Zero-shot prompting: begin zonder voorbeelden en test gericht (2026)

Zero-shot prompting is een bruikbare eenvoudige baseline wanneer de actuele richtlijn voor jouw model dit ondersteunt. Test het resultaat op representatieve gevallen en vergelijk met voorbeelden als de leverancier of een gemeten fout daarom vraagt.

Zero-shot betekent niet contextloos

"Zonder voorbeelden" betekent niet "zonder informatie". Een goede zero-shot-prompt kan bronmateriaal, definities, grenzen en een uitvoerformaat bevatten.

Doel
Vat het besluit samen voor een projectteam.

Bron
[plak hier de goedgekeurde besluittekst]

Uitvoer
- besluit;
- eigenaar;
- eerstvolgende actie;
- deadline zoals letterlijk in de bron;
- ontbrekende informatie.

Grens
Gebruik alleen de bron. Vul niets zelf aan.

De OpenAI-documentatie over prompt engineering adviseert vaste instructies, voorbeelden en context logisch te scheiden. Google benadrukt in de prompt design strategies dat een directe, precieze opdracht en een duidelijk uitvoerformaat belangrijk blijven.

Wanneer je met zero-shot begint

Een zero-shot-baseline is:

korter en makkelijker te onderhouden;
sneller te begrijpen bij review;
minder gevoelig voor slechte voorbeeldkeuze;
een duidelijke vergelijking voor latere verbeteringen;
vaak voldoende voor reasoning-modellen waarvan de leverancier deze start adviseert.

OpenAI adviseert in de reasoning best practices expliciet om bij reasoning-modellen eerst zero-shot te proberen en pas few-shot toe te voegen als de gewenste uitvoer complexer is. Andere leveranciers kunnen voor hun actuele modellen juist voorbeelden aanbevelen: Anthropic legt in de prompting best practices naast duidelijke instructies nadruk op relevante voorbeelden, en Google behandelt few-shot als aanbevolen strategie in de prompt design strategies.

Stappenplan: maak een sterke zero-shot-prompt

Stap 1: schrijf één concreet doel

Gebruik een toetsbaar werkwoord: classificeer, extraheer, vergelijk, herschrijf of controleer. "Help met deze tekst" laat te veel open.

Stap 2: voeg alleen relevante context toe

Leg doelgroep, situatie en definities vast. Markeer brongegevens apart van de instructie, zodat tekst uit een document niet op vaste procesregels lijkt.

Stap 3: geef een uitvoercontract

Noem velden, volgorde, lengte en toegestane labels. Gebruik een echt schema in je applicatie als machines de uitvoer moeten verwerken.

Stap 4: beschrijf grenzen en onzekerheid

Vertel wat het model moet doen bij ontbrekende gegevens:

Vul geen ontbrekende datum in.
Zet "ontbreekt in bron" in het veld deadline.
Noem tegenstrijdige passages afzonderlijk.

Stap 5: test op normale en moeilijke gevallen

Gebruik een vaste set met:

een normale invoer;
ontbrekende informatie;
een randgeval;
tegenstrijdige brongegevens;
invoer die buiten de taak valt.

Stap 6: groepeer de fouten

Is het doel onduidelijk, het formaat wisselend of een label subtiel? Pas alleen de oorzaak aan. Gebruik goede prompts maken voor de basisstructuur.

Stap 7: voeg pas dan voorbeelden toe

Als het model een patroon niet consistent volgt, ga dan naar few-shot prompting. Als een complexe taak verschillende controlepunten nodig heeft, gebruik prompt chaining.

Stap 8: herhaal dezelfde evaluatie

Vergelijk de aangepaste prompt met de baseline. De volledige testcyclus staat in prompt engineering.

Wanneer zero-shot niet genoeg is

Zero-shot lost geen ontbrekende kennis, ontoereikende tooltoegang of ongeschikt model op. Kies een andere aanpak wanneer:

actuele feiten niet in de aangeleverde bron staan;
een nauwkeurig label alleen met voorbeelden duidelijk wordt;
de taak meerdere gescheiden controles of goedkeuringen vraagt;
de uitvoer door code gevalideerd moet worden;
het model de taak ook met een heldere prompt structureel niet goed uitvoert.

Voor complexe reasoningtaken vraag je om controleerbare uitkomsten en verificatie, niet om verborgen denkstappen. Lees daarvoor chain-of-thought prompting in 2026.

Veelgemaakte fouten

Zero-shot verwarren met één vage zin. Geef doel, context, uitvoer en grenzen.
Geen bron leveren voor actuele feiten. Prompting maakt verouderde kennis niet actueel.
Geen gedrag bij ontbrekende data bepalen. Het model kan gaten dan aannemelijk invullen.
Direct voorbeelden stapelen. Meet eerst wat de eenvoudige baseline fout doet.
Alleen op een makkelijk geval testen. Voeg randgevallen en tegenstrijdige invoer toe.
Het uitvoerformaat alleen beschrijven voor machinegebruik. Valideer het ook technisch.
Iedere fout als promptprobleem behandelen. Soms heb je een bron, tool, ander model of menselijke controle nodig.

Veelgestelde vragen

Wat is zero-shot prompting?

Zero-shot prompting is een AI-opdracht zonder invoer- en uitvoervoorbeelden. Je beschrijft taak, context, grenzen en gewenst resultaat, waarna het model de opdracht op basis van zijn bestaande mogelijkheden uitvoert.

Wanneer begin je met zero-shot?

Begin zero-shot wanneer de actuele richtlijn voor jouw model dit ondersteunt. OpenAI adviseert dit als eerste poging voor reasoning-modellen; andere leveranciers kunnen voor hun actuele modellen juist voorbeelden aanbevelen.

Wat moet in een zero-shot-prompt staan?

Neem minimaal doel, relevante context, brongegevens, gewenste uitvoervorm en belangrijke grenzen op. Benoem ook wat het model moet doen bij ontbrekende of tegenstrijdige informatie.

Wanneer stap je over op few-shot prompting?

Voeg voorbeelden toe wanneer een vaste test laat zien dat het model labels, toon, structuur of een subtiel patroon niet consistent volgt. Kies voorbeelden die precies die gemeten fout verduidelijken.

Werkt zero-shot bij reasoning-modellen?

Vaak wel. OpenAI adviseert voor reasoning-modellen zelfs om eerst een eenvoudige zero-shot-opdracht te proberen en pas daarna few-shot-voorbeelden toe te voegen als de taak dat nodig heeft.

Is zero-shot geschikt voor actuele feiten?

Een promptmethode geeft geen actuele kennisgarantie. Lever betrouwbare, actuele bronnen aan of gebruik een passende zoek- of retrievalfunctie, en controleer tijdgevoelige claims bij de oorspronkelijke bron.

Hoe test je een zero-shot-prompt?

Gebruik dezelfde representatieve testset voor iedere versie en meet vooraf gekozen criteria, zoals juistheid, volledigheid, formaat en omgaan met ontbrekende gegevens. Vergelijk wijzigingen met de oorspronkelijke baseline.