Op een bepaald moment doorloopt bijna elk AI-project in e-commerce dezelfde fase. In het begin ziet alles er veelbelovend uit. Het model reageert snel, klinkt vloeiend, schrijft nette zinnen en wekt de indruk dat het 'weet' waarover het praat. Het ziet er goed uit in een demo. Het ziet er nog beter uit in een klantpresentatie.
Dan komt de realiteit.
Een klant opent een productpagina en vraagt:
- werkt deze module met mijn Magento-versie?
- ondersteunt dit product Amasty?
- waarin verschilt dit model van een ander?
- is deze oplossing geschikt voor een winkel met meerdere store views?
- kan ik dit implementeren zonder extra ontwikkelwerk?
En dan wordt duidelijk dat AI niet alleen een 'goed model' nodig heeft. Het heeft grenzen nodig. Het heeft bronprioriteit nodig. Het moet weten wanneer het direct moet antwoorden, wanneer het een verduidelijkende vraag moet stellen en wanneer het eerlijk moet zeggen: 'die informatie staat niet in de data'.
Daar komt de prompt in beeld.
In ons geval is dit geen abstract onderwerp. De prompt heeft direct invloed op hoe Kowal Ask About Product werkt en hoe het de gestructureerde kennis gebruikt die wordt geleverd door Kowal AI Product Feed for OpenAI Vector Store.
Hetzelfde model, twee heel verschillende gedragingen
Bij het werken met modules die met AI zijn geïntegreerd, wordt één ding al snel duidelijk: hetzelfde model kan zich gedragen als een zeer goede adviseur of als een verkoper die te veel zelf invult. Dat komt zelden door het model zelf. Meestal komt het door de prompt.
Als de prompt te generiek is, probeert AI tegen elke prijs behulpzaam te zijn. In de praktijk betekent dat:
- ontbrekende informatie invullen,
- antwoorden opbouwen vanuit algemene kennis in plaats van winkeldata,
- feiten mengen met aannames,
- te zelfverzekerd klinken waar het eigenlijk zou moeten zeggen: 'ik heb niet genoeg data'.
Als de prompt goed is ontworpen, begint het model zich anders te gedragen:
- het respecteert de bronnen,
- het geeft prioriteit aan FAQ en retrieval,
- het blijft gefocust op het huidige product,
- het belooft geen dingen die niet in de data staan,
- en het belangrijkste: het helpt de klant een beslissing te nemen zonder die klant te misleiden.
Dat is het moment waarop AI ophoudt een indrukwekkende functie te zijn en een nuttig onderdeel van de module begint te worden.
Een prompt vervangt geen data, maar bepaalt wel de spelregels
De eenvoudigste manier om over een prompt na te denken, is als een onboardinggids voor een nieuw teamlid.
Stel je voor dat er een nieuwe persoon in je klantenserviceteam komt. Je geeft die persoon toegang tot:
- de productbeschrijving,
- goedgekeurde FAQ,
- resultaten uit de Vector Store,
- de gespreksgeschiedenis van de klant.
Alleen toegang geven tot deze data garandeert niet dat die persoon goed zal antwoorden. Je moet nog steeds uitleggen:
- welke bron als eerste moet worden gebruikt,
- wat niet mag worden aangenomen,
- hoe te reageren wanneer data ontbreekt,
- of het antwoord kort of gedetailleerd moet zijn,
- of er verduidelijkende vragen moeten worden gesteld,
- en wanneer de klant naar een contactformulier moet worden doorverwezen.
Een prompt doet precies hetzelfde. Die creëert geen kennis. Die repareert geen zwakke productbeschrijvingen. Die vult geen gaten in de documentatie op. Die definieert hoe het model moet omgaan met de informatie die het heeft gekregen.
Daarom is de prompt in onze AI-modules geen extraatje. Het is een controlelaag.
Waar de prompt het modulegedrag echt beïnvloedt
In theorie is een prompt slechts een paar zinnen. In de praktijk stuurt die heel specifiek gedrag aan.
In de AI Assistant op de productpagina, beschikbaar in Kowal Ask About Product, beïnvloedt de prompt onder andere:
- de toon van het antwoord,
- de taal van het antwoord,
- hoe beknopt het antwoord is,
- de grenzen van de kennis van het model,
- bronprioriteit: lokale context, FAQ, retrieval, gespreksgeschiedenis,
- gedrag wanneer de vraag ambigu is,
- hoe vergelijkings- en aanbevelingsvragen worden afgehandeld,
- hoe de assistant reageert op onvolledige of tegenstrijdige data.
Daarom kunnen twee winkels die dezelfde module en hetzelfde AI-model gebruiken volledig verschillende resultaten krijgen. Niet omdat de ene 'betere AI' heeft, maar omdat de ene de rol en beperkingen van de assistant duidelijker heeft gedefinieerd.
De eerste fout: een prompt die aardig wil zijn in plaats van precies
De meest voorkomende implementatiefout ziet er ongeveer zo uit:
Antwoord als een behulpzame winkelassistent en help de klant het beste product te kiezen.
Dat klinkt goed. Maar voor het model is het niet genoeg. 'Help de klant' zonder extra grenzen betekent vaak:
- wees beleefd,
- wees overtuigend,
- probeer het gesprek gaande te houden,
- laat de klant niet zonder antwoord achter.
En precies zo ontstaan antwoorden die goed klinken, maar inhoudelijk zwak zijn.
Een klant vraagt naar compatibiliteit met een specifieke systeemversie. Het model kan die informatie niet in de data zien, maar wil helpen en antwoordt daarom te stellig.
Een klant vraagt naar implementatie. Het model heeft geen volledige technische context, maar construeert toch een antwoord dat zelfverzekerd klinkt.
Een klant vraagt naar verschillen tussen producten. Het model kent er maar één goed, maar bouwt toch een vergelijking omdat de prompt niet heeft aangegeven dat dit niet mag.
Dit soort prompt is niet zwak omdat die kort is. Die is zwak omdat die geen grenzen definieert.
De tweede fout: aannemen dat het model zelf de prioriteiten wel bepaalt
Als de module het volgende bevat:
- productdata,
- goedgekeurde FAQ,
- gespreksgeschiedenis,
- Vector Store,
- AI Feed,
dan moet het model weten wat het belangrijkst is. In de praktijk laat deze architectuur duidelijk de waarde zien van het combineren van Kowal Ask About Product met Kowal AI Product Feed for OpenAI Vector Store, omdat de prompt pas dan begint te werken met data die gestructureerd en klaar voor retrieval is.
Zonder deze begeleiding begint het model alles als even belangrijk te behandelen. Dan ontstaan situaties waarin:
- het retrieval-resultaat correct is, maar het model te sterk leunt op oudere lokale context,
- de FAQ iets specifieks zegt, maar het model dat afzwakt met extra commentaar,
- de gespreksgeschiedenis toon en emotie bevat, maar geen harde productdata zou mogen overstemmen.
Daarom moet een goede prompt dit duidelijk benoemen:
- eerst retrieval en goedgekeurde FAQ,
- daarna gestructureerde productdata,
- en tot slot gespreksgeschiedenis als ondersteunende context.
Dit is geen cosmetische formulering. Het is het verschil tussen een gecontroleerd antwoord en een antwoord dat alleen intelligent klinkt.
Wanneer de prompt de winkel begint te begrijpen, niet alleen de AI
Het interessantste moment in promptwerk ontstaat wanneer we stoppen met schrijven 'voor het model' en beginnen te schrijven 'voor het type winkel'.
Want een winkel die Magento-modules verkoopt, loopt niet dezelfde risico’s als een modewinkel.
In een softwarewinkel vragen klanten naar:
- compatibiliteit,
- integraties,
- vereisten,
- functionele scope,
- implementatiebeperkingen.
Hier moet AI specifiek, zorgvuldig en technisch zijn. Het is beter dat AI kort maar eerlijk antwoordt dan een gepolijst antwoord zonder basis geeft.
In een elektronicawinkel liggen de prioriteiten anders:
- technische specificaties,
- apparaatcompatibiliteit,
- verschillen tussen varianten,
- hardwarebeperkingen.
Hier moet de prompt het model sterk afremmen zodra het compatibiliteit begint te raden.
In een modewinkel verschuift het zwaartepunt opnieuw:
- materiaal,
- pasvorm,
- maatvoering,
- stijl,
- gebruik.
AI mag daar natuurlijker klinken, maar mag nog steeds geen perfecte pasvorm beloven als de winkel geen maattabellen of duidelijke richtlijnen biedt.
In een B2B- of technische winkel moet de prompt nog gedisciplineerder zijn:
- geen wolligheid,
- geen marketingversiering,
- duidelijke communicatie van vereisten en beperkingen,
- bereidheid om te zeggen 'dat weten we niet' in plaats van het probleem te vervagen.
Dat is een belangrijke les: er bestaat geen enkele perfecte prompt voor elke winkel. Er is wel een set goede principes en veel geldige specialisaties.
Hoe een goede startprompt eruitziet
Een goede startprompt voor een AI-assistant op de productpagina moet niet overdreven creatief zijn. Die moet stabiel zijn.
In de praktijk moet die vijf vragen beantwoorden:
- Wie is de assistant?
- Welke data mag die gebruiken?
- Wat mag die niet doen?
- Hoe moet die antwoorden?
- Wat moet die doen wanneer die iets niet weet?
Daarom klinkt een verstandige basisprompt meer als een werkinstructie dan als een marketingslogan.
Het doel is niet om AI 'slim te laten klinken'. Het doel is ervoor te zorgen dat AI:
- geen data verzint,
- niet buiten de aangeleverde context gaat,
- antwoordt in de taal van de winkel,
- kan toegeven wanneer iets in de data ontbreekt,
- indien nodig één korte verduidelijkende vraag stelt.
Zo’n prompt maakt geen indruk in een slide deck. Maar hij werkt heel goed in een echt klantgesprek.
De echte impact van een prompt wordt zichtbaar bij moeilijke vragen
Eenvoudige vragen zijn geen goede test voor AI. Als een klant iets vraagt dat duidelijk in de FAQ wordt beschreven, zal bijna elke prompt redelijk goed werken.
Het echte verschil ontstaat bij moeilijkere vragen:
- 'werkt dit met mijn configuratie?'
- 'is deze module beter dan een andere?'
- 'kan ik dit zonder developer implementeren?'
- 'lost dit product mijn specifieke probleem op?'
- 'is dit compatibel met mijn versie, theme of extensie?'
Dit zijn de vragen waarbij een zwakke prompt het model richting giswerk duwt.
Een goede prompt doet het tegenovergestelde. Die leert het model dat het moet:
- bij de feiten blijven,
- gefocust blijven op het huidige product,
- ontbrekende informatie duidelijk benoemen,
- niet te breed antwoorden wanneer de context smal is.
Daarom vermindert een goed ontworpen prompt risicovolle antwoorden effectiever dan weer een cosmetische wijziging in de interface.
De prompt moet meegroeien met de module
Er is nog één ding dat gemakkelijk over het hoofd wordt gezien: een prompt is niet iets dat je één keer instelt en daarna voor altijd vergeet.
In het begin werkt een winkel misschien alleen met:
- productdata,
- een paar FAQ-items,
- eenvoudige gesprekscontext.
Daarna komen er meer lagen bij:
- beter gestructureerde FAQ,
- store views,
- taalversies,
- vraaganalyses,
- FAQ-kandidaten,
- Vector Store,
- AI Feed,
- retrieval-first.
Dit is ook het punt waarop Kowal AI Product Feed for OpenAI Vector Store ophoudt slechts een technische add-on te zijn en een van de belangrijkste kennisbronnen wordt voor de assistant die draait in Kowal Ask About Product.
En op dat moment moet de prompt ook evolueren.
In een vroege fase is het belangrijkste doel om het model te disciplineren en hallucinaties te verminderen.
In een meer volwassen fase kun je sterker sturen op:
- retrieval-prioriteit,
- hoe vergelijkingsvragen worden beantwoord,
- gedrag wanneer data onvolledig is,
- antwoordstijl aangepast aan een specifieke winkel.
Dat is een van de interessantste aspecten van werken met AI-modules: de prompt evolueert mee met de kennisarchitectuur van de winkel.
Waarom dit een sterk onderwerp is voor een blog over AI-implementaties
Omdat de prompt een van die dingen is die van buitenaf klein lijken, maar in de praktijk grote invloed hebben op de kwaliteit van de implementatie.
Het is gemakkelijk om je te richten op het model, de API, de Vector Store of de integratie met een productfeed. Dat is allemaal belangrijk. Maar de prompt zorgt ervoor dat die elementen volgens duidelijke regels gaan werken. Daarom is het in de praktijk logisch om na te denken over de implementatie van Kowal Ask About Product samen met de data- en retrieval-laag die wordt geleverd door Kowal AI Product Feed for OpenAI Vector Store.
Je kunt het eenvoudig samenvatten:
- het model levert de capaciteit,
- de data levert de inhoud,
- retrieval biedt toegang tot kennis,
- maar de prompt definieert de werkwijze.
En precies daarom kunnen twee implementaties die op dezelfde technologie zijn gebouwd twee heel verschillende bedrijfsresultaten opleveren.
Wat de moeite waard zou zijn om in een vervolgartikel te behandelen
Dit onderwerp opent vanzelf de deur naar meerdere artikelen:
- hoe je een prompt test aan de hand van echte klantvragen,
- wanneer je van hybride modus naar retrieval-first gaat,
- hoe je FAQ bouwt voor AI, niet alleen voor SEO,
- hoe je in logs controleert of het model de Vector Store daadwerkelijk gebruikt,
- hoe je verschillende prompts voorbereidt voor technische, mode- en B2B-winkels.
Slotgedachte
Als er na dit artikel maar één idee zou moeten blijven hangen, dan is het dit:
de prompt is geen add-on voor AI. De prompt is het antwoordbeleid.
Die bepaalt of het model alleen indrukwekkend is of daadwerkelijk betrouwbaar. Of het raadt of zijn bronnen beschermt. Of het 'salesy' klinkt of de klant echt helpt een goede beslissing te nemen.
In e-commerce maakt dat een enorm verschil. Want klanten hebben geen AI nodig die alleen goed klinkt. Ze hebben AI nodig die verantwoordelijk antwoordt.
