Moet je een AI-model laten trainen, of is fine-tuning overbodig?

Een leverancier belt je op met een voorstel: jullie AI-chatbot moet "getraind worden op jullie eigen data" voordat hij goed genoeg is. Er hangt een fors prijskaartje aan en een doorlooptijd van maanden. Je tekent, wacht, en pas achteraf hoor je van een andere partij dat hetzelfde resultaat er ook was gekomen met een goed geschreven instructie en je eigen documenten erbij, in een fractie van de tijd en het budget.

Stel je een AI-model voor als een nieuwe medewerker die al ontzettend veel heeft gelezen, maar jouw bedrijf nog niet kent. Er zijn twee manieren om diegene goed te laten werken. De eerste: je geeft voor elke taak een helder briefingvel mee, met de context, de toon en een paar voorbeelden van goed werk. De tweede: je stuurt diegene een aantal maanden een intensieve interne opleiding in, zodat het gedrag blijvend verandert en je voortaan geen briefing meer nodig hebt. In verreweg de meeste gevallen is dat briefingvel al voldoende, en is de opleiding overkill.

Die twee routes hebben namen: het briefingvel heet prompten, de opleiding heet fine-tuning. Prompten stuurt een bestaand model aan met instructies in tekst, zonder het model zelf te veranderen. Fine-tuning traint het model verder op eigen data, waardoor het gedrag van het model blijvend verandert.

Zodra je dit onderscheid kent, snap je waarom zoveel AI-trajecten duurder en trager uitpakken dan nodig. Veel organisaties denken bij "AI aanpassen aan ons bedrijf" meteen aan fine-tuning, terwijl dat vaak de zwaarste en langzaamste route is. Prompten, eventueel aangevuld met retrieval van eigen documenten, lost het in de meeste gevallen al op. Weten wat het verschil is, en wanneer je welke aanpak nodig hebt, bespaart geld, tijd en een hoop mislukte trajecten.

• Ondernemer (MKB): een leverancier stelt voor jullie AI te laten "trainen" op bedrijfsdata, met een fikse rekening. Check eerst of een goede prompt met je eigen documenten niet al voldoende is.
• Office/administratie: je wilt een chatbot voor personeelsvragen die de juiste toon en huisstijl raakt, zonder meteen een kostbaar traject te starten.
• Zzp'er: je bouwt zelf een klein AI-hulpje voor klanten en twijfelt tussen een uitgebreide prompt of een duur trainingstraject.
• Corporate teams (IT, manager, HR, marketing, onderwijs): IT kiest de architectuur voor een AI-feature, de manager budgetteert het project, HR wil de juiste toon in een personeelschatbot, marketing wil content in merkstijl, onderwijs wil een AI-tutor die specifieke lesmethodes volgt.

1. Beschrijf eerst het probleem: is het een kennis-probleem (het model weet iets niet) of een gedrag-probleem (het model doet iets structureel verkeerd, zoals toon of formaat)?
2. Los een kennis-probleem eerst op met prompten plus retrieval van eigen documenten (RAG), niet met fine-tuning.
3. Test of een goed uitgewerkte system prompt met voorbeelden (few-shot) het gedrag-probleem al oplost.
4. Overweeg fine-tuning pas als je op grote schaal en consistent een heel specifiek gedrag nodig hebt dat prompten niet stabiel voor elkaar krijgt.
5. Weeg de kosten: fine-tuning vraagt een dataset, trainingscapaciteit en onderhoud bij elke modelupdate; prompten werkt direct en is goedkoper aan te passen.
6. Test klein, meet het verschil in kwaliteit, en schaal pas op als de aanpak aantoonbaar beter presteert.

Een softwarebedrijf wil een supportchatbot die vragen over de eigen software beantwoordt in de eigen huisstijl. Eerst proberen ze fine-tuning: een dure en tijdrovende exercitie die bij elke productupdate opnieuw moet. Later blijkt een goed opgezette system prompt met huisstijlregels, gecombineerd met retrieval uit de actuele handleiding (RAG), hetzelfde resultaat te geven, sneller aan te passen bij updates en veel goedkoper.

• Gebruik dit morgen: probeer eerst een uitgebreide, goed geschreven prompt met duidelijke instructies en voorbeelden voordat je aan fine-tuning denkt.
• Gebruik dit morgen: als het probleem "het model kent onze data niet" is, kijk naar RAG in plaats van fine-tuning.
• Gebruik dit morgen: leg bij een AI-project eerst vast of het een kennis- of een gedrag-probleem is, dat stuurt meteen de aanpak.
• Gebruik dit morgen: vraag bij een leverancier die fine-tuning voorstelt altijd of prompten of RAG niet eerst getest is.

Alle modellen (ChatGPT, Claude, Gemini, Copilot)

Ik wil dat een AI-model [taak/gedrag] consistent goed uitvoert.
Help me bepalen of dit een kennis-probleem of een gedrag-probleem is.
Stel me vragen over: het soort fouten dat nu optreedt, hoeveel voorbeelden ik heb,
en hoe vaak de taak wijzigt. Geef daarna een advies: prompten, RAG, of fine-tuning,
met een korte onderbouwing.

Schrijf een system prompt die een AI-model instrueert om [taak] uit te voeren
in de stijl van [huisstijl/doelgroep]. Neem drie voorbeelden op van goede
antwoorden en een korte lijst met dingen die het model moet vermijden.

• Meteen naar fine-tuning grijpen zonder eerst prompten en RAG te proberen.
• Fine-tuning inzetten om het model nieuwe feiten te leren, terwijl retrieval daar beter voor is.
• Geen rekening houden met onderhoud: een fine-tuned model moet opnieuw getraind worden als het onderliggende model wordt vervangen.
• Denken dat fine-tuning een garantie is tegen hallucinaties of fouten.

• Begin altijd met de goedkoopste en snelste optie: een goede prompt.
• Voeg RAG toe zodra het probleem draait om actuele of bedrijfsspecifieke kennis.
• Reserveer fine-tuning voor situaties met veel herhaling, een vast gedragspatroon en voldoende kwalitatieve trainingsdata.
• Documenteer waarom voor een aanpak is gekozen, zodat een volgend team niet opnieuw bij nul begint.

Kies een terugkerende AI-taak binnen je eigen werk (bijvoorbeeld het opstellen van een vast type e-mail of rapport). Beschrijf eerst of het probleem "kennis" of "gedrag" is. Schrijf vervolgens een uitgebreide prompt met duidelijke instructies en twee voorbeelden, en test of dat het gewenste resultaat al geeft voordat je verder zou denken aan fine-tuning.