Je vraagt Claude of ChatGPT om een complex probleem op te lossen en het antwoord komt in twee seconden, maar het is compleet fout. Waarom? Omdat de AI redeneerstappen heeft overgeslagen. Chain-of-thought (CoT) lost dit op door de AI te dwingen haar denken stap voor stap uit te leggen, zoals jij op een kladblok zou doen. Deze techniek verbetert de nauwkeurigheid van antwoorden met 40 tot 60% volgens onderzoeken van Anthropic en Google Research. Je gaat leren hoe je dit praktisch toepast, zelfs als je nog nooit van prompt engineering hebt gehoord.
Wat is chain-of-thought in prompt engineering?
Chain-of-thought is een techniek die de AI expliciet vraagt haar redenering stap voor stap te tonen voordat ze het uiteindelijke antwoord geeft. In plaats van een direct antwoord te krijgen, ontvang je het volledige logische pad dat tot dat antwoord leidt.
Een eenvoudig voorbeeld: je vraagt de AI hoeveel 3 artikelen à 24,99€ kosten met 15% korting. Zonder CoT kan ze een willekeurig getal geven. Met CoT geeft ze details:
- Prijs per stuk: 24,99€
- Totale prijs zonder korting: 24,99€ × 3 = 74,97€
- Kortingsbedrag: 74,97€ × 0,15 = 11,25€
- Eindprijs: 74,97€ - 11,25€ = 63,72€
Deze uitsplitsing stelt je in staat om onmiddellijk een reken- of logische fout op te sporen. Onderzoekers van Google publiceerden in 2022 het baanbrekende onderzoek "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" dat aantoont dat deze aanpak de prestaties op redeneertaken drastisch verbetert.
Chain-of-thought werkt bijzonder goed voor:
- Wiskundige berekeningen
- Logische problemen
- Analyse van complexe scenario's
- Beslissingen die meerdere criteria vereisen
- Het oplossen van bugs in code
Hoe pas je chain-of-thought toe in je prompts?
Om chain-of-thought in te schakelen, voeg je eenvoudig een expliciete instructie toe die de AI vraagt haar redenering uit te splitsen, bijvoorbeeld "Denk stap voor stap" of "Toon je redenering". Deze magische zin transformeert radicaal de kwaliteit van antwoorden.
Hier zijn drie formuleringen die systematisch werken:
Formulering 1: De directe instructie
"Denk stap voor stap om dit probleem op te lossen: [jouw probleem]"
Formulering 2: De opgelegde structuur
"Voordat je antwoordt, geef je redenering in detail door deze stappen te volgen:
- Probleemanalyse
- Identificatie van relevante gegevens
- Berekeningen of afleidingen
- Verificatie
- Uiteindelijk antwoord"
Formulering 3: De few-shot CoT
Je geeft een voorbeeld van redenering voordat je je vraag stelt. Dit is de krachtigste methode.
"Voorbeeld: Als een trein 120 km/u rijdt gedurende 2u30, welke afstand legt hij af? Redenering:
- Snelheid: 120 km/u
- Duur: 2u30 = 2,5 uur
- Afstand = snelheid × tijd
- Afstand = 120 × 2,5 = 300 km
Los nu dit probleem op met dezelfde logica: [jouw probleem]"
Een praktische tip: begin met formulering 1 voor je dagelijks gebruik. Ga naar formulering 2 voor echt complexe problemen. Bewaar formulering 3 voor wanneer je maximale nauwkeurigheid nodig hebt voor een terugkerend taaktype.
Welke soorten problemen lost chain-of-thought op?
Chain-of-thought blinkt uit bij taken die meerdere stappen logische redenering vereisen, met name wiskunde, programmering, tekstanalyse en multicriteria-besluitvorming. Het transformeert benaderde antwoorden in verifieerbare oplossingen.
Wiskunde en berekeningen
AI's maken regelmatig basisrekenfouten zonder CoT. Met CoT daalt het foutenpercentage met 80% volgens de GSM8K-benchmarks (een dataset van 8500 wiskundeproblemen op basisschoolniveau).
Concreet voorbeeld:
Zonder CoT: "Ik heb 15 appels, ik geef 40% aan Maria en 1/3 van de rest aan Paulus. Hoeveel houd ik over?" Typisch antwoord: "Je houdt 6 appels over" (fout)
Met CoT: "Denk stap voor stap..." Gedetailleerde redenering:
- Start: 15 appels
- 40% voor Maria: 15 × 0,4 = 6 appels
- Over na Maria: 15 - 6 = 9 appels
- 1/3 van de rest voor Paulus: 9 ÷ 3 = 3 appels
- Eindstand: 9 - 3 = 6 appels
Het antwoord is hetzelfde maar de redenering is verifieerbaar. Je ziet onmiddellijk waar je moet zoeken als iets niet klopt.
Programmering en debugging
Chain-of-thought helpt de AI een codeprobleem in logische subproblemen op te splitsen. Bijzonder nuttig met Claude Code of Cursor.
Voorbeeld: "Mijn Python-code geeft een fout 'list index out of range'. Analyseer stap voor stap waarom."
De AI zal:
- Identificeren waar de fout optreedt
- De grootte van de lijst op dat moment onderzoeken
- De gebruikte indices controleren
- De uitvoeringsstroom traceren
- Een correctie voorstellen
Tekstanalyse en begrip
Om informatie uit een lange tekst te extraheren of argumenten te analyseren, dwingt CoT de AI haar conclusies te rechtvaardigen.
"Lees dit contract en identificeer problematische clausules. Leg je redenering voor elke clausule uit."
De AI zal gedetailleerd uitleggen waarom een bepaalde clausule vaag is, welke wet deze kan schenden, welke risico's deze met zich meebrengt.
Besluitvorming
Chain-of-thought transformeert de AI in een transparant beslissingsondersteuningstool.
"Ik moet kiezen tussen 3 laptops. Analyseer stap voor stap welke het beste bij mijn behoeften past: [criteria]."
De AI zal elk criterium vergelijken, scores toekennen, haar keuzes rechtvaardigen, in plaats van willekeurig een naam te noemen.
Chain-of-thought eenvoudig vs zero-shot-CoT: wat is het verschil?
Eenvoudige chain-of-thought vereist dat je voorbeelden van redenering aan de AI geeft, terwijl zero-shot-CoT simpelweg "Denk stap voor stap" toevoegt zonder voorafgaand voorbeeld. Zero-shot is sneller, few-shot nauwkeuriger.
Zero-shot-CoT (ontdekt door Google-onderzoekers in 2022) is de minimalistische versie: je voegt gewoon "Let's think step by step" of "Denk stap voor stap" toe aan het einde van je vraag. Geen voorbeelden nodig. Het werkt verrassend goed.
Voordelen van zero-shot-CoT:
- Snel in te stellen
- Werkt op bijna alle problemen
- Geen behoefte aan voorbeelden
Nadeel: minder nauwkeurig dan few-shot voor specifieke taken.
Few-shot-CoT vereist dat je 1 tot 3 voorbeelden van redenering geeft voordat je vraag. Je toont de AI precies hoe je wilt dat ze redeneert.
Voordelen van few-shot-CoT:
- Maximale nauwkeurigheid
- Volledige controle over antwoordformat
- Ideaal voor repetitieve taken
Nadeel: kost meer tijd om voor te bereiden.
Een vergelijkend onderzoek van Stanford (2023) toont aan dat few-shot-CoT zero-shot met 12 tot 18 procentpunten overtreft op wiskundige benchmarks. Maar zero-shot is ruim voldoende voor 80% van het dagelijks gebruik.
Praktische regel: begin met zero-shot. Als de resultaten je niet bevallen, ga over op few-shot met 1 of 2 goed gekozen voorbeelden.
Veelgemaakte fouten en hoe je ze met chain-of-thought vermijdt
De meest voorkomende fouten met CoT zijn het vragen om te veel onnodige stappen, het niet verifiëren van de verkregen redenering, en het gebruiken ervan voor vragen die te eenvoudig zijn. CoT is geen universele toverstaf.
Fout 1: CoT misbruiken op eenvoudige vragen
Voor "Wat is de hoofdstad van Frankrijk?" is CoT contraproductief. Je krijgt een alinea terwijl één woord volstaat. Bewaar CoT voor problemen die echt meerdere redeneerstappen vereisen.
Fout 2: De redenering niet verifiëren
CoT maakt fouten zichtbaar, maar je moet ernaar zoeken. De AI kan een redenering produceren die lijkt logisch maar een subtiele fout bevat in stap 3 van 7.
Oplossing: lees de redenering, niet alleen de conclusie. Controleer minstens de kritieke berekeningen.
Fout 3: Te veel detail vragen
"Leg me elke microstap van je redenering uit met maximaal detailniveau" produceert onleesbare blokken tekst. Vraag een detailniveau dat aansluit bij je behoefte.
Voor een eenvoudige berekening: 3-4 stappen volstaan Voor een complex probleem: 6-8 stappen maximaal Daarboven verdwaal je in details.
Fout 4: Vergeten de vraag te structureren
Vergelijk:
Vaag: "Denk stap voor stap na over dit complexe bedrijfsfinancieringsprobleem..."
Gestructureerd: "Analyseer dit probleem in deze stappen: 1) Identificatie van kasstromen, 2) Berekening van disconteringsvoet, 3) Netto contante waarde, 4) Investeringsbeslissing. Denk stap voor stap."
De gestructureerde versie stuurt de AI naar de redenering die je wilt.
Fout 5: Meerdere vragen mengen
"Bereken dit budget EN leg uit waarom dit project winstgevend is EN noem de risico's" in CoT-modus produceert verwarrende redenering. Splits in 3 aparte prompts, elk met zijn eigen CoT.
Hoe combineer je chain-of-thought met andere promptingtechnieken?
Chain-of-thought combineert krachtig met role prompting, formaatbeperkingen en validatie door tegenvoorbeelden om ultra-effectieve prompts te creëren. Deze combinaties vermenigvuldigen de effectiviteit.
CoT + Role prompting
Geef de AI een deskundigenrol voordat je om stap-voor-stap redenering vraagt.
"Je bent een belastingadviseur met 15 jaar ervaring. Analyseer stap voor stap of deze uitgave fiscaal aftrekbaar is: [context]."
De rol oriënteert het type redenering, CoT garandeert transparantie.
CoT + Formaatbeperkingen
Leg een precieze uitvoerstructuur op terwijl je gedetailleerde redenering behoudt.
"Denk stap voor stap, presenteer je antwoord dan in een tabel met 3 kolommen: Criterium | Analyse | Score op 10."
Je krijgt traceerbare redenering in een bruikbaar format.
CoT + Validatie door tegenvoorbeelden
Vraag de AI haar eigen redenering te controleren door naar gevallen te zoeken waar deze zou falen.
"Los dit probleem stap voor stap op, identificeer dan de randgevallen waar je redenering fout zou kunnen zijn."
Deze dubbele controle detecteert logische gaten.
CoT + Few-shot learning
De krachtigste combinatie: je geeft 2-3 voorbeelden van soortgelijke problemen opgelost stap voor stap, dan stel je je vraag.
"Voorbeeld 1: [probleem + CoT-redenering + oplossing] Voorbeeld 2: [probleem + CoT-redenering + oplossing]
Los nu dit nieuwe probleem op met dezelfde logica: [jouw probleem]"
Deze aanpak bereikt nauwkeurigheidspercentages dicht bij 90% op complexe benchmarks volgens Anthropic-onderzoeken.
Een laatste tip: test deze combinaties geleidelijk. Begin met CoT alleen, voeg dan één techniek tegelijk toe. Je vindt snel je optimale formule voor je behoeften.
Conclusie
Chain-of-thought transformeert de AI in een assistent die haar werk toont in plaats van antwoorden uit haar mouw te schudden. Begin met "Denk stap voor stap" toe te voegen aan je complexe prompts. Controleer de verkregen redenering. Verfijn met voorbeelden indien nodig. Deze eenvoudige techniek verbetert radicaal de betrouwbaarheid van antwoorden op berekeningen, logica, code en beslissingen. Je hebt zojuist een tool verworven die 90% van de AI-gebruikers nog niet kennen.
