Wat is een LLM?

LLM staat voor Large Language Model, oftewel groot taalmodel. Het is een type kunstmatig neuraal netwerk dat op enorme hoeveelheden tekst (miljarden webpagina's, boeken, artikelen, broncode) is getraind om het volgende woord in een zin te leren voorspellen. ChatGPT, Claude, Gemini, Llama, Mistral, DeepSeek: al die namen die je overal ziet sinds 2023 zijn LLM's of producten die op LLM's zijn gebouwd.

Het principe lijkt misschien belachelijk eenvoudig voor een technologie die code genereert, essays schrijft, 500 pagina's dikke documenten samenvat en medische examens haalt: het volgende woord voorspellen. Maar wanneer je een neuraal netwerk traint dat groot genoeg is op genoeg tekst, doet deze voorspellingstaak vermogens ontstaan die niemand echt had voorzien: redeneren, vertalen, problemen oplossen, code genereren, en een vorm van taalbegrip die, hoewel niet menselijk, resultaten oplevert die vaak niet van menselijke te onderscheiden zijn.

Hoe een LLM werkt

Een LLM is een zeer complexe wiskundige functie. Het neemt een reeks woorden (of preciezer "tokens", woordfragmenten) als invoer en produceert een kansverdeling over alle mogelijke tokens als uitvoer. Het token met de hoogste waarschijnlijkheid wordt geselecteerd als volgend woord, aan de reeks toegevoegd, en het proces begint opnieuw. Zo genereert het model tekst, woord voor woord (of token voor token).

De onderliggende architectuur heet de Transformer, geïntroduceerd door Google-onderzoekers in 2017 in een paper getiteld "Attention Is All You Need". De belangrijkste innovatie van de Transformer is het aandachtsmechanisme (attention): in plaats van woorden één voor één van links naar rechts te verwerken (zoals de recurrente netwerken die daarvoor bestonden), kan de Transformer alle woorden in de reeks tegelijkertijd beschouwen en de relaties tussen elk woordpaar berekenen. Dit stelt het in staat context te begrijpen: wanneer je "de oever van de rivier" schrijft, weet het model dat "oever" verwijst naar de rand van het water, omdat het de relatie tussen "oever" en "rivier" heeft berekend.

In 2026 is de dominante architectuur Mixture of Experts (MoE): het model bevat biljoenen parameters in totaal, maar slechts een fractie (enkele tientallen miljarden) wordt geactiveerd voor elk token. Het is als een gebouw met honderden gespecialiseerde kantoren: voor elke vraag word je naar slechts 2 of 3 relevante kantoren geleid, niet naar alle 200. Dit maakt het mogelijk om de kwaliteit van een gigantisch model te bereiken tegen veel lagere rekenkosten.

De drie fasen van het maken van een LLM

Een LLM wordt niet geboren met het vermogen om een gesprek te voeren. De creatie doorloopt drie afzonderlijke fasen, die elk verschillende vermogens opleveren.

Pre-training. Het model wordt getraind op een enorm tekstcorpus (miljarden webpagina's, boeken, broncode, wetenschappelijke artikelen, forumdiscussies). Het doel is eenvoudig: het volgende woord voorspellen. Door dit miljarden keren te doen op miljarden teksten, leert het model grammatica, feiten, logisch redeneren, stijl en een vorm van "wereldkennis" die gecodeerd is in de statistische relaties tussen woorden. Pre-training is de duurste fase: het trainen van GPT-3 verbruikte 1.287 MWh elektriciteit, het equivalent van het voeden van 330 Amerikaanse huishoudens gedurende een jaar. De modellen van 2026 verbruiken nog meer.

Supervised fine-tuning (SFT). Na pre-training kan het model tekst aanvullen, maar het weet niet hoe het vragen moet beantwoorden, instructies moet opvolgen of een gestructureerd gesprek moet voeren. Supervised fine-tuning houdt in dat het wordt getraind op hoogwaardige gespreksvoorbeelden: door mensen geschreven vraag-antwoordparen, voorbeelden van het opvolgen van instructies, redeneertaken. Deze stap transformeert een "tekstaanvuller" in een gespreksassistent.

Alignment (RLHF, DPO, GRPO). De derde fase bestaat uit het afstemmen van het gedrag van het model op menselijke voorkeuren. De historische methode is RLHF (Reinforcement Learning from Human Feedback): mensen vergelijken twee antwoorden van het model en geven aan welk beter is. Een beloningsmodel wordt getraind op deze voorkeuren en vervolgens gebruikt om het LLM te optimaliseren via reinforcement learning. Nieuwere methoden zoals DPO (Direct Preference Optimization) en GRPO (Group Relative Policy Optimization) vereenvoudigen dit proces. Alignment voorkomt dat het model toxische content produceert, gevaarlijke instructies opvolgt of onnodig omslachtig antwoordt.

Tokens: de basiseenheid

LLM's werken niet met woorden maar met tokens. Een token is een tekstfragment: een veelvoorkomend woord is vaak één token, een zeldzaam woord kan in meerdere tokens worden gesplitst, en een speciaal teken of leesteken is doorgaans een apart token. Gemiddeld komt voor Nederlandse of Engelse tekst één token overeen met ongeveer 3/4 van een woord. Een tekst van 1.000 woorden is ongeveer 1.300 tokens.

Dit onderscheid is belangrijk omdat LLM's per token factureren en limiteren, niet per woord. Het "contextvenster" (de hoeveelheid tekst die het model in één keer kan verwerken) wordt gemeten in tokens. In 2026 bieden toonaangevende modellen contextvensters van 128.000 tot 1 miljoen tokens (Gemini, Claude), en Meta Llama 4 Scout bereikt 10 miljoen tokens. Maar "contextvenster" en "effectieve context" zijn niet hetzelfde: de meeste modellen verliezen nauwkeurigheid bij informatie die in het midden van een lange context staat.

Wat LLM's kunnen

De lijst met LLM-mogelijkheden in 2026 is lang en groeit met elke nieuwe modelgeneratie.

Tekstgeneratie. E-mails, rapporten, artikelen, scripts, social media posts schrijven. Het meest voorkomende en zichtbare gebruik.

Samenvatting en analyse. Een document van 200 pagina's in enkele alinea's samenvatten, kernpunten extraheren, hoofdargumenten identificeren, twee teksten vergelijken.

Vertaling. LLM's vertalen tussen tientallen talen met een kwaliteit die voor alledaagse teksten vaak kan concurreren met menselijke vertalers (minder betrouwbaar voor sterk gespecialiseerde of literaire teksten).

Code generatie en analyse. Code schrijven in vrijwel elke programmeertaal, bestaande code debuggen, uitleggen wat een programma doet, code van de ene taal naar de andere converteren. In 2026 gebruikt ongeveer 85% van de ontwikkelaars regelmatig LLM-ondersteunde coderingstools.

Redeneren. Redeneermodellen (GPT-5 met instelbare inspanning, Claude met "extended thinking", Gemini 3, DeepSeek R1) kunnen complexe wiskundige problemen, logische puzzels en taken die meerstapsplanning vereisen oplossen. Ze "denken" door een interne gedachteketen te produceren voordat ze hun definitieve antwoord geven.

Multimodaliteit. Moderne LLM's beperken zich niet meer tot tekst. Ze kunnen afbeeldingen analyseren (een foto beschrijven, tekst in een afbeelding lezen, een grafiek interpreteren), audiobestanden verwerken (transcriptie, spraakvertaling) en in sommige gevallen afbeeldingen of video genereren.

Wat LLM's niet kunnen

Ondanks hun indrukwekkende mogelijkheden hebben LLM's fundamentele beperkingen die je moet begrijpen om ze correct te gebruiken.

Hallucinaties. LLM's verzinnen soms valse informatie met volledig vertrouwen. Ze kunnen studies citeren die niet bestaan, citaten toeschrijven aan mensen die ze nooit hebben gezegd, of volledig verzonnen cijfers geven. Het probleem komt voort uit hun aard: ze genereren de meest waarschijnlijke tekst, niet de meest waarheidsgetrouwe. Voor een LLM kan een valse bewering die "goed klinkt" een hogere waarschijnlijkheid hebben dan een ware bewering die op een ongebruikelijke manier is geformuleerd. Het hallucinatiepercentage is met elke modelgeneratie gedaald, maar het is niet nul en zal dat waarschijnlijk nooit zijn.

Betrouwbaar redeneren over lange ketens. LLM's kunnen 3 tot 5 redeneerstappen betrouwbaar aan elkaar koppelen. Daarboven stapelen fouten zich op. Een probleem dat 15 stappen logisch redeneren vereist, wordt zelfs door de beste modellen inconsistent opgelost. Redeneermodellen (die langer "nadenken") verhogen dit plafond maar elimineren het niet.

Actuele kennis. Een LLM is bevroren in de tijd. Het kent de informatie in zijn trainingsdata maar weet niets over wat er na de afsnijdatum van de training is gebeurd. Om toegang te krijgen tot recente informatie heeft het tools nodig (webzoeken, databasetoegang), wat neerkomt op het bouwen van een AI-agent rond het LLM.

Wiskunde en tellen. Paradoxaal genoeg zijn LLM's slecht in basisrekenen wanneer ze het "uit hun hoofd" moeten doen (letters in een woord tellen, grote getallen vermenigvuldigen). Ze werken goed bij wiskundig redeneren (een probleem begrijpen en de aanpak formuleren) maar niet bij rauwe berekening. Daarom geven de beste systemen ze toegang tot een code-interpreter om berekeningen uit te voeren in plaats van ze zelf te laten doen.

Geheugen tussen gesprekken. Standaard heeft een LLM geen geheugen tussen twee gesprekken. Elke uitwisseling begint van nul. Geheugensystemen (samenvattingen van eerdere gesprekken, contextdatabases) zijn lagen die door applicaties worden toegevoegd, geen native mogelijkheid van het model.

De belangrijkste LLM's in 2026

Het LLM-ecosysteem heeft zich gestructureerd rond twee categorieën: propriëtaire modellen (alleen toegankelijk via API of webinterface) en open-sourcemodellen (downloadbaar en lokaal uitvoerbaar).

GPT-5 (OpenAI) is OpenAI's vlaggenschipmodel, de opvolger van GPT-4. Het bevat een instelbare redeneermodus waarmee het langer of korter kan "nadenken" afhankelijk van de complexiteit van de taak. ChatGPT, gebouwd op GPT-5, bereikt 900 miljoen wekelijks actieve gebruikers in 2026.

Claude (Anthropic) is Anthropics modelfamilie, met een architectuur gericht op veiligheid en alignment. Claude is beschikbaar in meerdere maten (Haiku, Sonnet, Opus) geschikt voor verschillende kwaliteit/kosten/snelheid-afwegingen. Anthropic bedient meer dan 300.000 zakelijke klanten.

Gemini (Google) is Googles modelfamilie, geïntegreerd in Google Zoeken, Gmail, Google Docs en Android. De Gemini-app overschrijdt 900 miljoen maandelijks actieve gebruikers in 2026. Gemini onderscheidt zich door zeer grote contextvensters (tot 1 miljoen tokens).

Llama (Meta) is de toonaangevende open-sourcemodelfamilie, vrij downloadbaar en aanpasbaar. Llama 4 Scout bereikt 10 miljoen tokens context. Llama-modellen worden breed gebruikt door bedrijven die hun eigen LLM willen hosten zonder afhankelijk te zijn van een cloudprovider.

DeepSeek (DeepSeek) is een Chinees open-sourcemodel dat begin 2025 de industrie op zijn grondvesten deed schudden door GPT-4-vergelijkbare prestaties te tonen tegen veel lagere trainingskosten. DeepSeek bewees dat topprestaties niet per se topbudgetten vereisen.

Mistral (Mistral AI) is het toonaangevende Europese model, ontwikkeld door een Franse startup. Mistral focust op efficiëntie: kleinere modellen die zeer competitief zijn voor hun omvang, bijzonder geschikt voor toepassingen waar latentie of kosten kritiek zijn.

Parameters: wat betekenen ze

Als er wordt gesproken over een model met "70 miljard parameters" of "1 biljoen parameters", zijn parameters de numerieke waarden die tijdens training worden aangepast en het gedrag van het model bepalen. Elke parameter is een zwevendekommagetal opgeslagen in het neurale netwerk. Grof gezegd betekent meer parameters dat het model meer kennis en complexere relaties tussen woorden kan coderen.

Maar omvang is niet alles. Een model van 8 miljard parameters dat goed is getraind op kwalitatieve data kan een model van 70 miljard parameters dat slecht is getraind op matige data overtreffen. De kwaliteit van trainingsdata, de modelarchitectuur en post-trainingstechnieken tellen minstens evenveel als het ruwe aantal parameters. Dit is de les die DeepSeek de industrie leerde: prestaties hangen niet alleen af van het budget.

Propriëtaire vs open-sourcemodellen

Het debat tussen propriëtaire en open-sourcemodellen is een van de meest actieve in de industrie in 2026.

Propriëtaire modellen (GPT-5, Claude, Gemini) zijn alleen toegankelijk via API of webinterface. Je kunt de broncode niet zien, ze niet downloaden of aanpassen. Het voordeel: ze zijn doorgaans het best presterend, worden constant bijgewerkt, en je hoeft geen infrastructuur te beheren. Het nadeel: je bent afhankelijk van de aanbieder (prijzen, gebruiksvoorwaarden, beschikbaarheid, privacybeleid).

Open-sourcemodellen (Llama, DeepSeek, Mistral, Qwen) zijn downloadbaar, aanpasbaar en uitvoerbaar op je eigen infrastructuur. Het voordeel: volledige controle over data (niets verlaat je servers), mogelijkheid om het model te fine-tunen voor je specifieke toepassing, geen vendorafhankelijkheid. Het nadeel: je moet infrastructuur beheren (dure GPU's), prestaties zijn doorgaans iets lager dan de beste propriëtaire modellen, en updates zijn minder frequent.

In 2026 verkleint de prestatiekloof tussen beide categorieën. DeepSeek V3.2, Qwen3 en Llama 4 concurreren met propriëtaire modellen op veel benchmarks. Voor veel bedrijven is de keuze minder gebaseerd op ruwe prestaties dan op privacy-eisen, kosten en controle.

De kosten van gebruik

Propriëtaire LLM's rekenen per token (invoer en uitvoer). Prijzen variëren aanzienlijk per model en aanbieder. Een topmodel kost doorgaans tussen $2 en $15 per miljoen invoertokens, en tussen $8 en $60 per miljoen uitvoertokens. Kleinere of oudere modellen kosten een fractie hiervan.

Voor zelf gehoste open-sourcemodellen is de belangrijkste kostenpost hardware: een professionele GPU (NVIDIA A100 of H100) kost tussen $10.000 en $30.000, en een groot model vereist meerdere GPU's. De kosten per token zijn lager zodra de infrastructuur draait, maar de initiële investering en het onderhoud zijn aanzienlijk.

De wereldwijde LLM-markt wordt voor 2025 geschat op $7,81 miljard en zal naar verwachting $130 miljard bereiken tegen 2034. OpenAI heeft meer dan $20 miljard aan geannualiseerde omzet overschreden, Anthropic heeft $14 miljard bereikt.

Risico's en beperkingen om in gedachten te houden

Gegevensprivacy. Wanneer je tekst naar een LLM stuurt via een cloud-API, wordt die tekst naar de servers van de aanbieder verzonden. Controleer altijd het privacybeleid: sommige aanbieders kunnen je gegevens gebruiken om toekomstige modellen te trainen. Als privacy kritiek is, overweeg een zelf gehost open-sourcemodel of een bedrijfscontract met expliciete garanties.

Vooroordelen (bias). LLM's weerspiegelen de vooroordelen die in hun trainingsdata aanwezig zijn. Als de data bepaalde culturele, geografische of demografische perspectieven oververtegenwoordigt, zal het model deze vooroordelen reproduceren. Aanbieders werken aan het verminderen hiervan via alignment en filtering, maar het probleem is niet opgelost.

Energieverbruik. Het trainen en gebruiken van LLM's verbruikt aanzienlijke hoeveelheden energie. De AI-sector zou tegen 2027 tussen 85 en 134 TWh per jaar kunnen verbruiken, bijna evenveel als Nederland. Dit is een groeiend milieuprobleem.

Afhankelijkheid. De concentratie van de markt rond enkele aanbieders (OpenAI, Google, Anthropic, Meta) creëert afhankelijkheidsrisico's. Een prijswijziging, beleidswijziging of storing kan miljoenen gebruikers en applicaties treffen.

Een LLM is een neuraal netwerk dat is getraind om het volgende woord te voorspellen. Deze eenvoudige taak, toegepast op enorme schaal, doet vermogens van redeneren, schrijven, vertalen en programmeren ontstaan die de informatica in drie jaar hebben getransformeerd. In 2026 worden LLM's door honderden miljoenen mensen gebruikt, maar hun beperkingen (hallucinaties, fragiel redeneren over lange reeksen, gebrek aan native geheugen) blijven reëel. Begrijpen wat een LLM is en wat het niet is, is de voorwaarde om het effectief te gebruiken.