De eerste keer dat Claude in vier seconden een propere mail uit zijn mouw schudt, voelt het alsof het je begrijpt. Dat doet het niet. Toch niet zoals een mens dat doet. Maar zodra je doorhebt wat het echt zit te doen, trapt het je niet meer in de val en word je er net heel goed mee. En dat is de hele bedoeling van deze les. We maken geen ingenieur van je. We geven je het mentale model dat mensen die AI blind geloven scheidt van mensen die het slim inzetten.
Geen wiskunde op komst. Gewoon het idee eronder.
Het enige wat het doet: het volgende woord raden
Hier is de motor, tot op het metaal afgeschraapt. Een language model voorspelt het volgende stukje tekst, en doet dat dan opnieuw.
Meer is het niet. Je geeft het wat woorden, het rekent uit welk woord het waarschijnlijkst volgt, plakt het erachter, kijkt dan naar alles tot nu toe en rekent het volgende volgende woord uit, en zo maar door tot het antwoord af is. Het is de autocomplete van je telefoon, volwassen geworden en naar de universiteit getrokken.
Typ "de hoofdstad van Frankrijk is" en het zegt vrijwel zeker "Parijs", want in alles wat het ooit las, is dat overweldigend wat erna kwam. Typ "bedankt voor je mail, ik kom er zo snel mogelijk op terug" en het kan daarna op honderd zinnige manieren verder, dus kiest het er eentje die past. Het model haalt geen opgeslagen antwoord op. Het bouwt de zin vooruit, stap voor waarschijnlijke stap.
Klinkt te simpel om te werken, hè? Hier zit net de verrassing van de laatste jaren. Doe dat "raad het volgende woord" met een groot genoeg model dat genoeg gelezen heeft, en het stopt op een goocheltruc te lijken. Het begint op redeneren te lijken. Want om het volgende woord in een juridische clausule, een recept of een Python-functie écht goed te raden, moet je een pak snappen van hoe de wereld in elkaar zit. Die diepgang komt uit dat ene simpele lusje. Er zit geen apart "denk"-knopje in.
Waar de slimheid vandaan komt: training
Hoe weet het dan dat "Parijs" het waarschijnlijke woord is? Het leerde patronen uit een enorme berg tekst: boeken, artikels, websites, code, gesprekken. Geen nette lijst met feiten, maar het ruwe materiaal van hoe mensen schrijven.
Stel je voor: je leest meer dan een mens in duizend levens aankan, met één opdracht. Word almaar beter in het raden van het volgende woord. Dek een woord af, raad, check, en stuur bij als je ernaast zat. Doe dat een paar miljard keer en er sijpelt vanzelf van alles binnen: grammatica, toon, feiten, argumenten, de vorm van een goeie mail, een formule die klopt. Dat lange, eenmalige proces heet training, en daar kruipt zowat alle geld en rekenkracht in.
Twee gevolgen die elke werkdag meespelen:
Zijn kennis heeft een einddatum. De training stopt op een bepaald moment, dus daar stopt ook de ingebouwde kennis van het model. Vraag naar iets van na die cut-off en, tenzij het het web kan doorzoeken, gokt het op basis van daarvoor. (Sommige tools, Claude incluis, kunnen dingen live opzoeken. Dat is een aanbouw, niet het geheugen van het model.)
Het leerde patronen, geen archiefkast. Het model bewaarde de pagina's die het las niet. Het perste ze samen tot een gevoel voor wat er meestal op wat volgt. Daarom kan het schrijven over jouw situatie, die in geen enkel boek staat, en daarom kan het ook niet altijd een exact feit op commando terughalen. Onthou dat tweede punt. Het verklaart de volgende sectie.
Tokens: hoe het leest en schrijft
Even één stukje techniek, want het woord duikt overal op. Modellen lezen niet letter per letter, en ook niet helemaal woord per woord. Ze werken in tokens: stukjes tekst, vaak zo'n driekwart van een woord. "Kat" is één token. "Onwaarschijnlijk" is er misschien drie ("on", "waarschijn", "lijk"). Vuistregel: 100 tokens is ongeveer 75 woorden.
Waarom zou je dat weten? Tokens zijn de eenheid voor drie dingen waar je tegenaan loopt:
- Limieten. Een model kan maar zoveel tokens tegelijk vasthouden (zijn "context window", de ster van een latere les). Die grens zit in tokens, niet in pagina's.
- Kost. Gebruik je AI via een API of een betaald plan, dan betaal je vaak per token, in en uit. Langere prompts en langere antwoorden kosten meer.
- Snelheid. Het model schrijft één token per keer, en daarom zie je antwoorden binnendruppelen in plaats van in één klap verschijnen.
Je gaat zo goed als nooit met de hand tokens tellen. Maar als iemand zegt "het zat vol qua context" of "dat waren veel tokens", dan weet je nu dat ze stukjes tekst bedoelen, en zowat hoeveel.
Waarom het soms iets verzint
Dit is het belangrijkste deel van de les, dus hier in één zin: een model is een voorspelmachine, geen feitendatabase, en het zal met volle overtuiging tekst produceren die juist lijkt maar het niet is. Het nette woord daarvoor is een hallucinatie.
Het helpt om te zien waarom het gebeurt, want dan zie je het aankomen. De hele drijfveer van het model is plausibele volgende woorden produceren. Meestal vallen plausibel en waar samen, want ware dingen zijn wat het vooral las. Maar als er geen sterk patroon is om op te leunen, een obscuur feit, een specifiek getal, een rechtszaak, een bronvermelding, dan stopt het niet om te zeggen "ik weet het niet". Het doet wat het altijd doet: het genereert de meest plausibel ogende tekst. En een verzonnen statistiek of een nepboektitel die tóch geloofwaardig klinkt, kan er bijzonder plausibel uitzien. Vlot en fout tegelijk.
De verrader is de overtuiging. Een hallucinatie komt niet aarzelend en nerveus binnen. Ze komt in dezelfde kalme, goed geschreven stem als alles wat het model wél juist zegt, en net dat maakt haar gevaarlijk. Lees vlotheid nooit als bewijs.
Niks hiervan maakt de tool kapot. Het maakt er een tool van met een bekend zwak punt, zoals een razendsnelle, belezen assistent die je liever een antwoord geeft dan een leegte toe te geven. Zodra je dat verwacht, houd je het in de hand: vraag naar bronnen, plak het echte document erin in plaats van op het geheugen te vertrouwen, en check alles wat specifiek is. De volgende sectie sorteert de veilige klussen van de riskante.
Waar het briljant in is, en waar je moet opletten
Generatieve AI is niet in alles even goed. Match de taak aan de tool en het voelt als een superkracht. Geef het ongecontroleerd het verkeerde soort klus en het verbrandt je. De scheidslijn volgt rechtstreeks uit hoe het werkt.
Zie je het patroon? Het is het sterkst wanneer het ruwe materiaal voor zijn neus ligt: herschrijf dit, vat dat samen, giet deze notities in een mail, leg deze paragraaf uit. Er valt weinig te verzinnen, dus weinig fout te doen. Het is het zwakst wanneer je het iets specifieks uit het geheugen laat ophalen, want net dan zou het soepel een gat kunnen opvullen.
Dus de werkregel voor de rest van je AI-leven: laat het de taal doen, en hou jij de feiten in handen. Geef het de bron in plaats van op zijn geheugen te vertrouwen. Vraag het te tonen waar een antwoord vandaan komt. Dubbelcheck elk cijfer, elke naam, elke datum en elk citaat voor het je handen verlaat. Doe dat en hallucinaties krimpen van een enge fout tot een handelbare eigenaardigheid.
En een geruststelling: de tools worden hier beter in. Nieuwere modellen verzinnen minder, geven eerlijker toe als ze twijfelen, en kunnen bronnen citeren of het web doorzoeken. De vaardigheid om te checken raakt nooit uit de mode, maar je vecht niet tegen de tool. Je stuurt hem.
Probeer het
Stel een chatbot een feitelijke vraag met een precies antwoord: een specifieke statistiek, een datum, de auteur van een bepaald boek, het inwonertal van een middelgrote stad. Check het dan tegen een echte bron (een officiële site, een naslagwerk dat je vertrouwt).
Doe dit twee of drie keer. Soms zit het er helemaal juist op. Soms zit het er met volle overtuiging naast. Hoe dan ook train je het instinct dat het meest telt met deze tools: behandel een vlot antwoord als een sterke versie om na te kijken, nooit als het laatste woord. Alleen die gewoonte al behoedt je voor negentig procent van de miserie waar mensen met AI in belanden.
(Algemene oefening. Rol- en sectorversies komen zodra accounts er zijn.)