Chain-of-thought prompting in 2026: vraag om controle, niet om verborgen denkstappen

Chain-of-thought prompting is niet langer een algemene opdracht om alle denkstappen van een AI-model te tonen. Geef in 2026 een helder doel en vraag om controleerbare werkproducten, waarna je het eindantwoord met bronnen, berekeningen of tests verifieert.

Wat chain-of-thought oorspronkelijk betekende

Het oorspronkelijke onderzoek naar chain-of-thought liet zien dat voorbeelden met tussenliggende redeneerstappen grote taalmodellen konden helpen bij rekenkundige, symbolische en andere meerstapsproblemen. Google Research beschrijft deze historische methode in Language models perform reasoning via chain of thought.

Dat onderzoek blijft belangrijk, maar de praktische aanbeveling is veranderd. Actuele reasoning-modellen voeren een deel van hun redenering intern uit. De reasoning best practices van OpenAI zeggen dat expliciete opdrachten om de redenering stap voor stap uit te schrijven niet nodig zijn en de prestatie zelfs kunnen hinderen.

Vraag om bewijsbare onderdelen

Een bruikbaar antwoord bevat genoeg informatie om de uitkomst te beoordelen, zonder te doen alsof een uitgeschreven redenering automatisch waar is. Vraag bijvoorbeeld om:

de gebruikte invoer en ontbrekende gegevens;
expliciete aannames;
een formule of berekening die je kunt narekenen;
besliscriteria en de score per optie;
bronverwijzingen bij feitelijke claims;
testgevallen en resultaten bij code;
onzekerheden en een duidelijke grens aan de conclusie.

De promptingadviezen van Anthropic maken een nuttig onderscheid: laat het model intern nadenken wanneer de functie daarvoor beschikbaar is, maar vraag in de zichtbare uitvoer om het werk dat jij nodig hebt. Google adviseert in de prompt design strategies eveneens om doel, structuur en uitvoerformaat precies te benoemen.

Stappenplan: maak een redenering controleerbaar

Stap 1: schrijf het einddoel op

Bepaal welke beslissing, berekening of diagnose je nodig hebt. Formuleer ook wanneer het antwoord bruikbaar is.

Beoordeel welke van deze drie leveranciers het beste past.
Een bruikbaar antwoord vergelijkt levertijd, contractrisico,
gegevensverwerking en opzegbaarheid.

Stap 2: lever de relevante brongegevens

Voeg contractpassages, tabellen of logregels toe en benoem welke bron leidend is. Laat het model ontbrekende informatie markeren in plaats van invullen.

Stap 3: vraag om een controleerbaar werkproduct

Kies een vorm die je kunt nalopen, zoals een beslismatrix, een rekentabel of een lijst met testgevallen.

Geef per leverancier:
1. de relevante bronpassage;
2. de score per criterium;
3. ontbrekende informatie;
4. de voorlopige conclusie.

Dit is iets anders dan vragen om alle verborgen gedachten. Je vraagt om bewijs, relevante tussenresultaten en een eindproduct.

Stap 4: scheid uitwerking en verificatie

Laat een eerste antwoord maken en controleer daarna met een aparte opdracht:

Controleer de tabel tegen de aangeleverde bronnen.
Noem alleen verschillen, rekenfouten, ongefundeerde aannames
en criteria die niet zijn beoordeeld.

Voor grotere processen kun je deze scheiding expliciet maken met prompt chaining.

Stap 5: voer een onafhankelijke controle uit

Reken cijfers zelf na, voer code uit, open de genoemde bronnen en vraag zo nodig een deskundige. Lees ook hoe je AI-hallucinaties herkent, want een nette tabel kan nog steeds onjuiste feiten bevatten.

Stap 6: test op vaste voorbeelden

Bewaar enkele representatieve taken met bekende uitkomsten en grensgevallen. Vergelijk na iedere wijziging dezelfde set. De bredere werkwijze staat in prompt engineering.

Drie praktische patronen

Berekening

Vraag om de gebruikte waarden, formule, eenheden en einduitkomst. Controleer vervolgens de formule buiten het model.

Beleidsvergelijking

Vraag per conclusie om de relevante bronpassage, datum en onzekerheid. Laat een ontbrekende passage niet vervangen door algemene kennis.

Code

Vraag om uitvoerbare code, tests en het testresultaat. Een beschrijving van waarom code zou werken is minder sterk dan een geslaagde test met een relevant foutgeval.

Wil je het model een gewenst voorbeeld van zo'n werkproduct geven, gebruik dan few-shot prompting.

Veelgemaakte fouten

Alle interne gedachten opvragen. Dat levert veel tekst op, maar geen garantie op waarheid of volledigheid.
Een uitleg als bewijs behandelen. Verifieer cijfers, claims en code met een onafhankelijke bron of test.
Geen acceptatiecriteria geven. Het model weet dan niet welke controles voor jouw taak belangrijk zijn.
Bron en conclusie in één ondoorzichtige alinea laten zetten. Gebruik een tabel of vaste velden die de relatie zichtbaar maken.
Dezelfde prompt bij ieder model blind hergebruiken. Actuele reasoningfuncties en leveranciersadviezen verschillen.
Alleen het eindantwoord controleren. Controleer ook invoer, aannames en ontbrekende informatie.

Veelgestelde vragen

Wat is chain-of-thought prompting?

Chain-of-thought prompting is de historische techniek waarbij voorbeelden met tussenliggende redeneerstappen een taalmodel helpen bij een meerstapsprobleem. Bij actuele reasoning-modellen is het meestal beter om doel, criteria en gewenste controleerbare uitkomst te geven dan alle interne denkstappen op te vragen.

Moet je een AI-model vragen om stap voor stap te denken?

Niet standaard. OpenAI adviseert bij reasoning-modellen eenvoudige, directe opdrachten en raadt expliciete chain-of-thought-prompts af; vraag liever om een eindantwoord, relevante aannames, berekeningen, bronnen en een controle tegen jouw criteria.

Wat is het verschil tussen interne redenering en een uitleg?

Interne redenering is het proces waarmee het model tot een antwoord komt en hoeft niet zichtbaar te zijn. Een uitleg is een beknopte, controleerbare onderbouwing voor jou, zoals gebruikte gegevens, beslisregels, berekeningen en onzekerheden.

Werkt dezelfde aanpak bij ChatGPT, Claude en Gemini?

De basis blijft gelijk, maar de actuele functies en promptingadviezen verschillen per model en product. Controleer daarom de documentatie van de leverancier en test dezelfde taak met vaste acceptatiecriteria.

Hoe controleer je een antwoord zonder de volledige redeneerketen?

Vraag om invoer, aannames, besliscriteria, noodzakelijke berekeningen, bronverwijzingen en een korte eindcontrole. Herbereken belangrijke cijfers en vergelijk feitelijke claims met de oorspronkelijke bron.

Wanneer zijn zichtbare tussenresultaten wel nuttig?

Zichtbare tussenresultaten zijn nuttig wanneer jij ze zelfstandig kunt controleren, bijvoorbeeld een tabel met invoer, een formule, testresultaten of een beslismatrix. Vraag alleen om de relevante werkproducten, niet om verborgen gedachten.

Is een overtuigende uitleg bewijs dat het antwoord klopt?

Nee. Een model kan een vloeiende maar onjuiste uitleg geven. Behandel de uitleg als controlehulp en verifieer belangrijke uitkomsten met bronnen, berekeningen, tests of een deskundige.