Wat is een LLM? De complete gids: van eerste neuron tot AI-expert

Als u zich ooit verdwaald voelde tussen ChatGPT, Claude, Gemini, Llama, “tokens”, “parameters” en “agents”, dan bent u niet alleen. Het AI-landschap lijkt een oerwoud omdat bijna niemand u de kaart heeft gegeven. Deze gids is die kaart.

We bouwen het rustig op, als een leerpad. U begint bij nul: wat zo’n model echt ís. Daarna de geschiedenis die alles verklaart, de modelfamilies met hun karakters, de grenzen en ethiek, en waar dit naartoe gaat. Aan het einde kunt u niet alleen meepraten: u maakt zelfstandig bewuste keuzes.

In deze gids

• 1. Wat een LLM echt is: de kern in één zin, plus de vijf kernbegrippen
• 2. Hoe het begon: van eerste neuron tot de Transformer-doorbraak
• 3. De stamboom: alle modelfamilies en hun karakters
• 4. Hoe een model wordt gemaakt: training in drie fases
• 5. Onder de motorkap: attention, embeddings en temperatuur
• 6. Sterktes en zwaktes: waar ze schitteren en falen
• 7. De gereedschapskist: API, RAG, MCP, agents
• 8. Ethiek en energie: de eerlijke keerzijde
• 9. Zelf modellen beoordelen: test als een expert
• 10. Waar het naartoe gaat: 2026 en verder

1 · Wat is een LLM eigenlijk?

Een LLM is een machine die het volgende woord voorspelt. Dat is alles. Large Language Model: een model van taal, gebouwd op een onvoorstelbaar grote berg tekst. Vraag het “de hoofdstad van Frankrijk is…” en het berekent dat “Parijs” de meest waarschijnlijke voortzetting is. Doe dat duizenden keren achter elkaar en er ontstaat een coherent antwoord.

Maar hoe wordt “woordjes raden” schrijven, vertalen en programmeren? Omdat taal zelf kennis bevat. Wie biljarden teksten leest, leert niet alleen grammatica maar ook feiten, logica, stijl en menselijke patronen. Een voldoende groot patroonmodel wordt bijna bij toeval een kennismodel.

Concreet wordt dat zo: op de prompt “De kat zat op de…” produceert het model geen één antwoord maar een kansverdeling over álle woorden die het kent:

Het kiest (met een beetje toeval) uit die verdeling, voegt het woord toe en berekent opnieuw. Elke zin is een reeks van deze trekjes. Dat mechanisme, schijnbaar simpel, is de motor onder alles wat AI kan.

De vijf kernbegrippen die u overal tegenkomt

• Tokens: de kleinste bouwstenen. Woorden worden opgeknipt: “onbegrijpelijk” kan drie tokens zijn (“on”, “begrijp”, “elijk”). Een gemiddelde pagina tekst is zo’n 700 tokens. Prijzen, limieten en snelheid worden allemaal in tokens geteld.
• Parameters: de miljarden instelknoppen die tijdens de training zijn afgestemd. Zie ze als de synapsen van het model. Meer parameters betekent grofweg meer nuance, maar ook meer rekenkracht en kosten per vraag.
• Contextvenster: hoeveel tekst het model tegelijk “in gedachten” houdt. Vroeger enkele pagina’s; moderne modellen halen honderdduizenden tokens, een hele boekenkast. Alles buiten het venster bestaat simpelweg niet voor het model.
• Training: het eenmalige leerproces waarin patronen uit tekst worden gedistilleerd. Duurt maanden op duizenden GPU’s, kost miljoenen. Cruciaal: een traint-model “weet” niet automatisch wat er gisteren gebeurde.
• Inferentie: het daadwerkelijke genereren van antwoorden, token voor token. Dit is waar u per vraag voor betaalt.

Weetje: het token-principe verklaart waarom AI soms raar telt. Vraag hoeveel letters in “aardbei” zitten en het model faalt regelmatig, want het ziet tokens, geen letters. Het leest geen tekst zoals u dat doet.

2 · Hoe het begon: van eerste neuron tot Transformer

Het idee is ouder dan u denkt. In 1958 bouwde Frank Rosenblatt de perceptron: een elektronisch “neuron” dat kon leren lijnen te trekken tussen categorieën. Het werkte, maar kon te weinig. Tientallen jaren van stilte volgden: de “AI-winters”.

De omslag kwam in drie stappen. In 2012 won een deep learning-netwerk (AlexNet) ruim de grote beeldherkennings-wedstrijd ImageNet: plotseling werkten diepe neurale netwerken beter dan al het handgemaakte. In 2013 liet Google’s word2vec zien dat woorden als punten in een betekenisruimte voorgesteld kunnen worden, waardoor “koning minus man plus vrouw” wiskundig naar “koningin” wijst. Taal werd meetbaar.

Maar er bleef één groot probleem: de toen gangbare modellen (RNN’s) lazen tekst woord voor woord en vergaten het begin tegen het einde. Lange zinnen, lange documenten: steeds waziger. In 2017 publiceerden Google-onderzoekers “Attention is All You Need”. De Transformer kon naar álle woorden in een tekst tegelijk “kijken” en hun onderlinge relaties wegen, parallel in plaats van opeenvolgend. Niet vergeten, niet serieel: meteen alles in context. Dat maakte schaal mogelijk.

Wat daarna gebeurde was een explosie van schaal. GPT-3 (2020) toonde dat een groot genoeg model verrassende vaardigheden “gratis” kreeg. ChatGPT (eind 2022) maakte het publiek. GPT-4 (2023) maakte het serieus. Sindsdien is de race: ieder kwartaal verschuift de grens. In 2025 arriveerden reasoning-modellen die eerst “nadenken” voordat ze antwoorden; in 2026 zijn het vooral agents die uitvoeren in plaats van alleen schrijven.

3 · De stamboom: welke families er zijn

Vrijwel elke LLM die u kent stamt van hetzelfde Transformer-fundament af. De verschillen zitten in de takken: wie het model bouwde, met welke data, voor welk doel, en hoe open het is.

Weetje: “GPT” staat voor Generative Pre-trained Transformer: letterlijk de drie eigenschappen die de revolutie maakten. En “Claude” is vernoemd naar Claude Shannon, de vader van de informatietheorie.

Open versus gesloten: de scheidslijn die er echt toe doet

De belangrijkste tweedeling is niet het merk maar open of gesloten. Gesloten modellen (OpenAI, Anthropic, Google) bereikt u via hun dienst: handig, maar uw data gaat naar hun servers en u betaalt per gebruik. Open modellen (LLaMA, Mistral, DeepSeek, Qwen) downloadt u en draait u zelf, op uw eigen servers, met uw eigen data, zonder dat iemand meekijkt. Voor privacygevoelige toepassingen is dat vaak de doorslag. Lees daarover onze gids over private AI en AVG.

4 · Hoe een model wordt gemaakt

Waarom gedraagt een LLM zich zoals het doet? Het antwoord zit in drie trainingsfases:

1. Pretraining: het model leest een groot deel van het internet plus boeken en code, en leert alleen het volgende woord voorspellen. Maanden op duizenden GPU’s, miljoenen aan rekenkracht. Het resultaat is een “basismodel”: briljant in taal maar ruw. Vraag het iets en het zou net zo goed een forumthread kunnen voortzetten als een antwoord geven.
2. Instructie-fine-tuning: mensen schrijven duizenden voorbeeld-vragen en ideale antwoorden; het model wordt bijgesteld om behuulpzaam te antwoorden in plaats van tekst voort te zetten. Hier verandert een voorspellingsmachine in een assistent.
3. RLHF (Reinforcement Learning from Human Feedback): beoordelaars scoren antwoorden op nuttigheid, nauwkeurigheid en toon; het model leert welke reacties mensen prefereren. Dit is waar “persoonlijkheid” en veiligheid in gebakken worden.

Een concreet voorbeeld van wat fine-tuning doet. Basismodel op “Hoe maak ik een cv?”: “cv maken sollicitatiebrief voorbeeld downloaden gratis template word…”een continue van zoektermen. Instructiemodel op dezelfde vraag: “Een sterk cv bestaat uit vijf onderdelen. Begin met…”een gestructureerd antwoord. Zelfde kennis, ander gedrag.

De vierde, nieuwste stap is reasoning-training: modellen die leren eerst een ketting van tussenstappen te produceren en pas daarna te antwoorden. Dat maakt ze veel sterker in wiskunde, logica en code, ten koste van snelheid en kosten. U ziet het als de “denk…”-fase in tools als o-serie en DeepSeek.

5 · Onder de motorkap: wat attention echt doet

Het geheim van de Transformer is een mechanisme genaamd attention. Waar oudere modellen woord voor woord lazen en het begin vergaten, kan een Transformer elk woord in relatie tot elk ander woord wegen.

Neem: “De bank zat vol, dus ik ging ergens anders zitten.” Een mens weet dat “bank” hier meubel betekent, geen geldinstituut. Attention doet hetzelfde: het woord “bank” kijkt naar “zitten” en “vol” en krijgt daardoor de juiste betekenis toegewezen. Dat gebeurt niet één keer maar in honderden parallelle lagen tegelijk, waardoor grammatica, stijl, logica en context allemaal tegelijk meewegen.

De andere stille kracht is de embedding: elk woord wordt een punt in een enorme betekenisruimte. “Hond” ligt dicht bij “puppy” en ver van “hypotheek”. Omdat betekenis meetbaar wordt, kan het model synoniemen herkennen, toon oppikken en analogieën volgen zonder dat iemand dat ooit uitlegde.

En dan de temperatuur: de knop die bepaalt hoe voorspelbaar het model kiest uit die kansverdeling. Lage temperatuur pakt steeds het veiligste woord (droog, correct, voorspelbaar). Hogere temperatuur laat het onverwachte vaker winnen (creatiever, maar foutgevoeliger). Merkt u dat antwoorden te generiek zijn? Temperatuur is meestal de schuldige instelling.

Waarom groter plotseling slimmer werd

Het vreemdste fenomeen van dit veld: emergente vaardigheden. Kleine modellen deden niets bijzonders, maar ergens boven de honderd miljard parameters ontstonden vaardigheden die niemand erin programmeerde: meerstaps-redeneren, vertalen tussen talen waarop het nauwelijks getraind was, code begrijpen.

Niemand kan volledig uitleggen waarom schaal dit oplevert. De meest geaccepteerde intuïtie: taal bevat zoveel van de wereld dat een voldoende groot patroonmodel onvermijdelijk ook modellen ván die wereld opbouwt. Alsof u zo lang timmermans-handboeken leest dat u op een dag weet hoe een dakconstructie werkt, zonder ooit een hamer vastgehouden te hebben.

6 · Sterktes en zwaktes

De vier grenzen die u moet kennen

• Hallucinaties: het model voorspelt aannemelijke tekst, niet geverifieerde waarheid. Het citeert bronnen die niet bestaan en vult gaten met aannames. Vertrouwen is geen feature; verifiëren is.
• Kennis-cutoff: een model bevriest op zijn trainingsdatum. Voor actuele vragen heeft het zoeken of vers meegeleverde context nodig.
• Context als werkpasta: alles moet in het venster passen. Een model “onthoudt” niets tussen gesprekken tenzij u het expliciet meegeeft of een systeem dat doet.
• Geen intentie: het model heeft geen doelen, geen agenda en geen bewustzijn, hoe menselijk het ook klinkt. Dat is belangrijk voor hoe u het inzet én vertrouwt.

Weetje: dat een LLM vloeiend Nederlands schrijft is op zich opmerkelijk: de meeste trainingsdata is Engels. Het Nederlands “leerde” het bijna bij toeval mee, wat verklaart waarom het soms steenkolen-Engelse constructies gebruikt.

7 · De gereedschapskist eromheen

Een kale LLM is een gesprekspartner. De kracht voor bedrijven zit in wat eromheen gebouwd wordt:

• API’s: modellen koppelen aan uw eigen software, CRM en processen. Daar begint echte automatisering.
• RAG: het model zoekt eerst in úw documenten voordat het antwoordt. Zo beantwoordt het vragen over uw bedrijf zonder te hallucineren. Zie RAG uitgelegd.
• MCP (Model Context Protocol): de standaard waarmee modellen veilig met tools, databases en systemen praten. De USB-poort van AI. Zie MCP uitgelegd.
• Agents: modellen die niet alleen praten maar handelen: mailen, plannen, workflows starten. Zie wat een AI-agent is en multi-agent systemen.
• Fine-tuning: een model bijleren op uw specifieke domein of stijl. Krachtig maar zelden de eerste stap.

De vuistregel voor volgorde: begin met een goed uitgeschreven prompt, voeg RAG toe zodra het over uw eigen data gaat, gebruik agents wanneer het model ook iets moet dóen, en overweeg fine-tuning pas als de rest bewezen werkt.

8 · Ethiek en energie: de eerlijke keerzijde

Dit deel overslaan veel gidsen, maar het hoort bij volwassen gebruik:

• Energie: één trainingsrun van een frontier-model verbruikt meer stroom dan honderden huishoudens in een jaar. Inference wordt steeds efficiënter, maar de totale vraag groeit harder. Datacenters en stroomnetten lopen het nu te beperken.
• Data en auteursrecht: de trainingsdata zit vol werk waarvan makers niet gevraagd of betaald zijn. Wereldwijde rechtszaken lopen; de uitkomsten zullen de sector hervormen.
• Bias: patronen uit de echte wereld, inclusief vooroordelen, zitten ingebakken in de data en komen er subtiel uit. Kritisch blijven is geen optionele vaardigheid.
• Regels: de EU AI Act legt steeds strengere eisen op, vooral rond transparantie en risicovolle toepassingen.
• Uw eigen data: wie bedrijfsdata naar een publieke AI stuurt, deelt die met een derde partij. Onze richtlijnen over AI-beveiliging en AI-ethiek zijn hiervoor geschreven.

9 · Zelf modellen beoordelen als een expert

De meeste mensen kiezen een model op gevoel. Zo doet u het als professional:

• Bouw een testset: vijf tot tien echte taken uit úw werk. Niet “leg fotosynthese uit” maar “vat deze offerte samen” of “schrijf een mail aan deze boze klant”.
• Test blind: plak dezelfde prompt in twee of drie modellen en beoordeel de output zonder te weten welke van welk komt. Uw merkvoorkeur verdwijnt verrassend vaak.
• Meet wat telt: juistheid, bruikbaarheid en tijd tot bruikbaar resultaat. Niet “wie schrijft mooier” maar “wie bespaart mij werk”.
• Reken de kosten door: de beste output van het duurste model is niet altijd de beste deal. Vaak is een goedkopere variant per taak prima, en u schakelt alleen om waar het nodig is.
• Herhaal het: de ranglijst verschuift per kwartaal. Uw testset is een vaste meetlat.

Vijf oefeningen om vandaag te doen

• Laat een model dezelfde tekst herschrijven voor drie verschillende doelgroepen.
• Vraag het bewust iets dat buiten zijn kennis ligt en observeer hoe het faalt.
• Speel met temperatuur-instellingen op dezelfde creatieve opdracht.
• Geef het een document dat uw bedrijf betreft en vraag erover: zo voelt RAG.
• Vraag het zijn eigen antwoord te bekritiseren: dat is de snelste remedie tegen te makkelijk vertrouwen.

10 · Waar het naartoe gaat

Geen glazen bol, maar de richting is zichtbaar:

• Van chatbot naar agent: modellen die niet praten maar doen, taken plannen, tools gebruiken, met elkaar samenwerken.
• Multimodaal wordt normaal: tekst, beeld, stem en video in één model, één gesprek.
• Kleiner én groter tegelijk: mini-modellen op uw telefoon voor dagelijkse taken, reusachtige modellen in de cloud voor het zware werk.
• De prijs daalt verder: wat vorig jaar honderd euro per miljoen tokens kostte, is nu eurocenten. Intelligentie wordt een commodity zoals elektriciteit.
• Het plateau-debat: sommigen zien verbetering afvlakken; anderen wijzen op reasoning en agents als nieuwe sprongen. Historisch hebben de “het is voorbij”-voorspellers telkens ongelijk gehad, maar het is verstandig niet op één scenario te bouwen.

Wat dat voor u betekent: bouw niet op één model maar op een architectuur. Leg uw processen, data en integraties zo vast dat u het model kunt wisselen als de markt verschuift. Want dat gebeurt.

Het jargon dat u overal tegenkomt

De keuzehulp: welk model voor welke taak

Tot slot: het bos dat u nu ziet

Aan het begin leek dit een onoverzichtelijk oerwoud. Nu ziet u het patroon: één fundament (de Transformer), een handvol families met elk hun karakter, dezelfde vier grenzen, en een gereedschapskist die van een gespreksrobot een werkinstrument maakt. De namen zullen blijven veranderen, maar het raamwerk dat u nu heeft blijft kloppen.

Wilt u deze kennis omzetten in iets dat voor uw bedrijf werkt? De verdieping vindt u in onze uitgebreide geschiedenisde vergelijking ChatGPT vs Claude vs Gemini en onze gids voor AI in het MKB. Of praat direct met ons: wij ontwerpen en bouwen AI-oplossingen voor bedrijven die het serieus willen aanpakken.

Veelgestelde vragen

Wat betekent LLM precies?

Large Language Model: een model dat taal voorspelt. 'Large' verwijst naar de miljarden parameters; 'Language' naar de trainingsdata; 'Model' naar het patroon-geheel dat wordt opgebouwd.

Is ChatGPT hetzelfde als een LLM?

ChatGPT is het product (de app); GPT-4o of GPT-5 is de LLM erin. Zo is uw browser niet het internet maar het raam ernaartoe.

Welke LLM is de beste?

Er is geen 'beste', er is 'beste voor uw taak'. Voor dagelijks gebruik GPT-5 of Claude; voor privacy-gevoelig werk open modellen; voor beeld+tekst Gemini. De gids toont de keuzehulp.

Kan een LLM echt denken?

Het simuleert redeneren via patronen uit tekst, niet via bewustzijn. De resultaten lijken op denken, maar het model 'begrijpt' niets zoals een mens dat doet.

Geschreven door Sanne Visser

SEO & content lead bij Webgilde. Wij schrijven alleen over wat wij dagelijks zelf uitvoeren voor klanten.