Atom-of-Thoughts: zo helpt deze prompttechniek jou
Je herkent het vast: een vraagstuk dat zó complex is dat zelfs het opdelen ervan een uitdaging vormt. Denk aan het beoordelen van de juridische risico’s van een grensoverschrijdende datatransfer, het afwegen van investeringen in AI-tools binnen je kantoor, of het analyseren van een contract met tientallen bepalingen en uitzonderingen. Waar begin je?
In de wereld van AI is recent een nieuwe aanpak ontwikkeld die precies voor dit soort situaties is ontworpen: Atom-of-Thoughts (AoT). Deze techniek stelt AI in staat om complexe problemen niet lineair op te lossen, maar eerst op te splitsen in volledig onafhankelijke, parallel oplosbare deeleenheden: ‘atomen van denken’. Het resultaat? Nauwkeurigere, transparantere én snellere output.
In deze blog leggen we uit hoe AoT werkt, waarom het zo effectief is, en hoe jij deze techniek vandaag nog kunt toepassen in juridische en zakelijke context.
Wat is Atom-of-Thoughts?
Atom-of-Thoughts is een recente prompttechniek die AI aanstuurt om een complexe opdracht niet als één keten te behandelen (zoals bij de bekende Chain-of-Thought), maar als een netwerk van kleine, afzonderlijke deelvragen. Elk van deze vragen – de 'atomen' – moet in principe zonder context van de andere opgelost kunnen worden.
Deze werkwijze sluit verrassend goed aan bij hoe professionals, en zeker juristen, denken: eerst alle relevante elementen uitwerken, dan de verbanden analyseren, en pas daarna een eindoordeel vormen.
De kracht van AoT ligt in:
het modulair benaderen van complexe taken,
het parallel kunnen verwerken van subvragen,
het beperken van foutpropagatie, oftewel het doorsijpelen van fouten uit eerdere stappen naar latere conclusies.
Hoe werkt het precies? Het vierstappenmodel van AoT
Onderzoekers beschrijven de techniek als een cyclus van decompositie en contractie – opsplitsen en weer samenbrengen:
1. Decompositie: wat zijn de kleinste denkbare deelvragen?
De AI wordt gevraagd het centrale probleem op te splitsen in zo onafhankelijk mogelijke eenheden. Elke eenheid moet zelfstandig oplosbaar zijn. Dit vereist dat de oorspronkelijke vraag helder en afgebakend geformuleerd is.
2. Afhankelijkheden identificeren
Daarna maakt de AI expliciet wat de onderlinge afhankelijkheden zijn. Welke deelvragen kunnen tegelijk worden behandeld, en welke moeten wachten op de uitkomst van een andere?
Hierbij wordt vaak gebruikgemaakt van een dependency-based directed acyclic graph (DAG): een structuur die laat zien hoe de informatie stroomt.
3. Parallel oplossen van deelvragen
De AI behandelt de onafhankelijke ‘atomen’ gelijktijdig. Daardoor wordt rekenkracht efficiënter benut, en kan de tijd tot antwoord aanzienlijk dalen.
4. Contractie: samenvoegen tot één antwoord
De AI integreert de deeluitkomsten in een eindantwoord. Daarbij wordt de vooraf bepaalde structuur gevolgd om inconsistenties te vermijden.
Prompttemplate voor AoT
Een werkbare basisprompt die je direct kunt inzetten:
“Splits dit probleem op in de kleinst mogelijke, zelfstandige stappen. Elke stap moet zo onafhankelijk mogelijk zijn van andere stappen. Structureer de afhankelijkheden in een overzicht, los de stappen parallel op, en geef tenslotte een samenhangend eindantwoord waarin alle resultaten geïntegreerd zijn.”
Waarom is dit belangrijk?
De meeste AI-systemen falen bij complexe taken omdat ze proberen alles tegelijk op te lossen. Dat leidt tot hallucinaties, onduidelijke redeneerlijnen en fouten die zich opstapelen. Chain-of-Thought helpt hier deels bij door lineair te redeneren, maar AoT gaat verder: het vermijdt ketenredeneringen waar mogelijk, en richt zich op radicale modulariteit.
Uit onderzoek blijkt dat dit een aantoonbaar verschil maakt:
Bij wiskundige benchmarks (zoals de MATH dataset) steeg de nauwkeurigheid van 78,3% naar 83,6% bij gebruik van AoT.
Op de HotpotQA benchmark – gericht op multi-hop redeneren – behaalde het oudere model GPT-4o mini met AoT een F1-score van 80,6%, hoger dan het nieuwere o3-mini model zonder AoT (77,2%) en DeepSeek-R1 (70,0%).
Ook op rekenvraagstukken (GSM8K) leverde AoT een lichte stijging op van 91,0% naar 92,3%.
Het meest indrukwekkende resultaat is misschien wel de efficiëntiewinst: door alleen te focussen op het actuele deelprobleem, zonder de hele redeneerlijn in het geheugen te houden, vermijdt AoT verspilde rekenkracht. Voor eindgebruikers betekent dit: minder wachttijd, lagere foutmarges, en sneller bruikbare output.
Juridische toepassingen van AoT
🧩 Voorbeeld 1: risicoanalyse bij datadoorgifte
Casus: je moet beoordelen of een voorgenomen datatransfer van Nederlandse klantdata naar een Amerikaanse dienstverlener juridisch houdbaar is.
Zonder AoT:
"Wat zijn de risico’s van deze datadoorgifte?"
Met AoT:
Welke categorieën persoonsgegevens worden verwerkt?
Is er sprake van bijzondere persoonsgegevens?
Valt de dienstverlener onder FISA 702?
Zijn standaardcontractbepalingen (SCC’s) van toepassing?
Zijn er aanvullende technische maatregelen (encryptie, pseudonimisering)?
Wat zijn de gevolgen bij inbreuk?
Elke stap kan grotendeels zelfstandig worden geanalyseerd. De AI voegt deze inzichten samen tot een onderbouwd advies.
⚖️ Voorbeeld 2: toetsing van een contract aan consumentenrecht
Casus: je wilt weten of een B2C-koopcontract voldoet aan Europees consumentenrecht.
Atomen:
Is er voldaan aan de informatieplichten (Richtlijn 2011/83/EU)?
Is er een juist herroepingsrecht opgenomen?
Bevat het contract verboden bedingen?
Is de rechtskeuze geldig?
Is de procedure voor klachten en retourzendingen in lijn met de wet?
Door deze afzonderlijk te laten beoordelen, krijg je een betrouwbare, gestructureerde analyse die juridisch toetsbaar is.
🏛 Voorbeeld 3: due diligence bij een overname
Casus: je voert een juridische quick scan uit op een over te nemen onderneming.
Atomen:
Is er sprake van lopende juridische procedures?
Wat is de status van arbeidscontracten?
Zijn er fiscale achterstanden?
Is het IE goed geregistreerd en beschermd?
Is de privacy governance op orde?
AoT maakt het mogelijk om deze deelgebieden parallel te laten beoordelen, waarna jij zelf de eindweging maakt. Ook ideaal bij tijdsdruk.
Wetenschappelijke basis: waarom werkt AoT?
Onderzoek laat zien dat AoT superieur is bij complexe denkprocessen. Dat heeft drie oorzaken:
1. Het Markov-principe
AoT behandelt elke denkstap als een zelfstandige toestand die alleen afhangt van de huidige input, niet van voorgaande stappen. Dat reduceert contextvervuiling en voorkomt tunneldenken.
2. Parallelle verwerking
In tegenstelling tot oudere benaderingen maakt AoT expliciet gebruik van de capaciteit van AI-modellen om meerdere taken tegelijk te verwerken. Dit zorgt voor kortere verwerkingstijd zonder kwaliteitsverlies.
3. Minder foutpropagatie
In Chain-of-Thought kan een fout in een vroeg stadium de hele redeneerlijn corrumperen. AoT beperkt fouten tot individuele atomen, waardoor de einduitkomst minder snel ontspoort.
Praktische tips voor juristen
✅ Formuleer concrete einddoelen
Gebruik in je prompt een duidelijk doel: “Evalueer of deze clouddienst AVG-compliant is voor gebruik door een zorginstelling” is beter dan “Wat vind je van deze clouddienst?”
✅ Check afhankelijkheden handmatig
Laat de AI niet automatisch de hele dependency-structuur maken. Vraag expliciet welke stappen écht onafhankelijk zijn, en beoordeel dit eventueel zelf.
✅ Combineer met andere technieken
Gebruik AoT voor de structuur, Chain-of-Thought voor redenering binnen elk atoom, en Reflexion of RAG om tot onderbouwde oordelen te komen.
✅ Herleidbaarheid is key
Vraag de AI expliciet: “Licht per stap toe hoe dit onderdeel heeft bijgedragen aan het eindantwoord.” Dit maakt je output toetsbaar en bruikbaar in een juridische context.
Wanneer werkt AoT minder goed?
Atom-of-Thoughts is bij uitstek geschikt voor:
Juridische toetsingen met meerdere criteria
Analytische taken met duidelijke input-outputrelaties
Data-analyse en businesscases
Minder geschikt is het voor:
Creatieve brainstorms
Narratieve schrijfopdrachten
Persoonlijke of emotionele vraagstukken
Conclusie: atomiseer je probleemoplossing
Atom-of-Thoughts is meer dan een slimmere prompttechniek – het is een denkkader dat AI helpt te functioneren zoals wij professionals dat ook doen: modulair, toetsbaar en efficiënt.
In juridische contexten waar betrouwbaarheid en transparantie essentieel zijn, biedt AoT een krachtig alternatief voor lineaire prompting. Door je probleem eerst zorgvuldig op te splitsen, verklein je de kans op fouten, verhoog je de kwaliteit van de output, en creëer je overzicht — iets waar elke jurist baat bij heeft.
Probeer het uit. Kies een complex dossier, splits het op in onafhankelijke vragen, en laat je AI-assistent het zware werk doen.