk relevant gesprek dat volgt, en de AI presteert elke keer op een consequent hoger niveau — niet omdat je magische woorden hebt gevonden, maar omdat de informatie die ontbrak eindelijk beschikbaar is.
Een vooraf samengesteld contextbestand dat elk AI-model verandert in een senior specialist in marketingautomatisering - lifecycleflows, segmentatielogica en campagnekwaliteitscontrole inbegrepen, zodat je je funnel niet telkens opnieuw hoeft uit te leggen wanneer je een nieuwe chat opent.
Bekijk Finn - Specialist in marketingautomatisering →Waarom de verschuiving plaatsvond
Drie dingen veranderden ongeveer tegelijkertijd:
- Het volgen van instructies is veel beter geworden. Toonaangevende modellen houden nu betrouwbaar tientallen beperkingen bij in een lange systeemprompt, zonder ze te laten vallen. Het scenario waarin "de AI de helft van mijn instructies negeerde" komt veel minder vaak voor dan vroeger.
- Contextvensters zijn veel groter geworden. Je kunt een document met standaarden van 3.000 woorden in een gesprek plakken en nog steeds ruimte overhouden voor de daadwerkelijke taak. Dat was begin 2023 niet praktisch.
- Mechanismen voor permanente context zijn volwassen geworden. Claude Projects, aangepaste GPT's, Gemini Gems en "Skill-bestanden" in de stijl van systeemprompts maken het nu allemaal eenvoudig om een blijvend document aan een gesprek te koppelen, in plaats van het steeds opnieuw te typen. De infrastructuur voor herbruikbare context is bijgebeend met de behoefte eraan.
Daarmee verschoof de beperking op de kwaliteit van de output van "heb je de prompt goed geformuleerd?" naar "heb je ooit, ergens, opgeschreven hoe iets goeds eruitziet?" De meeste mensen en de meeste teams hebben dat nog altijd niet gedaan. Dat is de kloof die het waard is om te dichten.
Behandel Skill-bestanden als codebibliotheken, niet als prompts
Het mentale model dat dit duidelijk maakt: een goed Skill-bestand moet op dezelfde manier als een gedeelde codebibliotheek van versies worden voorzien, beoordeeld en verfijnd - niet worden behandeld als een eenmalig Slack-bericht dat je haastig hebt getypt.
- Geef het versies. Wanneer je merkt dat de AI een nuance mist, herstel dan niet alleen die ene output - bewerk het Skill-bestand, zodat het nooit meer gebeurt. Dat is precies het doel.
- Bekijk het regelmatig opnieuw. Standaarden veranderen. Een Skill-bestand dat is geschreven voor de positionering van vorig kwartaal, moet elke paar maanden worden herzien, precies zoals documentatie.
- Baken het af voor een rol, niet voor een taak. "Schrijver van SEO-contentbriefings" is een goed Skill-bestand. "Schrijf een blogbericht over e-mailmarketing voor me" is een prompt, en die is na één gebruik afgelopen.
- Deel het. Een Skill-bestand dat alleen in je hoofd of in je meest recente chat staat, helpt precies één persoon, één keer. Een Skill-bestand dat als document is opgeslagen en aan je hele team wordt gegeven, helpt iedereen, elke keer opnieuw, voor onbepaalde tijd.
In plaats van telkens opnieuw om groeimarketingframeworks te vragen, voeg je Sofia’s skillbestand één keer toe en krijg je vanaf dag één toegang tot het draaiboek van een senior groeistrateeg — funnelanalyses, experimentontwerp en prioriteringslogica — in elk gesprek.
Bekijk Sofia - groeimarketingstrateeg →Het cumulatieve effect waar niemand over praat
Dit is het deel dat er economisch gezien echt toe doet: een eenmalige aanpassing van een prompt helpt precies één gesprek. Een verbetering van een skillbestand helpt voor altijd, met terugwerkende kracht en zonder extra kosten, bij elk toekomstig gesprek waarin het wordt gebruikt.
Los een formulatiefout in een prompt op en je hebt de output van vandaag verbeterd. Los dezelfde fout op in een skillbestand — bijvoorbeeld door een ontbrekende merkrichtlijn toe te voegen of een verkeerde aanname over je ICP te corrigeren — en elk toekomstig gebruik van dat skillbestand, door jou of door iemand in je team, bevat automatisch de verbetering. Niemand hoeft eraan te denken die opnieuw toe te passen. Niemand hoeft de oorspronkelijke fout gezien te hebben. De correctie zit in het bestand zelf ingebakken.
Dit is precies waarom softwareteams decennia geleden stopten met boilerplate kopiëren en gedeelde bibliotheken gingen bouwen. Diezelfde logica geldt nu voor hoe je AI instrueert. Een bibliotheek met goed onderhouden skillbestanden — één voor SEO-strategie, één voor je merkstem, één voor QA-standaarden en één voor concurrentieonderzoek — wordt steeds waardevoller telkens wanneer iemand een ervan verbetert, terwijl een map met opgeslagen prompts alleen maar rommel verzamelt.
Een herbruikbaar SEO-contextbestand — logica voor het clusteren van zoekwoorden, checklists voor technische audits en een structuur voor contentbriefings — zodat elke schrijver en elke AI-sessie in je team vanuit dezelfde standaard werkt in plaats van telkens opnieuw het wiel uit te vinden.
Bekijk Serge - SEO-specialist →Zo begin je met het opbouwen van je eigen bibliotheek
Je hebt geen 50 skillbestanden nodig om het voordeel te zien. Begin met de rollen of taken die je het vaakst herhaalt:
- Kies één terugkerende taak die je meer dan twee keer per maand opnieuw aan AI uitlegt.
- Schrijf op hoe ‘goed’ eruitziet voor die taak — geen instructies voor één output, maar standaarden voor elke output: toon, structuur, beperkingen en voorbeelden van eerder werk dat goed en slecht was.
- Sla het op als een zelfstandig document dat je kunt plakken, bijvoegen of uploaden als projectinstructie.
- Gebruik het twee weken, noteer elke correctie die je aanbrengt en verwerk die correcties weer in het bestand.
- Zodra het stabiel is, geef je het aan een teamgenoot en zie je hoe die al bij de eerste poging output op seniorniveau krijgt.
Dat is de hele cyclus. Het is minder glamoureus dan het maken van de perfecte prompt van één zin, maar het maakt het verschil tussen een AI die je af en toe versteld doet staan en een AI die consequent presteert volgens de standaard van je organisatie, elke keer opnieuw, zonder dat jij erbij hoeft te zijn.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische maandelijkse schatting van verspilde tokens en kosten voor het opnieuw schrijven van prompts versus een permanent skillbestand. Geen registratie, geen e-mail — alleen de berekening uit dit bericht, toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Is prompt engineering dood?
Nee — maar de rol ervan is kleiner geworden. Duidelijke, goed gestructureerde instructies blijven belangrijk voor elke afzonderlijke taak. Wat is veranderd, is dat slimme formuleringen niet langer de belangrijkste hefboom zijn voor betere output. De belangrijkste hefboom is of het model jouw context — standaarden, voorbeelden en beperkingen — überhaupt beschikbaar heeft. Prompt engineering is nu een kleine tactische vaardigheid die boven op de veel grotere strategische vaardigheid van context engineering komt.
Wat is nu precies het verschil tussen een prompt en een skillbestand?
Een prompt is een instructie voor één output in één gesprek. Een skillbestand is een permanent referentiedocument — een rolomschrijving, checklist met standaarden, stijlgids en uitgewerkte voorbeelden — dat je in de loop van de tijd aan veel gesprekken toevoegt en blijft verbeteren. Een prompt beantwoordt de vraag: "wat wil ik nu?" Een skillbestand beantwoordt de vraag: "hoe ziet goed werk er voor dit type werk altijd uit?"
Moet ik een model finetunen om dit voordeel te behalen?
Nee. Dat is nu juist het punt — fine-tuning is duur, traag en lastig bij te werken, terwijl een skillbestand een eenvoudig document is dat je in enkele minuten kunt bewerken en aan elk AI-model kunt toevoegen als context (systeemprompt, projectinstructies of geplakte bijlage). Je krijgt het grootste deel van de consistentiewinst van fine-tuning, zonder infrastructuurkosten, en je kunt het zo vaak aanpassen als je standaarden veranderen.
Samengevat:
Prompt engineering levert je één goede output op; context engineering levert je elke toekomstige output op. Het opbouwen van een kleine bibliotheek met herbruikbare skillbestanden — zoals Finn, Sofia of Serge — is de gewoonte met de grootste hefboom die je in 2026 kunt ontwikkelen voor het werken met AI.
