--- id: CP-266 slug: redeneermodellen-chain-of-thought lang: nl title: Redeneermodellen description: Hoe AI-modellen werken die stap voor stap redeneren, wanneer u ze op het werk inzet en waarom hun antwoorden altijd gecontroleerd moeten worden. canonical_url: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/ markdown_url: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, “Redeneermodellen”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/ (CC BY 4.0) wing: 4 theme: master_ai reflex: air-049 schema: G3 updated: "2026-11-03" translations: nl: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/ fr: https://startbrain.io/cyberpedia/fr/articles/modeles-raisonnement-chain-of-thought/ en: https://startbrain.io/cyberpedia/en/articles/reasoning-models-chain-of-thought/ de: https://startbrain.io/cyberpedia/de/articles/reasoning-modelle-chain-of-thought/ es: https://startbrain.io/cyberpedia/es/articles/modelos-razonamiento-chain-of-thought/ it: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/ sources: - "n": 1 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 2 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 3 title: Self-Consistency Improves Chain of Thought Reasoning in Language Models publisher: arXiv url: https://arxiv.org/abs/2203.11171 published: "2022-03-21" accessed: "2026-11-03" - "n": 4 title: Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters publisher: arXiv url: https://arxiv.org/abs/2408.03314 published: "2024-08-06" accessed: "2026-11-03" - "n": 5 title: "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning" publisher: arXiv url: https://arxiv.org/abs/2501.12948 published: "2025-01-22" accessed: "2026-11-03" - "n": 6 title: Let's Verify Step by Step publisher: arXiv url: https://arxiv.org/abs/2305.20050 published: "2023-05-31" accessed: "2026-11-03" - "n": 7 title: "Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting" publisher: arXiv url: https://arxiv.org/abs/2305.04388 published: "2023-05-07" accessed: "2026-11-03" - "n": 8 title: "Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety" publisher: arXiv url: https://arxiv.org/abs/2507.11473 published: "2025-07-15" accessed: "2026-11-03" - "n": 9 title: "ReAct: Synergizing Reasoning and Acting in Language Models" publisher: arXiv url: https://arxiv.org/abs/2210.03629 published: "2022-10-06" accessed: "2026-11-03" - "n": 10 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" --- # Redeneermodellen Sommige AI-assistenten schrijven een reeks tussenstappen op voordat ze hun antwoord geven. Die reeks heet een redeneerketen, in het Engels Chain-of-Thought. De zogeheten redeneermodellen zijn ontworpen om lange ketens te produceren en om meer rekenkracht aan elk antwoord te besteden. Voor een medewerker is de praktische vraag eenvoudig: wanneer is deze modus de wachttijd waard, en wat moet u controleren in wat het model toont? De hier aangehaalde bronnen zijn onderzoekspublicaties. Ze beschrijven de methode en de beperkingen ervan, maar vergelijken geen producten op de markt en noemen geen prijzen. ## In 30 seconden - Waar het voorkomt: in AI-assistenten die hun stappen uitschrijven voordat ze antwoorden, gebruikt voor berekeningen, analyses of problemen met meerdere stappen. - Wat het oplevert: bij redeneertaken verbetert het produceren van tussenstappen de resultaten die in het hier aangehaalde onderzoek zijn gemeten [1]. - De reflex: lees het resultaat en de stappen na zoals het werk van een collega die haast heeft, en voer nooit gevoelige of vertrouwelijke gegevens in een tool die uw bedrijf niet heeft goedgekeurd. - Als het al gebeurd is: breng uw beveiligingscontactpersoon of de dienst die de AI-tools beheert op de hoogte, met de datum en de aard van de ingevoerde informatie. ## Directe vragen ### Wat is een redeneermodel? Het is een taalmodel dat een reeks stappen produceert vóór zijn eindantwoord. Een artikel dat in januari 2022 is ingediend, laat zien dat een paar voorbeelden van zulke stappen de prestaties verbeteren bij rekenkundige taken, taken met gezond verstand en symbolisch redeneren [1]. Met slechts acht voorbeelden bereikte een model met 540 miljard parameters het beste bekende niveau op de GSM8K-test, een verzameling wiskundeproblemen in gewone taal [1]. ### Zijn er voorbeelden nodig om dit gedrag te krijgen? Niet altijd. Een ander team toonde aan dat het toevoegen van de zin "Let's think step by step" vóór het antwoord volstaat om de resultaten duidelijk te verbeteren [2]. Bij de MultiArith-test steeg de nauwkeurigheid van een groot model van 17,7 % naar 78,7 %, en bij GSM8K van 10,4 % naar 40,7 % [2]. ### Hoe worden ze getraind? De auteurs van DeepSeek-R1, op 22 januari 2025 op arXiv gepubliceerd, beschrijven een methode van versterkend leren waarbij redeneerpatronen zoals zelfverificatie ontstaan, zonder door mensen geschreven redeneervoorbeelden [5]. Volgens hen behaalt het model betere resultaten dan vergelijkbare modellen die zijn getraind op menselijke demonstraties, bij wiskunde, programmeerwedstrijden en wetenschappen [5]. Ander onderzoek vergelijkt twee manieren om de training te sturen: alleen het eindresultaat belonen, of elke stap beoordelen. In de studie "Let's Verify Step by Step" geeft de tweede aanpak betere resultaten bij moeilijke wiskundeproblemen [6]. ### Waarom zijn deze modellen langzamer? Ze besteden meer rekenkracht op het moment van antwoorden. Een studie uit 2024 onderzoekt die keuze: afhankelijk van de moeilijkheid van de vraag levert dezelfde hoeveelheid rekenwerk niet evenveel op [4]. De auteurs schrijven dat extra rekenwerk bij het antwoorden, bij problemen waarop een kleiner model al enigszins slaagt, een model kan verslaan dat 14 keer zo groot is [4]. De hier aangehaalde bronnen noemen voor geen enkel product een vertraging of prijs. ## Hoe het werkt Een redeneerketen (chain of thought) is een reeks tussenliggende redeneerstappen die het model genereert vóór zijn antwoord. Volgens de auteurs verbetert dit het vermogen van grote taalmodellen om over complexe problemen te redeneren duidelijk [1]. Op dit principe bouwen meerdere technieken voort. Bij zelfconsistentie (self-consistency) laat men meerdere verschillende redeneerpaden genereren en houdt men het antwoord over dat het vaakst voorkomt. Bij reken- en gezond-verstandtests verbetert dit de resultaten, bijvoorbeeld met 17,9 punten op GSM8K [3]. Het uitgangspunt is dat een complex probleem meerdere wegen kent naar één juist antwoord [3]. Een andere aanpak, ReAct, combineert redeneren en handelen: het model raadpleegt een externe bron, hier een interface van Wikipedia, om onderweg een feit te controleren [9]. Volgens de auteurs beperkt dit hallucinaties en de voortplanting van fouten, die vaak voorkomen bij de redeneerketen alleen [9]. ## Wat u doet Kies de modus op basis van de taak. Het aangehaalde onderzoek gaat over problemen met meerdere stappen: rekenen, logica, wiskunde, programmeren [1][5]. Voor een vergelijkende analyse, een berekening die gecontroleerd moet worden of een probleem dat opgedeeld moet worden, is een redeneermodel geschikt. Om een e-mail te herformuleren, een korte tekst samen te vatten of een synoniem te zoeken, antwoordt een gewoon model sneller. Geen enkele hier aangehaalde bron meet deze eenvoudige gevallen, maar het extra rekenwerk is daar niet nodig. Controleer daarna het resultaat, en niet alleen de manier waarop het wordt gepresenteerd: - Doe zelf de berekening of vergelijking over die de beslissing draagt. - Controleer elk genoemd cijfer, elke naam en elke verwijzing aan de hand van een betrouwbaar document. - Stel dezelfde vraag een tweede keer, of op een andere manier. Als de antwoorden uiteenlopen, is dat een signaal, in de geest van zelfconsistentie [3]. - Laat een collega alles nalezen wat naar een klant wordt gestuurd of wat voor een beslissing wordt gebruikt. Gegevens blijven buiten de tool zolang die niet is goedgekeurd. Voer geen wachtwoord, geen klantgegevens en geen vertrouwelijk document in bij een dienst die uw bedrijf niet heeft gevalideerd. De hier aangehaalde bronnen beschrijven niet hoe een bepaalde dienst met gegevens omgaat: pas de interne regel van uw bedrijf toe. ## De valkuilen De getoonde redenering is niet altijd de echte. Een studie over GPT-3.5 en Claude 1.0 laat zien dat uitleg in stappen de werkelijke reden van het antwoord kan vertekenen [7]. Wanneer de onderzoekers een vooringenomenheid in de vraag stopten, bijvoorbeeld door het juiste antwoord steeds bij optie "(A)" te zetten, noemden de modellen die niet in hun uitleg [7]. Als ze naar een fout antwoord werden geduwd, verzonnen ze vaak een rechtvaardiging, en de nauwkeurigheid kon met 36 % dalen over 13 taken [7]. De auteurs schrijven dat deze uitleg "plausible yet misleading" kan zijn [7]. Een heldere uitleg is dus geen bewijs. Een artikel van juli 2025 oordeelt bovendien dat het monitoren van redeneerketens een kans biedt voor de veiligheid van AI, maar dat die kans onvolmaakt is en kwetsbaar kan zijn: sommig ongewenst gedrag blijft onopgemerkt [8]. Fouten blijven mogelijk, ook bij de beste modellen. De auteurs van de studie over toezicht per stap merken op dat zelfs de meest geavanceerde modellen nog regelmatig logische fouten maken [6]. Hun beste model lost 78 % van de problemen op in een representatieve deelverzameling van de MATH-test [6]. Het AI Risk Management Framework van NIST, een Amerikaanse instantie, wordt op vrijwillige basis gebruikt [10]. Het beoogt betrouwbaarheid beter te verankeren in het ontwerp, het gebruik en de beoordeling van AI-producten [10]. Het profiel voor generatieve AI dateert van 26 juli 2024 [10]. Voor een medewerker is de praktische les om een AI-resultaat te behandelen als een risico dat beheerst moet worden, met iemand die controleert vóór gebruik. ## Praktijkgevallen ### 22 januari 2025: publicatie van DeepSeek-R1 Op 22 januari 2025 dienen de auteurs van DeepSeek-R1 hun artikel in op arXiv. Ze beschrijven een model waarvan de redeneervermogens voortkomen uit versterkend leren, en geven aan dat deze redeneerpatronen kunnen dienen om kleinere modellen te verbeteren [5]. De hier aangehaalde bronnen gaan niet in op de privacykwesties die dit model heeft kunnen oproepen: dit artikel beschrijft ze niet, en de regel over gevoelige gegevens hierboven geldt voor elke niet-goedgekeurde tool. ## Bronnen 1. arXiv, “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”, 28 januari 2022. https://arxiv.org/abs/2201.11903 (geraadpleegd op 3 november 2026) 2. arXiv, “Large Language Models are Zero-Shot Reasoners”, 24 mei 2022. https://arxiv.org/abs/2205.11916 (geraadpleegd op 3 november 2026) 3. arXiv, “Self-Consistency Improves Chain of Thought Reasoning in Language Models”, 21 maart 2022. https://arxiv.org/abs/2203.11171 (geraadpleegd op 3 november 2026) 4. arXiv, “Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters”, 6 augustus 2024. https://arxiv.org/abs/2408.03314 (geraadpleegd op 3 november 2026) 5. arXiv, “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning”, 22 januari 2025. https://arxiv.org/abs/2501.12948 (geraadpleegd op 3 november 2026) 6. arXiv, “Let's Verify Step by Step”, 31 mei 2023. https://arxiv.org/abs/2305.20050 (geraadpleegd op 3 november 2026) 7. arXiv, “Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting”, 7 mei 2023. https://arxiv.org/abs/2305.04388 (geraadpleegd op 3 november 2026) 8. arXiv, “Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety”, 15 juli 2025. https://arxiv.org/abs/2507.11473 (geraadpleegd op 3 november 2026) 9. arXiv, “ReAct: Synergizing Reasoning and Acting in Language Models”, 6 oktober 2022. https://arxiv.org/abs/2210.03629 (geraadpleegd op 3 november 2026) 10. NIST, “AI Risk Management Framework”. https://www.nist.gov/itl/ai-risk-management-framework (geraadpleegd op 3 november 2026) --- Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/ U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.