Een large language model — in het Nederlands een groot taalmodel — is software die getraind is op enorme hoeveelheden tekst en op basis daarvan voorspelt welk woord er logischerwijs volgt. Alles wat ChatGPT, Claude of Google Gemini doet, komt daarop neer: steeds het volgende stukje tekst kiezen.
Dat klinkt te simpel voor wat eruit komt, en toch is het de hele truc. Wie dat begrijpt, snapt ook meteen waar zulke systemen op stuklopen.
Hoe het werkt
Een taalmodel is een neuraal netwerk met miljarden instelbare waarden. Tijdens het trainen krijgt het tekst voorgeschoteld waarvan het laatste woord is weggelaten, raadt het welk woord dat was, en worden de waarden bijgesteld als het misgaat. Dat herhaalt zich ontelbare keren.
De architectuur die dit mogelijk maakte heet de transformer, en die zit ook in de naam GPT: Generative Pre-trained Transformer. Het bijzondere eraan is dat het model naar alle woorden in een zin tegelijk kan kijken en zelf bepaalt welke het zwaarst wegen. Daardoor begrijpt het dat “hij” in de derde zin terugslaat op iemand uit de eerste.
Na het trainen volgt een tweede fase waarin mensen antwoorden beoordelen en het model leert wat bruikbaar is. Dat verschil merk je meteen: een ruw getraind model maakt je zin af, een afgestemd model beantwoordt je vraag.
Waarin het verschilt van eerdere taalsoftware
Vroegere systemen voor natuurlijke taalverwerking werden per taak gebouwd: eentje voor vertalen, eentje voor het herkennen van sentiment, eentje voor het samenvatten. Elk met eigen regels en eigen trainingsdata.
Een groot taalmodel is één systeem dat al die taken aankan zonder dat het er apart voor is gebouwd. Je beschrijft wat je wilt en het doet het. Dat is de reden dat de toepassingen zich zo snel uitbreiden: er hoeft geen nieuw model gemaakt te worden voor een nieuw probleem.
Waar ze op stuklopen
Vier beperkingen die rechtstreeks uit het ontwerp volgen.
Ze verzinnen. Een taalmodel voorspelt wat waarschijnlijk klinkt, niet wat waar is. Een niet-bestaande bronvermelding ziet er voor het model precies zo uit als een echte. Dit heet hallucineren en het is geen fout die te repareren valt — het is hoe het werkt.
Ze weten niet wat ze niet weten. Onzekerheid is niet ingebouwd. Een gok krijgt dezelfde stellige toon als een feit.
Hun kennis stopt op een datum. Wat na de training gebeurde, kennen ze niet. Veel systemen vangen dat op door tijdens het gesprek te zoeken, maar dat is een aanbouwsel, geen eigenschap van het model.
Ze rekenen slecht. Cijfers zijn voor een taalmodel gewoon tekens. Voor rekenwerk roepen moderne systemen een rekenmachine aan, wat verstandiger is dan het model laten gokken.
Waar ze in de praktijk voor gebruikt worden
- Schrijven en herschrijven — eerste versies, samenvattingen, vertalingen, een tekst korter maken.
- Programmeren — op dit moment de meest volwassen toepassing.
- Ordenen — inkomende berichten sorteren, gegevens uit vrije tekst halen, documenten labelen.
- Gesprekken — chatbots en virtuele assistenten die vragen beantwoorden.
- Zoeken — de AI Overviews boven de zoekresultaten draaien op dezelfde techniek.
In kantoorsoftware zit het inmiddels standaard: Microsoft 365 Copilot is een taalmodel dat in je documenten en agenda kan.
Open of gesloten
Grofweg twee smaken. De gesloten modellen van OpenAI, Anthropic en Google gebruik je via internet; je stuurt je tekst naar hun servers. De open modellen — te vinden op Hugging Face — download je en draai je op eigen apparatuur.
Voor bedrijven is dat verschil praktisch. Bij gesloten modellen betaal je per gebruik en gaat je invoer het pand uit; controleer bij gevoelige gegevens wat de leverancier daarmee doet, want zakelijke abonnementen sluiten training op jouw data doorgaans uit en gratis varianten niet. Bij open modellen betaal je in hardware en beheer, maar blijft alles binnen.
Wat dit betekent voor je website
Taalmodellen lezen je site, en steeds vaker in plaats van een bezoeker. Wie in een AI-antwoord genoemd wil worden, moet vindbaar zijn voor iets dat feiten zoekt en geen sfeerbeeld: concrete antwoorden, duidelijke koppen, en gegevens die niet in een afbeelding verstopt zitten. Dat vakgebied heet generative engine optimization.
Wat je ermee kunt beginnen
Kies één taak die je elke week doet en die met tekst te maken heeft — inkomende aanvragen samenvatten, productteksten opzetten, mail sorteren. Laat een model die taak twintig keer doen en vergelijk met wat jij zou hebben gedaan.
Dat geeft je binnen een uur een eerlijker beeld dan welke discussie ook. Je ziet meteen waar het scheelt, en waar je iets moet nakijken voor het naar buiten gaat.
