Wat is chain-of-thought prompting bij AI-modellen?
Chain-of-thought prompting is een techniek waarbij je een AI-model expliciet vraagt om zijn redenering in tussenstappen op te schrijven voordat het tot een eindantwoord komt, in plaats van meteen een antwoord te geven. Dit verbetert de nauwkeurigheid bij taken die meerdere logische of rekenkundige stappen vereisen, zoals wiskundeproblemen of complexe beslissingen. De techniek wordt toegepast door in de prompt woorden als 'denk stap voor stap na' toe te voegen, of door voorbeelden te geven waarin de redenering is uitgeschreven.
Chain-of-thought prompting is een prompttechniek waarbij je een AI-model vraagt stap voor stap te redeneren voordat het een antwoord geeft.
Vraag je een taalmodel direct om het antwoord op een rekenprobleem met meerdere stappen, dan is de kans op een foute uitkomst groter dan wanneer je het model eerst laat uitrekenen wat de tussenstappen zijn. Chain-of-thought prompting maakt precies dat verschil expliciet.
Het probleem: direct naar het antwoord springen
Een taalmodel genereert tekst token voor token, waarbij elk volgend stukje tekst wordt bepaald op basis van alles wat er al staat, inclusief de vraag en het antwoord tot dusver. Vraag je meteen om een eindantwoord op een complex probleem, dan moet het model in wezen in één ademtocht het juiste antwoord “gokken” zonder tussenstappen te kunnen controleren.
Bij een simpele vraag werkt dat prima. Bij een probleem met meerdere rekenstappen of logische voorwaarden neemt de foutkans toe naarmate er meer stappen nodig zijn, precies zoals een mens die een ingewikkelde som uit het hoofd probeert te doen vaker fout gaat dan iemand die de som op papier uitschrijft.
Hoe chain-of-thought prompting werkt
De oplossing is simpel in opzet: je vraagt het model expliciet om eerst zijn redenering stap voor stap uit te schrijven, en pas daarna het eindantwoord te geven. In de praktijk voeg je aan je prompt een zin toe zoals “Denk dit stap voor stap door voordat je een antwoord geeft” of “Leg je redenering uit voordat je concludeert.”
Doordat het model nu eerst tussenstappen genereert, bouwt elke volgende stap voort op een expliciet uitgeschreven eerdere stap, in plaats van dat alles in één keer bedacht moet worden. Dit blijkt in de praktijk de nauwkeurigheid bij complexe taken aanzienlijk te verbeteren, soms met tientallen procenten bij wiskundige of logische puzzels.
Zero-shot versus few-shot chain-of-thought
Er zijn twee manieren om de techniek toe te passen. Bij zero-shot chain-of-thought voeg je alleen de instructie toe om stap voor stap na te denken, zonder verdere voorbeelden, en laat je het model zelf een redenering bedenken.
Bij few-shot chain-of-thought geef je in de prompt een of meerdere voorbeeldvragen met een volledig uitgeschreven redenering erbij, zodat het model dat patroon herkent en overneemt voor de nieuwe vraag. Few-shot is doorgaans betrouwbaarder bij ingewikkelde taken, maar kost meer ruimte in je prompt en dus meer tokens en kosten per aanroep.
Wanneer de techniek wel en niet loont
Chain-of-thought prompting levert de meeste winst op bij taken met meerdere logische of rekenkundige stappen: wiskundige woordproblemen, complexe beslisregels met meerdere voorwaarden, planningsvraagstukken en het analyseren van code. Bij eenvoudige feitelijke vragen, zoals het opzoeken van een datum of naam, voegt de techniek weinig toe: het antwoord wordt alleen langer, zonder betere nauwkeurigheid.
Voor zakelijke toepassingen betekent dit dat je de techniek gericht inzet: bij het automatisch classificeren van facturen op basis van meerdere criteria bijvoorbeeld, of bij het beoordelen van contractvoorwaarden met meerdere uitzonderingen, in plaats van bij elke simpele prompt.
Het verschil met ingebouwde reasoning-modellen
Chain-of-thought prompting is iets wat je zelf toevoegt aan je prompt bij een regulier taalmodel. Nieuwere reasoning-modellen hebben een vorm van uitgebreid nadenken ingebouwd in het model zelf, en doen dit automatisch, vaak met veel uitgebreidere interne stappen dan een simpele promptinstructie kan afdwingen. Voor de meeste zakelijke toepassingen met een regulier model blijft chain-of-thought prompting echter een eenvoudige, gratis manier om de nauwkeurigheid te verhogen zonder van model te wisselen.
Onze tip: test bij een taak die je nu aan een AI-model uitbesteedt, zoals het beoordelen van documenten of het toepassen van bedrijfsregels, eens het verschil tussen direct om een antwoord vragen en de instructie “leg stap voor stap uit hoe je tot dit antwoord komt” toevoegen. Bij taken met meerdere voorwaarden zie je vaak direct een merkbaar betere en beter te controleren uitkomst.
Veelgestelde vragen
Waarom verbetert chain-of-thought prompting de nauwkeurigheid van een AI-model?
Een taalmodel genereert tekst woord voor woord, waarbij elk volgend woord wordt bepaald op basis van wat er al staat. Vraag je meteen om een eindantwoord, dan moet het model in één keer 'goed gokken' zonder ruimte voor tussenstappen. Laat je het model eerst de tussenstappen uitschrijven, dan bouwt elke volgende stap voort op een expliciet uitgeschreven, controleerbare vorige stap, wat de kans op logische fouten aanzienlijk verkleint, vergelijkbaar met hoe een mens een rekensom uitschrijft in plaats van uit het hoofd te doen.
Voor welk soort taken werkt chain-of-thought het beste?
De techniek levert de grootste winst op bij taken die meerdere logische, rekenkundige of causale stappen vereisen: wiskundige woordproblemen, complexe planningsvraagstukken, juridische of financiële redeneringen met meerdere voorwaarden, en het debuggen van code. Bij eenvoudige feitelijke vragen, zoals 'wat is de hoofdstad van Frankrijk', voegt chain-of-thought weinig toe en maakt het het antwoord alleen langer zonder de kwaliteit te verbeteren.
Wat is het verschil tussen zero-shot en few-shot chain-of-thought?
Bij zero-shot chain-of-thought voeg je simpelweg een instructie toe zoals 'denk stap voor stap na' zonder verdere voorbeelden, en genereert het model zelf een redenering. Bij few-shot chain-of-thought geef je in de prompt een of meerdere voorbeeldvragen met daarbij een volledig uitgeschreven redenering, zodat het model dat patroon overneemt voor de nieuwe vraag. Few-shot levert doorgaans betrouwbaardere resultaten op bij complexere taken, maar kost meer ruimte in de prompt en dus meer tokens.
Is chain-of-thought hetzelfde als het 'redeneren' van nieuwere reasoning-modellen?
Niet helemaal. Chain-of-thought prompting is een techniek die je zelf toepast in de prompt aan een regulier taalmodel. Nieuwere reasoning-modellen, zoals sommige varianten van GPT en Claude, hebben een vorm van uitgebreid nadenken ingebouwd in het model zelf en doen dit automatisch, vaak zonder dat je erom hoeft te vragen, en soms met veel uitgebreidere interne redeneerstappen dan een simpele prompt-instructie kan afdwingen.