Wat is een LLM? Grote taalmodellen simpel uitgelegd

Een LLM, of large language model, is een soort AI die is getraind op enorme hoeveelheden tekst, zodat het taal kan begrijpen en genereren. Krijgt het een stuk tekst, dan voorspelt het wat er moet volgen, één klein stukje tegelijk, en dat simpele vermogen blijkt genoeg om vragen te beantwoorden, te schrijven, samen te vatten, te vertalen en code te schrijven. De modellen achter ChatGPT, Claude en Gemini zijn allemaal LLM’s.

Waarom het ertoe doet als je met AI bouwt

Als je met een AI-app-builder bouwt, werk je twee keer met een LLM. Ten eerste doet een LLM het bouwen: hij leest je verzoek, plant wijzigingen en schrijft de code. Ten tweede wil je misschien een LLM in je app — een chatbot, een knop voor samenvatten, een schrijfassistent.

De basiskennis helpt in beide gevallen. Ze verklaart waarom de AI soms een vage vraag verkeerd begrijpt, waarom hij met veel zekerheid iets fouts kan maken, waarom lange gesprekken ertoe kunnen leiden dat hij eerdere details kwijtraakt, en waarom AI-functies in je app per gebruik geld kosten. Je hebt de wiskunde niet nodig — alleen een gezond mentaal model.

Een alledaagse vergelijking

Stel je iemand voor die een onvoorstelbaar grote bibliotheek heeft gelezen — boeken, websites, handleidingen, code, fora — en daardoor buitengewoon goed is geworden in het voortzetten van elk stuk tekst op een passende manier. Geef hem het begin van een e-mail en hij maakt hem af in jouw toon. Stel een vraag en hij schrijft het soort antwoord dat meestal op zo’n vraag volgt.

Maar hij heeft geen aantekeningen om na te kijken, en de bibliotheek is op een bepaalde datum dichtgegaan. Hij herhaalt patronen, hij zoekt niets op. Meestal kloppen de patronen. Soms vult hij een gat met iets dat alleen klinkt als juist, met precies dezelfde zekerheid.

Dat is een LLM: een zeer belezen, zeer vlot schrijver met een onvolmaakt geheugen en geen ingebouwde feitencontrole.

Hoe een LLM werkt, in gewone woorden

1. Training. Het model krijgt enorme hoeveelheden tekst te zien en leert, door zijn interne getallen (zijn parameters) bij te stellen, het volgende stuk tekst te voorspellen. Het ontwerp dat de meeste LLM’s gebruiken heet een transformer, geïntroduceerd door onderzoekers van Google in 2017.
2. Afstemming. Het ruwe model wordt daarna verfijnd om instructies op te volgen, een gesprek te voeren en schadelijke output te vermijden, vaak met menselijke feedback.
3. Gebruik (inferentie). Wanneer je een prompt stuurt, leest het model die en genereert een antwoord één token tegelijk, waarbij het elke keer het waarschijnlijke volgende token kiest gegeven alles wat ervoor kwam.

Het heeft geen databank met feiten in zich, en het leert niet door van je chat. Alles wat het in een gesprek ‘weet’, komt uit de training of uit wat er nu voor zijn ogen staat — zijn contextvenster.

Een uitgewerkt voorbeeld: een antwoord aan een klant

Stel dat je een online plantenwinkel hebt en dit in een LLM plakt:

Een klant schrijft: “Mijn bestelling #4412 kwam aan met een gebroken pot. Wat kunnen jullie doen?” Ons beleid: beschadigde artikelen vervangen we gratis binnen 14 dagen als de klant een foto stuurt. Schrijf een vriendelijk antwoord.

Dit gebeurt er:

• De tekst wordt in tokens gesplitst, misschien zo’n honderd.
• Het model leest alles: het bericht van de klant, jouw beleid en je instructie.
• Het genereert een antwoord token voor token: “Hoi! Wat vervelend dat je pot kapot is aangekomen…” en vraagt om een foto, met de vermelding van de gratis vervanging.

Probeer nu hetzelfde verzoek zonder het beleid. Het model schrijft nog steeds een zelfverzekerd, vriendelijk antwoord — maar het belooft misschien een terugbetaling, of een termijn van 30 dagen, omdat dat gangbare patronen zijn in klantenmails die het heeft gezien. Dat is een hallucinatie, en het laat de belangrijkste praktische les over LLM’s zien: ze zijn alleen zo nauwkeurig als de informatie die je ze geeft. Apps die betrouwbare antwoorden nodig hebben, geven het model elke keer het juiste brondmateriaal, een techniek die RAG heet.

Begrippen uitgelegd

Veelvoorkomende fouten en misverstanden

• ‘Het zoekt dingen op.’ Een kale LLM doet dat niet. Sommige apps voegen websearch of documentophaling toe, maar het model zelf genereert uit patronen.
• ‘Als het zeker klinkt, klopt het.’ Zekerheid en juistheid hebben niets met elkaar te maken. Controleer namen, getallen, datums, prijzen en alles wat juridisch of medisch is.
• ‘Het onthoudt alles wat ik zei.’ Alleen wat in het contextvenster past. In heel lange gesprekken kunnen vroege details wegvallen of minder aandacht krijgen. Herhaal wat belangrijk is.
• ‘Het denkt als een mens.’ Het kan indrukwekkend redeneren over problemen, maar heeft geen doelen, overtuigingen of besef van gevolgen. Behandel de output als een concept om na te kijken.
• ‘Groter of nieuwer is altijd beter.’ Voor een eenvoudige taak met veel volume is een kleiner, goedkoper, sneller model vaak de juiste keuze.
• Privégegevens versturen zonder te controleren. Voordat je klantgegevens in een AI-dienst plakt of in een app bouwt, controleer je het beleid van de provider over gegevensgebruik en bewaartermijnen.

Wat je aan je AI-builder kunt vragen

Als de LLM je app bouwt:

• “Vertel me voordat je iets wijzigt wat je hebt begrepen en wat je gaat doen.”
• “Hier is de exacte beleidstekst; gebruik die woord voor woord in plaats van details te verzinnen.”
• “Gok niet bij feiten zoals prijzen of datums. Laat een plaatsaanduiding staan en zet ze op een lijst voor mij.”

Als je een LLM in je app wilt:

• “Voeg een knop [samenvatten] toe die de API van [provider] vanaf de server aanroept. Bewaar de API-sleutel in een secret, nooit in de browser.”
• “Zet ons beleid in de prompt zodat antwoorden erbij blijven, en laat het model ‘ik weet het niet’ zeggen als het twijfelt.”
• “Beperk hoe lang antwoorden mogen zijn, en begrens hoeveel verzoeken één gebruiker per dag kan doen.”
• “Log wat elk verzoek kostte, zodat ik het gebruik kan zien.”

Voor een stapsgewijze uitleg, zie hoe je AI-functies aan je app toevoegt.

LLM’s en Mythex

De bouwagent van Mythex draait op een LLM. Iedereen krijgt dezelfde Standard-agent — er is geen modelkiezer — en bouwen kost Mythex-credits. AI-functies binnen de app die je bouwt staan los daarvan: je brengt je eigen API-sleutel mee van een provider zoals OpenAI of Anthropic, slaat die op als projectsecret, en de provider factureert dat gebruik rechtstreeks aan jou. Het docs-recept AI aan je app toevoegen laat zien welke prompt je moet gebruiken.

Veelgestelde vragen