Omdat AI trackers per prompt een schone lei gebruiken, is het blind invoeren van prompts in een tracker een garantie voor data die niet klopt. In deze blog gaan we direct naar de kern: hoe test en track je prompts systematisch, hoe dwing je de juiste B2B- of B2C-database af zonder chatgeschiedenis, en met welke formules richt je jouw tracking-tooling waterdicht in.

De valkuil van statische prompt trackers

Bij een ‘statische’ prompt-tracker zoals AccuLLM (die elke prompt als een losse, schone API-call of zero-shot query afvuurt) ontbreekt de chatgeschiedenis. Zonder context of eerdere berichten valt een LLM altijd terug op zijn ‘default’ trainingsdata. Voor brede termen betekent dit dat de LLM bijna altijd kiest voor de meest algemene doelgroep (meestal B2C-consumenten). Als je met prompt testing meer inzicht wilt krijgen over de antwoorden binnen AI-search, dan moet je goede prompts formuleren.

Als een prompt te breed is, moet de LLM gaan gokken of de gebruiker een consument of zakelijke klant is. Om dit probleem op te lossen zonder de prompt onnatuurlijk te maken, moet je de context binnen dezelfde zin meegeven. Je dwingt de LLM tot een keuze door een triggerwoord of een situatieschets in te bouwen.

Waarom mag je geen brede prompts gebruiken voor prompt testing?

Wanneer je een tool als AccuLLM gebruikt voor prompt testing, vuurt de tool eigenlijk honderden losse, geïsoleerde API-calls af naar modellen zoals GPT-4o of Gemini. Omdat elke prompt begint met een volledig schone lei (zero-shot), ontstaan er een aantal specifieke valkuilen voor jou als SEO-specialist.

Zero-shot learning betekent dat je een LLM of AI tracker een taak laat uitvoeren zonder vooraf concrete voorbeelden of training voor die specifieke opdracht te geven. Je stelt direct je vraag of geeft een instructie (de prompt).In een statische tracker zoals AccuLLM is elke prompt een zero-shot poging, omdat de tool geen eerdere context of chatgeschiedenis heeft om van te leren.

De LLM kiest de veiligste weg

Als jij de statische prompt “Hoe werkt een pakket retourneren bij PostNL?” trackt, zal de AI meestal uitleggen hoe je als consument een pakketje naar een PostNL-punt brengt. De zakelijke kant (hoe PostNL de retourstroom voor webshops regelt) wordt volledig genegeerd, tenzij je dit expliciet af dwingt.

Echt zoekgedrag is multi-turn

In de praktijk zoeken mensen in LLM’s via een gesprek. Ze beginnen breed en verfijnen hun vraag gaandeweg. Een statische tracker mist deze opvolgende vragen (multi-turn prompts) volledig.

Brede (foute) prompt voorbeeld

Als een consument “pakket verzenden” zoekt in een LLM, gaat het vaak om incidentele zendingen, retouren of tweedehands verkoop.

De brede (foute) prompt: “Hoe kan ik een pakket verzenden met PostNL?” De LLM twijfelt en geeft vaak een algemene mix van consumenten- en zakelijke doelgroep).

De perfecte accuLLM prompt: “Hoe kan ik als particulier eenmalig een pakket verzenden via PostNL en waar vind ik het dichtstbijzijnde afleverpunt?”

De Statische Prompt Formule (SPF)

Elk onderdeel in deze formule is ontworpen om de LLM in één keer (zero-shot) te dwingen de juiste database en intentie aan te spreken:

Doelgroep + Context/Trigger + Concrete hulpvraag + (eventueel de huidige situatie) (+ eventueel een Randvoorwaarde)

1) Doelgroep

Definieert direct de doelgroep zonder geschiedenis.
Voorbeelden: “Als particulier”, “Als kleine webshopeigenaar”, “Als zzp’er”, “Als ontvanger”.

2) Context / Trigger

Elimineert twijfel voor de LLM door volumes, systemen of locaties te noemen.
Voorbeelden: “voor een eenmalige zending”, “met een Shopify-webshop”, “bij een volume van 50 stuks per maand”.

3) De Concrete Hulpvraag

De daadwerkelijke zoekopdracht van de gebruiker.
Voorbeelden: “wat zijn de kosten voor een pakket naar Duitsland?”, “hoe werkt het retourneren?”, “hoe vraag ik een zakelijk account aan?”.

5) De huidige situatie

Leg uit wat je al gecheckt of gedaan hebt wat het probleem niet oploste of merken die je al bekeken hebt.
Voorbeelden: “De app laat bericht X zien”, “de track en trace zegt dat het niet bezorgd is”.

4) De Randvoorwaarde

Benoem een specifiek stukje informatie, landingspagina’s of tools.
Voorbeelden: “binnen welke termijn moet dit?”, “inclusief de btw-regels”.

Concreet voorbeeld van een goede prompt voor prompt testing

Hier zie je hoe de formule de prompt opbouwt voor accuLLM:

Voorbeeld 1: Consumenten-focus (B2C)

Formule: [Als particulier] + [die een Marktplaats-vondst wil versturen] + [wat is de goedkoopste manier om een pakket van 15 kg te verzenden via PostNL] + [Ik kan op de website niks vinden] + [en moet ik dit online frankeren?]

Voorbeeld 2: Zakelijke-focus (B2B)

Formule: [Als webshopeigenaar] + [met een maandelijks volume van 2000 zendingen] + [hoe kan ik mijn WooCommerce winkel koppelen aan PostNL Zakelijk] + [en wat zijn de ophaalopties?]

Wat zijn veelgemaakte fouten bij het formuleren van prompts?

Veelgemaakte fouten bij het formuleren van prompts in ChatGPT of Gemini leiden tot vage, onnauwkeurige of irrelevante antwoorden. Daar heb je helemaal niks aan. Dit zijn een aantal fouten die je zou kunnen voorkomen:

• Te vaag of te breed; formuleer wat specifieke prompts.
• Geen context. Voeg lokale vraag of feature toe.
• Meerdere vragen in een prompts. Splits je prompts op .
• Merk altijd benoemen.
• Geen intentie formuleren.
• Te complex en gebruik van jargon.