Hoe AI Een Antwoord Genereert

Om betere prompts te schrijven, is het handig om een eenvoudig mentaal model te hebben van wat er gebeurt nadat je op verzenden drukt. Je hoeft de wiskunde achter taalmodellen niet te begrijpen — maar inzicht in het proces op conceptueel niveau verklaart waarom prompts werken zoals ze doen, en waarom resultaten soms onvoorspelbaar kunnen variëren.

Van invoer naar uitvoer: wat er daadwerkelijk gebeurt

Wanneer je een prompt verstuurt, zoekt het model geen antwoord op in een database. Het haalt geen vooraf geschreven reactie op. Het genereert een antwoord — token voor token — door te voorspellen wat er vervolgens moet komen, op basis van alles in de invoer.

Het proces verloopt ongeveer als volgt:

1. Je prompt wordt opgedeeld in tokens — kleine tekstonderdelen (ongeveer woorden of delen van woorden);
2. Het model verwerkt deze tokens via miljarden geleerde parameters om een representatie van de betekenis en intentie te vormen;
3. Vervolgens genereert het de uitvoer één token tegelijk, waarbij elke nieuwe token wordt beïnvloed door alles wat eraan voorafging;
4. Dit gaat door totdat het model een natuurlijk eindpunt bereikt of de uitvoerlimiet is bereikt.

Het resultaat wordt niet opgehaald — het wordt opgebouwd, woord voor woord, gebaseerd op patronen die tijdens de training zijn geleerd.

Waarom Dezelfde Prompt Verschillende Antwoorden Kan Geven

Als je exact dezelfde prompt twee keer verstuurt, kun je twee verschillende reacties krijgen. Dit is geen fout — het is het gevolg van een parameter genaamd temperatuur, die bepaalt hoeveel willekeur wordt geïntroduceerd bij het selecteren van tokens.

• Lage temperatuur — het model kiest consequent het meest waarschijnlijke volgende token. Uitkomsten zijn voorspelbaarder en repetitiever;
• Hoge temperatuur — het model kiest soms minder waarschijnlijke tokens. Uitkomsten zijn gevarieerder en creatiever, maar minder consistent.

De meeste AI-tools stellen de temperatuur automatisch in en tonen deze instelling niet aan gebruikers. Wat praktisch belangrijk is, is te weten dat variatie verwacht en normaal is — vooral bij creatieve of open opdrachten.

Voor taken die consistentie vereisen (standaard samenvattingen, gestructureerde rapporten, sjablooncommunicatie), is dit een reden om explicieter te zijn in je prompt over het formaat en de verwachte output.

Waar Het Model Geen Toegang Toe Heeft

Begrijpen wat het model niet kan zien is net zo belangrijk als begrijpen hoe het genereert:

• Het heeft standaard geen toegang tot internet — tenzij de tool specifiek webzoekfunctie aanbiedt;
• Het heeft een kennisafkapdatum — gebeurtenissen na de training zijn onbekend voor het model, tenzij deze in de prompt worden gegeven;
• Het heeft geen geheugen tussen sessies — elk nieuw gesprek begint opnieuw;
• Het kan je bestanden, schermen of systemen niet zien — tenzij je de inhoud expliciet in de prompt plakt.

Elk van deze beperkingen kun je compenseren in je prompt — door de informatie te geven die het model anders zou missen. Dit is precies waar context in een prompt voor bedoeld is.