.svg)
Kronehoefstraat 85
5612 HL Eindhoven
BTW NL863902509B01
Wat is het?
Een large language model is een AI-model dat is getraind op een enorme hoeveelheid tekst, van boeken en websites tot code en documenten. Door die training leert het model patronen in taal, zodat het vragen kan beantwoorden, tekst kan samenvatten en instructies kan uitvoeren in gewone schrijftaal.
Een LLM is geen database die feiten opzoekt, maar een model dat de meest waarschijnlijke en bruikbare volgende zin berekent op basis van alles wat het heeft gezien. GPT-4, Claude en Gemini zijn voorbeelden van LLM's die dit principe in de praktijk brengen.
Waarom het ertoe doet voor het MKB
Voor het MKB is een LLM de brug tussen ruwe informatie en bruikbare output. Veel werk in kantoor draait om tekst: e-mails verwerken, documenten samenvatten, rapporten schrijven, vragen beantwoorden. Een LLM kan dat werk overnemen of sterk versnellen, ook voor medewerkers zonder technische achtergrond.
- Kantoorwerk versnelt direct: een LLM schrijft conceptreacties, vat vergadernotities samen en filtert relevante informatie uit lange documenten, zodat je mensen zich kunnen richten op beoordelen in plaats van uittypen.
- Het vormt de kern van vrijwel elke AI-agent: zonder een LLM als redenermotor kan een agent geen opdrachten begrijpen of beslissingen nemen in ongestructureerde situaties.
- Inzet hoeft niet complex te zijn: via een API of platform als ChatGPT koppel je een LLM aan je bestaande tools zonder een eigen model te bouwen of te trainen.
De bredere verschuiving is dat tekstverwerkend werk structureel anders wordt ingericht: minder handmatig uitvoeren, meer beoordelen en bijsturen op wat het model aanlevert.
Hoe het werkt
Een LLM werkt door bij elke stap van een tekst te berekenen welk woord of welke zin het meest logisch volgt, gebaseerd op de miljarden patronen die het tijdens training heeft opgeslagen. Die berekening gaat razendsnel en levert tekst op die aanvoelt als menselijk geschreven.
- Je geeft een instructie of vraag, de zogenoemde prompt.
- Het model leest de volledige context: jouw prompt plus eventuele documenten of gesprekshistorie die je meestuurt.
- Het berekent stap voor stap de meest passende vervolgzin op basis van zijn trainingspatronen.
- De gegenereerde tekst wordt teruggestuurd als output, die je direct kunt gebruiken of verder kunt laten verwerken door een agent of workflow.
De kwaliteit van de output hangt sterk af van hoe je de prompt formuleert en welke context je meegeeft. Duidelijke instructies en relevante achtergrondinformatie leiden tot bruikbaardere resultaten.
Voorbeeld uit de praktijk
Stel, een administratiekantoor met twintig medewerkers krijgt dagelijks tientallen e-mails van klanten over belastingaangiften, jaarrekeningen en betalingsvragen. Een medewerker koppelt de mailbox via de OpenAI API aan een LLM dat elke inkomende e-mail leest, de urgentie bepaalt, een categorie toewijst en een conceptantwoord opstelt op basis van de standaardwerkwijze van het kantoor. De medewerker beoordeelt het concept, past het eventueel aan en verstuurt het. De verwerkingstijd per e-mail daalt van minuten naar seconden.
Vergelijking en misvattingen
Een LLM is een type foundation model dat gespecialiseerd is in taal. Een multimodaal model bouwt daarop voort en kan naast tekst ook afbeeldingen, audio of video verwerken. Voor puur tekstwerk is een LLM de meest directe keuze; voor toepassingen die documenten met afbeeldingen of gesproken input combineren, biedt een multimodaal model meer mogelijkheden.
.svg){kind=icon}