Zero-shot prompting betekent een AI-model iets laten doen met alleen een instructie, zonder voorbeelden om na te doen. Je beschrijft de taak in gewone woorden en het model leunt volledig op wat het tijdens de training al leerde om tot een antwoord te komen.
Zie het als een belezen nieuwe collega vragen om ‘deze e-mail in twee zinnen samen te vatten’. Je geeft hem niet eerst een map met oude samenvattingen. Je vertrouwt erop dat hij genoeg heeft gelezen om het gewoon te doen. Dat is zero-shot. Het werkt omdat een large language model zoveel tekst heeft gezien dat veel taken al bekend zijn. De tegenhanger is few-shot prompting, waarbij je eerst een paar opgeloste voorbeelden plakt om de opmaak en stijl te sturen.
De naam komt uit onderzoek, waar ‘shots’ staat voor het aantal voorbeelden dat je toont. Nul shots, geen voorbeelden. Eén shot, een enkel voorbeeld. Few shots, een handvol. De sprong van nul naar één is vaak de grootste. Een model schrijft misschien zelf een prima samenvatting, maar zet datums op tien manieren neer over honderd runs. Geef het één voorbeeld met de datum als ‘2026-06-19’ en ineens lopen alle outputs gelijk. Zero-shot gaat dus minder over of de taak makkelijk is en meer over of de tekst alleen al vastlegt wat je wilt.
Zero-shot is de snelste en goedkoopste manier om te prompten, want de instructie blijft kort. De keerzijde is de consistentie: bij ongewone taken of strikte uitvoerformaten dwaalt het model eerder af zonder een voorbeeld om houvast te bieden. Een heldere, specifieke instructie dicht een groot deel van dat gat al voordat je naar voorbeelden grijpt.
Bij TopDevs beginnen we de meeste prompts zero-shot om ze simpel te houden, en voegen we pas voorbeelden toe waar de taak van een klant die extra sturing echt nodig heeft. Zo houden we kosten en complexiteit laag.
