LLM, Tokens
& Prompts

Wat is een LLM?

Large Language Model. Een statistisch model dat tekst voorspelt op basis van patronen uit enorme hoeveelheden data.

Voorspelt het
volgende woord.

Hetzelfde principe als je toetsenbord op WhatsApp — alleen veel slimmer.

Hoeveel is dat eigenlijk? Klik op een vergelijking:

Humanity's Last Exam.

2.500 vragen op expert-niveau in 100+ vakgebieden. Begin 2025 haalden de beste modellen 3 à 4%. Hoe staat het er nu voor — en waar zit de gemiddelde mens?

Bron: Scale AI / CAIS leaderboard, Artificial Analysis. Niet-lineaire tijdas.

Hoe werken tokens?

Een LLM leest geen woorden. Het leest tokens — kleine stukjes tekst van enkele letters tot hele woorden.

"Onbegrijpelijk" wordt:

Eén woord = vier tokens. De splitsing volgt patronen, geen grammatica.

Nederlands gebruikt meer tokens per woord dan Engels.

De geheugenlimiet.

Alles in het gesprek — vraag, geschiedenis, antwoord — telt mee. Loopt het vol, dan vergeet het model het begin.

AI Fluency
Framework.

Effectief, efficiënt, ethisch en veilig samenwerken met AI. Een model dat niet over tools gaat, maar over jouw vaardigheden.

Hoe werk je met AI?

De 4 D's.

Wanneer zet je
AI in?

Niet elke taak is een AI-taak. Splits het werk: wat doet de mens, wat de AI, wat samen?

• →Begrijp het doel én de taak.
• →Ken de sterktes van je tools.
• →Kies bewust: automatisch, samen of zelfstandig.

Hoe leg je het
goed uit?

De brug tussen jouw idee en de output van de AI. Hoofdstuk 4 en 5 gaan hier dieper op in.

• →Product: wat moet eruit komen?
• →Proces: hoe werk je samen, stap voor stap?
• →Performance: hoe moet de AI zich gedragen?

Is de output
écht goed?

Een vlot antwoord is niet automatisch een juist antwoord. Beoordeel kritisch — altijd.

Jij blijft
verantwoordelijk.

"De AI deed het" is geen excuus. Transparantie en zorgvuldigheid horen bij het werk.

• →Creatie: ethisch werken, bias herkennen.
• →Transparantie: wees open over AI-gebruik.
• →Deployment: feiten checken, output testen.

Hoe pas je dit toe?

Loop deze vier checks bij elke serieuze AI-taak. Niet één keer — elke keer.

Onderdelen van
een prompt.

Een goede prompt heeft structuur. Vier elementen bepalen of je een bruikbaar antwoord krijgt.

Alles samen:

Hoe schrijf je
een instructie?

Een vage prompt levert een vaag antwoord. Specificiteit is het belangrijkste verschil.

• 1Wees concreet — getallen, namen, voorbeelden.
• 2Geef voorbeelden van het gewenste resultaat.
• 3Splits complexe taken op in stappen.
• 4Zeg wat je niet wilt, niet alleen wat je wel wilt.

Eerste prompt = ruwe schets.

Bewaar prompts die werken. Bouw je eigen bibliotheek op.

Drie lagen
van instructies.

Niet elke instructie hoort op dezelfde plek. Wat geldt altijd? Wat geldt voor dit project? Wat alleen nu?

Elke laag erft van de laag erboven.

Eén vraag, drie lagen.

RAG.

Retrieval-Augmented Generation. De manier waarop een LLM toegang krijgt tot kennis die niet in zijn training zat — jouw documenten, je intranet, vandaag-actuele data.

Een LLM weet veel,
maar niet alles.

Zonder RAG: het model gokt of "verzint". Met RAG: het krijgt eerst de juiste documenten, dan pas een antwoord.

Vier stappen, van vraag tot antwoord.

Embeddings.

Hoe vindt het systeem het juiste document? Door betekenis om te zetten in coördinaten — woorden met vergelijkbare betekenis komen dicht bij elkaar te staan.

Gebruik RAG zodra je antwoorden over specifieke, actuele of interne kennis nodig hebt.

Onthoud dit.

• →LLM voorspelt — op basis van patronen.
• →Tokens zijn de bouwstenen.
• →4 D's: Delegation, Description, Discernment, Diligence.
• →Rol · Taak · Context · Format.
• →Drie lagen: persoonlijk · project · prompt.
• →RAG = LLM + jouw documenten.
• →Specifiek wint van vaag.