LLM: wat is een Large Language Model?

Een LLM (Large Language Model) is een AI-model dat taalpatronen leert uit grote hoeveelheden gegevens. Je kunt het gebruiken om tekst te genereren, samen te vatten, te vertalen of te analyseren. Het kan ook code schrijven. Een overtuigend antwoord is alleen niet automatisch een juist antwoord.

Een LLM is het model achter veel AI-toepassingen. Een chatbot voegt een gespreksscherm toe; een AI-agent kan het model combineren met tools en acties. Dat onderscheid is belangrijk als je wilt weten wat een toepassing werkelijk kan.

Hoe werkt een LLM?

Een taalmodel verwerkt tekst als tokens: stukjes tekst die bijvoorbeeld een woorddeel, een heel woord of een leesteken bevatten. Bij veel moderne LLM's is het voorspellen van het volgende token een belangrijke trainingstaak. Tijdens het genereren gebruikt het model de beschikbare context om een vervolg te maken.

Dat verloopt grofweg zo:

1. Training: het model krijgt veel voorbeelden en past zijn interne instellingen, de parameters, aan om patronen te leren. Welke gegevens worden gebruikt, verschilt per model.
2. Aanvullende afstemming: veel modellen krijgen extra training om instructies te volgen en antwoorden beter af te stemmen op gewenst gedrag. Dat kan met voorbeelden en feedback.
3. Gebruik: je stuurt een opdracht met context. Het model genereert een antwoord met de geleerde parameters. Deze gebruiksfase heet inference.

Veel LLM's gebruiken een transformer: een modelarchitectuur die via aandachtmechanismen relaties tussen tokens verwerkt. Niet ieder taalmodel hoeft een transformer te zijn; LLM is een categorie, geen verplicht technisch ontwerp.

Een model haalt zijn antwoord niet standaard uit een gecontroleerde feitenbank. In de parameters zitten geleerde patronen en kennis, maar ook onvolledigheden en vertekeningen. De toepassing kan daarnaast wel een zoekmachine, documenten of een database raadplegen.

LLM, ChatGPT, chatbot en AI-agent: wat is het verschil?

Een LLM is een model; een chatbot of AI-agent is een toepassing die een model kan gebruiken. ChatGPT is bijvoorbeeld een dienst, niet de algemene naam voor een taalmodel. Welke mogelijkheden je krijgt, hangt zowel van het model als van de toepassing af.

Een model kan een toolaanroep voorstellen. De software eromheen voert die uit en bepaalt welke rechten gelden. Wil je meer weten over die samenwerking? Lees hoe AI-agents werken, wat ReAct bij AI-agents betekent en wat een Agent Harness doet.

Kan een LLM ook afbeeldingen en geluid verwerken?

Sommige modellen kunnen naast tekst ook afbeeldingen, geluid of video verwerken of genereren. Dan is multimodaal model een preciezere term. Niet ieder LLM ondersteunt al die vormen, en input en output hoeven niet dezelfde mogelijkheden te hebben.

Een toepassing die een opname samenvat, kan bijvoorbeeld één multimodaal model gebruiken. Ze kan ook eerst spraak laten omzetten naar tekst en die tekst vervolgens aan een taalmodel geven. Aan het gespreksscherm zie je niet altijd hoe dat achter de schermen is ingericht.

Waarvoor kun je een LLM gebruiken?

Een LLM is bruikbaar voor taken waarin taal, structuur en context belangrijk zijn. Denk aan een eerste tekstversie, een samenvatting van een rapport of het ordenen van klantvragen. Je krijgt ondersteuning, geen automatische garantie op kwaliteit.

• Content: een opzet schrijven of bestaande tekst herschrijven op basis van je briefing en merkafspraken.
• Analyse: terugkerende onderwerpen vinden in feedback of aanvragen. Laat exacte berekeningen door betrouwbare rekensoftware uitvoeren.
• Interne kennis: antwoorden opzoeken in goedgekeurde documenten, met verwijzingen naar de gebruikte passages.
• Service: een conceptantwoord maken dat wordt gecontroleerd voordat het naar een klant gaat.
• Code: code voorstellen, uitleggen of helpen testen. Controle op werking en veiligheid blijft nodig.

Een concreet voorbeeld: je laat geanonimiseerde klantvragen indelen naar onderwerp. Geef het model vaste categorieën, definities en een categorie 'onduidelijk'. Vergelijk de indeling met een handmatig gecontroleerde selectie. Zo zie je waar de toepassing helpt en waar ze fouten maakt, zonder nauwkeurigheid te veronderstellen.

Waarom kan een LLM onjuiste antwoorden geven?

Een LLM kan een plausibel antwoord maken dat feitelijk onjuist of niet onderbouwd is. Dat noemen we een hallucinatie. Ook bronverwijzingen, citaten en getallen kunnen verzonnen zijn. Een stellig geformuleerd antwoord zegt weinig over de betrouwbaarheid ervan.

Het model kan kennis missen, een vraag verkeerd interpreteren of onterecht een patroon aanvullen. Zoektoegang lost dat niet volledig op: de toepassing kan de verkeerde bron vinden of een passage verkeerd gebruiken.

Controleer belangrijke claims daarom bij de oorspronkelijke bron. Vraag waar een antwoord op is gebaseerd en of informatie ontbreekt. Laat de toepassing bij onvoldoende onderbouwing doorverwijzen of geen antwoord geven. Controleer ook dát gedrag met voorbeelden waarop het juiste antwoord niet beschikbaar is.

Hoe gebruik je eigen gegevens: context, RAG of fine-tuning?

Je interne kennis is niet vanzelf beschikbaar in een LLM. Je kunt informatie in de opdracht meesturen, relevante documenten laten ophalen of een model aanvullend trainen. Die oplossingen doen verschillende dingen.

RAG verandert de modelparameters niet. De kwaliteit hangt onder meer af van de documenten, het ophalen van de juiste passages en de manier waarop het antwoord daarop wordt gebaseerd. Fine-tuning is geen vervanging voor een actuele kennisbron. Je kunt de technieken combineren; geen van beide voorkomt alle fouten.

Onthoudt een LLM je gesprekken?

Het contextvenster is de hoeveelheid informatie die een model tijdens een aanvraag kan verwerken. Een toepassing kan eerdere berichten daarin opnemen. Dat is iets anders dan blijvend geheugen of het opnieuw trainen van het model.

Gespreksgeschiedenis en geheugen zijn functies van de dienst of toepassing. Ze kunnen informatie opslaan en later opnieuw meesturen. Een gesprek betekent niet automatisch dat de modelparameters direct worden bijgewerkt. Ook een groot contextvenster garandeert niet dat ieder detail correct wordt gebruikt.

Waar let je op bij het kiezen van een LLM-toepassing?

Kies op basis van je taak, gegevens en kwaliteitseisen, niet alleen op een modelnaam. Een toepassing moet kunnen omgaan met jouw voorbeelden, beperkingen en controleproces.

1. Taak: welk resultaat moet je krijgen en wat geldt als fout?
2. Testmateriaal: gebruik representatieve voorbeelden, inclusief onduidelijke vragen en ontbrekende informatie.
3. Controle: toets feiten, brongebruik, gewenste vorm en wanneer menselijke beoordeling nodig is.
4. Gegevens: controleer toegang, bewaartermijnen en of input voor training wordt gebruikt. Dat verschilt per dienst, abonnement en instelling. Deel geen vertrouwelijke gegevens zonder passende afspraken.
5. Kosten en snelheid: kijk naar de volledige toepassing, inclusief tokens, zoeken, tools en controles. Het grootste model is niet automatisch de beste keuze voor iedere taak.
6. Acties: geef alleen noodzakelijke toegangsrechten en laat ingrijpende acties eerst goedkeuren.

Wil je bepalen waar taalmodellen in je organisatie zinvol zijn? In een strategiesessie kunnen we je vraag bekijken vanuit digital, marketing en AI. Meer achtergrond vind je in de uitleg over kunstmatige intelligentie.

Veelgestelde vragen

Waar staat LLM voor?

LLM staat voor Large Language Model, in het Nederlands groot taalmodel. Het leert taalpatronen uit veel gegevens en kan daarmee tekst verwerken en genereren.

Is ChatGPT hetzelfde als een LLM?

Nee. ChatGPT is een toepassing die AI-modellen gebruikt en daar een interface en aanvullende functies aan toevoegt. Een LLM is het onderliggende model, niet de volledige dienst.

Heeft een LLM altijd toegang tot internet?

Nee. Internettoegang is een mogelijkheid die een toepassing via zoeken of andere tools toevoegt. Een modelantwoord is niet vanzelf gebaseerd op actuele webinformatie.

Leert een LLM automatisch van ieder gesprek?

Nee. Context gebruiken, gesprekken opslaan en een model opnieuw trainen zijn verschillende processen. Of gesprekken later voor training worden gebruikt, hangt af van de dienst, instellingen en afspraken.

Voorkomt RAG hallucinaties?

Nee. RAG kan relevante broninformatie aanleveren, maar de toepassing kan nog steeds verkeerde passages ophalen of een onjuist antwoord formuleren. Broncontrole en testen blijven nodig.

Bronnen

Deze uitleg is gebaseerd op technische documentatie en uitleg van modelontwikkelaars en platformaanbieders. Geraadpleegd op 21 oktober 2026.

• IBM: wat zijn large language models?
• OpenAI: ontwikkeling van ChatGPT en foundation models
• Google Cloud: tokens tellen en tokenisatie
• OpenAI: waarom taalmodellen hallucineren
• IBM: RAG tegenover fine-tuning
• OpenAI: gebruik van gegevens voor modelverbetering