Een AI-taalmodel zoals ChatGPT, Claude of Gemini werkt door steeds het meest waarschijnlijke volgende stukje tekst te voorspellen. Daar komt geen brein aan te pas: in het datacenter draait een gigantische berg rekenwerk met getallen, zo goed geordend dat de uitkomst op nadenken lijkt. Dat mechanisme is minder mystiek dan het woord “slim” doet vermoeden, en eigenlijk interessanter.
Update 25 september 2026 Het cijfer over matrixvermenigvuldiging is gecorrigeerd. Die rekensom is goed voor meer dan 99% van de rekenoperaties, maar een meting aan het taalmodel BERT kwam op zo’n 61% van de rekentijd, niet ruim 80% (Ivanov e.a.). Ook de uitleg over hallucinaties is aangevuld met onderzoek van OpenAI.
Er zit geen geest in de machine
Een populaire beschrijving vat het scherp samen: “Er zit geen geest in de machine. Er is alleen lineaire algebra, in een heel overtuigend kostuum.” Die zin komt uit een veelgelezen technische uitleg voor ontwikkelaars (Bron: HackerNoon), en hij vat precies samen waarom AI zo vaak verkeerd begrepen wordt.
Een AI-taalmodel (de techniek achter ChatGPT, Claude en Gemini) heeft geen bewustzijn en geen begrip in de zin die je bij een mens zou gebruiken. Het doet één ding, en dat doet het op enorme schaal: het voorspelt het volgende woord. Geef het een stuk tekst, en het rekent uit welk woord daar het meest waarschijnlijk op volgt, gegeven alle tekst die het tijdens de training heeft gezien. Anthropic noemt zichzelf wel onzeker over de morele status van zulke modellen en kondigde daarom een verbod op aanhoudend wreed gedrag tegen Claude aan.
Beginner-tip Je hoeft geen wiskunde te kunnen om dit te volgen; elke vakterm wordt meteen uitgelegd. Het doel is dat je ongeveer snapt wat er gebeurt, want dat maakt je een slimmere gebruiker. Wil je daarna dieper, lees dan hoe een taalmodel stap voor stap wordt gebouwd en getraind. Wat AI in bredere zin wel en niet is, zonder de mythes, lees je in Kunstmatige intelligentie: wat AI wel en niet is.
Woorden worden getallen
Een computer rekent, hij leest niet. Dus het eerste wat er gebeurt, is dat je tekst wordt vertaald naar getallen. Elk woord (of stukje woord) wordt omgezet in een reeks getallen, een vector genoemd. Je kunt zo’n vector zien als een set coördinaten die de “betekenis” van een woord vastlegt in verhouding tot alle andere woorden.
Dat klinkt abstract, maar het effect is concreet: woorden die op elkaar lijken (“koning” en “koningin”, “Parijs” en “Rome”) krijgen getallenreeksen die dicht bij elkaar liggen. Zo ontstaat een soort landkaart van taal, waarop het model afstanden en richtingen kan berekenen.
De transformer: het hart van moderne AI
Sinds 2017 draaien vrijwel alle grote taalmodellen op een bepaald type neuraal netwerk: de transformer, geïntroduceerd door onderzoekers van Google in het artikel Attention Is All You Need (Bron: arXiv). Het bijzondere eraan is dat het een hele zin tegelijk bekijkt, in plaats van star van links naar rechts te lezen, en berekent welke woorden voor elkaar belangrijk zijn.
Dat gebeurt via een mechaniek dat attention heet (aandacht). In de zin “de kat zat op de mat omdat hij moe was” moet het model weten dat “hij” naar “de kat” verwijst, niet naar “de mat”. Attention is de wiskunde die dat soort verbanden legt: voor elk woord berekent het model hoeveel elk ander woord ertoe doet (Bron: Transformer Explainer, Georgia Tech). Bij het schrijven van een antwoord kijkt een chatbot alleen terug: elk nieuw woord wordt voorspeld op basis van alles wat er al staat, en dan komt het volgende.
Waar de rekenkracht in gaat zitten
Al dat werk — vectoren transformeren, aandacht berekenen, het volgende woord voorspellen — komt uiteindelijk neer op één soort som, keer op keer: het vermenigvuldigen van grote roosters van getallen. Zulke roosters heten matrices, en de bewerking heet matrixvermenigvuldiging. Wat al die getallen samen betekenen, is niet zomaar af te lezen; een recente poging om in die zwarte doos te kijken laat zien hoe ver onderzoekers daarin zijn.
Dat is geen bijzaak. Een meting aan het taalmodel BERT liet zien dat matrixvermenigvuldigingen meer dan 99% van alle rekenoperaties uitmaken. In rekentijd was het zo’n 61%, want data heen en weer schuiven in het geheugen kost ook veel tijd (Bron: Ivanov e.a.). Daarom draait AI op gespecialiseerde chips, GPU’s, die juist dit soort massale rekenwerk parallel en razendsnel kunnen doen. Als je hoort dat AI-bedrijven miljarden uitgeven aan chips, gaat het in de kern hierom: heel veel getallenroosters, heel vaak met elkaar vermenigvuldigd. Bij redeneermodellen, die eerst een kladversie van hun denkstappen schrijven, loopt dat rekenwerk per vraag nog flink op; zie Redeneermodellen uitgelegd: waarom AI eerst ‘nadenkt’.
Gevorderden Binnen elke transformer-laag zitten twee blokken — het attention-blok en een feedforward-netwerk. Beide zijn in essentie ketens van lineaire transformaties (matrixvermenigvuldigingen) met daartussen een niet-lineaire activatiefunctie. Die niet-lineariteit is wat het model in staat stelt om complexe patronen te leren die met puur lineair rekenen niet te vangen zijn.
Waarom dit ertoe doet voor jou
Weten dat er geen brein maar een patroonmachine achter AI zit, is niet zomaar trivia. Het verklaart het meest verwarrende gedrag van deze systemen: dat ze met volle overtuiging onzin kunnen produceren.
Een taalmodel is in de basis getraind om vloeiende, waarschijnlijke tekst te maken. Makers sturen het daarna bij richting juiste antwoorden, maar een ingebouwde feitencontrole heeft het niet. Klinkt een antwoord plausibel in de taal die het heeft gezien, dan schrijft het dat op, ook als het feitelijk fout is. Dat is wat “hallucineren” betekent: het model verzint met exact hetzelfde zelfvertrouwen als waarmee het klopt. Onderzoekers van OpenAI lieten in 2025 zien dat de gangbare training en tests gokken bovendien belonen boven eerlijk ‘ik weet het niet’ zeggen (Bron: OpenAI).
Voor de dagelijkse gebruiker volgt daar een simpele les uit. Behandel AI als een uitzonderlijk handige, snelle assistent die soms zelfverzekerd de plank misslaat — niet als een orakel. Controleer belangrijke feiten, vraag om bronnen, en vertrouw niet blind op een gladde formulering. Je hoeft de lineaire algebra niet te snappen. Onthoud vooral dat er aan de andere kant een heel goed getrainde voorspeller van het volgende woord zit. Hoe snel zo’n gladde formulering je eigen twijfel wegdrukt, laat onderzoek naar ‘ik weet het niet’ zien.