Wat is een large language model (LLM)?

Een large language model, kortweg LLM, is een AI-model dat getraind is op enorme hoeveelheden tekst en dat daardoor menselijke taal kan begrijpen en genereren. Het is het type model achter tools als ChatGPT, Google Gemini en Microsoft Copilot. Dit artikel geeft de brede definitie: wat een LLM is, hoe groot ze zijn en waar ze passen in het AI-landschap. Wil je precies weten hoe een LLM tot een antwoord komt, lees dan onze uitleg over LLM’s voor marketeers, die dieper op de werking ingaat.

Wat is een large language model precies?

Een large language model is een AI-systeem dat taalpatronen heeft geleerd uit een gigantische verzameling tekst en die kennis gebruikt om nieuwe tekst te produceren. De drie woorden vatten het samen:

Large slaat op de schaal, zowel de hoeveelheid trainingstekst als de omvang van het model zelf.
Language betekent dat het met taal werkt, dus met woorden en zinnen, niet met cijfers in een database.
Model wil zeggen dat het een wiskundig systeem is dat patronen heeft geleerd en toepast op nieuwe vragen.

Volgens IBM is een LLM in de kern een model dat is getraind om, op basis van context, telkens de meest waarschijnlijke volgende tekst te voorspellen. Het bevat geen kant-en-klaar archief van feiten dat het opzoekt, het bouwt elk antwoord ter plekke opnieuw op.

Hoe “large” is large?

De schaal is wat een LLM onderscheidt van kleinere taalmodellen. De grootte druk je uit in parameters: de interne getallen die het model tijdens de training bijstelt. GPT-3, het model dat de doorbraak inluidde, telde 175 miljard parameters, zo staat in het oorspronkelijke onderzoek van OpenAI, “Language Models are Few-Shot Learners”. Moderne modellen zitten in dezelfde orde of hoger.

Meer parameters betekent grofweg meer capaciteit om nuance en patronen op te slaan, maar ook meer rekenkracht en kosten. Niet elk taalmodel hoeft groot te zijn: een small language model is bewust compacter, zodat het goedkoper en lokaal kan draaien.

Waar past een LLM in het AI-landschap?

Even ordenen, want de termen lopen makkelijk door elkaar:

Artificiële intelligentie is de brede noemer.
Machine learning is de tak die leert uit data.
Deep learning is machine learning met een neuraal netwerk met veel lagen.
Een foundation model is een breed getraind basismodel dat je voor veel taken kan inzetten.
Een large language model is een foundation model dat gespecialiseerd is in tekst.

Kortom: een LLM is een specifieke toepassing van deep learning op taal, gebouwd als foundation model.

De onderstaande tabel plaatst de begrippen naast elkaar, van breed naar specifiek.

Begrip	Wat het is	Verhouding tot een LLM
Artificiële intelligentie	De brede noemer voor slimme systemen	Overkoepelend, veel breder dan een LLM
Machine learning	Systemen die leren uit data	Een LLM is hier een tak van
Deep learning	Machine learning met diepe neurale netwerken	De techniek waarop een LLM draait
Foundation model	Breed getraind basismodel voor veel taken	Een LLM is een foundation model voor tekst
Large language model	Foundation model gespecialiseerd in taal	Het model achter ChatGPT, Gemini en Copilot

Waarom een LLM jou als B2B-marketeer aangaat

Je klanten stellen steeds vaker een vraag aan een AI in plaats van tien blauwe links te scannen. De antwoorden die ze krijgen, komen van LLM’s. Dat verandert twee dingen voor je marketing.

Ten eerste is een LLM een werktuig: je gebruikt het om sneller concepten, mails en analyses te maken. Ten tweede, en belangrijker, is een LLM een nieuw zoekkanaal. Wanneer een model een antwoord genereert, kiest het welke bronnen het vermeldt of citeert. Wil je daarin verschijnen, dan draait het om generative engine optimization: content die helder, betrouwbaar en goed gestructureerd is, in het verlengde van sterke SEO. Omdat een LLM leert uit tekst en patronen, is dat precies wat het beloont. Daar zetten we met onze GEO-agency aanpak op in.

Een concreet B2B-voorbeeld

Neem een softwarebedrijf dat verkoopt aan HR-managers. Vroeger begon de zoektocht van een prospect bij Google. Nu tikt diezelfde manager in ChatGPT: “welke tools helpen bij onboarding op afstand?” De LLM stelt zijn antwoord ter plekke samen en noemt enkele aanbieders. Of jouw bedrijf daartussen zit, hangt af van hoe consistent en verifieerbaar je online uitlegt wat je oplost en voor wie. Een pagina die duidelijk het probleem, de doelgroep en het resultaat benoemt, geeft het model houvast. Vage marketingtaal geeft dat niet. In de praktijk zien we dat dezelfde structuur die mensen overtuigt, ook een LLM helpt jouw naam correct te koppelen aan de vraag.

Veelgemaakte fouten rond LLM’s

Deze misverstanden kosten B2B-teams tijd en vertrouwen.

Een LLM als feitenbron behandelen. Het model voorspelt tekst, het verifieert niets. Laat een mens altijd de feiten en de bronnen checken voordat iets naar buiten gaat.
Denken dat groter altijd beter is. Voor veel taken volstaat een small language model dat goedkoper en lokaal draait. De taak en de privacy-eisen bepalen de keuze, niet het aantal parameters.
Volume verwarren met waarde. Tien keer meer content genereren die niemand leest, helpt niet. Stuur op stukken die gekwalificeerde leads opleveren en die een model als betrouwbaar kan overnemen.

Eerlijk: waar zit de grens voor B2B?

We zijn er duidelijk over: een LLM begrijpt niets zoals een mens. Het rekent met waarschijnlijkheden, en daarom kan het overtuigend een fout antwoord geven. Voor B2B, waar vertrouwen en correctheid zwaar wegen, betekent dat: gebruik AI als versneller, niet als eindredacteur. Laat een mens altijd de feiten en de toon bewaken.

En ook hier geldt onze rode draad: stuur op klanten en omzet, niet op de nieuwste tool omdat iedereen erover praat. Een LLM inzetten om tien keer meer content te produceren die niemand leest, is verspilling. Als klein team dat snel beweegt, kiezen we voor wat gekwalificeerde leads oplevert.

Veelgestelde vragen

Is een LLM hetzelfde als ChatGPT?

Nee. ChatGPT is een product; het large language model is de onderliggende technologie. Achter ChatGPT zit een LLM, maar dezelfde soort modellen voeden ook Gemini, Copilot en andere tools.

Wat betekenen “parameters” bij een LLM?

Parameters zijn de interne getallen die het model tijdens de training leert. Ze bepalen mee de capaciteit. GPT-3 telde er 175 miljard; grotere aantallen betekenen doorgaans meer capaciteit maar ook meer kosten.

Is een groter model altijd beter?

Niet per se. Voor veel taken volstaat een kleiner, goedkoper model dat lokaal draait. De keuze hangt af van de taak, het budget en privacy-eisen, niet van de grootte alleen.

Wat heeft een LLM met mijn vindbaarheid te maken?

AI-zoekmachines draaien op LLM’s die bepalen welke bronnen ze citeren. Heldere, betrouwbare content vergroot de kans dat een model jouw bedrijf noemt.

Wil je gevonden worden in AI-zoekmachines?

Vertel ons waar je nu staat, en we zeggen eerlijk wat wel en niet loont om zichtbaar te worden in AI. Concrete stappen, geen hype. Plan je gratis intake.