Prompten is een vak, geen invoerveld

Iris typte de opdracht in twaalf seconden: schrijf een LinkedIn-post over onze nieuwe functie. De chatbot antwoordde binnen drie seconden met vijfhonderd foutloze woorden vol werkwoorden als revolutionair en naadloos, en Iris wist meteen dat ze hem niet zou plaatsen. Ze herschreef de opdracht, voegde informeel en pakkend toe, kreeg een post met een emoji erin terug en nog steeds niets dat op haar leek. Na de vijfde poging deed ze wat ze op elk ander project zou doen als een collega een half werkstuk afleverde: ze legde het weg, deed het zelf, en concludeerde onderweg dat AI misschien goed is voor code maar niet voor haar vak.

Het probleem zat niet in het model

Haar collega Ruben keek een dag later mee over haar schouder en zag geen falend model, maar een lege opdracht. Iris had nooit verteld wanneer de functie live ging, voor wie hij bedoeld was, of wat het ene detail was waardoor deze update voor haar klanten uitmaakte. De chatbot had niet gefaald in het begrijpen van haar zin. Hij had die zin precies uitgevoerd, en een vage opdracht levert nu eenmaal een gemiddeld antwoord op: het statistisch veiligste stuk tekst dat past bij duizenden vergelijkbare productposts. Dat is geen storing in het systeem. Dat is het systeem dat doet wat gevraagd werd.

Ruben stelde iets anders voor. In plaats van meteen een tekst te eisen, liet hij Iris de assistent instrueren om eerst drie vragen te stellen voordat er ook maar een zin geschreven mocht worden. De vragen die volgden waren niet ingewikkeld: wie leest dit, wat moet diegene na het lezen doen, en wat is het detail dat een concurrent niet kan kopiëren. Iris typte de antwoorden in twee minuten. De post die daarna verscheen, leek voor het eerst op iets wat zij had kunnen schrijven, niet omdat het model ineens beter Nederlands sprak, maar omdat zij ineens iets concreets had gezegd.

Vaagheid was altijd al uw probleem

Een leeg Word-document heeft Iris nooit iets gevraagd. Het accepteerde elke halfbakken zin die ze erin typte, zonder tegenspraak, en juist daardoor merkte ze nooit hoe onaf haar eigen opdracht eigenlijk was. Een tekstverwerker registreert. Een chatbot antwoordt, en in dat antwoord zit voor het eerst een spiegel: als de tekst generiek terugkomt, was de vraag generiek, ook al voelde de vraag in uw hoofd volkomen duidelijk.

Wie ooit een vage briefing aan een net aangenomen collega gaf, kent het effect al. De nieuwe collega neemt de woorden letterlijk, levert iets af dat exact aan de opdracht voldoet en toch niet is wat u bedoelde, en pas dan beseft u hoeveel er in uw hoofd zat dat u er nooit bij vertelde. Een chatbot doet hetzelfde, alleen binnen drie seconden en zonder de gegeneerde blik van een collega die durft te vragen of u het zelf wel precies wist. Die snelheid maakt het makkelijk om de conclusie te trekken dat de machine het niet snapt, terwijl de eigenlijke conclusie is dat uzelf het nog niet had uitgedacht.

Dat effect is niet nieuw, alleen sneller zichtbaar geworden. Schrijvers weten al veel langer dat het opschrijven van een gedachte de gedachte zelf verandert, en dat een idee dat in uw hoofd compleet aanvoelt, op papier vaak drie losse eindjes blijkt te hebben die u nooit aan elkaar had geknoopt. Vroeger merkte u dat pas als u zelf ging typen en halverwege de tweede zin vastliep. Een chatbot verplaatst dat moment naar voren: hij typt voor u, en levert daardoor binnen seconden het bewijs dat de losse eindjes er al waren voordat u er zelf achter kwam.

Niemand wil de vraag terug

Toch is een tegenvraag het laatste wat de meeste producten u durven te geven. Elke seconde tussen uw invoer en een antwoord is een seconde waarin u kunt afhaken, en dus wordt vrijwel elke chatbot getraind en ingericht om liever één zelfverzekerde gok te doen dan een verduidelijkende vraag te stellen. Een tegenvraag voelt voor een gebruiker al snel als een tool die zijn werk niet doet, ook wanneer die tegenvraag precies het verschil maakt tussen een middelmatig en een bruikbaar antwoord.

Dat is geen nieuw dilemma, alleen een teruggekeerd dilemma. Een goede architect vroeg vroeger altijd eerst voor wie een huis gebouwd werd voordat er een lijn op papier kwam, een goede eindredacteur vroeg altijd eerst wie de lezer was voordat er een zin geschreven werd. Die vraag kostte tijd, en software heeft decennialang precies die tijd weggeoptimaliseerd, tot formulieren, zoekbalken en invoervelden die alles accepteerden en niets terugvroegen de norm werden. AI heeft die vraag, zonder dat iemand het zo bedoelde, per ongeluk teruggezet op de kaart. Alleen staat hij nu standaard uit, omdat een product dat wel vraagt het verliest van een product dat meteen antwoordt in elke test die snelheid meet.

Onderzoek naar zoekgedrag laat al jaren zien dat gebruikers afhaken zodra een resultaat een fractie van een seconde trager komt, en diezelfde ongeduldigheid is meeverhuisd naar chatbots. Een assistent die eerst drie vragen stelt, verliest het in elke A/B-test van een assistent die meteen vijfhonderd zelfverzekerde woorden aflevert, ook al is dat eerste antwoord vaker het antwoord dat u daarna weggooit. De statistiek beloont het snelle gebaar, niet het juiste antwoord, en een bedrijf dat wordt afgerekend op sessieduur en tevredenheidsscores bouwt uiteindelijk het product dat die statistiek beloont, niet het product dat u op de lange termijn het meest had geholpen.

De tegenvraag zelf inbouwen

Wie daarop wil wachten tot een leverancier die knop omzet, wacht waarschijnlijk vergeefs, want de knop verandert de statistieken waarop het product wordt afgerekend. Het goede nieuws is dat niemand op die knop hoeft te wachten. De instructie past in één zin, voorafgaand aan elke belangrijke opdracht: stel me eerst twee tot drie vragen over doel, publiek en niet-onderhandelbare details voordat je iets schrijft. Antwoord daarna zo eerlijk mogelijk, ook als het antwoord voor de helft een schouderophalen is, want een half antwoord is nog altijd meer richting dan geen antwoord.

Iris begint inmiddels elke belangrijke opdracht met precies die zin. Niet omdat de tekst die eruit komt ineens door een beter model wordt geschreven, maar omdat zij zelf gedwongen wordt eerder te beslissen wat ze eigenlijk bedoelt, in plaats van dat pas te ontdekken bij de vijfde mislukte poging. De post die ze uiteindelijk plaatste, noemt ze nog steeds de hare. Niet omdat ze elk woord zelf typte, maar omdat ze, voordat er ook maar een woord stond, de vragen had beantwoord die ze zichzelf normaal nooit stelde.

Het werkt net zo goed buiten teksten om. Wie een assistent om een investeringsadvies, een verbouwplan of een sollicitatiebrief vraagt, kan dezelfde zin voorop zetten en merkt vaak binnen één ronde vragen al waar de eigen aanname rammelde. De vragen die terugkomen zijn zelden verrassend als u ze eenmaal leest. Verrassend is vooral hoe zelden u ze zichzelf stelde voordat er een machine was die ernaar vroeg.