Een skillbestand is goedkoper dan elke keer opnieuw prompten, omdat je de instelkosten één keer betaalt in plaats van bij elk afzonderlijk bericht. Elke keer dat je je rol, toon en indeling opnieuw uitlegt aan een lege AI-chat, betaal je voor die uitleg in tokens - en tokens zijn geld, berichtlimieten en ruimte in het contextvenster die je aan overhead besteedt in plaats van aan je daadwerkelijke werk.
Op deze pagina
Deel 1 van de serie "Herbruikbare context" · Door het KissMySkills-team
De 300 tokens die je elke keer betaalt
Open een lege chat met Claude, ChatGPT of Gemini en vraag die om je te helpen een bestuursupdate te schrijven. Voordat die iets nuttigs kan doen, moet je vertellen wie je bent, wat het bedrijf doet, welke toon het bestuur verwacht, welk format de update moet volgen en wat "goed" er volgens jou uitziet. Dat is geen vraag van één regel - het is een alinea, soms drie.
Typ die alinea uit en haal hem door een tokenizer. Een typische inleiding met "dit is mijn rol, dit is de context, zo wil ik dat dingen worden opgemaakt" kost 200-400 tokens. Dat is nog voordat je de daadwerkelijke vraag hebt gesteld. En omdat de meeste mensen die inleiding nergens opslaan, typen ze elke keer dat ze een nieuwe chat openen opnieuw een versie ervan - net iets anders, net iets onvollediger.
Vermenigvuldig dat met hoe vaak je AI daadwerkelijk voor je werk gebruikt. Als je vijf nieuwe chats per dag opent en elke keer de context opnieuw uitlegt, verbruik je 1.000-2.000 tokens per dag aan niets anders dan opnieuw vastleggen wie de AI moet zijn. In een maand zijn dat 20.000-40.000 tokens die puur aan inleidende uitleg worden besteed - tokens die nul output opleverden.
Voor en na: hetzelfde verzoek, op twee manieren
Zonder skillbestand ziet een typische prompt er zo uit:
"Je helpt me als chief of staff. Ik run een SaaS-bedrijf met 40 medewerkers, we rapporteren aan een bestuur van 5 mensen, zij houden van beknopte updates met de kernboodschap eerst, zonder opvulling, altijd inclusief burn rate en runway, opgemaakt in markdown met bovenaan een TL;DR... [gaat nog 150 woorden door] ...schrijf nu de update van deze maand."
Dat is de belasting van steeds opnieuw uitleggen - volgende week opnieuw betalen, en de week daarna weer, meestal met iets dat je vergeet (vorige keer noemde je de runway, deze keer vergat je die, dus de output is inconsistent).
Met een skillbestand luid je hetzelfde verzoek simpelweg in als: "Schrijf de bestuursupdate van deze maand: omzet $340K, burn $85K, twee nieuwe enterprise-deals gesloten." De rol, toon, indeling en standaarden zijn al geladen - één keer geschreven, elke keer toegepast en nooit vergeten.
Laad Ryan één keer en elk boardpack, elke memo voor de hele organisatie en elke beslisbrief die je opvraagt, komt terug met de kern bovenaan en klaar voor de raad - zonder telkens je bedrijf of standaarden opnieuw uit te leggen.
Bekijk Ryan - Chief of Staff →Waarom dit belangrijk is voor je portemonnee
Als je API-prijzen gebruikt (iets bouwt boven op Claude of GPT, of een tool gebruikt die per gebruik factureert), is de berekening direct: inputtokens kosten geld. Een opnieuw uitgelegde inleiding van 300 tokens die bij elke aanroep wordt meegestuurd, verspreid over duizenden aanroepen per maand, is een echte kostenpost - geen afrondingsfout. Teams die AI-producten bouwen, merken regelmatig dat het opnieuw opbouwen van context 15-30% van hun tokenbestedingen opslokt voordat het model iets nuttigs doet. Een Skill-bestand - of het equivalent ervan als systeemprompt, gecachte context of projectinstructie - verandert die terugkerende kosten in een eenmalige kostenpost.
Als je een reguliere gebruiker bent van chatapps met de consumentenabonnementen van Claude, ChatGPT of Gemini, betaal je niet rechtstreeks per token, maar je wordt wel beperkt door gebruikslimieten die achter de schermen op tokens zijn gebaseerd. Elk bericht dat begint met drie alinea's "laat me uitleggen wie je bent" telt mee voor je limiet en levert je niets op. Beperk het opnieuw uitleggen en je haalt meer echt werk uit dezelfde dagelijkse hoeveelheid.
Waarom dit ook belangrijk is voor kwaliteit - niet alleen voor kosten
Dit is het deel dat mensen missen: opnieuw uitgelegde context is niet alleen duur, maar ook slechtere context. Wanneer je op een drukke dag je rol en standaarden uit je hoofd opnieuw typt, laat je dingen weg. Je vergeet te vermelden dat updates voor de raad bovenaan de burn rate moeten bevatten. Je vergeet dat de klant liever opsommingstekens dan proza ziet. Je vergeet welk format de vorige keer goed werkte. De output verslechtert niet omdat het model dommer is geworden, maar omdat je instructies slordiger zijn geworden - en op inconsistente wijze slordiger, waardoor sommige sessies geweldig zijn en andere merkbaar slechter.
Een goed geschreven Skill-bestand heeft dat probleem niet. Het is de volledige versie van je instructies - één keer geschreven, toen je de tijd had om er zorgvuldig over na te denken - niet de gehaaste versie die je je op een donderdag om 16.00 uur nog kunt herinneren. Dat is de echte reden waarom door Skills aangestuurde output vaak seniorer en consistenter leest: de AI is niet slimmer geworden, maar werkt telkens vanuit een volledige briefing in plaats van een half herinnerde.
Er is nog een tweede kwaliteitseffect. Lange chats worden geleidelijk slechter naarmate het contextvenster volloopt met heen-en-weerberichten, correcties en verduidelijkingen - een fenomeen dat soms "contextrot" wordt genoemd. Als een groot deel van elk bericht wordt besteed aan het opnieuw vastleggen van de basisrol en -opmaak, is dat ruimte in het contextvenster die naar het eigenlijke werk had kunnen gaan, en versnelt het het moment waarop het gesprek de draad begint kwijt te raken. Een skillbestand laadt de configuratie efficiënt vooraf in, in plaats van die over tientallen beurten stukje bij beetje te herhalen.
Diane schrijft e-mails in jouw stijl, bereidt vergaderingsbriefings voor en sorteert je inbox zonder dat je in elke nieuwe chat je toon en prioriteiten opnieuw hoeft uit te leggen.
Bekijk Diane - Executive Assistant →Wat telt er eigenlijk als een "skillbestand"
Een skillbestand is helemaal niet exotisch - het is een markdown-document dat je één keer plakt als systeemprompt, ChatGPT Project-instructie, aangepaste instructies van een Claude Project of configuratie van een Custom GPT. Het beschrijft de rol ("je bent een senior chief of staff met 9 jaar ervaring in de ondersteuning van CEO's"), de standaarden ("eerst de kern, geen overbodige tekst, vermeld altijd burn rate en runway") en de opmaak ("markdown, TL;DR bovenaan"). Zodra het in een permanente context is geladen - een Project, een Custom GPT of een systeemprompt in je eigen tool - neemt elk nieuw gesprek het automatisch over. Je hoeft het nooit meer opnieuw te typen.
Uiteindelijk zijn de details van waar het precies staat (systeemprompt versus Project-instructies versus Custom GPT) minder belangrijk dan de kerngewoonte: schrijf de context één keer volledig op wanneer je de tijd hebt om het goed te doen - en leg die daarna niet meer opnieuw uit uit je hoofd onder tijdsdruk.
Samengevat:
Vanaf nul opnieuw uitleggen van rol, toon en opmaak kost 200-400 tokens per bericht. Na verloop van tijd leidt dat tot echte kosten of verspilde gebruikslimieten en het zorgt voor inconsistente output, omdat gehaaste context onvolledige context is. Een skillbestand zoals Ryan (Chief of Staff) of Diane (Executive Assistant) brengt die kosten één keer met zich mee en levert daarna bij elk bericht consistente output op seniorniveau.
Vul in hoe jij (of je team) AI-chats daadwerkelijk gebruikt en krijg een realistische schatting van de maandelijkse tokenverspilling en kosten in euro's voor opnieuw prompten versus een persistent Skill-bestand. Geen registratie, geen e-mail - alleen de berekening uit dit artikel toegepast op jouw cijfers.
Probeer de calculator →Veelgestelde vragen
Hoeveel tokens kost het eigenlijk om context steeds opnieuw uit te leggen?
Een typische inleiding met rol en indeling bevat 200-400 tokens per bericht. Als je die tientallen keren per week verstuurt, loopt dat op tot tienduizenden verspilde tokens per maand - tokens die aan de configuratie worden besteed in plaats van aan het daadwerkelijke werk.
Helpt een Skill-bestand alleen bij API-kosten, of hebben gewone chatgebruikers er ook iets aan?
Beide. Bij API-prijzen leiden minder herhaalde tokens rechtstreeks tot een lagere rekening. Bij chatabonnementen voor consumenten (Claude, ChatGPT, Gemini) zijn gebruikslimieten onder de motorkap gebaseerd op tokens. Door minder tijd te besteden aan steeds opnieuw uitleggen, gaat dus meer van je dagelijkse limiet naar echte output in plaats van naar de configuratie.
Is een Skill-bestand gewoon een langere prompt?
Nee - het verschil zit in persistentie, niet in lengte. Een Skill-bestand wordt één keer geschreven en geladen in een systeemprompt, projectinstructies of aangepaste GPT, waardoor het automatisch in elk nieuw gesprek aanwezig is. Een gewone prompt moet elke keer opnieuw uit het geheugen worden getypt, en juist daar schieten kwaliteit en volledigheid tekort.
Verbetert het gebruik van een Skill-bestand de kwaliteit van de resultaten echt, of bespaart het alleen geld?
Beide. Je bespaart geld omdat je niet betaalt voor steeds opnieuw verstuurde tokens. De kwaliteit verbetert omdat een Skill-bestand de volledige, zorgvuldig geschreven versie van je instructies bevat, in plaats van wat je onder tijdsdruk kunt bedenken om te typen - daarom zijn door Skills aangestuurde resultaten doorgaans consistenter en professioneler van toon.
Hierna in deze serie
Dit is het overzichtsartikel voor een korte serie over waarom herbruikbare context beter is dan steeds opnieuw prompten. Hierna volgen: "De verborgen kosten van opnieuw prompten", "Systeemprompt versus projectinstructies versus aangepaste GPT: waar hoort je Skill eigenlijk thuis?", "Waarom lange chats dommer worden (en hoe je dat oplost zonder opnieuw te beginnen)", "Het echte verschil tussen een prompt en een Skill (het gaat niet alleen om semantiek)", "Wat kost het eigenlijk om Claude/ChatGPT voor werk te gebruiken? Een realistische uitsplitsing van de tokenberekening", en "Herbruikbare context is de nieuwe prompt engineering."