Bij AI denken we meteen aan grote taalmodellen. De large language models achter ChatGPT, Claude en Copilot. Als ondernemers in een grot kijken we naar de wondere schaduwen die die grote modellen tekenen op de wand van de status quo. Wie er de allegorie van de grot in ziet, durft hopelijk ook buiten de grot te kijken.
Of zoals Dwight Senaeve, AI-engineer bij Ingenix het brengt: “LLM’s zijn mooi maar daar stopt het niet. Er bestaan heel wat verschillende vormen van artificiële intelligentie.” Als bedrijven mijlenver onder hun efficiëntiepotentieel blijven hangen, heeft dat volgens de engineer te maken met een combinatie van twee factoren. Enerzijds ben je op zoek naar hoe je artificiële intelligentie structureel inbedt in je werking. Anderzijds ben je op zoek naar handvaten om in te schatten wat die inbedding je dan wel mag kosten.
Maar wat als het antwoord op beide afhangt van net dat wat je bedrijf eigen maakt? Jij kent je bedrijf beter dan wie ook. Je kent je uitdagingen, processen en realiteit. Volgens Senaeve is het zaak om daar te beginnen, in je eigen werkplaats, op je eigen vloer, bij je eigen mensen: “Mensen die komen met de opmerking ‘Eigenlijk weet ik niet of ik iets met AI kan doen’, geraken doorgaans sneller tot de toepassing. Liefst heb ik zelfs dat het woord AI niet valt. Ze vertellen ons over hun bedrijf, wat er goed gaat, wat er minder goed gaat, en wij knopen dan de punten nuchter aan elkaar.” Het syllogisme wil op die manier dat de oplossing inherent adequaat zal zijn en de business case inherent positief.
Kost versus investering: een voorbeeld
Want hoe werkt een LLM eigenlijk? Het heeft uit een enorme berg tekst geleerd welk woord meestal op een ander woord volgt. Typ je “De offerte gaat morgen”, dan berekent het voor elk mogelijk volgend woord een kans: buiten scoort hoog, zwemmen scoort laag. Het kiest dan een woord op kans, plakt het aan de zin en begint opnieuw, opnieuw en opnieuw tot er een antwoord staat.
Vraag je het model of een mail dringend is, dan krijg je dus een zin terug. Tegelijk is het interessant om te weten dat er ook zoiets bestaat als een zogeheten classifier. Classifiers werken anders dan taalmodellen. “Ze spugen een meetbare waarde uit, een kans of een categorie of een kleur, maar wel langs een gestructureerd formaat,” legt Dwight uit. In het voorbeeld van onze mail kan dat een categorie “dringend” of “niet dringend” zijn en de kans dat het dan de juiste categorie is. Voor een foto van een banaan kan het gaan om de kans dat het een banaan is.
Een goede verstaander ziet in dat in bepaalde gevallen dit al kan volstaan om een hefboom te creëren. Zo’n model is volgens Dwight ook een pak sneller en tot wel 444 keer zo goedkoop als een taalmodel. Een kosteneffectieve oplossing puzzel je dus dikwijls bijeen door gericht te werk te gaan. Op basis van wat nodig is. Of het nu om software gaat, data, koppelingen of specifieke AI-modellen.
Small language models (SML’s)
Grote taalmodellen zijn getraind op tekst in meer dan honderd talen. “Maar ik heb misschien geen vertaler nodig die zeventien talen spreekt als ik gewoon met een Fransman wil babbelen” vertelt Dwight. Kleine taalmodellen, small language models, daarentegen zijn, zoals de naam doet vermoeden, kleiner, vaak getraind op enkele talen en gemaakt voor specifieke situaties. Omdat deze SML’s behapbaarder zijn, kan je er lokaal handiger mee aan de slag. Zo kan je grote modellen verkleinen, een bestaand model heroriënteren of een klein model zelf trainen. “Dat kan in theorie zelfs met een paar jaar oude laptop in je zolderkamer.” Ook hier is de boodschap om te kijken wat je juist nodig hebt om zo middelen uit te sparen en effectief hefbomen te creëren.
Ere wie ere toekomt (bronnen)
De inzichten in dit artikel zijn gebaseerd op recente onderzoeksrapporten en praktijkstudies rond productiviteit, digitale transitie, kostencontrole en AI-implementatie.
Kumar, A., Davenport, T. H., & Bean, R. (2025, 8 september). The case for using small language models. Harvard Business Review. https://hbr.org/2025/09/the-case-for-using-small-language-models
Meta AI. (2025, 5 april). The Llama 4 herd: The beginning of a new era of natively multimodal AI innovation. https://ai.meta.com/blog/llama-4-multimodal-intelligence/
VLAIO. (2026, 18 maart). Vlaamse bedrijven versnellen AI-adoptie, maar strategische verankering blijft beperkt. https://www.vlaio.be/nl/nieuws/vlaamse-bedrijven-versnellen-ai-adoptie-maar-strategische-verankering-blijft-beperkt
Yanatma, S. (2026, 24 juli). The majority of AI jobs now sit outside technological occupations in Europe. Euronews. https://www.euronews.com/business/2026/07/24/the-majority-of-ai-jobs-now-sit-outside-technological-occupations-in-europe
Veelgestelde vragen
Nee. ChatGPT, Claude en Copilot zijn grote taalmodellen: ze schrijven woord per woord een tekst. Daarnaast bestaan er classifiers, die een categorie en een kans teruggeven, modellen voor beeldherkenning, en kleine taalmodellen die voor één taak gemaakt zijn.
Een AI-model dat geen tekst schrijft. Het geeft een categorie terug, met de kans dat die categorie klopt. Bij een mail is dat bijvoorbeeld “dringend” of “niet dringend”. Zo’n model is sneller en goedkoper dan een taalmodel, en je software kan meteen verder met de uitkomst.
Een taalmodel dat op enkele talen getraind is en gemaakt is voor een specifieke taak. De grote modellen achter ChatGPT zijn getraind op meer dan honderd talen. Een klein model kan je lokaal laten draaien, en voor één afgebakende taak is het volgens Harvard Business Review vaak de betere keuze.
Dat hangt af van het model en van wat je werking nodig heeft. Reken je met de prijs van de grootste taalmodellen, dan schrik je. Met een model op maat van de taak zijn de kosten volgens Dwight beheersbaar: je kan het verbruik meten en er een plafond op zetten, zodat niet één persoon het grootste deel van het budget opgebruikt.
Ja. Volgens de AI-barometer 2025 gebruikt 58,8% van de Vlaamse bedrijven minstens één AI-technologie, bijna het dubbele van 2023. Bij 47,6% van die bedrijven gaat het om generatieve AI. Bij 48,9% komt het initiatief van een individuele werknemer, niet van het management.
Niet per se. Volgens Dwight komen bedrijven die eerlijk zeggen dat ze niet weten of ze iets met AI kunnen, doorgaans sneller tot een toepassing. Je begint bij je werking: wat goed gaat en wat minder goed gaat. Pas daarna bekijk je welke software, koppeling of welk AI-model past.
