Wat is een large language model (LLM)?
Een groot taalmodel (LLM) is een AI-model dat getraind is op een zeer grote hoeveelheid tekst om taal te voorspellen en te schrijven, en het is het deel van een AI-assistent dat het antwoord schrijft. ChatGPT, Claude, Gemini en het model achter de antwoorden van Perplexity zijn allemaal gebouwd op large language models. Het model schrijft het antwoord; zoeken, als de engine dat doet, bepaalt alleen wat het model eerst te lezen krijgt.
Hoe werkt een large language model?
Een large language model werkt door het volgende stukje tekst te voorspellen, token voor token, op basis van patronen die het tijdens de training op een enorme hoeveelheid tekst heeft geleerd. De huidige modellen stammen af van de transformer-architectuur die Vaswani en collega's in 2017 beschreven in Attention Is All You Need.
Wat het geleerd heeft, ligt vast op een kennisgrens: het model kent het web zoals het was toen de trainingsdata werden verzameld, en niets daarna. Alles wat nieuwer is, komt alleen in het antwoord als de assistent op het web zoekt en de resultaten aan het model geeft terwijl het schrijft.
Wat weet een LLM over je merk?
Wat de trainingsdata over je zeiden, gemengd en samengeperst: je categorie, je bekendste claims en hoe vaak andere pagina's je noemden. Het weet niet wat er sinds de kennisgrens is veranderd, en het kan je niet vertellen van welke pagina het een feit heeft geleerd.
Daarom kan een merk zelfverzekerd en toch verkeerd worden beschreven, en daarom doet de volgorde van het werk ertoe: verbeter de pagina's die engines nu kunnen opzoeken, want wat het model onthoudt, verandert pas als er een nieuwer model uitkomt (het artikel).
Hoe ziet dit eruit in een echt voorbeeld?
In het openbare Tesla-voorbeeld (4 okt. 2026) beantwoordde Claude "What is Tesla?" en "Is Tesla legit?" vanuit wat het model al wist, zonder bronnen te vermelden. Een beroemd merk is goed vertegenwoordigd in trainingsdata, dus een antwoord uit het geheugen kan goed zijn.
Bij koopvragen zocht dezelfde engine wel: over 25 koopvragen gaf Claude 351 bronvermeldingen, waarvan er maar één naar tesla.com ging, en noemde het Tesla in 11 antwoorden. Het model en de pagina's die het las werkten samen, en de pagina's bepaalden een groot deel van de shortlist.
Waarom geeft hetzelfde LLM verschillende antwoorden?
Omdat bij het genereren steekproeven worden getrokken, en het serveren zelf ook variatie toevoegt. OpenAI stelt dat Chat Completions standaard niet-deterministisch zijn, zodat de uitvoer per verzoek kan verschillen (OpenAI API-documentatie, gelezen op 15 okt. 2026).
Voor merken betekent dat: één antwoord is één trekking. Een eerlijke lezing van hoe een model met je omgaat, vraagt om herhaalde vragen en een interval bij elk cijfer; zie AI-antwoordsteekproeven.
Welke LLM's volgt Proofsource?
Proofsource stelt vragen aan de consumentengerichte engines die kopers gebruiken, elk gebouwd op de modellen van de eigen leverancier, en legt vast welke modelversie antwoordde als de engine dat meldt. Zie engines en modellen en hoe elke engine merken kiest.
Veelgestelde vragen over Groot taalmodel (LLM)
Is ChatGPT een LLM?
ChatGPT is een assistent gebouwd op de large language models van OpenAI, met tools zoals zoeken op het web eromheen. Het LLM schrijft de tekst; de assistent beslist of er eerst wordt gezocht.
Kan ik bijwerken wat een LLM over mijn bedrijf weet?
Niet rechtstreeks. Wat een model onthoudt, verandert als er een nieuwer model wordt getraind. Wat je nu kunt veranderen, zijn de pagina's die engines opzoeken als ze zoeken, en die komen veel sneller in het antwoord terecht.
Wat is een kennisgrens?
De datum waarna een model geen trainingsdata meer heeft. Leveranciers publiceren die op hun modelpagina's, en hij ligt vaak maanden voor de release van het model.
Kopiëren LLM's tekst van mijn website?
Ze schrijven nieuwe tekst. Als een engine zoekt, kan het antwoord een opgehaalde pagina nauw volgen en die als bron vermelden; als het uit het geheugen antwoordt, put het uit patronen uit de training in plaats van uit een specifieke pagina.
Gerelateerde termen
- Trainingsdata vs. live zoeken
Trainingsdata is wat een model leerde vóór zijn kennisgrens; live zoeken is wat het tijdens het antwoorden op het web opzoekt, en één AI-antwoord kan op het een, het ander of allebei steunen.
- Retrieval-augmented generation (RAG)
Retrieval-augmented generation (RAG) is een methode waarbij een taalmodel eerst relevante documenten ophaalt en daarna zijn antwoord schrijft met die documenten in beeld.
- AI-hallucinatie
Een hallucinatie is een stellige bewering in een AI-antwoord die onjuist of ongefundeerd is, zoals een verkeerde prijs, een functie die niet bestaat of een bron die nooit is geschreven.
- Answer engine
Een answer engine is een zoektool die op een vraag reageert met één geschreven antwoord, meestal met bronnen, in plaats van een gerangschikte lijst met links.
Uitgewerkt voorbeeld: Tesla, openbare AI-antwoorden, 4 okt. 2026: de eerste scan van Tesla door Proofsource, met 25 koopvragen en 5 merkvragen, één antwoord per vraag op elk van vier engines. Een kleine steekproef van één merk, getoond als voorbeeld, niet als benchmark.
Zie waar AI je overslaat, en wat je moet verbeteren.
Zie welke koopvragen je merk noemen, wie in jouw plaats wordt genoemd en wat je moet verbeteren. 200 antwoorden. 25 Prompts/vraag. Top-AI-engines. 2 dagen. Gratis. Geen creditcard nodig.
Google AI OverviewsGoogle AI Mode
