In gesprekken over AI valt vroeg of laat het woord fine-tuning. Vaak in de vorm van een advies: 'als je echt wat met AI wilt, moet je een model trainen op je eigen data'. Het klinkt als de koninklijke weg — een AI die jouw producten, jouw klanten en jouw toon kent, in plaats van een algemeen model dat van alles een beetje weet. Toch is fine-tuning in de praktijk een specialistisch gereedschap dat de meeste bedrijven nooit nodig hebben. In dit artikel leggen we uit wat het wél en niet is, wat het kost, en welke vraag je jezelf moet stellen voordat je eraan begint.
Wat is fine-tuning precies?
Een taalmodel zoals dat achter ChatGPT of Claude is getraind op een enorme berg algemene tekst. Daardoor kan het schrijven, samenvatten en redeneren over vrijwel elk onderwerp — maar nergens is het specialist in. Fine-tuning is het dóórtrainen van zo'n bestaand model op jouw eigen voorbeelden: honderden tot duizenden paren van 'dit krijg je binnen' en 'dit moet eruit komen'. Denk aan duizend klantvragen met de antwoorden zoals jouw beste medewerker ze zou geven, of duizend offerteaanvragen met de bijbehorende offertes.
Het resultaat is een model waarin dat gedrag is ingebakken. Je hoeft niet meer bij elke vraag uit te leggen hoe je antwoorden eruit moeten zien — het model doet het vanzelf, in jouw structuur en jouw toon. Dat is het wezenlijke verschil met een goede prompt of instructie: die geef je elke keer opnieuw mee, terwijl fine-tuning de gewenste werkwijze in het model zelf verankert.
Fine-tuning verandert hoe een model zich gedraagt, niet wat het weet. Wie actuele bedrijfskennis in zijn AI wil, heeft meestal iets anders nodig.
Wat fine-tuning níét doet
Hier gaat het vaakst iets mis in de verwachtingen. Fine-tuning is niet de manier om je AI toegang te geven tot je actuele bedrijfsinformatie. De kennis in een gefinetuned model staat vast op het moment van trainen: verandert je assortiment, je prijslijst of je werkwijze, dan weet het model dat niet — tot je opnieuw traint. Voor kennis die bijgewerkt moet blijven, bestaat een veel praktischer techniek: RAG, waarbij de AI bij elke vraag eerst de juiste stukken uit je eigen documenten opzoekt en op basis dáárvan antwoordt. Daarover schreven we eerder een eigen uitlegartikel.
Het verschil laat zich goed samenvatten: RAG zoekt kennis op het moment dat de vraag komt, fine-tuning bakt gedrag vooraf in het model. Wil je dat de AI het antwoord op 'wat kost product X?' altijd uit de actuele prijslijst haalt, dan is dat een RAG-vraagstuk. Wil je dat de AI elke klacht afhandelt in exact jullie stappenplan en toon, dan kom je bij fine-tuning uit. En in veel gevallen is zelfs dat niet nodig: moderne modellen volgen een goed geschreven instructie met voorbeelden al verrassend trouw.
Wanneer is fine-tuning wél de juiste keuze?
Er zijn situaties waarin fine-tuning zich echt bewijst. De rode draad: een smalle, stabiele taak die heel vaak voorkomt. Een paar herkenbare gevallen:
- Consistentie die met prompts net niet lukt: een vaste huisstijl, een strikt format of vakjargon dat er elke keer exact zo uit moet komen, ook bij duizenden documenten per maand.
- Hoge volumes tegen lage kosten: een klein, gefinetuned model kan één afgebakende taak — mails sorteren, werkbonnen omzetten, aanvragen classificeren — vele malen goedkoper en sneller doen dan een groot algemeen model.
- Specialistische taal: sectoren met eigen terminologie, afkortingen en documentsoorten waar een algemeen model structureel overheen leest.
Opvallend genoeg is fine-tuning de laatste jaren vooral interessant geworden aan de onderkant: kleine, open modellen die je op één afgebakende taak traint. Met technieken als LoRA — waarbij je niet het hele model opnieuw traint, maar er een dunne laag bovenop legt — is de rekenkracht die je nodig hebt een fractie van wat het een paar jaar geleden was. De training zelf kost dan nog maar enkele tientjes tot een paar honderd euro aan rekenkracht. Het echte werk zit ergens anders.
Wat kost het — en waar zit het werk?
De verrassing voor veel ondernemers: de training is het goedkope deel. Het dure deel is de data. Een model is zo goed als de voorbeelden waarop het traint, en die voorbeelden moeten verzameld, opgeschoond en gecontroleerd worden. Duizend oude klantmails zijn geen trainingsdata — daar zitten gedateerde prijzen, afgeschafte producten en antwoorden van die ene collega die het altijd nét verkeerd uitlegde tussen. In schattingen die in het vakgebied rondgaan, is dataverzameling en -voorbereiding al snel het leeuwendeel van een fine-tuningtraject, en kost een serieus traject inclusief evaluatie en hosting al gauw enkele duizenden euro's — vele malen de trainingskosten zelf.
Daar komt onderhoud bij. Een gefinetuned model is een bevroren moment: verandert je werkwijze, dan train je opnieuw, en elke nieuwe trainingsronde moet je ook weer testen. Vergelijk dat met een RAG-oplossing of een goed ingerichte assistent, waar je een document vervangt en klaar bent. Daarom is onze nuchtere volgorde bij vrijwel elk traject: eerst kijken hoe ver je komt met goede instructies, dan je eigen kennis koppelen via RAG, en pas als dáár een aantoonbare grens zit, fine-tuning overwegen. In de praktijk komen de meeste MKB-trajecten nooit voorbij stap twee — en dat is geen gemis, dat is geld besparen.
De volgorde is bijna altijd: eerst goede instructies, dan je eigen kennis koppelen, en pas als dat aantoonbaar tekortschiet, trainen. Wie bij stap drie begint, betaalt voor een probleem dat hij nog niet heeft.
Hoe pak je dit praktisch aan?
Begin niet bij de techniek, maar bij de taak. Welke terugkerende klus wil je dat AI overneemt, hoe vaak komt die voor, en hoe erg is het als het antwoord een keer net anders geformuleerd is? Een taak die honderd keer per maand voorkomt en best een menselijke eindcontrole kan hebben, vraagt om een heel andere oplossing dan een taak die tienduizend keer per maand draait en altijd exact hetzelfde format moet opleveren. Pas als volume en consistentie-eisen echt hoog zijn, komt fine-tuning in beeld — en dan nog het liefst in combinatie met RAG, zodat gedrag uit het getrainde model komt en kennis uit je actuele documenten.
Wil je weten waar jouw bedrijf op die ladder staat? Doe de gratis AI-check — die laat in een paar minuten zien waar AI bij jou het snelst waarde oplevert, en welke aanpak daarbij past. Een eerste afgebakend traject, bijvoorbeeld een assistent die op jouw bedrijfskennis draait, begint bij ons vanaf zo'n €1.500; een groter traject met maatwerk — en in uitzonderlijke gevallen dus fine-tuning — vanaf €5.000. En twijfel je of jouw situatie nu om instructies, RAG of trainen vraagt: daar komen we in één vrijblijvend gesprek meestal wel uit.