LLM (large language model): wat het is en wanneer u het tegenkomt.
Een LLM (large language model) is een neuraal netwerk dat op enorme hoeveelheden tekst is getraind om steeds het meest waarschijnlijke volgende woorddeel (token) te voorspellen. Door die training kan het model teksten begrijpen, samenvatten, vertalen, schrijven en redeneren over vragen die het nooit letterlijk heeft gezien. ChatGPT, Claude en Gemini zijn toepassingen die op zo'n model draaien.
Ook wel: large language model, groot taalmodel, taalmodel, generatieve AI.
Door Saif Waleed Ibrahim, oprichter NEXTRIQ · 6× Anthropic-gecertificeerd · Bijgewerkt 28 september 2026
Uitleg
LLM in de praktijk.
Hoe werkt een LLM?
Een LLM is gebouwd op de transformer-architectuur, die in 2017 door onderzoekers van Google werd gepubliceerd. Tekst wordt opgeknipt in tokens (woorden of woorddelen), en het model leert tijdens de training uit een enorme hoeveelheid voorbeelden welke tokens waarschijnlijk op elkaar volgen. Na die basistraining volgt een fase waarin het model met menselijke feedback wordt bijgestuurd, zodat het instructies opvolgt en schadelijke antwoorden vermijdt. Bij gebruik krijgt het model een contextvenster met uw instructie en eventuele documenten, en genereert het token voor token een antwoord. Het model heeft geen database met feiten en weet niets in de menselijke zin; het reproduceert patronen. Dat verklaart zowel de kracht (het kan vrijwel elke tekstuele taak aan) als de zwakte (het kan overtuigend iets verzinnen). Nieuwere modellen verwerken ook afbeeldingen, audio en code en krijgen extra denktijd voor lastige vragen.
Welke LLM's zijn er en wat is het verschil?
De bekendste modelfamilies zijn GPT van OpenAI, Claude van Anthropic, Gemini van Google, Llama van Meta en de modellen van Mistral uit Frankrijk. Grofweg zijn er twee smaken: gesloten modellen die u via een API of een chatproduct gebruikt, en open-weight modellen die u zelf kunt draaien op eigen servers of bij een Europese hoster. Gesloten modellen zijn doorgaans sterker en gemakkelijker in gebruik; open modellen geven meer controle over waar uw data staat. Binnen elke familie bestaan kleinere, snellere en goedkopere varianten naast de grote topmodellen. Voor veel mkb-taken, zoals classificeren, samenvatten of een conceptmail schrijven, volstaat een middelgroot model. Een groot model is pas nodig bij complex redeneren of lange, samenhangende documenten. De keuze hangt daarom minder af van ranglijsten dan van de taak, de kosten per aanroep en de eisen aan gegevensverwerking.
Waar moet u op letten bij zakelijk gebruik?
Drie punten verdienen aandacht. Ten eerste gegevens: bij consumentenversies van chatproducten kunnen gesprekken worden gebruikt om het model te verbeteren, terwijl zakelijke en API-varianten dat volgens de voorwaarden van de aanbieders standaard niet doen. Leg vast welke variant uw medewerkers gebruiken en welke informatie erin mag. Ten tweede betrouwbaarheid: een LLM kan hallucineren en heeft een kennisgrens in de tijd. Voor feitelijke of juridische output hoort een controle door een mens of een koppeling met uw eigen bronnen (RAG). Ten derde regelgeving: de Europese AI-verordening legt sinds augustus 2025 verplichtingen op aan aanbieders van algemene AI-modellen en stelt eisen aan transparantie bij bepaalde toepassingen. Als gebruiker blijft u verantwoordelijk voor de uitkomst, dus een kort AI-beleid over toegestaan gebruik, controle en gegevensbescherming is voor vrijwel elk bedrijf verstandig.
Voorbeeld
Zo ziet het eruit in een mkb-bedrijf.
Uit de praktijk
Een webshop in tuinartikelen krijgt via e-mail en chat dagelijks vragen over levertijden, retouren en productgebruik. Een LLM beantwoordt de standaardvragen op basis van de voorwaarden en de productinformatie van de shop, in de toon van het merk, en zet vragen over een specifieke bestelling klaar voor een medewerker met het ordernummer en een conceptantwoord. Klachten en vragen die het model niet met zekerheid kan beantwoorden gaan direct naar de klantenservice. Elk antwoord dat het model zelfstandig verstuurt is herkenbaar als automatisch gegenereerd, en steekproefsgewijs kijkt een medewerker antwoorden na. U houdt de klantenservice bereikbaar in de piekperiode zonder extra personeel in te werken, terwijl bijzondere gevallen bij een mens blijven.
Wilt u dit toepassen? Kijk bij ChatGPT zakelijk of plan een gratis gesprek.
Verwante begrippen
Hier hangt het mee samen.
Hallucinatie
Prompt engineering
RAG
Context engineering
Veelgestelde vragen
Vragen over LLM.
Wat is het verschil tussen een LLM en ChatGPT?
ChatGPT is een product: een chatinterface van OpenAI die op een LLM uit de GPT-familie draait. Het LLM is de onderliggende motor. Dezelfde motor is ook via een API beschikbaar, zodat ontwikkelaars er eigen toepassingen op bouwen. Claude en Gemini zijn op dezelfde manier producten van Anthropic en Google op hun eigen modellen. Als u AI in uw bedrijf inzet, kiest u dus een model plus een manier om het te gebruiken.
Wanneer is een LLM geschikt voor mijn bedrijfsproces?
Een LLM is geschikt voor taken met tekst waarbij variatie in de invoer het probleem is: binnenkomende e-mails begrijpen, documenten samenvatten, concepten schrijven, gegevens uit ongestructureerde tekst halen of vragen beantwoorden op basis van uw eigen informatie. Voor rekenwerk, vaste regels of processen waarin geen enkele fout is toegestaan, is klassieke software of RPA geschikter. Vaak is de combinatie het sterkst: het LLM interpreteert, de software voert uit.
Is mijn bedrijfsdata veilig bij een LLM?
Dat hangt af van de versie en de inrichting. Bij zakelijke abonnementen en API's van de grote aanbieders worden uw gegevens volgens hun voorwaarden niet gebruikt voor training, en kunt u vaak kiezen voor verwerking in de EU. Bij gratis consumentenversies is dat niet vanzelfsprekend. Wilt u volledige controle, dan kunt u een open-weight model bij een Europese hoster of op eigen servers draaien. Leg de keuze vast in uw AI-beleid.
Wat kost het gebruik van een LLM?
Via een API betaalt u per verwerkt token, dus per hoeveelheid tekst in en uit. Kleine modellen zijn een fractie van de prijs van de grootste. Voor de meeste mkb-toepassingen zijn de gebruikskosten daardoor beperkt; de bouw en het testen van de toepassing eromheen wegen zwaarder. Voor zakelijke chatabonnementen geldt een vast bedrag per gebruiker per maand. Een eigen toepassing krijgt een vaste prijs na een gratis gesprek.
Bronnen
Waar deze uitleg op steunt.
Alle begrippen op een rij: begrippen en de compacte AI-begrippenlijst.