GPT-5.4 is gebouwd voor productie-assistenten en agents die sterk meerstapsredeneren, evidence-rijke synthese en betrouwbare prestaties over lange context nodig hebben. De grootste winst komt volgens OpenAI niet uit “meer laten nadenken”, maar uit drie dingen: kies de juiste reasoning effort voor de taakvorm, geef expliciete grounding- en citatieregels, en definieer precies hoe “klaar” eruitziet. Begin met de kleinste prompt die je evals haalt en voeg blokken pas toe als ze een gemeten faalmodus oplossen.

Behandel reasoning effort als laatste afstelknop

Reasoning effort is geen one-size-fits-all en is niet de primaire manier om kwaliteit te verbeteren. Sterke prompts, heldere output contracts en lichte verificatie halen vaak terug wat je anders via hogere instellingen zou zoeken. De defaults uit de bron:

• none — snelle, kosten- en latency-gevoelige uitvoeringstaken: workflowstappen, field extraction, support triage, korte structured transforms.
• low — latency-gevoelig waar een beetje denken meetbaar nauwkeuriger maakt, zeker bij complexe instructies of nuance-interpretatie.
• medium / high — reserveer voor taken die echt sterker redeneren vragen: long-context synthese, multi-document review, strategieteksten.
• xhigh — vermijd als default; alleen bij lange, agentic, redeneer-zware taken waar maximale intelligentie boven snelheid en kosten gaat.

Voeg vóór je effort verhoogt eerst een completeness_contract, verification_loop en tool_persistence_rules toe.

Definieer het output contract en knijp verbosity af

Voor token-efficiëntie stuur je verbositeit en structuur via een expliciet contract, naast de verbosity-parameter in de Responses API. Geef exact welke secties in welke volgorde, en bij JSON/Markdown/SQL/XML: alleen dat formaat. GPT-5.4 neigt naar veel bullets en geneste lijsten; clamp de lijstvorm als je strakke prozaoutput wilt.

- Return exactly the sections requested, in the requested order.
- If a format is required (JSON, Markdown, SQL, XML), output only that format.

Forceer volledigheid en verifieer vóór onomkeerbare acties

Een veelvoorkomende faalmodus is onvolledige uitvoering: stoppen na gedeeltelijke dekking, items in een batch missen, of lege retrieval als definitief behandelen. Houd de taak “incompleet” tot alles gedekt of expliciet [blocked] is, en houd een interne checklist bij. Bij lege of verdacht smalle resultaten: probeer eerst fallback-strategieën (andere woordkeuze, bredere filters, andere bron) voordat je “niks gevonden” rapporteert. Sluit af met een korte verification_loop die correctheid, grounding, formattering en onomkeerbaarheid checkt; bij externe side effects (verzenden, kopen, verwijderen) eerst om toestemming vragen.

Houd tool-gebruik persistent en afhankelijkheids-bewust

GPT-5.4 is vroeg in een sessie minder betrouwbaar in tool routing, als de context nog dun is. Prompt expliciet voor prerequisites en dependency checks: sla een voorbereidende lookup niet over alleen omdat de eindtoestand voor de hand lijkt te liggen. Parallelliseer onafhankelijke retrieval om wall-clock te besparen, maar sequentieel bij afhankelijkheden of onomkeerbare acties. Runtime-tip: round-trip het phase-veld (Responses API) zodat preambles en tussentijdse updates niet voor het eindantwoord worden aangezien.

Lock onderzoek en citaten aan opgehaalde evidence

Als citatiekwaliteit telt, maak zowel de bronafbakening als het formaat expliciet: citeer alleen bronnen die in deze workflow zijn opgehaald, verzin nooit URLs of IDs, en hang citaten aan de specifieke claim. Baseer claims alleen op aangeleverde context of tool-output; label een inferentie als inferentie. Voor research-taken werkt de research_mode in drie passes: plan sub-vragen, retrieve, en synthetiseer met citaten.

Klein-model-noot: gpt-5.4-mini en gpt-5.4-nano

gpt-5.4-mini is letterlijker en maakt minder aannames: zet kritieke regels eerst, specificeer de volledige uitvoervolgorde, scheid “doe de actie” van “rapporteer de actie”, en definieer ambiguïteitsgedrag expliciet. Gebruik gpt-5.4-nano alleen voor smalle, goed afgebakende taken met gesloten output (labels, enums, korte JSON); route planning-zware taken naar een sterker model.

De KOMPAS-methode sluit hier direct op aan: ze dwingt je om vóór het prompten je doel, het output contract en je “definition of done” scherp te krijgen — precies de hefbomen die GPT-5.4 betrouwbaar maken. Wil je je eigen prompt aanscherpen, test hem dan gratis in onze prompt-coach, die je per onderdeel feedback geeft op reasoning effort, structuur en verificatie. Voor begeleiding bij complete agent- en contentworkflows kun je terecht bij onze coaching. Gebaseerd op de officiële documentatie van OpenAI.