De cyclus doorbreken: Hoe organisaties Doomprompting kunnen omzeilen en succes behalen

Sinds het theoretische concept in de jaren 50, heeft kunstmatige intelligentie (AI) de weg vrijgemaakt voor bedrijven om verbeterde kansen en productiviteit te ervaren door verschillende technieken, vooral machine learning-systemen. Deze tools/technologieën hebben forecasting en besluitvorming verbeterd, waardoor de basis is gelegd voor toekomstige technische vooruitgang. In recente tijden heeft Generative AI beloofd om alles wat we weten over werken om te keren en heeft het AI-ervaring gedemocratiseerd. Gebruikers communiceren nu met AI-modellen zoals ChatGPT, door middel van “prompting”, waarbij men heen en weer communiceert met een AI-model. Echter, deze voordelen komen ook met een nieuwe uitdaging: Doomprompting. Dit is equivalent aan doom scrolling op online content, zonder een duidelijk doel, waardoor gebruikers in konijnenholen terechtkomen. Met AI echter, praat het konijnenhol terug. Deze handeling van continue AI-prompt-refining voor zowel generatieve als agente modellen, gedreven door de ambitie om de perfecte output te verkrijgen (en soms door prompting zonder een specifiek doel in gedachten), leidt tot verhoogde kosten en afnemende rendementen. Het creëert een grote hindernis voor succes en verslaat het doel van het gebruik van AI-technologie zelf.

Terwijl bedrijven hun AI-gerelateerde budgetten verhogen, moeten beslissers de weg naar echte rendementen op hun investeringen begrijpen en wat de waarde is die het genereert. Een rapport uit 2025 van IEEE, ‘De verborgen kosten van AI: Hoe kleine inefficiënties opstapelen‘, toont aan hoe kleine aanpassingen kunnen accumuleren tot significante economische lasten. Om te voorkomen dat ze deel worden van deze dure strijd, moeten organisaties hun training van medewerkers met LLM’s verfijnen om het volledige potentieel van hun AI-investeringen te bereiken.

Generatieve AI brengt de belofte van optimalisatie en efficiëntie. Echter, wanneer teams vastzitten in de cyclus van eindeloze verfijning (of radar-loze zwerving), ondermijnt inefficiëntie deze basis.

De “Workslop” opruimen

Een van de redenen waarom teams continue output verfijnen om een perfecte reactie te genereren, is workslop. Eerst beschreven in Harvard Business Review, omvat workslop ‘AI-gegenereerde werkinhoud die zich voordoet als goed werk, maar geen substantie heeft om een bepaalde taak zinvol te laten verlopen.’

Deze AI-geproduceerde ‘slop’ is de eerste domino in een lange rij die de doomprompting-cyclus creëert. Terwijl het modificeren van de ondermaatse inhoud door middel van iteraties of bewerkingen belangrijk is, moet men begrijpen wanneer men moet stoppen, voordat het in de helling van afnemende rendementen terechtkomt. Organisaties moeten hun tijdsinvestering in AI-training benaderen met een delicate balans. Aan de ene kant moeten teams zich bewust zijn van de vereiste kwaliteit; aan de andere kant moeten ze weten wanneer het te veel is. De training van medewerkers in het slimmer gebruik van AI-modellen door optimale prompting en duidelijke doelen zou ook van pas komen.

Agente AI gebruiken om Doomprompting te vermijden

In recente jaren hebben bedrijven aanzienlijk hun interesse en investeringen in agente AI verhoogd, die wordt erkend om zijn vermogen om operationele effectiviteit te verbeteren. Agente AI kan complexe taken aan, orkestreren met meerdere agenten (inclusief RAG en actieagenten) om de koers van actie te beslissen en de taken uit te voeren om de overall taak autonoom te voltooien.

Deze kwaliteiten kunnen AI helpen om doomprompting te mitigeren, of het geheel te omzeilen. Dit kan de noodzaak wegnemen om GenAI-interfaces door middel van meerdere prompts te instrueren om de taak te voltooien. Een voorbeeld hiervan kan worden gevonden in AI-gepowered IT-bewerkingen, of AIOps, die IT moderniseren door AI in dagelijkse taken te integreren. Traditioneel besteden teams hun tijd aan het handmatig aanpassen van systemen. 21e-eeuwse afdelingen zijn die welke AI gebruiken om kritieke functies zoals troubleshooting, incidentrespons en resource-allocatie autonoom te behandelen.

Een ander passend voorbeeld is hoe agente AI-systemen een complex incident autonoom kunnen behandelen. Deze agenten, samen met ITOps, zijn in staat om de issue contextueel te begrijpen, orkestreren met redeneringsagenten om de koers van actie te beslissen, gebruiken actieagenten om de laatste mijl fixes op IT-systemen uit te voeren en tenslotte, leren agenten om de oplossing te begrijpen en deze effectiever toe te passen in toekomstige incidenten.

Agente AI’s intelligente automatisering helpt bij minder menselijke interactie en taken autonoom uitvoeren. Om evoluerende bedrijfsbehoeften te vervullen, moeten repetitieve taken en bewerkingen worden overgedragen aan autonome AI. Deze overdracht elimineert de cyclus van her-prompting en repetitieve verfijning die vaak doomprompting voedt. Autonome bewerkingen stellen AI-modellen in staat om continue te optimaliseren en te reageren op veranderende variabelen zonder menselijke invoer, waardoor snellere resultaten worden behaald met minimale menselijke interventie.

Terwijl getrainde professionals nog steeds een instrumentale rol zullen spelen in dagelijkse bewerkingen via de human-in-the-loop-benadering, zal hun tijd beter worden benut in het scannen van resultaatverificatie. Deze benadering minimaliseert het risico van het introduceren van fouten of over-aanpassing.

De rol van governance in het voorkomen van Doomprompting

In een recente McKinsey-enquête, meldden 88% van de respondenten dat ze AI in ten minste één bedrijfsfunctie gebruikten. Dit was een stijging van 10% ten opzichte van 2024 en een verbazingwekkende 33% toename sinds 2023. Voor Agente AI was deze sprong nog veel groter. Van slechts 33% in 2023 tot bijna 80% in 2025.

Deze wijdverbreide adoptie drijft bedrijven ertoe om nieuwe oplossingen voor doomprompting te vinden. Een dergelijk instrument is robuuste governance-kaders. Deze moeten zorgvuldig worden ontwikkeld om ervoor te zorgen dat AI-projecten blijven aansluiten bij bedrijfsdoelstellingen en niet ten prooi vallen aan de eindeloze wals van optimalisatie. Wanneer teams deze kaders ontwikkelen, moeten ze rekening houden met:

• Richtlijninstelling: Datastromen naar en vanuit AI-modellen worden steeds complexer. Om dit te vereenvoudigen, moeten AI-richtlijnen een kader creëren voor teams om data te behandelen, beslissingen te nemen en AI-outputs verantwoordelijk te beheren.
• Gebruikerstraining: Een goede training in prompt-gebruik kan helpen bij optimale productiviteit
• Gebruik van gespecialiseerde modellen: Branche- en doelspecifieke AI-modellen zijn waarschijnlijk om contextuele en zinvolle outputs sneller te leveren
• AI-modeltraining: Het trainen van AI-modellen met branche-, taak- en organisatiespecifieke data (waar mogelijk) kan leiden tot minder workslop en meer geschikte outputs sneller.
• Regelontwikkeling: Het opstellen en implementeren van een duidelijke set regels is essentieel voor het leiden van AI-ontwikkeling en -implementatie. Wanneer teams operationele grenzen stellen, zorgen ze ervoor dat geadopteerde systemen aansluiten bij organisatiedoelstellingen, ethische normen en regelgevingsvereisten.

Terwijl de adoptiegraad van AI-oplossingen toeneemt, neemt governance niet toe. Volgens het PEX Industry Report van 2025 , heeft minder dan de helft een AI-governancebeleid in plaats. Ondertussen waren slechts 25% bezig met de implementatie ervan, en had bijna een derde geen AI-governancebeleid in plaats. Deze kaders kunnen het beslissende factor zijn in het helpen van bedrijven om duidelijke grenzen te stellen voor wat acceptabele prestaties zijn.

De Doomprompting-lus ontvluchten

Om te voorkomen dat ze in de cyclus van doomprompting terechtkomen, moeten bedrijven AI-strategieën omarmen die resultaten prioriteren boven perfectie. Het gebruik van prompttraining, doelspecifieke AI-modellen en modellen getraind op contextuele ondernemingsdata kan de noodzaak voor uitgebreide her-prompting verminderen. Bedrijven die agente AI, autonome IT-bewerkingen en sterke governance-kaders gebruiken, kunnen kritieke middelen heralloceren naar het bereiken van hun bedrijfsdoelstellingen zonder vast te zitten in eindeloze optimalisatiecycli. Succes zal komen wanneer teams hun mindset veranderen van constante verfijning naar een van gefocuste uitvoering en meetbare resultaten.