Wat is een large language model (LLM)? Uitleg voor marketeers

Een large language model, kortweg LLM, is een AI-systeem dat getraind is op gigantische hoeveelheden tekst en dat antwoorden opbouwt door steeds te voorspellen welk stukje tekst logischerwijs als volgende komt. Het is de technologie achter tools als ChatGPT, Google Gemini, Microsoft Copilot en Perplexity. In dit artikel leggen we jargonvrij uit wat een LLM precies is, hoe het tot een antwoord komt, waar het goed en slecht in is, en waarom dat ertoe doet als je gevonden wil worden in AI-zoekmachines.

Wat is een large language model precies?

Een large language model is een computerprogramma dat menselijke taal kan verwerken en genereren, getraind door het patronen te laten herkennen in een enorme verzameling tekst. De drie woorden zeggen het eigenlijk al. “Large” verwijst naar de schaal: zowel de hoeveelheid tekst waarmee het getraind is als de omvang van het model zelf is gigantisch. “Language” betekent dat het werkt met taal, dus met woorden en zinnen, en niet met cijfers in een database. “Model” wil zeggen dat het een wiskundig systeem is dat patronen heeft geleerd en die toepast op nieuwe vragen.

Belangrijk om te onthouden: een LLM is geen zoekmachine met een kant-en-klaar archief van antwoorden. Het bevat geen lijst feiten die het opzoekt. Het heeft tijdens de training geleerd hoe taal in elkaar zit, welke woorden en ideeën bij elkaar horen, en welke zin doorgaans op welke volgt. Op basis daarvan bouwt het elk antwoord ter plekke opnieuw op.

Hoe komt een LLM tot een antwoord?

Een LLM produceert een antwoord door het stukje voor stukje op te bouwen, waarbij het telkens berekent welk volgend tekstdeel het meest waarschijnlijk is. Dat gebeurt grofweg in een paar stappen.

Eerst wordt je vraag opgeknipt in kleine stukjes tekst die “tokens” heten. Een token is meestal een woord of een deel van een woord. De zin die je intikt, wordt zo een rij tokens die het model kan verwerken.

Vervolgens kijkt het model naar die rij en berekent het voor het volgende stukje tekst een waarschijnlijkheid: gegeven alles wat er tot nu toe staat, welk token volgt hier het logischst? Het kiest er een, plakt dat aan de zin, en herhaalt de oefening. Token voor token, woord voor woord, ontstaat zo het hele antwoord. Daarom zie je in een chatbot de tekst vaak woord per woord verschijnen: het wordt op dat moment letterlijk berekend.

Die voorspellingen zijn geen giswerk. Tijdens de training heeft het model miljarden keren patronen gezien en daaruit afgeleid welke woorden in welke context bij elkaar passen. Het rekent niet met de bedoeling van een mens, maar met statistiek over taal. Een handige manier om te zien hoe AI betekenis verwerkt in plaats van losse woorden, lees je in onze uitleg over wat embeddings zijn.

Hoe wordt een LLM getraind?

Een LLM wordt getraind door het enorme hoeveelheden tekst te laten “lezen” en het keer op keer te laten voorspellen wat het volgende woord is, waarna het zichzelf bijstuurt op basis van fouten. Stel je een leerproces voor waarin het model een zin krijgt waarvan het laatste woord is weggelaten, en het moet raden wat er hoort te staan. Klopt het, dan blijft de aanpak. Klopt het niet, dan worden de interne instellingen een tikje aangepast. Doe dat een onvoorstelbaar aantal keren op een onvoorstelbaar grote berg tekst, en het model wordt geleidelijk steeds beter in het inschatten van taal.

Die trainingstekst komt grotendeels van het publieke internet: artikels, websites, fora, naslagwerken en meer. Twee dingen volgen daar logisch uit. Ten eerste heeft een model een afkappunt: het is getraind tot een bepaald moment en kent gebeurtenissen daarna niet uit zichzelf. Ten tweede leert het van wat er online staat, inclusief de hiaten en eenzijdigheden daarin. Wat goed en consistent beschreven staat, leert het goed. Wat amper of tegenstrijdig beschreven staat, kent het slecht. Dat laatste is precies waar je als merk invloed op hebt.

Wat kan een LLM goed, en wat niet?

Een LLM is uitstekend in taal en zwak in feitelijke zekerheid, en dat onderscheid bepaalt hoe je er verstandig mee omgaat. Sterk is het in alles wat met taalvorm te maken heen: samenvatten, herschrijven, vertalen, toon aanpassen, ideeën genereren en lange teksten begrijpelijk maken. Voor dat soort werk is het een krachtige assistent.

De zwakte zit in de feiten. Omdat een model het meest waarschijnlijke antwoord opbouwt en geen waarheid opzoekt, kan het met volle overtuiging iets verzinnen dat plausibel klinkt maar gewoon fout is. Dat fenomeen heet “hallucineren”. Het model liegt niet bewust, het volgt simpelweg het meest waarschijnlijke taalpatroon, ook als dat niet strookt met de werkelijkheid. Daarom blijft controle van belangrijke feiten altijd nodig.

Veel moderne AI-tools verzachten dit door het model tijdens het antwoorden actuele bronnen te laten raadplegen in plaats van enkel op geheugen te leunen. Hoe dat proces van bronnen koppelen aan een antwoord werkt, lees je in onze uitleg over grounding: hoe AI bepaalt wat waar is. Dat is meteen de brug naar waarom dit jou als marketeer aangaat.

Waarom is een LLM relevant voor jou als marketeer?

Een LLM is relevant omdat steeds meer mensen hun vragen niet meer aan een klassieke zoekmachine stellen, maar aan een AI die met taal antwoordt, en die AI beslist welke merken en bronnen in dat antwoord terechtkomen. Waar je vroeger streed om een plek in een lijst blauwe links, gaat het nu om de vraag of jouw bedrijf überhaupt genoemd wordt in het antwoord dat de AI zelf formuleert.

En daar komt alles uit dit artikel samen. Een LLM bouwt antwoorden op uit patronen die het in tekst heeft gezien, en het leunt steeds vaker op bronnen die het op dat moment ophaalt. Content die helder, consistent en goed gestructureerd is, valt voor zo’n model makkelijker te begrijpen en te hergebruiken. Content die dun, vaag of tegenstrijdig is, wordt genegeerd. Het optimaliseren van je zichtbaarheid in deze AI-antwoorden heet GEO, en daar lees je alles over in onze complete gids over generative engine optimization. Specifiek het afstemmen van je content op deze taalmodellen wordt ook wel LLMO genoemd; wat LLMO (large language model optimization) precies inhoudt, lees je apart.

Bij Customer Impact kijken we daarbij niet naar ijdele cijfers, maar naar wat het oplevert: word je genoemd op de momenten waarop een potentiële B2B-klant een aankoopvraag stelt aan een AI? Dat is geen kwestie van trucjes, maar van betrouwbare, vindbare content die een model graag citeert. Wil je weten of jouw bedrijf vandaag opduikt in AI-antwoorden, bekijk dan hoe we werken aan vindbaarheid in AI-zoekmachines.

De korte samenvatting

Een large language model is een AI dat getraind is op enorme hoeveelheden tekst en antwoorden opbouwt door telkens het meest waarschijnlijke volgende stukje tekst te voorspellen. Het begrijpt niets zoals een mens, het rekent met waarschijnlijkheden over taal. Dat maakt het sterk in taalwerk en zwak in harde feiten, want het kan overtuigend hallucineren. Omdat zulke modellen de basis vormen van moderne AI-zoekmachines, bepaalt de kwaliteit en helderheid van je content of jouw merk in hun antwoorden terechtkomt. Begrijpen hoe een LLM werkt, is dus de eerste stap naar zichtbaar zijn waar je klanten vandaag hun vragen stellen.

Plan je gratis intake en ontdek hoe jouw bedrijf zichtbaar wordt in AI-antwoorden.