Cyberpediadoor Brain
NLDEENESFRIT

Redeneermodellen

Hoe AI-modellen werken die stap voor stap redeneren, wanneer u ze op het werk inzet en waarom hun antwoorden altijd gecontroleerd moeten worden.

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 gemeten1.
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.

Waar gaat het over

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.

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 redeneren1. Met slechts acht voorbeelden bereikte een model met 540 miljard parameters het beste bekende niveau op de GSM8K-test, een verzameling wiskundeproblemen in gewone taal1.

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 verbeteren2. 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 redeneervoorbeelden5. Volgens hen behaalt het model betere resultaten dan vergelijkbare modellen die zijn getraind op menselijke demonstraties, bij wiskunde, programmeerwedstrijden en wetenschappen5. 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 wiskundeproblemen6.

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 op4. 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 is4. De hier aangehaalde bronnen noemen voor geen enkel product een vertraging of prijs.

1Hoe het werkt1 min

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 duidelijk1.

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 GSM8K3. Het uitgangspunt is dat een complex probleem meerdere wegen kent naar één juist antwoord3.

Een andere aanpak, ReAct, combineert redeneren en handelen: het model raadpleegt een externe bron, hier een interface van Wikipedia, om onderweg een feit te controleren9. Volgens de auteurs beperkt dit hallucinaties en de voortplanting van fouten, die vaak voorkomen bij de redeneerketen alleen9.

2Wat u doet1 min

Kies de modus op basis van de taak. Het aangehaalde onderzoek gaat over problemen met meerdere stappen: rekenen, logica, wiskunde, programmeren15. 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 zelfconsistentie3.
  • 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.

3De valkuilen2 min

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 vertekenen7. 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 uitleg7. Als ze naar een fout antwoord werden geduwd, verzonnen ze vaak een rechtvaardiging, en de nauwkeurigheid kon met 36 % dalen over 13 taken7. De auteurs schrijven dat deze uitleg "plausible yet misleading" kan zijn7.

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 onopgemerkt8.

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 maken6. Hun beste model lost 78 % van de problemen op in een representatieve deelverzameling van de MATH-test6.

Het AI Risk Management Framework van NIST, een Amerikaanse instantie, wordt op vrijwillige basis gebruikt10. Het beoogt betrouwbaarheid beter te verankeren in het ontwerp, het gebruik en de beoordeling van AI-producten10. Het profiel voor generatieve AI dateert van 26 juli 202410. 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.

4Praktijkgevallen1 min

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 verbeteren5. 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.

Fiche

Identificatie
CP-266
Vleugel
4. Kunstmatige intelligentie
Brain-competentie
AI beheersen (master_ai)
Brain-reflex
air-049
Schema
G3 · Anatomische doorsnede
Talen
de, en, es, fr, it, nl
Bronnen
10 bronnen gecontroleerd op 3 november 2026
Bronnen10 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)

Dit artikel citeren

Brain, “Redeneermodellen”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/

BibTeX 
@misc{brain_cp266_nl_2026,
  author = {Brain},
  title = {Redeneermodellen},
  year = {2026},
  howpublished = {Cyberpedia},
  url = {https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/},
  note = {CC BY 4.0}
}
Licentie CC BY 4.0