Is legal prompting dead? Hoe te werken in Claude.

Is prompt engineering dood? De vraag duikt overal op. De modellen zijn zo goed geworden in het begrijpen van slordige input dat het zoeken naar de perfecte formulering minder lijkt op te leveren. Onderzoekers lieten bovendien zien dat een taalmodel vaak betere prompts schrijft dan een mens: sneller, en met woordcombinaties waar geen mens op zou komen (IEEE Spectrum). Juristen vragen ons daarom geregeld of het nog zin heeft om aandacht aan hun prompts te besteden.

Ons antwoord: prompten blijft belangrijk, maar de vaardigheid is verschoven van het vinden van de juiste woorden naar het leveren van de juiste context en het inrichten van controle over de output. Dat verschil bepaalt of AI je werk versnelt of je opzadelt met tekst die goed klinkt en niets toevoegt.

Betere modellen vragen om ander promptwerk

De nieuwste modellen van Claude redeneren intern. Je hoeft ze niet meer stap voor stap te vertellen dat ze moeten nadenken, dat doen ze zelf. Anthropic schrijft het inmiddels met zoveel woorden: slimmere modellen vragen om minder voorschrijvend promptwerk en kunnen zelfstandiger werken (Anthropic). Met Claude Opus 4.8 kun je zelfs het denkniveau instellen, waardoor de kwaliteit deels afhangt van een knop in plaats van je formulering (onze analyse van Opus 4.8).

Dat betekent niet dat input er niet toe doet. Hetzelfde stuk van Anthropic noemt context een schaarse, eindige hulpbron. De kunst zit in het kiezen van de juiste informatie die het model op elk moment ziet. De industrie noemt die verschuiving context engineering. Voor jou als gebruiker komt het hierop neer: het model vult de gaten zelf in, en het vult ze met aannames als jij ze niet vult.

Wanneer promptwerk het verschil maakt

Voor een snelle feitenvraag, een brainstorm of een eenvoudige herschrijving maakt je formulering weinig uit. Het model vangt slordige input prima op. Hier loont het niet om lang aan een prompt te sleutelen.

Het verschil ontstaat bij werk dat juristen dagelijks doen: een lang document analyseren, een advies opbouwen, output die consistent en controleerbaar moet zijn, of een taak die je vaker uitvoert. Daar bepaalt jouw input de kwaliteit. Hoe scherper je de opdracht afbakent en hoe gerichter de context die je meegeeft, hoe bruikbaarder het resultaat. Bij output die een cliënt of een zaak raakt, is dat geen luxe.

Hoe Claude een antwoord opbouwt

Claude voorspelt tekst op basis van alles wat in zijn context staat: je vraag, de documenten die je aanlevert en het gesprek tot dan toe. Buiten dat venster weet het model niets. Het heeft geen geheugen tussen losse chats, tenzij je die context zelf aanlevert.

Twee dingen volgen daaruit. Het model leest bij elke beurt het hele gesprek opnieuw, dus lange chats worden duurder en geleidelijk slechter. Je kunt beter een bericht bewerken dan eronder een correctie plakken (meer daarover in onze blog over tokens). Daarnaast is Claude getraind op gestructureerde input. Anthropic raadt aan om instructie, context en vraag van elkaar te scheiden met simpele labels, een soort lichte tags zoals <instructie>, <uitspraak> en <vraag> (Anthropic). Het hoeven geen echte XML-tags te zijn. Claude let vooral op de blokstructuur, zodat jij en het model precies weten wat wat is.

Prompten in Claude: zo bouw je een chatprompt op

In de chat schrijf jij de prompt en stuur je bij in een gesprek. De grootste winst pak je in de eerste regels, door drie dingen vast te leggen: wat de taak is, hoe het antwoord eruit moet zien, en welke context het model gebruikt.

Je bent een Nederlandse jurist met ervaring in bestuursrecht. Leg in begrijpelijke taal uit wat de bezwaartermijn onder de Awb inhoudt, voor een lezer zonder juridische achtergrond. Geef het antwoord als korte toelichting van maximaal 300 woorden.

Dit lijkt vanzelfsprekend, maar het voorkomt het grootste deel van de problemen met een vage toon of een verkeerd format. Zodra je prompt langer wordt dan een paar regels, scheid je de onderdelen in blokken:

<instructie>
Vat het arrest in <uitspraak> samen voor een jurist, in maximaal 300 woorden.
Benoem apart: de feiten, het juridisch kader en de kernoverwegingen.
</instructie>

<uitspraak>
[plak hier een gepubliceerd arrest van rechtspraak.nl]
</uitspraak>

<vraag>
Welke overwegingen zijn voor mijn vraagstuk het meest relevant?
</vraag> 

Wil je een vaste stijl of toon, geef dan een voorbeeld mee. Eén goed voorbeeld leert Claude in één keer hoe lengte, opbouw en toon eruit moeten zien, bijvoorbeeld een eerdere publieksvriendelijke toelichting die je als model wilt aanhouden. Dit heet few-shot prompting, maar in de praktijk komt het neer op: hier is een goed exemplaar, volg die lijn.

Bij een lange tekst telt de volgorde, al weegt de keuze wát je meegeeft zwaarder. Claude let extra op het einde van je prompt, dus je zet het document eerst en je vraag eronder. Bij heel lange input verliest het model eerder het midden dan het begin of het einde, dus laat weg wat niet ter zake doet.

<bronnen>
[plak hier de openbare stukken, bijvoorbeeld een wetsvoorstel met memorie van toelichting]
</bronnen>

<opdracht>
Lees de stukken hierboven.
Zet de drie belangrijkste verplichtingen voor werkgevers op een rij en benoem de punten die nog onduidelijk zijn.
Antwoord in maximaal 500 woorden.
Verzin geen jurisprudentie en geef aan wat je niet uit de stukken kunt afleiden.
</opdracht>

Die laatste twee regels zijn je rem op verzonnen jurisprudentie. Eén stap helpt nog meer: laat Claude eerst de relevante passages uit de aangeleverde stukken aanhalen en pas daarna concluderen. Zo krijg je citaten die je naast de bron kunt leggen. Vertrouw een vindplaats alleen als die komt uit tekst die jij hebt aangeleverd of die het model via zoeken ophaalt, en loop hem na in de primaire bron. Een algemeen model zelf om bronnen vragen levert vaak plausibel ogende, niet-bestaande verwijzingen op.

Let op waar je dit op loslaat. Een algemeen taalmodel is geschikt voor openbare bronnen, rechtspraak, modelteksten zonder cliëntgegevens en het uitleggen van een leerstuk. Voor stukken die onder je beroepsgeheim vallen is dat geen optie, tenzij het model in een afgeschermde omgeving draait met een verwerkersovereenkomst en zonder training op je invoer.

Bij een echt complexe analyse kun je Claude vragen om eerst te redeneren en daarna pas te concluderen. Houd dat simpel: de nieuwste modellen denken intern al, dus een instructie als "denk stap voor stap" voegt meestal weinig toe. Zet die extra structuur alleen in als de taak het vraagt.

Grote klussen opdelen in stappen

Een complexe taak gaat beter in delen dan in één opdracht. In plaats van één monsterprompt knip je het werk op in analyseren, ontwerpen en schrijven. Bij een nieuw intern protocol op basis van een openbare beleidsregel ziet dat er zo uit:

1. "Lees deze beleidsregel en zet de verplichtingen voor werkgevers op een rij."
2. "Maak op basis van die lijst een opzet voor een intern protocol."
3. "Schrijf het protocol volgens die opzet, in maximaal vier pagina's." 

Je krijgt zo drie overzichtelijke antwoorden die je elk afzonderlijk kunt beoordelen, in plaats van één lang stuk waarin alles door elkaar loopt. Dit heet prompt chaining, en het sluit aan op hoe je een vraagstuk sowieso aanpakt.

Laat Claude je eigen prompts aanscherpen

De opening van deze blog noemde het al: een model schrijft vaak een betere prompt dan een mens. Dat kun je gebruiken. Plak een prompt die je vaker inzet en vraag om verbetering:

Hier is een prompt die ik regelmatig gebruik: "Vat deze uitspraak voor me samen en zeg wat ervan belangrijk is." Scherp hem aan zodat hij voor Claude zo duidelijk mogelijk is, en leg kort uit wat je hebt veranderd.

Je krijgt een strakkere versie terug, plus de redenering erachter. Voor terugkerend werk loont het om die verbeterde versie te bewaren en steeds opnieuw te gebruiken.

Prompten in Cowork: van opdracht naar uitvoering

Cowork werkt anders. Waar de chat een gesprek is, is Cowork een werksessie: je beschrijft het resultaat dat je wilt, geeft Claude toegang tot een map met bestanden, en het model plant en voert de stappen zelf uit terwijl jij bijstuurt (Anthropic). Anthropic vat het zo samen: de meeste AI-tools zijn gebouwd rond de prompt, Cowork is gebouwd rond de uitkomst.

Je promptwerk verschuift daarmee van formuleren naar afbakenen. Omdat Cowork echt bestanden leest, wijzigt en aanmaakt, telt zwaarder wat je het wel en niet laat doen. Een vage instructie is hier riskanter dan in de chat: een verkeerd begrepen opdracht kan bestanden overschrijven of verwijderen, en schadelijke inhoud in een document kan het model proberen te sturen (Media Copilot). Houd daarbij dezelfde grens aan als in de chat: richt Cowork alleen op mappen zonder materiaal dat onder je beroepsgeheim valt, tenzij je in een afgeschermde, contractueel geregelde omgeving werkt. De vaardigheid zit in een heldere opdracht, duidelijke grenzen en toezicht op wat er gebeurt.

Legal prompting leren loont nog steeds

Legal prompting leren heeft nog steeds zin. De vaardigheid veroudert niet, het zwaartepunt verschuift. Het jagen op de perfecte formulering en op modelspecifieke trucjes levert steeds minder op. De kern blijft het deel dat juristen al beheersen: een vraag scherp structureren, de juiste context aanleveren en de uitkomst controleren.

Dat controledeel wordt juist belangrijker naarmate de modellen beter worden. Geen algemeen AI-model haalt de drempel om zelfstandig betrouwbare contracten op te stellen, en ook Opus 4.8 verzint nog steeds dingen, al benoemt het vaker zijn twijfel. Het oordeelsvormende werk blijft bij jou, en dat vraagt om controle die je zelf moet kunnen inrichten.

Richt je bij het leren op een paar dingen. De vaste opbouw van een prompt: de taak, de gewenste output met een voorbeeld, de grenzen, de context, en als laatste de rol, die vooral toon en register stuurt. Het bewust kiezen van context: het juiste bronmateriaal in plaats van je herinnering eraan, en alleen stukken die je in dit type model mag invoeren. Het controleren van output: laat het model eerst citeren uit de aangeleverde tekst, laat het onzekerheid benoemen, en loop elke vindplaats zelf na bij de bron. Een tweede ronde door het model helpt daarbij beperkt, want het bevestigt zichzelf vaker dan het zichzelf corrigeert. En, specifiek voor juristen, het veilig omgaan met vertrouwelijke gegevens, dus wat wel en niet in een model mag gelet op je geheimhoudingsplicht en de AVG. Dat is geen formulering die een beter model voor je oplost.

Aandachtspunten voor je dagelijkse praktijk

Stop met zoeken naar het magische woord. De winst zit in structuur die je hergebruikt en in context die je bewust meegeeft.

Bouw voor terugkerend werk een vaste opzet en bewaar die, zodat je niet elke keer opnieuw begint. Geef het model het juiste bronmateriaal en let daarbij meer op wát je meegeeft dan op de volgorde, met inachtneming van wat je in een algemeen model mag invoeren. Laat het citeren uit die stukken en onzekerheid benoemen, en controleer de vindplaatsen zelf bij de bron. Knip grote klussen op in stappen die je los nakijkt. Werk je in Cowork, baken dan af tot welke mappen Claude toegang heeft en houd zicht op elke stap.

De verantwoordelijkheid voor de output blijft bij jou, tuchtrechtelijk en inhoudelijk. Een beter model verandert dat niet. Wat verschuift, is waar je je controle op richt: je kunt gerichter kijken naar de plekken waar het mis kan gaan.

Wil je deze werkwijze opbouwen voor je eigen praktijk, dan is onze cursus Verdieping AI-skills: Werken met Claude de plek. Je oefent met het verschil tussen Chat en Cowork, met werkruimtes die je context onthouden, en met complexe prompts en prompt chaining die consistent en controleerbaar werk opleveren. Je gaat naar huis met een opzet die je de volgende dag inzet.