Few-shot Prompting

Few-shot prompting is een methode waarbij je een AI-taalmodel zoals ChatGPT of Claude enkele concrete voorbeelden geeft van de taak die je wilt uitvoeren, voordat je de eigenlijke vraag stelt. Door twee tot vijf voorbeelden te tonen van input en gewenste output, leert het model het patroon, de toon en de structuur aan die je verwacht. Dit verhoogt de kans op bruikbare resultaten aanzienlijk, zonder dat je het onderliggende model hoeft te trainen of aan te passen.

Hoe few-shot prompting werkt in de praktijk

Je bouwt een prompt op in drie delen: eerst leg je de taak uit, dan geef je twee tot vijf voorbeeld-paren (input en gewenste output), en tot slot voeg je de nieuwe input toe waarvoor je een antwoord wilt. Het model herkent het patroon in de voorbeelden en past datzelfde patroon toe op je nieuwe vraag. Een webshop-eigenaar kan bijvoorbeeld drie voorbeeldproductbeschrijvingen geven met een bepaalde toon en structuur, waarna het model een vierde beschrijving in dezelfde stijl genereert. Het aantal voorbeelden bepaalt de nauwkeurigheid: te weinig en het model raakt de draad kwijt, te veel en je betaalt onnodig veel tokens zonder meerwaarde. Drie voorbeelden is voor de meeste zakelijke toepassingen het zoete punt.

Waarom few-shot prompting nu relevant is voor MKB-bedrijven

Few-shot prompting ontstond in de onderzoekswereld rond large language models, maar werd pas praktisch bruikbaar toen tools als GPT-3 en GPT-4 publiek beschikbaar kwamen. Voor MKB-bedrijven lost het een concreet probleem op: je krijgt consistente output zonder dat je een developer nodig hebt of een duur custom model moet trainen. Waar zero-shot prompting (zonder voorbeelden) vaak generieke of onvoorspelbare resultaten geeft, levert few-shot prompting output die aansluit bij jouw huisstijl, productcatalogus of klanttaal. Volgens Google Developers verbetert few-shot prompting de nauwkeurigheid van tekstclassificatie en generatie met 30 tot 50 procent ten opzichte van zero-shot, zonder extra training.

Wat few-shot prompting oplevert in combinatie met AI-automatisering

In de praktijk zien we bij Monkey Vision dat MKB-bedrijven few-shot prompting inzetten voor terugkerende taken: het herschrijven van productomschrijvingen, het beantwoorden van klantvragen via een chatbot, of het genereren van social media posts. Je bouwt eenmalig een set voorbeelden op, slaat die op in een API-integratie of automatiseringstool zoals n8n, en laat het systeem nieuwe content genereren op basis van die sjabloon. Dit past goed binnen een bredere AI-automatisering waarin je repetitieve schrijftaken weghaalt bij je team. Het resultaat is sneller, goedkoper en consistenter dan handmatig werk, mits je de voorbeelden zorgvuldig kiest en periodiek controleert of de output nog klopt met je merkidentiteit.

Few-shot prompting komt pas echt tot zijn recht wanneer je dezelfde soort taak vaak moet uitvoeren, maar telkens met andere input. Denk aan productbeschrijvingen voor een webshop, klantenservice-antwoorden of nieuwsbriefteksten. Hieronder vier concrete toepassingen waarin MKB-bedrijven few-shot prompting succesvol inzetten, plus een besliscriterium om te bepalen of het voor jouw situatie zinvol is.

Productbeschrijvingen voor webshops met honderden artikelen

Een webshop met 300 tot 2000 producten heeft vaak geen tijd of budget om elke productpagina handmatig te schrijven. Met few-shot prompting geef je het model drie voorbeeldproducten met een beschrijving in jouw tone of voice, inclusief USP's, specificaties en een call-to-action. Vervolgens voer je per product de technische kenmerken en voordelen in, waarna het model een volledige beschrijving genereert. Bij een klant in de tuinbranche reduceerde dit de schrijftijd van 15 minuten naar 2 minuten per product, met een consistente stijl die paste bij de merkidentiteit. Let op: controleer de output altijd op feitelijke fouten, vooral bij technische specificaties of veiligheidsinformatie.

Klantenservice-antwoorden met vaste structuur en toon

Bedrijven die veel vergelijkbare klantvragen ontvangen kunnen few-shot prompting gebruiken om concept-antwoorden te genereren. Je geeft het model drie eerdere e-mails met vraag en antwoord, inclusief de gewenste aanhef, oplossing en afsluiting. Voor nieuwe vragen genereert het model een concept dat een medewerker nog kan personaliseren. Dit werkt goed voor veelgestelde vragen over levertijden, retourbeleid of productgebruik. Een B2B-dienstverlener met twaalf medewerkers bespaarde hiermee vier uur per week aan standaardcorrespondentie. De voorwaarde: je voorbeelden moeten representatief zijn voor de toon en het detailniveau dat je wilt, anders krijg je te formele of juist te informele antwoorden.

Social media posts met merkspecifieke hashtags en woordkeuze

Voor bedrijven die wekelijks social media content publiceren, biedt few-shot prompting een manier om conceptposts te genereren die aansluiten bij je brand codes. Je geeft drie eerdere LinkedIn- of Instagram-posts als voorbeeld, compleet met emoji's, hashtags en call-to-action. Het model leert welke woorden je vermijdt, welke hashtags je gebruikt en hoe lang je posts gemiddeld zijn. Een marketeer kan vervolgens het onderwerp invoeren (bijvoorbeeld een nieuwe blogpost of een teamfoto) en krijgt een concept dat nog handmatig wordt aangepast. Dit scheelt 60 procent schrijftijd, maar vraagt wel dat je voorbeelden actueel houdt en regelmatig vervangt om herhaling te voorkomen.

Wanneer few-shot prompting de juiste keuze is en wanneer niet

Few-shot prompting is zinvol wanneer je een repetitieve schrijftaak hebt met een duidelijk patroon, voldoende voorbeelden kunt geven en bereid bent output te controleren. Het is geen oplossing voor unieke, strategische teksten zoals een merkpositionering of een complexe offerte, waar context en nuance cruciaal zijn. Ook bij juridische of medische teksten is few-shot prompting riskant: het model kan plausibel klinkende maar foutieve informatie genereren. Gebruik het dus alleen voor taken waar je de output snel kunt verifiëren en waar een fout geen grote gevolgen heeft. Wil je few-shot prompting inzetten binnen een bredere SEO-strategie of contentmarketing-aanpak? Zorg dan dat je voorbeelden geoptimaliseerd zijn voor zoekwoorden en leesbaarheid, anders automatiseer je middelmatige content.