Wat is fine-tuning van AI?
Erwin Berkouwer
Fine-tuning is het extra trainen van een bestaand AI-model op een eigen, specifieke dataset om stijl, toon of vakjargon consistent te maken. Voor MKB-bedrijven is het meestal pas zinvol nadat prompting en RAG zijn geprobeerd, omdat fine-tuning meer data, kosten en onderhoud vraagt en geen actuele feitenkennis toevoegt.
Fine-tuning is het extra trainen van een bestaand AI-model op je eigen data zodat het jouw taal, stijl of vakgebied beter aanvoelt. Voor de meeste MKB-bedrijven is het pas nodig als prompting en RAG niet meer volstaan.
Fine-tuning is het proces waarbij een bestaand, kant-en-klaar AI-model verder wordt getraind op een specifieke, kleinere dataset, zodat het beter presteert op een afgebakende taak of aanvoelt alsof het jouw vakgebied, stijl of terminologie kent. 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 het
Een groot taalmodel wordt eerst getraind op enorme hoeveelheden algemene tekst. Die training geeft het model brede taalvaardigheid, maar geen kennis van jouw specifieke bedrijf, klanttoon of interne processen. Bij fine-tuning voer je het model honderden tot duizenden voorbeelden van gewenste input en output, denk aan 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 om te beseffen: 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 het kopje hieronder.
Waarom relevant voor het MKB
De meeste MKB-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 een fractie van de kosten en complexiteit.
Fine-tuning is voor de meeste MKB-bedrijven een laatste stap, niet een eerste stap. Begin met prompting en RAG, en overweeg fine-tuning pas als die twee structureel tekortschieten.
Een vergelijking maakt het verschil concreet:
| Aanpak | Wat het doet | Kosten/complexiteit | Wanneer geschikt |
|---|---|---|---|
| Prompting | Instructies en voorbeelden in de vraag zelf | Laag, direct te testen | Standaardtaken, snelle experimenten |
| RAG | Model zoekt live in eigen documenten/kennisbank | Middel, vraagt een kennisbank en zoekopzet | Actuele of bedrijfsspecifieke feitenkennis nodig |
| Fine-tuning | Model extra getraind op eigen voorbeelddata | Hoog, vraagt kwaliteitsdata en onderhoud | Vaste stijl, vakjargon of gedrag dat consistent terug moet komen |
Voor een AI-consultancy traject adviseren wij bijna altijd om te starten met prompting en RAG, en pas te fine-tunen als er een aantoonbare, herhaalde behoefte is.
Concreet voorbeeld
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. [Inschatting] Bij zo'n schaal kan fine-tuning de nabewerkingstijd per antwoord merkbaar verminderen, maar dit moet per situatie gemeten worden, niet aangenomen.
Wanneer wel, 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 (niet een handjevol, maar een substantiële, representatieve set).
- De taak vaak genoeg voorkomt om de investering in tijd en onderhoud terug te verdienen.
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.
Relatie tot verwante begrippen
Fine-tuning staat niet op zichzelf. Het model dat je fine-tunet, gebruikt vaak nog steeds embeddings om betekenis van tekst wiskundig te representeren, ook na fine-tuning. Om te bepalen of fine-tuning daadwerkelijk beter presteert dan het origineel, is AI-evaluatie (evals) onmisbaar: gestructureerd testen of de aangepaste output ook echt beter is, en niet toevallig slechter op andere punten. En let op AI-hallucinatie: fine-tuning lost hallucineren niet automatisch op, en kan het zelfs verergeren als de trainingsdata inconsistent is.
Benieuwd of fine-tuning, RAG of gewoon slimmere prompting de juiste volgende stap is voor jouw bedrijf? Doe de gratis AI-scan of plan een gesprek via onze AI-consultancy pagina, dan kijken we samen naar wat past bij jouw situatie en budget.
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, niet een handjevol. Kwaliteit en consistentie van de voorbeelden wegen zwaarder dan pure hoeveelheid.
Is fine-tuning geschikt voor een klein MKB-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.
