Afkapdatum van een AI-model: waarom het de recente actualiteit niet kent
Een AI-model is getraind op gegevens tot een bepaalde datum. Wat dat verandert voor uw vragen over de actualiteit en welke gewoonten u aanneemt.
Op deze pagina
In 30 seconden
- Waar het gebeurt
- Zodra men een AI-assistent een vraag stelt die van de datum afhangt, bijvoorbeeld over een recent onderwerp uit de actualiteit[1].
- Wat dat verandert
- De gegevens van een model liggen in het algemeen vast na de training[4], en het heeft moeite met informatie die snel verandert[2].
- De reflex
- Bij elk feit met een datum het antwoord vergelijken met een betrouwbare bron, en actuele informatie aanleveren of laten opzoeken.
- Als het al gebeurd is
- Als een antwoord van de AI heeft gediend voor een beslissing, het vergelijken met een betrouwbare bron voordat u verdergaat[5].
Waar gaat het over
Een AI-model van het type groot taalmodel is getraind op teksten tot een precieze datum, de afkapdatum. Daarna kan het geen juiste informatie geven zonder een externe bron te raadplegen[1].
Voor een medewerker betekent dit dat een vloeiend en stellig antwoord over een recent onderwerp kan berusten op verouderde gegevens.
Directe vragen
Wat is de afkapdatum van een model?
Het is de tijdsgrens van de teksten waarop het model is getraind[1]. De auteurs van LLMLagBench spreken van een strikte kennisgrens: daarna kan het model geen juiste informatie geven zonder externe bronnen te raadplegen[1].
Waarom kent het model niet wat daarna is gebeurd?
Volgens het NCSC (Verenigd Koninkrijk) wordt een taalmodel getraind op een grote hoeveelheid tekstgegevens, waarna men er vragen aan stelt. In het algemeen zijn de gegevens van het model statisch zodra de training is afgerond[4]. Onderzoekers schrijven evenzo dat de modellen worden getraind op statische corpora[2].
Kan het model recente en oude informatie door elkaar halen?
Ja, het is een risico dat de auteurs van LLMLagBench beschrijven. Wanneer die grens onbekend is of wordt genegeerd, kan een model in zijn redenering oude, tijdgevoelige informatie vermengen met zijn algemene kennis, wat de juistheid van het antwoord kan schaden[1].
Kan men weten op welke datum een model stopt?
Sommige modellen maken hun afkapdatum bekend, andere niet. LLMLagBench is een meetinstrument dat de vroegste waarschijnlijke tijdsgrenzen van de gegevens van een model probeert te bepalen, door zijn kennis van recente gebeurtenissen te testen. Het is toegepast op een groot aantal modellen, met of zonder verklaarde afkapdatum[1]. De auteurs hebben de betrouwbaarheid van dit instrument met de hand gevalideerd en door het te vergelijken met de gepubliceerde informatie over de training van deze modellen[1].
Hoe kan een model bij recentere informatie komen?
Via extern zoeken. Door zoeken aangevulde generatie (RAG in het Engels) koppelt een model aan een extern zoekmechanisme, waardoor het toegang krijgt tot actuele kennis[2]. Een overzichtsstudie van onderzoekers geeft aan dat deze aanpak er onder meer op gericht is hallucinaties en verouderde kennis van de modellen te verminderen[3]. OWASP rekent haar tot de preventiemaatregelen: RAG haalt tijdens het genereren van het antwoord relevante en gecontroleerde informatie op uit externe betrouwbare databanken[5].
Het NCSC (Verenigd Koninkrijk) beschrijft een andere weg, de "promptaugmentatie": contextinformatie meegeven met de vraag, bijvoorbeeld door teksten of hele documenten in de vraag te kopiëren[4].
Lost zoeken het probleem op?
Nee, niet volledig. Onderzoekers wijzen op zwakke punten die de doeltreffendheid van deze aanpak kunnen beperken[2]. Een overzichtsstudie noemt als blijvende moeilijkheden de kwaliteit van het zoeken, kwesties van vertrouwelijkheid en de integratiekosten[3]. De eerstgenoemde onderzoekers geven ook aan dat naarmate de modellen vooruitgaan, het relatieve voordeel van traditionele RAG minder uitgesproken is geworden[2].
Welke schade kan een onjuist antwoord veroorzaken?
Volgens OWASP kan de desinformatie die een model produceert leiden tot beveiligingslekken, reputatieschade en juridische aansprakelijkheid[5]. OWASP noemt ook gegenereerde code: een model kan onveilige of niet-bestaande bibliotheken voorstellen, wat kwetsbaarheden kan introduceren als men erop vertrouwt zonder te controleren[5].
Hoe het werkt
Het model leert de verbanden tussen woorden in een grote massa teksten en beantwoordt vervolgens een vraag op basis van die verbanden[4]. Zodra de training klaar is, zijn de gegevens van het model in het algemeen statisch. Ze kunnen worden aangevuld door extra training (fine-tuning) of door context mee te geven in de vraag[4].
Een extern zoekmechanisme verandert de situatie: het model kan zich dan baseren op actuele kennis die bij de vraag past[2]. In bedrijven roept de inzet van zo'n systeem praktische vragen op: het ophalen van bedrijfseigen gegevens, beveiliging en het vermogen om op te schalen[3].
Wat u doet
- Gebruik voor een recent onderwerp een zoekfunctie of een koppeling met externe bronnen wanneer de tool er een biedt, want zonder externe bron kan het model na zijn afkapdatum geen juiste informatie geven[1].
- Geef zelf de actuele documenten mee in de vraag, zoals het NCSC (Verenigd Koninkrijk) beschrijft[4]. Houd voordat u een document plakt rekening met de aanbeveling van het NCSC (Verenigd Koninkrijk) om geen gevoelige informatie op te nemen in vragen aan openbare modellen[4]. Het NCSC preciseert dat de vraag zichtbaar is voor de organisatie die het model levert[4].
- Controleer de belangrijke feiten. OWASP beveelt aan gebruikers aan te moedigen de antwoorden van een model te vergelijken met externe betrouwbare bronnen[5].
- Voor kritieke of gevoelige informatie beveelt OWASP menselijk toezicht aan en processen voor feitencontrole, met nalezers die zijn opgeleid om overmatig vertrouwen in door AI gegenereerde inhoud te voorkomen[5].
- OWASP beveelt ook aan gebruikers op te leiden over de grenzen van de modellen en het belang van onafhankelijke controle[5].
De valkuilen
- Een antwoord dat geloofwaardig lijkt, is niet per se juist. OWASP definieert desinformatie als het produceren van valse of misleidende informatie die geloofwaardig lijkt[5].
- Een model kan zich vergissen en feiten "hallucineren"[4]. OWASP beschrijft hallucinatie als inhoud die juist lijkt maar verzonnen is[5]. Het NCSC voegt eraan toe dat deze modellen bevooroordeeld en vaak goedgelovig kunnen zijn, bijvoorbeeld bij sturende vragen[4].
- De valkuil van het overmatige vertrouwen: OWASP noemt "overmatig vertrouwen" het feit dat men gegenereerde inhoud te veel vertrouwt zonder de juistheid te controleren, wat het effect van desinformatie verergert[5].
- Zoeken garandeert niet alles. Ook daarmee kan de kwaliteit van wat wordt teruggevonden een probleem vormen[3].
- De risico's van generatieve AI hebben een referentiekader: het NIST heeft op 26 juli 2024 een profiel gepubliceerd dat aan generatieve AI is gewijd (NIST-AI-600-1), en dat organisaties kan helpen de risico's te identificeren die eigen zijn aan deze technologie[6].
Bronnen
- arXiv, “LLMLagBench: Identifying Temporal Training Boundaries in Large Language Models”, 15 november 2025. https://arxiv.org/abs/2511.12116 (geraadpleegd op 14 november 2026)
- arXiv, “When Retrieval Succeeds and Fails: Rethinking Retrieval-Augmented Generation for LLMs”, 10 oktober 2025. https://arxiv.org/abs/2510.09106 (geraadpleegd op 14 november 2026)
- arXiv, “A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions”, 25 juli 2025. https://arxiv.org/abs/2507.18910 (geraadpleegd op 14 november 2026)
- NCSC (Royaume-Uni), “ChatGPT and large language models: what's the risk?”, 14 maart 2023. https://www.ncsc.gov.uk/blog-post/chatgpt-and-large-language-models-whats-the-risk (geraadpleegd op 14 november 2026)
- OWASP, “LLM09:2025 Misinformation”, 10 april 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (geraadpleegd op 14 november 2026)
- NIST, “AI Risk Management Framework”, 12 juli 2021. https://www.nist.gov/itl/ai-risk-management-framework (geraadpleegd op 14 november 2026)
Dit artikel citeren
Brain, “Afkapdatum van een AI-model: waarom het de recente actualiteit niet kent”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp520_nl_2026,
author = {Brain},
title = {Afkapdatum van een AI-model: waarom het de recente actualiteit niet kent},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/nl/articles/ai-afkapdatum-kennis-recente-actualiteit/},
note = {CC BY 4.0}
}