Naar de inhoud
Terug naar Insights
Kennis

Wat is fine-tuning van AI?

4 min lezen
Wat is fine-tuning van AI? — praktische AI-gids voor Nederlandse bedrijven

Fine-tuning is het verder trainen van een bestaand, kant-en-klaar AI-model op een kleinere, specifieke dataset, zodat het beter presteert op een afgebakende taak en jouw vakgebied, stijl of terminologie beter volgt. Je begint dus niet bij nul: je neemt een basismodel zoals GPT of Claude en geeft het extra oefening met jouw voorbeelden. Het resultaat is een model dat consistenter en specifieker reageert binnen jouw context, zonder dat je zelf een AI-model hoeft te bouwen.

Hoe werkt fine-tuning?

Een groot taalmodel wordt eerst getraind op enorme hoeveelheden algemene tekst. Die training geeft het model brede taalvaardigheid, maar geen kennis van jouw bedrijf, klanttoon of interne processen. Bij fine-tuning voer je het model honderden tot duizenden voorbeelden van gewenste input en output, bijvoorbeeld klantvragen met de antwoorden zoals jouw beste medewerker ze zou geven. Het model past intern zijn gewichten (de parameters die bepalen hoe het reageert) een klein stukje aan op basis van die voorbeelden. Het blijft hetzelfde basismodel, maar met een duidelijke voorkeur voor de patronen die jij hebt aangeleerd.

Belangrijk: fine-tuning verandert het gedrag en de stijl van een model, maar is geen betrouwbare manier om het actuele of feitelijke kennis bij te brengen. Voor actuele bedrijfsinformatie is een andere aanpak vaak geschikter, zie hieronder.

Heeft jouw organisatie fine-tuning nodig?

De meeste bedrijven hebben geen datateam en geen budget voor experimentele AI-trajecten. Daarom is de eerste vraag niet "hoe fine-tunen we ons model", maar "hebben we fine-tuning eigenlijk nodig". In veel gevallen is het antwoord nee. Prompting (het model goed instrueren) en retrieval-augmented generation, oftewel RAG (het model live laten zoeken in jouw documenten), lossen het merendeel van de praktijkvragen op tegen lagere kosten en met minder complexiteit.

Fine-tuning is voor de meeste bedrijven een laatste stap, geen eerste. Begin met prompting en RAG en overweeg fine-tuning pas als die twee structureel tekortschieten.

Een vergelijking maakt het verschil concreet:

AanpakWat het doetKosten/complexiteitWanneer geschikt
PromptingInstructies en voorbeelden in de vraag zelfLaag, direct te testenStandaardtaken, snelle experimenten
RAGModel zoekt live in eigen documenten of kennisbankMiddel, vraagt een kennisbank en zoekopzetActuele of bedrijfsspecifieke feitenkennis nodig
Fine-tuningModel extra getraind op eigen voorbeelddataHoog, vraagt kwaliteitsdata en onderhoudVaste stijl, vakjargon of gedrag dat consistent terug moet komen

Bij een AI discovery-traject is starten met prompting en RAG meestal het verstandigste en fine-tunen pas als er een aantoonbare, herhaalde behoefte is.

Een voorbeeld van fine-tuning in de praktijk

Stel: een administratiekantoor wil een AI-assistent die klantvragen over facturen beantwoordt in de toon en stijl die het kantoor altijd hanteert, inclusief vaste disclaimers en verwijzingen naar eigen voorwaarden. Met alleen prompting krijg je een bruikbaar maar wat generiek antwoord. Met RAG kan het model de juiste factuurgegevens erbij zoeken. Pas als het kantoor merkt dat het model ondanks goede instructies steeds net niet de juiste toon of structuur aanhoudt en dat probleem honderden keren per maand terugkeert, wordt fine-tuning interessant. Bij zo'n schaal kan fine-tuning de nabewerkingstijd per antwoord merkbaar verminderen, maar dat moet je per situatie meten, niet aannemen.

Wanneer wel en wanneer niet fine-tunen?

Fine-tunen is de moeite waard wanneer:

  • je een zeer specifieke, herhaalbare stijl of structuur nodig hebt die prompting niet stabiel afdwingt;
  • je al RAG gebruikt en toch merkt dat het model in toon of gedrag blijft afwijken;
  • je voldoende kwalitatieve voorbeelddata hebt: geen handjevol, maar een substantiële, representatieve set;
  • de taak vaak genoeg voorkomt om de investering in tijd en onderhoud te rechtvaardigen.

Fine-tunen is overkill wanneer:

  • je het probleem nog niet grondig hebt geprobeerd op te lossen met betere prompts;
  • je actuele of bedrijfsspecifieke feiten nodig hebt: dat hoort bij RAG, niet bij fine-tuning;
  • je weinig of geen betrouwbare voorbeelddata hebt;
  • het gaat om een eenmalig of laagfrequent proces.

Welke begrippen horen erbij?

Fine-tuning staat niet op zichzelf. Het model dat je fine-tunet, gebruikt vaak nog steeds embeddings om de betekenis van tekst wiskundig te representeren. Om te bepalen of fine-tuning daadwerkelijk beter presteert dan het origineel, is AI-evaluatie (evals) onmisbaar: gestructureerd testen of de aangepaste output echt beter is en niet op andere punten slechter. En let op hallucinaties: fine-tuning lost die niet automatisch op en kan ze zelfs verergeren als de trainingsdata inconsistent is.

Benieuwd of fine-tuning, RAG of slimmere prompting de juiste volgende stap is voor jouw bedrijf? Maak een AI-scan of plan een adviesgesprek, dan kijken we samen naar wat past bij jouw situatie en budget.

FAQ

Veelgestelde vragen

Korte, heldere antwoorden die je helpen sneller beslissen.

Wat is het verschil tussen fine-tuning en prompting?

Prompting stuurt een AI-model via instructies in de vraag zelf, zonder het model te veranderen. Fine-tuning traint het model daadwerkelijk verder op eigen voorbeelddata, waardoor het gedrag blijvend verandert. Prompting is sneller en goedkoper, fine-tuning is grondiger maar bewerkelijker.

Is fine-tuning hetzelfde als RAG?

Nee. RAG (retrieval-augmented generation) laat een model live zoeken in jouw documenten om actuele feiten op te halen. Fine-tuning verandert de stijl en het gedrag van het model zelf, maar voegt geen actuele feitenkennis toe. Ze kunnen ook samen worden ingezet.

Hoeveel data heb ik nodig om een AI-model te fine-tunen?

Dat verschilt per aanbieder en taak, maar over het algemeen is een substantiële, representatieve set voorbeelden nodig, geen handjevol. Kwaliteit en consistentie van de voorbeelden wegen zwaarder dan pure hoeveelheid.

Is fine-tuning geschikt voor een klein bedrijf?

Vaak niet als eerste stap. De meeste praktijkvragen bij kleinere bedrijven zijn op te lossen met goede prompting of RAG, tegen lagere kosten en zonder de data-inspanning die fine-tuning vraagt.

Aanbevolen voor jou

Gerelateerde artikelen

Doorgaan met lezen: artikelen die inhoudelijk het beste aansluiten op dit onderwerp.

Wat is multimodale AI? Uitleg in gewone taal - Een multimodaal model leest een foto, een spraakbericht en een mail in samenhang. Zo werkt het en dit zijn praktische toepassingen voor organisaties.
17 aug 2026
Wat is multimodale AI? Uitleg in gewone taal
Een multimodaal model leest een foto, een spraakbericht en een mail in samenhang. Zo werkt het en dit zijn praktische toepassingen voor organisaties.
Lees meer
Wat is RPA? Uitleg in gewone taal - RPA-robots klikken, kopiëren en typen precies zoals jij ze instrueert. Handig voor vast werk, maar ze begrijpen niets van uitzonderingen.
7 aug 2026
Wat is RPA? Uitleg in gewone taal
RPA-robots klikken, kopiëren en typen precies zoals jij ze instrueert. Handig voor vast werk, maar ze begrijpen niets van uitzonderingen.
Lees meer
AI-agenten vs. RPA: wanneer kies je wat? - RPA volgt vaste regels, een AI-agent begrijpt context. Wanneer kies je welke en wanneer combineer je ze?
16 mei 2026
AI-agenten vs. RPA: wanneer kies je wat?
RPA volgt vaste regels, een AI-agent begrijpt context. Wanneer kies je welke en wanneer combineer je ze?
Lees meer

Twee manieren om te beginnen.

Breng je organisatie stap voor stap verder met AI, of begin bij één stuk werk. In het adviesgesprek kijken we samen wat past.

Verder met AI

AI transformatie

Je organisatie in 12 maanden verder met AI, met een doelniveau per focuspijler.

Kies dit als
Je wilt AI structureel in je organisatie laten werken, met één partij die dat samen met je directie en je teams doet.
Je begint met
Een AI discovery vanaf € 3.450. Neem je daarna minstens een agent of de Company Brain, dan verrekenen we de helft ervan op je eerstvolgende factuur.

Zo werkt AI transformatie

Direct aan de slag

AI agents

Agents die het werk doen dat elke week terugkomt, één of meerdere.

Kies dit als
Je weet al welk werk een agent kan doen.
Je begint met
Een adviesgesprek. Als de agent live staat, betaal je vanaf € 395 per agent per maand, alles erin.

Zo werken AI agents

Erwin Berkouwer

Erwin Berkouwer

Founder van UnifyAI

Plan een adviesgesprek.

30 minuten tot een uur, online of telefonisch. Binnen 2 werkdagen staat er een voorstel klaar in jouw persoonlijke omgeving.

E-mail:
connect@unify-ai.nl
Tel:
+31 6 41 53 93 66
Agenda laden