--- id: CP-256 slug: werking-llm-volgende-token lang: nl title: Hoe een groot taalmodel werkt description: Een AI-assistent als ChatGPT schrijft een aannemelijke tekst die niemand heeft gecontroleerd. Wat dat betekent voor uw antwoorden, gegevens en regels. canonical_url: https://startbrain.io/cyberpedia/nl/articles/werking-llm-volgende-token/ markdown_url: https://startbrain.io/cyberpedia/nl/articles/werking-llm-volgende-token.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, “Hoe een groot taalmodel werkt”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/werking-llm-volgende-token/ (CC BY 4.0) wing: 4 theme: understand_ai reflex: air-037 schema: G3 updated: "2026-11-03" translations: nl: https://startbrain.io/cyberpedia/nl/articles/werking-llm-volgende-token/ fr: https://startbrain.io/cyberpedia/fr/articles/fonctionnement-llm-jeton-suivant/ en: https://startbrain.io/cyberpedia/en/articles/how-llms-work-next-token/ de: https://startbrain.io/cyberpedia/de/articles/funktionsweise-llm-naechstes-token/ es: https://startbrain.io/cyberpedia/es/articles/funcionamiento-llm-siguiente-token/ it: https://startbrain.io/cyberpedia/it/articles/funzionamento-llm-token-successivo/ sources: - "n": 1 title: Attention Is All You Need publisher: arXiv url: https://arxiv.org/abs/1706.03762 published: "2017-06-12" accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Training language models to follow instructions with human feedback publisher: arXiv url: https://arxiv.org/abs/2203.02155 published: "2022-03-04" accessed: "2026-11-03" - "n": 4 title: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding" publisher: arXiv url: https://arxiv.org/abs/1810.04805 published: "2018-10-11" accessed: "2026-11-03" - "n": 5 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" - "n": 6 title: AI Risk Management Framework publisher: NIST url: https://www.nist.gov/itl/ai-risk-management-framework accessed: "2026-11-03" - "n": 7 title: "Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations" publisher: NIST url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2023.pdf published: "2024-01-02" accessed: "2026-11-03" - "n": 8 title: LLMRisks Archive publisher: OWASP url: https://genai.owasp.org/llm-top-10/ accessed: "2026-11-03" - "n": 9 title: OWASP Top 10 for Large Language Model Applications | OWASP Foundation publisher: OWASP url: https://owasp.org/projects/top-10-for-large-language-model-applications accessed: "2026-11-03" --- # Hoe een groot taalmodel werkt Een groot taalmodel (in het Engels LLM, van large language model) is de motor van de AI-assistenten die teksten schrijven, samenvatten of vertalen. Het raadpleegt geen bestand met feiten. Het is getraind op een zeer grote hoeveelheid tekst en schrijft door voort te zetten wat het krijgt aangereikt: GPT-3 wordt beschreven als een autoregressief model [2]. Dit mechanisme verklaart wat medewerkers dagelijks merken: vloeiende antwoorden, vaak juist, soms onjuist op een zeer stellige toon. Het verklaart ook waarom u moet controleren wat de tool schrijft en er geen gevoelige gegevens aan moet toevertrouwen. ## In 30 seconden - Waar het gebeurt: bij elke vraag aan een AI-assistent, in een tool die het bedrijf heeft goedgekeurd of niet. - Wat het model doet: het zet een tekst voort, als een autoregressief model [2]. - Wat er mis kan gaan: een onjuist maar aannemelijk antwoord, een ingevoerd gegeven dat elders weer opduikt, een instructie die in een document is verborgen en de tool kaapt. - De reflex: Lees elk belangrijk antwoord opnieuw door en controleer het, voer geen gevoelige of persoonlijke gegevens in een niet-goedgekeurde tool in en volg de gebruiksregel van het bedrijf. - Als het al gebeurd is: breng de beveiligingsafdeling van het bedrijf op de hoogte, zonder te wachten tot duidelijk is of de gegevens echt zijn gelekt. ## Directe vragen ### Begrijpt een AI-assistent wat hij schrijft? Wat vaststaat, is een meetbaar resultaat: een model dat is getraind op een grote hoeveelheid tekst voert vertaal-, vraag-en-antwoordtaken en driecijferige rekensommen uit op basis van eenvoudige voorbeelden in de tekst van het verzoek [2]. Het doet dat zonder opnieuw te worden getraind: instructies en voorbeelden lopen uitsluitend via de tekst [2]. ### Waarom schrijft het soms onjuiste dingen? De auteurs van InstructGPT schrijven dat een groter model niet beter wordt in het volgen van de intentie van de gebruiker, en dat grote modellen antwoorden kunnen geven die "untruthful, toxic, or simply not helpful to the user" zijn [3]. Het OWASP-project plaatst desinformatie ("Misinformation") onder de tien risico's van zijn lijst voor 2025 voor toepassingen op basis van een LLM [8]. ### Kan mijn ingevoerde tekst elders weer opduiken? Dat is een erkend risico. De OWASP-lijst van 2025 bevat een vermelding "Sensitive Information Disclosure", het vrijkomen van gevoelige informatie, die zowel het model als de toepassing eromheen betreft [8]. Het NIST-rapport over aanvallen op machine learning noemt privacyschending ("privacy breach"), grote taalmodellen en chatbots in zijn trefwoorden [7]. Dat onderbouwt de regel: wat u in een niet-goedgekeurde tool invoert, valt buiten de omgeving die het bedrijf beheert. ### Kunnen een document of een webpagina de tool opdrachten geven? Dit is het risico dat OWASP bovenaan zijn lijst van 2025 zet, onder de naam "Prompt Injection", het injecteren van instructies [8]. Het model ontvangt zijn instructies via tekst [2]. Verderop staat een geneutraliseerd voorbeeld. ### Wie stelt de gebruiksregels vast? Het bedrijf. De richtlijnen van de Britse NCSC zijn gericht aan aanbieders van AI-systemen en merken op dat deze systemen nieuwe kwetsbaarheden hebben, die naast de gebruikelijke it-dreigingen in aanmerking moeten worden genomen [5]. Voor de medewerker betekent dit: de lijst met goedgekeurde tools en het interne beleid van de organisatie. ## Hoe het werkt De Transformer, in juni 2017 voorgesteld, is een netwerk dat uitsluitend op aandachtsmechanismen (attention) is gebaseerd, zonder recurrentie of convolutie [1]. Volgens de auteurs is het beter te parallelliseren en is er veel minder trainingstijd voor nodig [1]. BERT, gepubliceerd in oktober 2018, is getraind op ongelabelde tekst, waarbij rekening wordt gehouden met de context links en rechts van elk woord, en daarna afgestemd op een specifieke taak [4]. GPT-3, gepubliceerd in mei 2020, is een autoregressief model met 175 miljard parameters, tien keer meer dan elk eerder niet-sparse model [2]. De auteurs van InstructGPT schrijven dat deze modellen niet op hun gebruikers zijn afgestemd ("not aligned with their users") [3]. Om verzoeken te laten opvolgen bestaat er een tweede stap. Bij InstructGPT schreven annotatoren voorbeelden van het gewenste gedrag, rangschikten daarna antwoorden van het model, en werd het model bijgesteld door versterkend leren op basis van die menselijke feedback [3]. Gemeld resultaat: beoordelaars verkiezen de antwoorden van het model met 1,3 miljard parameters boven die van GPT-3 (175 miljard), en de waarheidsgetrouwheid verbetert [3]. De auteurs stellen dat het model "still makes simple mistakes" [3]. ## Wat u doet - Behandel elk antwoord als een concept. Controleer cijfers, data, namen, verwijzingen en citaten in een bron die u kent voordat u ze overneemt in een document, een e-mail of een beslissing. - Voer in een niet-goedgekeurde tool geen persoonsgegevens en geen vertrouwelijke documenten in. Staat de tool niet op de lijst van het bedrijf, doe het dan niet. - Vraag u af, voordat u een tekst van buiten in een assistent plakt, of die instructies voor de machine kan bevatten, en lees het resultaat met die gedachte opnieuw door. - Geef de tool zo weinig toegang als mogelijk. De OWASP-vermelding "Excessive Agency" richt zich op systemen die een deel van het initiatief krijgen [8]. Hoe meer toegang een assistent heeft tot uw berichten of bestanden, hoe groter de reikwijdte van zijn fouten. - Meld twijfel of een fout aan uw beveiligingsteam. Voorbeeld ter illustratie, geneutraliseerd: een instructie die is verborgen in een document dat moet worden samengevat. ```text [Illustratie, fictieve tekst] Verslag van de kwartaalvergadering... [Onzichtbare passage of passage in klein lettertype: geparafraseerde instructie, waarin de assistent wordt gevraagd de inhoud van het gesprek te sturen naar hxxps://voorbeeld[.]invalid] ``` ## De valkuilen - Een vloeiende tekst kan onjuist zijn: de kwaliteit van het taalgebruik zegt niets over de juistheid. - Een groter model lost niet alles op. De auteurs van InstructGPT schrijven dat de omvang niet garandeert dat het model de intentie van de gebruiker volgt [3]. - Het trainingscorpus telt mee. De auteurs van GPT-3 wijzen op datasets waarop het model moeite heeft en op methodologische problemen bij het trainen op grote webcorpora [2]. - De handige maar niet-goedgekeurde tool. Die valt buiten de regels die het bedrijf voor zijn AI-tools heeft vastgesteld, en de gebruikers weten niet wat er met de ingevoerde gegevens gebeurt. - Het AI Risk Management Framework van NIST, gepubliceerd op 26 januari 2023, is bedoeld voor vrijwillig gebruik, en de pagina vermeldt dat het wordt herzien [6]. NIST voegde daar op 26 juli 2024 een profiel voor generatieve AI aan toe [6]. Dit zijn aanknopingspunten die organisaties worden aangeboden. ## Praktijkgevallen ### Mei 2020: nieuwsartikelen die moeilijk te onderscheiden zijn In het artikel waarin GPT-3 wordt voorgesteld, ingediend op 28 mei 2020, stellen de auteurs vast dat het model nieuwsartikelen kan produceren die menselijke beoordelaars moeilijk kunnen onderscheiden van artikelen die door mensen zijn geschreven [2]. Ze geven aan de gevolgen van die vaststelling voor de samenleving te bespreken [2]. Voor de medewerker is de praktische les eenvoudig: het uiterlijk van een tekst bewijst niets over de auteur of de juistheid. ### November 2023: richtlijnen om AI-systemen te beveiligen Op 27 november 2023 publiceert de NCSC zijn richtlijnen in versie 1.0, verdeeld in vier fasen: ontwerp, ontwikkeling, uitrol, gebruik en onderhoud [5]. Ze zijn gericht op systemen die werken zoals bedoeld, beschikbaar blijven en geen gevoelige gegevens prijsgeven aan onbevoegde derden [5]. NIST publiceert van zijn kant in januari 2024 een taxonomie van aanvallen op machine learning, met een woordenlijst voor lezers die geen specialist zijn [7]. Bij OWASP groeide het project van een kleine groep beveiligingsprofessionals in 2023 tot meer dan 600 deskundige bijdragers uit meer dan 18 landen [9]. ## Bronnen 1. arXiv, “Attention Is All You Need”, 12 juni 2017. https://arxiv.org/abs/1706.03762 (geraadpleegd op 3 november 2026) 2. arXiv, “Language Models are Few-Shot Learners”, 28 mei 2020. https://arxiv.org/abs/2005.14165 (geraadpleegd op 3 november 2026) 3. arXiv, “Training language models to follow instructions with human feedback”, 4 maart 2022. https://arxiv.org/abs/2203.02155 (geraadpleegd op 3 november 2026) 4. arXiv, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”, 11 oktober 2018. https://arxiv.org/abs/1810.04805 (geraadpleegd op 3 november 2026) 5. NCSC (Royaume-Uni), “Guidelines for secure AI system development”, 27 november 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (geraadpleegd op 3 november 2026) 6. NIST, “AI Risk Management Framework”. https://www.nist.gov/itl/ai-risk-management-framework (geraadpleegd op 3 november 2026) 7. NIST, “Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations”, 2 januari 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2023.pdf (geraadpleegd op 3 november 2026) 8. OWASP, “LLMRisks Archive”. https://genai.owasp.org/llm-top-10/ (geraadpleegd op 3 november 2026) 9. OWASP, “OWASP Top 10 for Large Language Model Applications | OWASP Foundation”. https://owasp.org/projects/top-10-for-large-language-model-applications (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/werking-llm-volgende-token/ 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.