Prompt engineering voor marketeers · Hoe je AI laat schrijven wat je bedoelt

Tussen 2023 en 2026 is de positie van AI in marketingteams fundamenteel verschoven. Een McKinsey-rapport uit Q1 2026 noemt 78% van de B2B-marketingteams 'AI-augmented' — minstens de helft van hun productie loopt via LLM's. Tegelijk laat onderzoek van Anthropic en OpenAI zien dat de variantie in output-kwaliteit voor 60-75% wordt verklaard door promptkwaliteit, niet door modelkeuze. Anders gezegd: een goede prompter met GPT-4o haalt betere marketingresultaten dan een slechte prompter met GPT-5 of Claude Opus 4.5. Voor marketeers betekent dit dat prompt engineering geen luxe-skill meer is voor 'AI-aandachtigen' in het team — het is een basisvaardigheid op het niveau van een briefing schrijven of een KPI-dashboard lezen. Wie het niet beheerst, verspilt licenties (gemiddeld €60-200 per gebruiker per maand voor Enterprise-tools) en levert content die opvallend generiek aanvoelt — precies de output die AI Overviews en Perplexity niet citeren. Deze gids behandelt prompt engineering daarom als marketingdiscipline, niet als techniek: vanuit de logica van briefings, doelgroepen, merk-tone en commerciële uitkomsten.

Elke effectieve marketing-prompt bevat vier lagen — laat er één weg en je output zakt 40-60% in kwaliteit. (1) Rol: wie moet de AI zijn? ('Je bent een senior B2B-contentstrateeg met 10 jaar ervaring in SaaS-marketing'). Dit kalibreert toon, woordenschat en perspectief. (2) Context: wat is de situatie? Doelgroep, sector, fase in de funnel, eerdere campagnes, merkpositionering. Hoe specifieker, hoe minder generiek de output. (3) Taak: wat moet er precies gebeuren? Geen 'schrijf iets over X' maar 'schrijf een LinkedIn-post van 180-220 woorden over X, met een persoonlijke hook in zin 1, één concreet data-punt en een open vraag aan het einde'. (4) Outputformat: hoe wil je het terugkrijgen? Lengte, structuur, formatting (markdown, JSON, bullets), tone, verboden elementen. Voorbeeld van een complete prompt: 'Rol: ervaren e-mailcopywriter voor B2B SaaS. Context: doelgroep is Nederlandse CFO's bij scale-ups van 100-500 fte, sector finance, voor een tool die boekhoud-automatisering levert. Taak: schrijf 3 onderwerpregels en 1 e-mailtekst van 120-160 woorden met focus op tijdsbesparing en compliance. Output: markdown, eerst de 3 onderwerpregels als bullets, dan de e-mailtekst.' Deze structuur lijkt overkill — totdat je hem 10x gebruikt en merkt dat je 80% minder tijd kwijt bent aan herschrijven.

Een framework is een checklist die voorkomt dat je een laag vergeet. Vier frameworks die in marketingteams werken. (1) RTCO (Role, Task, Context, Output) — onze default, dekt 80% van marketing-prompts en past op één scherm. (2) CRISPE (Capacity & Role, Insight, Statement, Personality, Experiment) — gemaakt door Matt Nigh, sterk voor diepe strategische prompts zoals positionering, persona-onderzoek of GEO-analyses. (3) RACE (Role, Action, Context, Expectation) — eenvoudig, geschikt voor one-shot taken zoals een titel of subject line. (4) Few-shot template — niet echt een framework maar een patroon: instructie + 2-5 voorbeelden van het gewenste resultaat + nieuwe input. Few-shot is de krachtigste techniek voor stijl-consistentie. Voorbeeld: 'Schrijf een productupdate-bullet in dezelfde stijl als deze drie voorbeelden: [bullet 1] [bullet 2] [bullet 3]. Nieuwe feature: live-collaboration in dashboards.' De AI imiteert toon, lengte, structuur en zelfs interpunctie. Welk framework wanneer? RTCO voor alledaagse productie, CRISPE voor strategie, RACE voor simpele taken, few-shot wanneer stijl-consistentie cruciaal is. In de praktijk mix je ze: een CRISPE-prompt voor de strategie, een RTCO+few-shot-prompt voor de uitvoering.

Chain-of-thought (CoT) is een prompttechniek waarbij je de AI vraagt eerst stap-voor-stap te redeneren voordat hij antwoordt. Voor strategische taken — persona's bouwen, positionering scherper maken, content-cluster-planning, GEO-analyses — verhoogt CoT de output-kwaliteit aantoonbaar. Een Google DeepMind-paper uit 2022 toonde 17-35% kwaliteitsverbetering op redeneer-taken; in marketingcontext zien wij vergelijkbare effecten op briefings en strategieën. Praktisch: voeg aan je prompt een stappenplan toe dat de AI eerst moet doorlopen. Voorbeeld: 'Voor je de persona schrijft, beantwoord eerst in 2-3 zinnen elk: (1) wat is de dagelijkse pijn van deze rol, (2) welke doelen worden bovenaan beoordeeld, (3) welke informatiebronnen vertrouwt deze persoon, (4) welke alternatieven overweegt hij. Pas dan: schrijf de persona als gestructureerd profiel.' Door dit 'denkwerk' expliciet te maken voorkom je dat de AI direct in een generiek template schiet. Geavanceerder: tree-of-thought (meerdere paden parallel onderzoeken) en self-consistency (meerdere antwoorden vergelijken). Voor 90% van marketingtaken is reguliere CoT meer dan genoeg — en het verschil met directe prompts is groot genoeg dat je het na één test niet meer wilt missen.

De principes zijn universeel, de uitvoering verschilt per model. ChatGPT (GPT-5) is sterk in creatieve copy, multi-step instructies en gebruik van tools (browsing, code interpreter). Trucs: gebruik 'system'-rol via custom GPT's voor consistente tone, vraag expliciet om 'no preamble, output direct', en gebruik 'temperature: 0.7' voor creatieve taken, '0.2' voor consistente productie. Claude (Opus 4.5) excelleert in lange gestructureerde content, ethisch redeneren en stijl-consistentie. Trucs: gebruik XML-tags ('<context>...</context>', '<task>...</task>') — Claude is hier expliciet op getraind en volgt instructies aantoonbaar beter. Plaats je belangrijkste instructies aan het einde van de prompt; Claude weegt de laatste paragraaf zwaarder. Gemini (3) is sterk in multimodale prompts (combineer tekst + screenshot + spreadsheet), Google-zoek-integratie en YouTube-analyse. Trucs: gebruik 'Deep Research'-mode voor analyse-taken, en geef expliciet aan welke bron je wil dat hij prioriteert. Praktische teststrategie: kies je 5 belangrijkste use cases, draai dezelfde prompt door alle drie modellen, scoor de output op 4 criteria (relevantie, tone, structuur, gebruiksklaar zonder edits) en wijs per use case een 'champion model' aan. Update die toewijzing elk kwartaal — modellen veranderen sneller dan teams.

Het grootste klachtenpunt van marketeers over AI-output: 'het klinkt niet als ons'. De oplossing is een drie-laags systeem. (1) Tone-of-voice-document van 200-400 woorden met: vier do's ('we schrijven kort, met concrete data, vermijden jargon, gebruiken voorbeelden uit de Benelux'), vier don'ts ('geen superlatieven, geen Engelse jargon-woorden zonder noodzaak, geen passieve constructies, geen 'we zijn enthousiast om...'), 3-5 voorbeeldzinnen die je merk vertegenwoordigen, en een korte beschrijving van merk-persoonlijkheid ('rustig, expert, kritisch, met droge humor'). (2) Meta-prompt of system prompt waarin je dit tone-document integraal opneemt, plus doelgroep en propositie. (3) Custom GPT, Claude Project of Gemini Gem waarin deze meta-prompt vastzit — zodat collega's hem niet hoeven te kopiëren. Resultaat: nieuwe prompts hoeven alleen de taak te bevatten, de rest wordt automatisch toegepast. Bonus: voeg een 'self-check'-instructie toe ('Controleer voor je antwoordt of de tekst voldoet aan onze tone-of-voice: geen jargon, max 1 superlatief, minstens 1 concreet voorbeeld'). Bij teams die dit invoeren stijgt het percentage 'direct bruikbare' output van 20-30% naar 70-90% — een productiviteits-shift waar geen losse tool tegenop kan.

Generieke output is bijna altijd een prompt-probleem. Vijf tactieken die het kwaliteits-plafond doorbreken. (1) Afgebakende doelgroep: niet 'marketeers' maar 'Head of Demand Gen bij een SaaS-scale-up van 50-200 fte in DACH, voornamelijk gefocust op pipeline-conversie'. Hoe specifieker, hoe minder algemeen de tekst. (2) Pijn-context: voeg een concrete situatie toe ('deze persoon worstelt al 6 maanden met dalend organisch verkeer door AI-search en moet binnenkort de Q3-target verdedigen'). De AI past taal en argumentatie hierop aan. (3) Verboden openingen en clichés: 'Begin niet met In de snel veranderende wereld van... of In het huidige digitale landschap... — beide zijn verboden.' Lijst van 10-15 verboden frasen werkt het beste. (4) Vereiste elementen: 'De copy moet bevatten: minimaal één concreet data-punt, één voorbeeld uit de Benelux, één tegen-argument dat je weerlegt, en een call-to-action die geen vraag is.' Door eisen te stellen voorkom je dat de AI naar de gemakkelijkste oplossing zakt. (5) Self-critique: 'Beoordeel je eigen output op clichés, jargon en vaagheid. Herschrijf de twee zwakste zinnen.' Deze ronde alleen al verhoogt de gemiddelde kwaliteit met 25-40%. Pas alle vijf tactieken toe en je generieke-output-probleem is binnen een week opgelost.

De meest gebruikte templates in onze interne library, in categorieën. Content (5): blogintro met hook (RTCO + verboden clichés), 'best resource'-FAQ-sectie (definitie-eerst + FAQPage-schema-vraag-stijl), LinkedIn-post met persoonlijke hook, e-mail nurture-sequence van 4 mails, lange-vorm artikel-outline. Social (4): 5 LinkedIn-variantieposts uit één bron-artikel, Twitter/X-thread van 6-9 tweets, Instagram-carousel-tekst, TikTok-script van 30 seconden. Advertising (4): 5 Google Ads headlines + 3 beschrijvingen, Meta-advariaties (3 hooks × 3 CTA's), LinkedIn-Sponsored-Content-tekst, retargeting-copy per funnel-stadium. Strategie (4): persona-profiel (CRISPE + CoT), customer journey mapping per persona, concurrentie-analyse op 6 assen, positionerings-statement met 3 varianten. Analyse (3): GA4-rapport-samenvatting in 5 inzichten, A/B-test-conclusie + aanbeveling, customer-feedback clustering. GEO/SEO (3): citation-worthy FAQ-blok, content-cluster-plan rond entiteit, llms.txt-blok-suggestie. Elke template bevat: doel, modelvoorkeur, RTCO-structuur, 2 voorbeeld-outputs en de meest voorkomende valkuilen. We delen deze templates met klanten in de eerste workshop — implementatie kost een team gemiddeld 2-3 werkdagen, terugverdientijd is 2-4 weken.

Een individuele prompter is een productiviteitsboost. Een team met een gedeelde prompt-library is een productiviteits-vermenigvuldiger. Vier stappen om er een op te zetten. (1) Inventariseer in een workshop van 90 minuten welke 15-25 taken het team het meeste herhaalt — focus op de 80/20 van het werk. (2) Voor elke taak: schrijf één template volgens RTCO of CRISPE, test in twee modellen, kies een champion, documenteer twee voorbeeld-outputs en de top-3 valkuilen. (3) Sla op in een centrale plek: Notion-database (onze voorkeur), gedeelde Google Doc, of een dedicated tool als PromptLayer, PromptHub of Latitude. Per template velden: naam, doel, modelvoorkeur, RTCO-blokken, input-velden, voorbeeld-output, owner, laatst-bijgewerkt. (4) Maandelijkse update-cyclus: welke templates worden vaak gebruikt? Welke nieuwe taken kwamen erbij? Welke templates leveren herhaaldelijk slechte output op? Roteer de owner-rol elke 3 maanden zodat kennis breed in het team komt. Een goed onderhouden library wordt na 6 maanden de meest geraadpleegde interne resource — vaak vaker dan de styleguide of het merkbook. Verwachte impact: 30-50% extra productiviteits-winst bovenop wat individuele AI-gebruikers al halen, en — minstens zo belangrijk — sterk verminderde variantie in output-kwaliteit tussen teamleden.

Tien patronen die we vaak tegenkomen. (1) Geen rol-definitie ('Schrijf een blogpost over X' i.p.v. 'Je bent een senior B2B-strateeg...'). (2) Te brede doelgroep ('marketeers' i.p.v. 'CMO scale-up B2B SaaS'). (3) Geen outputformat-specificatie — je krijgt random lengte, structuur en tone terug. (4) Geen voorbeelden bij stijl-kritieke taken — few-shot is bijna altijd de moeite waard. (5) Te veel taken in één prompt ('Schrijf de blog, maak een LinkedIn-post, een e-mail én ad-copy') — splitsen verhoogt kwaliteit per output. (6) Geen verboden-lijst — generieke clichés overleven zonder expliciet verbod. (7) Geen self-critique — één extra ronde verhoogt kwaliteit met 25-40%. (8) Vertrouwen op één model — Claude en Gemini hebben andere sterktes dan ChatGPT. (9) Geen versiebeheer van prompts — een goed werkende prompt wordt 'verbeterd' zonder back-up. (10) Prompts opslaan in privé-bookmarks i.p.v. team-library — kennis lekt weg bij verloop. Het patroon achter de fouten: prompts worden behandeld als wegwerp-input terwijl ze in werkelijkheid productie-assets zijn met aantoonbare ROI. Behandel je beste prompts als wat ze zijn — herbruikbare bedrijfsmiddelen die onderhoud en versiebeheer verdienen.

Een pragmatisch invoeringsritme. Week 1 · fundament: organiseer een workshop van 2 uur waarin het team de 4-laagse architectuur en de vier frameworks leert. Iedereen schrijft drie eigen prompts volgens RTCO en deelt ze. Definieer de tone-of-voice in 200-400 woorden en bouw daarvan een meta-prompt. Week 2 · top-15 templates: identificeer de 15 meest herhaalde taken in het team en schrijf voor elk een template. Test elke template in minstens twee modellen en kies een champion. Documenteer in een centrale Notion-database. Week 3 · custom GPT's en Projects: bouw 2-3 custom GPT's of Claude Projects rondom de meest gebruikte rollen (bv. 'Hawk Eye Content-strateeg', 'Hawk Eye SEA-copywriter', 'Hawk Eye GEO-analist'). Geef collega's toegang en train ze in gebruik. Week 4 · meting en iteratie: meet welke templates daadwerkelijk gebruikt worden (in tools als PromptLayer, of via interne tags in Notion). Verzamel feedback in een retro: welke templates leveren goede output, welke niet? Update de zwakste 3 templates. Plan een maandelijkse update-cyclus en wijs een owner aan. Na 30 dagen heeft je team een werkende prompt-library, drie custom GPT's en een meetbaar productiviteitsverschil. Na 90 dagen is prompt engineering een vanzelfsprekende skill in plaats van een nicheskill van een paar AI-aandachtigen.