Wat is een foundation model? Uitleg voor B2B-marketeers

Een foundation model is een groot AI-model dat getraind is op enorme, brede hoeveelheden data en dat je daarna kan aanpassen voor allerlei specifieke taken. In plaats van voor elke toepassing een nieuw model te bouwen, vertrek je van één krachtig basismodel dat je bijstuurt. Het bekendste voorbeeld is het large language model achter tools als ChatGPT. In dit artikel lees je wat een foundation model precies is, waar de term vandaan komt en waarom het jou als B2B-marketeer aangaat.

Wat is een foundation model precies?

De term werd in 2021 geïntroduceerd door het Center for Research on Foundation Models van Stanford. Hun definitie: een foundation model is een model dat getraind is op brede data, meestal met self-supervision op grote schaal, en dat je kan aanpassen (bijvoorbeeld via fine-tuning) aan een breed scala van vervolgtaken.

De kern zit in dat woord “foundation”, oftewel fundament. Je bouwt niet telkens opnieuw vanaf nul. Je vertrekt van een breed getraind basismodel dat al ontzettend veel over taal, beeld of code heeft geleerd, en je specialiseert het daarna. Volgens IBM is dat de grote verschuiving: één krachtig, herbruikbaar model in plaats van honderden losse modellen voor losse taken.

De onderstaande tabel maakt dat verschil concreet, door de klassieke aanpak (een apart model per taak) naast de aanpak met een basismodel te zetten.

Kenmerk	Model per taak (klassiek)	Basismodel (foundation model)
Training	Apart getraind voor elke taak	Eén keer breed voorgetraind
Data	Gelabelde data per toepassing	Enorme, grotendeels ongelabelde datasets
Kosten	Terugkerend per project	Dure pre-training één keer, daarna gedeeld
Aanpassen	Nieuw model bouwen	Fine-tunen of slim prompten
Veelzijdigheid	Eén nauwe taak	Veel uiteenlopende vervolgtaken

Hoe werkt het in de praktijk?

Een basismodel ontstaat in twee fasen:

• Pre-training. Het model leert uit gigantische, ongelabelde datasets, bijvoorbeeld een groot deel van het publieke internet. Het pikt daarbij algemene patronen op, zonder specifiek doel.
• Aanpassen. Daarna stem je het model af op een concrete taak, via fine-tuning op eigen data of via slimme instructies (prompts).

Die aanpak verklaart waarom AI de laatste jaren zo hard versneld is. Zodra een sterk basismodel bestaat, kunnen duizenden bedrijven erop voortbouwen zonder zelf de dure pre-training te doen. Zo’n basismodel steunt technisch op deep learning en dus op een neuraal netwerk met heel veel lagen.

Welke soorten foundation models bestaan er?

Niet elk basismodel werkt met tekst. De bekendste categorieën:

• Taalmodellen. Een large language model is een basismodel voor tekst, zoals de GPT-reeks of Google Gemini.
• Beeldmodellen. Modellen die afbeeldingen genereren of herkennen.
• Multimodale modellen. Een multimodaal model verwerkt meerdere soorten input tegelijk, zoals tekst én beeld én geluid.

Wat ze delen: ze zijn breed getraind en veelzijdig inzetbaar, in plaats van gebouwd voor één nauwe taak.

Een voorbeeld uit de B2B-praktijk

Stel: een B2B-marketingteam wil sneller productbeschrijvingen en e-mails opstellen in de eigen huisstijl. Ze trainen daarvoor geen model van nul. In plaats daarvan vertrekken ze van een bestaand basismodel in een AI-schrijftool en voeden het met hun eigen toon, voorbeelden en productinfo, via slimme instructies of lichte fine-tuning. Binnen enkele dagen schrijft de tool teksten die klinken alsof het team ze zelf maakte.

Dat is precies de belofte van deze technologie: de zware, dure basis is al gelegd door de makers van het model, en het bedrijf plukt de vruchten met een fractie van de moeite. Wat we in de praktijk zien: de waarde zit niet in het model zelf, maar in hoe scherp je het voedt met eigen data en context.

Waarom dit jou als B2B-marketeer aangaat

Je gebruikt zo goed als zeker al toepassingen die op een foundation model draaien: de AI-assistent in je tekstverwerker, een chatbot op je site, of de AI-zoekmachines waar je klanten steeds vaker hun vragen stellen. Die tools bouwen bijna allemaal voort op een handvol grote basismodellen.

Dat heeft een concreet gevolg voor je zichtbaarheid. Dezelfde onderliggende modellen die antwoorden genereren, bepalen mee welke bronnen ze citeren. Omdat ze getraind zijn op tekst en patronen, beloont het heldere, betrouwbare en goed gestructureerde content. Dat is de kern van generative engine optimization, in het verlengde van klassieke SEO. Wil je dat AI-tools jouw bedrijf noemen als relevante bron, dan begint dat bij content die een model makkelijk kan begrijpen en overnemen. Daar zetten we met onze GEO-agency aanpak op in.

Veelgemaakte fouten en misvattingen

Rond deze technologie leven een paar hardnekkige misverstanden. De drie die we in B2B-gesprekken het vaakst tegenkomen:

• Denken dat je een eigen model moet trainen. Bijna nooit nodig. De echte hefboom zit in het slim aanpassen van een bestaand model met je eigen data, niet in de bouw ervan.
• Aannemen dat de output altijd klopt. Een breed getraind model klinkt zelfverzekerd, maar kan feiten verzinnen. Voor B2B-content blijft menselijke controle op cijfers, namen en claims noodzakelijk.
• De modelkeuze verwarren met je zichtbaarheid. Of een AI-zoekmachine jouw bedrijf noemt, hangt af van je content en autoriteit, niet van welk onderliggend model de tool gebruikt. Investeer dus in je generatieve AI-vindbaarheid via sterke content, niet in modeltechniek.

Eerlijk: moet jij een eigen foundation model?

Nee, en dat menen we. Zo’n model trainen kost miljoenen aan rekenkracht en vraagt gespecialiseerde teams. Voor zowat elk B2B-bedrijf is dat volstrekt overbodig. Je haalt de waarde uit bestaande modellen, via kant-en-klare tools of lichte fine-tuning op je eigen data.

De valkuil is eerder de omgekeerde: meegaan in de hype en dure AI-projecten opzetten die geen klanten opleveren. Ons advies is nuchter. Stuur op omzet en gekwalificeerde leads, niet op indrukwekkende technologie. Als klein team dat snel beweegt, kiezen we voor de eenvoudigste aanpak die werkt. Soms is dat AI, vaak is dat gewoon een scherper aanbod en betere content.

Veelgestelde vragen

Is een foundation model hetzelfde als een large language model? Niet helemaal. Een large language model is een foundation model dat met tekst werkt. Er bestaan ook foundation models voor beeld of voor meerdere datatypes tegelijk. LLM is dus een soort foundation model.

Waar komt de term vandaan? De term werd in 2021 gemunt door onderzoekers van Stanford, in een rapport over de kansen en risico’s van deze modellen. Ze kozen “foundation” om te benadrukken dat het om herbruikbare basismodellen gaat.

Moet ik zelf een foundation model trainen? Nee. Dat is extreem duur en zelden nodig. Je bouwt voort op bestaande modellen via tools of lichte fine-tuning op je eigen data.

Wat heeft een foundation model met GEO te maken? AI-zoekmachines draaien op foundation models. Ze bepalen welke bronnen ze citeren, dus begrijpen hoe ze werken helpt je content maken die vaker vermeld wordt.

Wil je weten wat AI voor jouw groei betekent?

Vertel ons waar je staat, en we zeggen eerlijk wat wel en niet loont. Geen AI-hype, maar keuzes die klanten opleveren. Plan je gratis intake.