Wat is een Large Language Model (LLM)?

Hoe werkt een LLM?

Een large language model wordt getraind op honderden miljarden woorden tekst van internet, boeken, artikelen en andere bronnen. Tijdens de training leert het model patronen in taal herkennen: welke woorden en zinnen vaak samen voorkomen, hoe zinnen grammaticaal zijn opgebouwd en wat de betekenis is van tekst in context.

Het resultaat is een model dat bij een gegeven stuk tekst (de “prompt”) statistisch de meest waarschijnlijke vervolgtext kan voorspellen. Dit simpele principe, herhaald miliarden malen, leidt tot een systeem dat vragen beantwoordt, teksten samenvat, code schrijft en rapporten opstelt.

Tokens en context window

LLM’s verwerken tekst niet als woorden maar als tokens: stukjes tekst van gemiddeld drie tot vier tekens. Het woord “automatisering” is bijvoorbeeld twee tokens. Het context window is de maximale hoeveelheid tokens die een model in één aanroep kan verwerken, inclusief de prompt en het antwoord.

Grotere context windows maken het mogelijk om lange documenten, uitgebreide gespreksgeschiedenissen of meerdere bestanden tegelijk mee te geven aan het model. Dit is relevant bij bedrijfstoepassingen waar je het model wilt laten werken met je eigen documentatie of klantdata, een techniek die Retrieval Augmented Generation heet.

Bekende LLM’s en hun toepassingsgebied

De meest gebruikte LLM’s in 2026 zijn:

• GPT-4 en GPT-4o van OpenAI: breed inzetbaar, sterk in codering en analyse, beschikbaar via de OpenAI API en ChatGPT.
• Claude van Anthropic: sterk in het verwerken van lange documenten en nuanceerde instructies, met focus op veiligheid.
• Gemini van Google: geïntegreerd in Google Workspace en goed in het combineren van tekst, afbeeldingen en zoekopdrachten.

De keuze hangt af van de specifieke taak, het budget en de integratiebehoeften. Voor AI-agents die autonoom taken uitvoeren, is de kwaliteit van instruction-following en tool-use belangrijker dan tekstgeneratie alleen.

Beperkingen: hallucinations en kennisgrens

LLM’s hebben twee fundamentele beperkingen die je moet kennen voor zakelijk gebruik.

Ten eerste hebben ze een kennisgrens: de training stopt op een bepaalde datum, en het model weet niets van gebeurtenissen daarna, tenzij je die informatie meestuurt in de prompt. Vraag je een model naar een recent nieuwtje of actuele cijfers, dan zal het een antwoord genereren op basis van verouderde informatie of iets verzinnen.

Ten tweede zijn er hallucinations: gevallen waarbij het model feitelijk onjuiste informatie genereert met volledige zelfzekerheid. Het model citeert een niet-bestaand rapport, verzint een naam of geeft een incorrect getal. Dit is geen bug maar een gevolg van hoe LLM’s werken: ze voorspellen waarschijnlijke tekst, ze raadplegen geen database.

Verificatie van LLM-output is daarom altijd noodzakelijk bij feitengevoelige toepassingen.

LLM’s in bedrijfscontext: wat is realistisch?

LLM’s zijn krachtig voor taken als:

• Samenvatten van lange documenten of vergadernotulen
• Opstellen van e-mails of rapporten op basis van bullet points
• Verwerken van ongestructureerde tekst naar gestructureerde data
• Beantwoorden van klantvragen op basis van meegestuurde documentatie

Ze zijn minder geschikt als exclusieve bron voor feitelijke beslissingen, financiële berekeningen of juridische adviezen. Combineer een LLM altijd met goede promptstechnieken en, waar mogelijk, met een systeem dat verifieerbare bronnen meestuurt.

Onze tip: Begin met een eenvoudige taak die je nu handmatig doet: e-mails beantwoorden, vergaderingen samenvatten, data ordenen. Bouw vertrouwen op met een afgebakende use case voordat je het model inzet voor complexere, risicogevoeliger processen.