Waarom AI-chatbots Markdown spreken

Als je ooit met ChatGPT, Claude, Gemini, of een andere moderne AI-assistent hebt gepraat (inclusief degene in de rechterbenedenhoek van deze website), is je waarschijnlijk iets opgevallen: hun antwoorden komen met vetgedrukte tekst, opsommingstekens en klikbare links. Dat is geen magie. Dat is Markdown.

Wat is Markdown?

Markdown is in 2004 gemaakt door John Gruber als een lichtgewicht manier om tekst op te maken met behulp van eenvoudige symbolen. In plaats van op knoppen in een teksteditor te klikken, typ je tekens die opmaak vertegenwoordigen:

**vetgedrukte tekst**
*cursieve tekst*
[linktekst](https://example.com)
- opsommingsteken

Wanneer ze worden weergegeven, worden deze:

• vetgedrukte tekst
• cursieve tekst
• linktekst
• opsommingsteken

Waarom gebruiken AI-modellen Markdown?

Het is geen toeval dat AI-modellen Markdown uitvoeren. Ze worden getraind op enorme hoeveelheden internettekst, en Markdown is overal online te vinden: GitHub, Stack Overflow, technische blogs, documentatie. Het formaat zit ingebakken in hun trainingsgegevens.

Grote taalmodellen zoals GPT-5, Claude, Llama, Gemini en Grok worden getraind op enorme hoeveelheden internettekst. Een groot deel van die tekst komt van:

• GitHub: README's, documentatie, issues, opmerkingen
• Stack Overflow: Vragen en antwoorden
• Technische blogs: Tutorials en documentatie
• Reddit en forums: Gebruikersdiscussies

Al deze platforms gebruiken Markdown. Dus wanneer een AI-model leert communiceren, neemt het van nature Markdown op als onderdeel van zijn "taal".

Het praktische voordeel

Markdown is zelfs leesbaar zonder weergave. Vergelijk deze twee:

**Belangrijk**: Controleer de documentatie

vs

<strong>Belangrijk</strong>: Controleer de documentatie

De eerste is Markdown. De tweede is HTML. Beide leveren hetzelfde resultaat op, maar Markdown is schoner en gemakkelijker te lezen in zijn ruwe vorm.

Dit is belangrijk omdat AI-antwoorden leesbaar moeten zijn in verschillende contexten: ruwe API-antwoorden, chatinterfaces, documentatie en meer.

Markdown in de praktijk parsen

Ik werk al jaren met Markdown in documentatie, README-bestanden en contentmanagementsystemen. Bij het bouwen van AI-chatbots wordt het bijzonder relevant. Het model retourneert tekst die Markdown-opmaak kan bevatten, dus de frontend moet dit parsen.

Hier is een vereenvoudigde parseerketen voor basisopmaak:

AI-antwoord (ruwe tekst met Markdown)
        ↓
Parse [tekst](url) → klikbare links
        ↓
Parse https://... → klikbare URL's
        ↓
Parse **tekst** → vetgedrukte tekst
        ↓
Weergegeven in chatbubbel

Voor productie-chatbots wil je waarschijnlijk een volledige Markdown-parserbibliotheek gebruiken, zoals react-markdown, marked.js of markdown-it. Deze verwerken de volledige Markdown-specificatie: koppen, tabellen, codeblokken en meer.

Je kunt niet volledig bepalen welk formaat de AI uitvoert. Zelfs als je vraagt om links in de stijl van [Titel](url), kan het model in plaats daarvan ruwe URL's retourneren. Bouw je parser om beide formaten af te handelen.

Moet je Markdown gebruiken in je prompts?

Ja, maar met realistische verwachtingen. Wanneer je een systeemprompt voor een AI schrijft, is het vragen om Markdown-uitvoer zinvol omdat:

1. Het is wat het model van nature produceert
2. Het is eenvoudig te parsen aan de frontend
3. Het is veilig (geen XSS-risico zoals bij HTML)
4. Het is leesbaar als fallback

Onthoud dat LLM's instructies niet altijd perfect opvolgen. Zorg ervoor dat je frontend variaties gracieus kan verwerken.