Wat is een Large Language Model (LLM)?

Wat is een Large Language Model?

Een Large Language Model (LLM) is een type kunstmatige intelligentie dat getraind is op enorme hoeveelheden tekst — boeken, websites, wetenschappelijke artikelen, code — om de structuur en betekenis van taal te begrijpen. Op basis van die training kan een LLM tekst schrijven, vertalen, samenvatten, analyseren en complexe redeneerketens volgen.

Het "large" in LLM verwijst naar de schaal: moderne modellen hebben honderden miljarden parameters — de wiskundige gewichten die bepalen hoe het model informatie verwerkt. GPT-4 van OpenAI heeft naar schatting meer dan 1 biljoen parameters.

Bekende LLM's en Hun Kenmerken

Model	Aanbieder	Sterke punten
GPT-4o	OpenAI	Breed inzetbaar, uitstekend in redeneren en code
Claude 3.5 / Claude 4	Anthropic	Lange context, veiligheid, genuanceerde tekst
Gemini 1.5 Pro	Google	Multimodaal (tekst + beeld + video), grote contextvenster
Llama 3	Meta	Open source, zelf te hosten, kostenefficiënt
Mistral / Mixtral	Mistral AI	Europees model, efficiënt, GDPR-vriendelijker hosting

Hoe Werkt een LLM?

LLM's werken op basis van transformerarchitectuur (geïntroduceerd door Google in 2017). Vereenvoudigd:

1. Tokenisatie: Tekst wordt opgesplitst in tokens (woorden of woorddelen)
2. Embeddings: Tokens worden omgezet in vectoren — getallen die de betekenis representeren
3. Attention-mechanisme: Het model weegt welke tokens in de context relevant zijn voor de huidige positie
4. Voorspelling: Het model voorspelt het meest waarschijnlijke volgende token, keer op keer, totdat een volledig antwoord is gegenereerd

Dit klinkt mechanisch, maar in de praktijk leidt dit tot output die abstract redeneren, analogieën en genuanceerd schrijven omvat.

Context Window: De Werkgeheugenlimiet

Elke LLM heeft een context window — de maximale hoeveelheid tekst (in tokens) die het tegelijk kan verwerken. Denk aan het als het werkgeheugen:

• Alles buiten het context window is voor het model niet zichtbaar
• Modern state-of-the-art: GPT-4o heeft 128.000 tokens, Claude 3.5 heeft 200.000 tokens
• 128.000 tokens ≈ 90.000-100.000 woorden ≈ een gemiddeld boek

Voor zakelijke toepassingen betekent dit: een LLM kan een lange contractdocument, een volledig e-mailarchief van een klant, of een uitgebreide productcatalogus in één keer verwerken en analyseren.

Wat Zijn de Beperkingen van LLM's?

Hallucinations: LLM's genereren soms feitelijk onjuiste informatie met groot zelfvertrouwen. Dit is een inherent risico van hoe ze werken — ze voorspellen waarschijnlijke tekst, niet gegarandeerde feiten. Oplossing: RAG om het model te verankeren aan verifieerbare bronnen.

Knowledge cutoff: LLM's zijn getraind tot een bepaalde datum. Informatie na die datum is niet beschikbaar tenzij het model toegang heeft tot het internet of u die informatie in de prompt aanlevert.

Kosten per token: Elke interactie met een LLM kost geld, afgerekend per token. Voor hoog-volume toepassingen moeten kosten nauwkeurig worden begroot.

Privacy: Wanneer u data stuurt naar een LLM-API, verlaat die data uw systemen. Enterprise API-contracten bieden zero-retention garanties; consumentenversies niet. Zie Privacy & Data Compliance.

LLM's in de Bedrijfspraktijk

LLM's zijn de motor achter vrijwel alle moderne AI-toepassingen. In de MKB-context zijn ze relevant als:

Directe tools: ChatGPT, Claude.ai en Gemini als schrijf- en analyseassistenten voor medewerkers.

API-integraties: LLM-API's gekoppeld aan uw eigen systemen via platforms als Make.com of n8n, zodat de AI-intelligentie werkt op uw eigen data en processen.

Fundament voor AI agents: AI agents gebruiken een LLM als de "redenerende kern" die beslissingen neemt over welke acties te ondernemen.

Hoe Selecteert u het Juiste LLM?

Bij het kiezen van een LLM voor een zakelijke toepassing zijn vier criteria doorslaggevend:

1. Capaciteit vs. kosten: Meer geavanceerde modellen (GPT-4o, Claude 3.5 Sonnet) presteren beter maar zijn duurder. Voor eenvoudige classificatietaken volstaan goedkopere modellen (GPT-4o mini, Claude 3 Haiku).

2. Datalocatie: Verwerkt het model data in de EU? Voor gevoelige sectoren is Azure OpenAI (EU-regio's) of een zelf-gehoste Mistral-instantie een betere optie dan de standaard OpenAI-API.

3. Context window: Hoe lang zijn de documenten die het model moet verwerken? Kies een model met voldoende context voor uw toepassing.

4. Multimodaliteit: Moet het model ook afbeeldingen, PDF's of audio verwerken? Gemini 1.5 Pro en GPT-4o zijn hier het sterkst.

Voor een praktische stap-voor-stap begeleiding bij het selecteren van een LLM voor uw bedrijf, zie AI Tools Selectiegids.