System prompt.

Een system prompt is de vaste instructielaag die het gedrag van een AI-model stuurt voordat een losse vraag van een gebruiker binnenkomt. Zie het als de spelregels achter de schermen: wat de AI moet doen, hoe het moet antwoorden en welke grenzen het moet bewaken.

Wie serieus met AI werkt, merkt snel dat het verschil tussen toeval en voorspelbaarheid vaak in deze laag zit. Een sterke system prompt maakt een model minder grillig, consistenter in toon en beter inzetbaar in workflows, bijvoorbeeld in n8n-pipelines waar Hans achtige automatiseringen draaien.

Wat is een system prompt?

Een system prompt is de hoogste instructie binnen een chat- of agentstructuur. Die prompt bepaalt de rol, context, toon en prioriteiten van het model, en gaat meestal vóór alle andere aanwijzingen. Als een user prompt vraagt om iets anders, probeert het model eerst binnen de grenzen van de system prompt te blijven.

Dat maakt de system prompt anders dan een user prompt. Een user prompt is de concrete vraag of opdracht van een gebruiker, zoals: “Schrijf een SEO-metaomschrijving”. De system prompt is de vaste context daarachter, zoals: “Je bent een Nederlandstalige contentspecialist, schrijf in heldere zakelijke taal en vermijd onzin.”

Hoe werkt een system prompt?

Onder de motorkap gebruikt een taalmodel alle instructies als context, maar niet alle instructies wegen even zwaar. De system prompt staat meestal bovenaan in de hiërarchie en helpt het model kiezen welk gedrag prioriteit heeft bij conflicterende aanwijzingen. Daardoor kan dezelfde vraag heel anders uitpakken, afhankelijk van de system prompt die eraan voorafgaat.

Je kunt het zien als drie lagen:

• system prompt: vaste gedragsregels en rol
• user prompt: de specifieke opdracht
• context of tools: extra informatie, zoals documenten, API-uitkomsten of eerdere berichten

In een agent-opzet is dit extra belangrijk. Als je bijvoorbeeld een workflow bouwt die klantvragen samenvat, productinformatie opzoekt en daarna een antwoord genereert, dan wil je dat de system prompt bepaalt hoe strikt het model moet samenvatten, welke bronvoorkeur het heeft en wat het niet mag doen met twijfelachtige input.

Waarom is dit relevant voor online marketing en SEO?

In marketing draait veel werk om herhaalbaarheid. Je wilt dat een AI niet alleen één keer een goed antwoord geeft, maar steeds binnen dezelfde merkstem, kwaliteitsnormen en SEO-richtlijnen blijft werken. Een goed ingestelde system prompt helpt daarbij, omdat je er vaste regels in kunt zetten voor tone of voice, lengte, structurering en het wel of niet gebruiken van claims.

Voor SEO is dat praktisch relevant op meerdere punten. Denk aan het consistent genereren van productbeschrijvingen, FAQ-antwoorden, meta titles of samenvattingen die allemaal dezelfde redactionele logica volgen. Dat scheelt correctiewerk en verkleint de kans op output die afwijkt van je contentstrategie of E-E-A-T-richtlijnen.

Voor GEO, oftewel vindbaarheid in AI-zoekmachines, is het minstens zo nuttig. AI-systemen die antwoorden samenvatten of herformuleren, varen beter op content die intern consistent is en waarvan de instructies goed zijn afgestemd op doel, publiek en brongebruik. Een system prompt helpt je AI-werk dus niet alleen om mooier te schrijven, maar ook om betrouwbaarder te redeneren.

Verschil tussen system prompt en user prompt

Het kernverschil is eenvoudig: de system prompt bepaalt het kader, de user prompt vraagt om een actie binnen dat kader. Als jij aan een assistent vraagt om een advertentietekst te schrijven, dan is dat een user prompt. Als de assistent ondertussen altijd moet schrijven in de stijl van een ervaren B2B-marketeer, dan komt die richting uit de system prompt.

Dat verschil merk je vooral wanneer prompts botsen. Vraag jij aan een model om “kort en luchtig” te antwoorden, terwijl de system prompt eist dat het antwoord juridisch voorzichtig, gestructureerd en feitelijk moet zijn, dan wint meestal die laatste laag. Daarom is de system prompt geen extraatje, maar de basis waarop je betrouwbare output bouwt.

Hoe borg je stabiel gedrag en merkstem?

De grootste fout is een system prompt schrijven die te vaag is. Zinnen als “wees behulpzaam” of “schrijf professioneel” zijn te breed om consequent gedrag af te dwingen. Beter is het om concreet te maken wat het model wél en niet moet doen, bijvoorbeeld over doelgroep, lengte, stijl, brongebruik en omgang met onzekerheid.

Praktische richtlijnen:

• definieer rol en context scherp, bijvoorbeeld B2B-content, SEO of klantenservice
• beschrijf toon in concrete woorden, zoals rustig, deskundig en zonder marketingjargon
• leg vaste outputregels vast, zoals koppenstructuur, lengte of bulletgebruik
• benoem verboden gedrag, zoals verzinnen van feiten of overdrijven van resultaten
• geef aan hoe het model moet omgaan met twijfel, bijvoorbeeld altijd aangeven dat iets niet zeker is

Voor merkstem werkt het goed om voorbeelden en tegenvoorbeelden op te nemen. Niet als toneelstukje, maar als compacte stijlregels: schrijf actief, gebruik je/jij, vermijd superlatieven en kies voor heldere vaktaal. Zo wordt de output veel consistenter dan wanneer je alleen een losse stijlomschrijving meegeeft.

Een concreet voorbeeld uit een n8n-workflow

Stel, je bouwt in n8n een workflow die binnenkomende klantvragen classificeert en een conceptantwoord genereert. De user prompt bevat dan de specifieke vraag van de klant, bijvoorbeeld over levertijd, retouren of een technische fout. De system prompt kan dan bepalen dat de AI eerst de vraag samenvat, daarna alleen antwoord geeft op basis van beschikbare kennis en geen verzonnen garanties noemt.

Een bruikbaar voorbeeld van zo’n system prompt is: “Je bent een Nederlandstalige supportassistent voor een webshop. Schrijf helder en vriendelijk, geef alleen informatie die uit de aangeleverde context blijkt, noem onzekerheden expliciet en eindig niet met een verkooptekst.” Dat is veel krachtiger dan alleen de vraag om “een goed antwoord te schrijven”.

Het inzicht hier is dat een system prompt geen tekstversiering is, maar een besturingslaag. Als die laag goed staat, kun je in n8n veel minder handmatig bijsturen en krijg je stabielere uitkomsten, ook wanneer de input per geval verschilt.

Praktische tips voor betere system prompts

Begin klein en test de prompt op echte gevallen. Een system prompt die werkt op één voorbeeld kan alsnog instabiel zijn wanneer de invoer kort, vaag of tegenstrijdig is. Daarom is het slim om varianten te testen: een simpele vraag, een lange vraag en een lastige uitzonderingssituatie.

Houd je prompt ook intern leesbaar. Een goede system prompt is vaak korter dan mensen verwachten, maar bevat wel duidelijke prioriteiten. Als je te veel regels opstapelt, neemt de kans toe dat het model de kern mist of juist te braaf en vlak gaat antwoorden.

Werk tot slot met vaste bouwstenen per use case. Voor contentcreatie kun je denken aan: doel, doelgroep, toon, structuur, bronnen en verboden claims. Voor agents of automatiseringen voeg je daar nog foutafhandeling, escalatie en grenzen aan toe.

Wat je hier echt uit kunt halen

De waarde van een system prompt zit niet in magie, maar in voorspelbaarheid. Hoe beter jij het kader definieert, hoe kleiner de kans dat je AI elk antwoord opnieuw moet corrigeren. Dat scheelt tijd, verhoogt kwaliteit en maakt AI inzetbaar in echte marketingprocessen.

Voor wie met AI bouwt, is dit vaak het verschil tussen een losse chatbot en een bruikbare productieflow. Juist daarom is een goede system prompt onmisbaar in moderne prompt engineering en in praktische automatisering.

FAQ system prompt

Een sterke system prompt maakt AI minder willekeurig en veel beter inzetbaar in echte workflows. Zeker als je met content, SEO of automatisering werkt, verdien je die extra precisie snel terug.