Stop met gokken op prompts: bouw herbruikbare specificaties voor AI-webdesign

Samenvatting

De bottleneck in AI-webdesign is niet het model; het is de context die bureaus erin stoppen. Dit artikel legt uit waarom generieke prompts falen en hoe je een herhaalbare spec-werkstroom opbouwt voor verschillende klanten: paginacontracten, machineleesbare design tokens, gekalibreerde heuristieken, menselijke goedkeuringspoorten en een leerlus. Gebaseerd op onderzoek van Baymard Institute, Nielsen Norman Group, Smashing Magazine, Gartner en MIT Technology Review Insights, laat het zien hoe je betrouwbaarheid krijgt zonder je oordeel op te geven. Je krijgt een praktische checklist om AI-paginageneratoren te veranderen van een speeltje in een productietool die voor klant na klant werkt. Lees dit als je het zat bent om AI-output te herschrijven en wilt dat de output aan jouw normen voldoet voordat je het beoordeelt.

Het ergste wat je met een AI-paginagenerator kunt doen, is er een goede prompt aan geven. Een geweldige prompt is nog steeds een wens verkleed in syntax—het vertelt het model wat je wilt zien, niet hoe het moet beslissen. Voor een bureau dat meerdere klanten beheert, is dat onderscheid het verschil tussen een tool die een week bespaart en een dure manier om dezelfde problemen sneller te genereren.

Het onderzoek achter AI-ondersteund design blijft op dezelfde ongemakkelijke waarheid uitkomen: het model is zelden de bottleneck; de context die je erin stopt is dat wel. Nielsen Norman Group stelt dat nu AI direct interface-elementen genereert, design deliverables evolueren van statische specificatiedocumenten voor menselijke ontwikkelaars naar gestructureerde context en regels die generatie sturen. Baymard Institute ontdekte dat generieke, niet-gekalibreerde AI-prompts slechts 14–26% van de echte bruikbaarheidsproblemen vangen, terwijl het verankeren van dezelfde modellen in gestructureerde, door mensen geteste UX-heuristieken de nauwkeurigheid naar 95% brengt. Die kloof is geen modelkwaliteit; het is contextkwaliteit.

Als je een bureau runt, heb je niet de luxe om outputs in de gaten te houden. Elk uur dat je besteedt aan het opnieuw specificeren nadat de AI heeft gegenereerd, is een uur dat het model had moeten besteden vóór het genereerde. Dit artikel is dus een checklist om die kloof te dichten. Je gaat prompt-gokken vervangen door een spec-werkstroom die werkt voor alle klanten: een contract van één pagina, machineleesbare design tokens, een gekalibreerde heuristische controle, menselijke goedkeuringspoorten, een feedbacklus en een scherpere definitie van wat wel en niet geautomatiseerd moet worden.

	Generieke prompt	Op specificaties gebaseerde werkstroom
Invoer	Een alinea met wensen	Paginacontract, tokens, componentspecificaties, heuristieken
Uitvoer	Aannemelijk, gemiddeld	Contextgericht, op merk, conversiegericht
Gevonden bruikbaarheidsfouten	14–26% van de echte problemen (Baymard Institute)	~95% met gestructureerde heuristieken (Baymard Institute)
Herhaalbaarheid	Begint opnieuw bij elke klant	Verbetert van project tot project
Menselijke controle	Opruimen na de rommel	Ingebouwd in goedkeuringspoorten

Schrijf het contract vóór de prompt

Voordat het model ook maar één pixel genereert, schrijf je één pagina die niets met de tool te maken heeft: het paginacontract. Het benoemt het zakelijke doel in één zin, het publiek in een paar bullets, de verplichte secties in volgorde, het bewijs waar de klant wettelijk achter kan staan, en de beperkingen die niet onderhandelbaar zijn. Dit is het document dat je zou schrijven als de AI niet bestond en je een freelancer zou moeten briefen die nog nooit van de klant heeft gehoord.

Voor een regionale loodgietersklant zou het contract er zo uit kunnen zien: doel is het boeken van afspraken via telefoon; publiek is huiseigenaren van 40–65 jaar binnen een straal van 25 mijl; verplichte secties zijn pijnpunt, dienstenlijst, bewijs van licentie en verzekering, testimonials en een contactformulier; beperking is geen prijzen omdat offertes afhankelijk zijn van een inspectie ter plaatse. Geef dit aan de AI in plaats van “maak me een moderne loodgieter-landingspagina.” De output zal anders zijn, niet omdat het model slimmer is, maar omdat de beslissingsruimte kleiner is.

Een paginacontract maakt het gesprek over de scope ook concreet met de klant. In plaats van ‘we gebruiken AI om de site te maken’, deel je een one-pager die zegt wat er wel en niet komt. Dat alleen al voorkomt het meeste ‘dit voelt niet als ons’-feedback, omdat de klant de structuur al heeft goedgekeurd voordat er pixels bestonden. Eén vereiste: laat de klant het contract niet alleen schrijven. Vraag om de drie bewijsstukken die ze daadwerkelijk kunnen verifiëren, niet de drie waarvan ze wensen dat ze waar waren. Als het contract een bewering bevat die het bedrijf niet kan ondersteunen, zet de AI er een zelfverzekerde versie van op de pagina, en dan ben jij degene die die aansprakelijkheid draagt.

Als je het contract overslaat, begint elke klant op nul. De AI zal een structuur verzinnen op basis van de gemiddelde landingspagina die het heeft gezien, en dat is precies wat de markt van jouw klant niet is. Dan besteed je de tijd die je dacht te besparen aan herschrijven. Die rekensom gaat nooit op voor een portfolio van klanten.

De echte vaardigheid is specificeren, niet prompten. Stop met prompten, begin met specificeren: AI-landingspagina's die converteren bepleit hetzelfde vanuit een andere invalshoek.

Geef het model een wereldmodel, geen verlanglijstje

Stop vervolgens met het voeden van het model met bijvoeglijke naamwoorden en begin het met tokens te voeden. Een AI-ready designsysteem heeft drie onderdelen: machineleesbare design tokens voor kleur, ruimte, typografie en beweging; een strikte componentspecificatie voor elk patroon; en geautomatiseerde controles die drift opvangen. De richtlijnen van Smashing Magazine over AI-ready designsystemen maken precies dit punt: zonder machineleesbare tokens en geautomatiseerde auditing verschijnt visuele drift op het moment dat codegeneratie wordt geautomatiseerd. De drift is geen bug in het model; het is een lek in je systeem.

Neem het merk van de loodgietersklant. In plaats van ‘een schone, betrouwbare uitstraling’, codeer je het: primaire kleur #1a3f5c, een 8-punts spatiëringsschaal, één lettertype-stack, 8-pixel radius tokens. Schrijf dan de specificatie voor de testimonialkaart: 1:1 afbeelding, quotatetekst niet kleiner dan 16 pixels, toeschrijving met licentienummer, maximale breedte 640 pixels. De specificatie moet ook inhoudsregels bevatten. De testimonial-sectie mag bijvoorbeeld alleen putten uit een lijst die jij aanlevert, niet uit het geheugen van het model van hoe een loodgieter-testimonial klinkt. Die ene regel voorkomt dat de AI een klant verzint die nooit heeft bestaan.

Sla het tokenbestand op dezelfde plek op als de rest van de assets van de klant en verwijs in elke generatie-run naar dat exacte bestand. Wanneer het model genereert, hoeft het niet te raden wat ‘op merk’ betekent; het volgt het tokenbestand. Als een klant hun merkkleur bijwerkt, werk je het token één keer bij en de volgende generatie weerspiegelt het. Zonder die discipline krijg je een pagina die aannemelijk én fout is: de standaard van het model voor een loodgietersbedrijf is een blauw verloop en een stockfoto van een moersleutel. Die pagina doorstaat een vlugheidstest en faalt bij een merkaudit, en de klant merkt het vóórdat de pagina live gaat.

Design token-bestanden zijn saai. Dat is precies de bedoeling. Saai is het tegenovergestelde van drift. Voor het gezond houden van die bibliotheek, zie Automatiseer het onderhoud van designsystemen met AI.

Kalibreer de criticus voordat je de criticus vertrouwt

Voeg een derde laag toe: een heuristische checklist die de AI moet gebruiken wanneer het zijn eigen output beoordeelt of verbetert. De meeste teams slaan dit over omdat het klinkt als huiswerk; het is ook de laag met het sterkste bewijs. Baymard Institute testte AI-gedreven UX-evaluatie en ontdekte dat generieke AI-tools en niet-gekalibreerde prompts slechts 14–26% van de echte bruikbaarheidsproblemen vinden. Veranker dezelfde tools in gestructureerde, door mensen geteste heuristieken en de nauwkeurigheid bereikt 95%—zonder dat de AI schadelijke CRO-suggesties genereert. Met andere woorden, het model is niet onbetrouwbaar van nature; het is onbetrouwbaar wanneer het vrij is.

Je checklist hoeft niet exotisch te zijn. Tien vragen die je senior designer elke keer stelt: is de waardepropositie binnen vijf seconden zichtbaar; is de primaire CTA beschikbaar zonder scrollen; vraagt het formulier alleen om velden die het salesteam daadwerkelijk gebruikt; is het contrast minimaal 4,5 tegen 1; zijn de tikdoelen minimaal 44 pixels; is elke kop begrijpelijk zonder ondersteunende tekst; is er één duidelijke vervolgactie; ondersteunen visuele elementen het scannen in plaats van concurreren; staat het vertrouwenssignaal van de pagina nabij het beslispunt; en vermijdt de tekst verzonnen precisie. Voor een logistieke klant had de AI-gegenereerde hero een sterke kop, maar een CTA onder de vouw naast een video. De heuristische check ving het. Als de prompt was geweest ‘is dit een goede landingspagina?’ zou het model ja hebben gezegd, omdat gepolijste tekst een structurele fout kan maskeren.

Een praktische kanttekening: de bevinding van Baymard gaat specifiek over heuristische evaluatie, niet over copywriting of layoutgeneratie. Het kalibreren van de criticus maakt het model geen strateeg; het maakt er een betrouwbare inspecteur van. De heuristieken zijn de bron van waarheid, niet het model. Het model wordt sneller in het toepassen van de checklist; het wordt niet wijzer over wat de checklist zou moeten zijn. Versioneer je checklist per vertical. Een vastgoedbeheerpagina en een medisch-apparaatpagina delen niet hetzelfde wrijvingsbudget. De eerste kan tien formuliervelden vragen; de tweede moet er drie vragen en de rest naar een follow-up verplaatsen.

Sla kalibratie over en de AI stelt een ‘quick win’ voor die één micrometriek verhoogt terwijl het de leadkwaliteit vernietigt, en het klinkt gezaghebbend terwijl het dat doet. Het zelfvertrouwen is precies wat het gevaarlijk maakt.

Houd een mens in de loop voor beslissingen die je voor de rechter kunnen brengen

Voeg een menselijke goedkeuringspoort toe voor precies drie soorten output: verifieerbare claims, omgang met persoonlijke gegevens en alles wat een garantie of uitkomst zou kunnen impliceren. Zowel Gartners hype-cycle-analyse als MIT Technology Review Insights komen op hetzelfde operationele punt uit: vertrouwen, progressieve toestemming voor privacy en menselijk toezicht zijn voorwaarden voor AI-gedreven conversie, geen afterthought. In de praktijk kan de AI een concept maken, maar het kan niet verzenden.

Voor een zorgklant bevatte de door AI gegenereerde FAQ een zin in de trant van ‘we kunnen u meestal binnen enkele minuten goedgekeurd krijgen.’ Die zin kan waar, onwaar of juridisch ingewikkeld zijn; een mens moet weten wat het is. Het werd verwijderd. Het concept plaatste ook de volledige privacyverklaring onderaan de pagina waar niemand het zou lezen, dus het team verving het door een progressieve toestemmingsflow: vraag om de minimale gegevens op het moment dat ze nodig zijn, leg uit waarom, en laat gebruikers van gedachten veranderen. Een mens die de toezichthouders van de klant kende, nam die beslissing. Progressieve toestemming is een designpatroon, geen juridische hack, en MIT Technology Review Insights koppelt het direct aan vertrouwen.

Zet deze poort niet in de checklist van de projectmanager; zet hem in de werkstroom zelf. In een eenvoudig proces wordt de AI-output pas naar de mens gerouteerd nadat de heuristische audit is geslaagd. In de praktijk betekent die volgorde dat een schoon visueel concept de goedkeurder bereikt in plaats van een eerste ronde stapel. De menselijke reviewer hoeft de layout niet opnieuw te bediscussiëren; ze moeten claims verifiëren en beslissen of de pagina beloften doet die de klant kan waarmaken.

Sla deze poort over en je zult uiteindelijk iets publiceren dat juridisch en schadelijk is, of schadelijk en illegaal. Een AI die zelfverzekerd klinkt over een uitkomst die het niet kan garanderen, is een reputatierisico met een publiceerknop. De rol van de mens is niet ‘alles beoordelen’, maar weten welke beslissingen het model structureel ongeschikt is om te nemen. AI-gedreven design vermenselijken verwoordt die afweging goed.

Sluit de lus zodat klant drie sneller is dan klant één

Neem na elk project een uur om wat er is gebeurd om te zetten in regels. Voeg een componentspecificatie toe, bewerk een heuristiek, schrijf een antipatroon. De opgebouwde specificatiebibliotheek van het bureau is het product; de AI is slechts de renderingengine. Als het enige dat zich opstapelt je promptgeschiedenis is, heb je niets geleerd; je hebt alleen meer getypt.

De pagina van een vastgoedbeheerklant bleef FAQ-antwoorden herordenen elke keer dat het model opnieuw genereerde. Het was geen modelstoring; de specificatie zei niet hoe lang een antwoord mocht zijn. Het team voegde een regel toe: FAQ-antwoorden maximaal 50 woorden, eerste zin beantwoordt de vraag. Die regel geldt nu voor elke klant in dezelfde vertical. De volgende versie van de pagina hoefde niet te worden opgelost omdat de specificatie het oploste.

Maak ook een antipatroonbestand. De afgewezen AI-outputs zijn trainingsdata voor je eigen proces. Een ‘slimme’ testimonialkop van één klant faalde omdat die klant klanten van nature sceptisch zijn; een notitie in het antipatroonbestand voorkomt dat je dezelfde slimme invalshoek op het volgende sceptische publiek forceert. De feedbacklus moet ook het contract raken. Als de verkoopgesprekken van een klant het dienstenaanbod veranderden, werk het paginacontract dan vóór het volgende project bij, niet erna. Anders wordt je specificatiebibliotheek een museum van verouderde aannames.

Als je dit uur overslaat, betaalt elke klant voor dezelfde les. Bureaus die AI als een eenmalige generator behandelen, betalen de volle prijs voor een kortingstool. Het herhaalbaarheidsvoordeel is niet dat je sneller prompts schrijft; het is dat je sneller wordt in alles na de prompt.

Automatiseer de onderdelen die geen oordeel nodig hebben

Beslis ten slotte wat het model altijd doet en wat het nooit beslist. Gebruik AI voor variantgeneratie, reskinning, toonherzieningen, toegankelijkheidsbeschrijvingen en structurele concepten. Houd een mens bij de unieke waardepropositie, het bewijs en de uiteindelijke beslissing. UXmatters en McKinsey beschrijven de verschuiving in experience design in dezelfde termen: van ‘commando en uitvoeren’ naar ‘samenwerken en itereren’, waarbij het platform kan voorspellen en zich aanpassen, maar een persoon de strategie vasthoudt.

Variantgeneratie is waar het model echt schittert. Geef het hetzelfde paginacontract en vraag om een versie die snelheid benadrukt, een andere die veiligheid benadrukt, een andere die prijs benadrukt. Elke versie blijft op merk omdat de tokens en heuristieken niet zijn veranderd. Bij een logistieke klant kun je vijf hero-kopvarianten vragen in twee structuren: één nieuwsgierigheid-gedreven, één bewijs-gedreven. Een mens kiest de invalshoek op basis van de vertrouwenspositie van de klant. Als je het model laat kiezen, besteed je merkstrategie uit aan een statistisch gemiddelde—en zo eindigt elke AI-landingspagina met ‘Ontgrendel je potentieel.’ Het model kan productief zijn, maar het kan geen verantwoordelijkheid dragen.

Reskinning is nog een veilige automatisering: dezelfde structuur, andere tokens. Zo kan één bureau een landingspagina maken voor een advocatenkantoor en een hoveniersbedrijf zonder er generiek uit te zien. De vertrouwenssignalen, componentspecificaties en heuristieken van het advocatenkantoor doen het onderscheid; het model rendert ze alleen sneller. Het automatiseren van het verkeerde is erger dan helemaal niet automatiseren. Snelheid versterkt alles wat je in het systeem stopt, inclusief oordeelsgaten.

Voor een diepere kijk op wanneer het model moet draaien en wanneer je het moet stoppen, zie AI versus menselijke landingspagina's: een beslissingskader.

De deliverable is de context

De pagina is niet langer de deliverable. De context die de pagina betrouwbaar produceert is: het contract, het tokenbestand, de heuristieken, de goedkeuringspoorten en de feedbacklus. AI-paginageneratoren blijven verbeteren en de prompts van vandaag zullen uiteindelijk verouderd raken. Het specificatiesysteem is het deel dat overleeft, en het is het deel dat AI hetzelfde laat werken voor klant één als voor klant tien.