Fine-tuning – Innohub

1. Inleiding: waarom fine-tuning juist nu zoveel aandacht krijgt

AI is in veel organisaties al een soort nieuwe medewerker: snel, onvermoeibaar en verrassend bekwaam. Tegelijkertijd blijft het vaak iets te veel een generalist.

Het kan schrijven, samenvatten, analyseren en ideeën aandragen. Toch kent het niet vanzelf de taal waarmee een bedrijf zijn klanten aanspreekt, de ongeschreven regels van de sector, de toon van het merk of de uitzonderingen die in het dagelijks werk juist doorslaggevend zijn.

Daar komt fine-tuning om de hoek kijken.

Fine-tuning betekent dat je een vooraf getraind AI-model verder traint met eigen, zorgvuldig geselecteerde data. Het idee is eenvoudig: in plaats van een algemeen model telkens opnieuw te vragen zich op een bepaalde manier te gedragen, leer je het model structureel welke antwoorden je wilt.

Het is geen wondermiddel. Fine-tuning lost een slechte strategie, gebrekkige data of een onduidelijk proces niet op. Maar goed toegepast kan het AI veel nuttiger maken: minder giswerk, meer consistentie en een betere aansluiting op het echte werk van de organisatie.

2. Wat betekent fine-tuning?

Fine-tuning is het verder trainen van een AI-model.

Het begint met een groot, vooraf getraind model dat uit enorme hoeveelheden materiaal taal, structuren en algemene kennis van de wereld heeft geleerd. Bij fine-tuning krijgt dit model aanvullende training met een afgebakende dataset, zoals antwoorden van de klantenservice, classificaties van juridische teksten, gegevens van de productondersteuning of schrijfvoorbeelden in de stijl van het merk.

Een eenvoudige vergelijking:

Een vooraf getraind AI-model is als een bekwame algemeen journalist. Het kan over veel onderwerpen schrijven, maar kent de stijl, klanten en interne werkwijzen van jouw bedrijf nog niet.

Fine-tuning is als een inwerkperiode. Het model krijgt tientallen, honderden of duizenden voorbeelden te zien van goede antwoorden binnen deze specifieke omgeving.

Google beschrijft supervised fine-tuning als een methode om een model met voorbeelden een nieuwe vaardigheid of gewenst gedrag aan te leren. De methode is bijvoorbeeld geschikt voor classificatie, samenvatten, het extraheren van informatie en het formuleren van sectorspecifieke antwoorden.^[1]

Daarbij is dit essentieel: fine-tuning maakt van een model in de eerste plaats geen kennisarchief. Het leert het model beter op een bepaalde manier te werken.

3. Fine-tuning, prompting en RAG: wat is het verschil?

Veel organisaties halen drie dingen door elkaar: prompting, RAG en fine-tuning.

Prompting betekent dat je het model instructies geeft. Bijvoorbeeld: ‘Schrijf een vriendelijk, kort en deskundig antwoord.’ Het is een snelle en goedkope manier om resultaten te verbeteren.

RAG staat voor retrieval-augmented generation: AI zoekt informatie in een externe bron om het antwoord te onderbouwen, bijvoorbeeld in bedrijfsdocumenten, een database of een helpcentrum. Dit is een goede oplossing wanneer het probleem ligt bij de actualiteit of vindbaarheid van informatie.

Fine-tuning verandert juist het gedrag van het model. Het is nuttig als je steeds dezelfde kwaliteit, stijl, structuur, classificatie of besluitvormingslogica wilt.

Een handige vuistregel:

Gebruik promptingwanneer je snel een verbetering nodig hebt.
Gebruik RAGwanneer het model actuele of bedrijfsspecifieke informatie moet ophalen.
Gebruik fine-tuningwanneer het model een bepaalde manier van antwoorden, classificeren, schrijven of handelen moet aanleren.

De documentatie van Microsoft vat de voordelen van fine-tuning praktisch samen: het kan de kwaliteit verbeteren ten opzichte van alleen prompting, meer voorbeelden benutten dan in het contextvenster passen, tokens besparen dankzij kortere prompts en de vertraging verminderen, vooral bij kleinere modellen.^[2]

4. Waarom werkt fine-tuning?

Fine-tuning werkt omdat AI-modellen van voorbeelden leren.

Als een model veel goede voorbeelden ziet van hoe een bepaalde invoer moet worden omgezet in het juiste antwoord, gaat het dat patroon volgen. Het onthoudt niet alleen losse antwoorden, maar leert wat relevant is, welke toon past, in welke volgorde informatie wordt gepresenteerd en welke fouten het moet vermijden.

Bij de klantenservice kan fine-tuning een model bijvoorbeeld leren dat een goed antwoord:

het probleem van de klant herkent,
eerst rechtstreeks de vraag beantwoordt,
vervolgens uitlegt wat de klant kan doen,
geen beloftes doet die het bedrijf niet kan nakomen,
de toon van het merk behoudt.

Dat is iets anders dan het model aan het begin van elk gesprek een lange instructie geven. Fine-tuning maakt een deel van die instructies tot een aangeleerde werkwijze van het model.

5. Wanneer is fine-tuning de juiste oplossing?

Fine-tuning is vooral geschikt wanneer dezelfde taak vaak terugkomt en de succescriteria duidelijk zijn.

Geschikte toepassingen zijn bijvoorbeeld:

antwoorden van de klantenservice op één lijn brengen,
documenten classificeren,
verkoopberichten in de stijl van het bedrijf formuleren,
juridische of technische teksten samenvatten,
ondersteuningsverzoeken naar de juiste afdeling doorsturen,
sectorspecifieke termen en formuleringen leren gebruiken,
de tone of voice van het merk aanleren,
een kleiner en goedkoper model voor een specifieke taak aanpassen.

Fine-tuning is niet de beste oplossing als het probleem is dat het model geen actuele feiten kent. Dan is RAG vaak geschikter.

Als de vraag luidt: ‘Wat staat er in onze nieuwste prijslijst over dit product?’, moet het model de informatie uit de bron ophalen.

Als de vraag luidt: ‘Hoe reageert ons bedrijf op dit soort klantberichten?’, kan fine-tuning een uitstekende oplossing zijn.

6. Het perspectief van het bedrijf: eigen taal, eigen context, eigen kwaliteit

Elke organisatie heeft haar eigen taal.

Een bank communiceert anders dan een gamebedrijf. De publieke sector communiceert anders dan een groeibedrijf. Een medisch centrum kan niet op dezelfde toon antwoorden als een webwinkel.

Het grootste voordeel van fine-tuning is vaak cultureel van aard. Het helpt AI te leren wat binnen een bedrijf als goede communicatie geldt.

Dat kan bijvoorbeeld gaan over:

hoe je een klant over een fout informeert,
hoe je een klacht behandelt,
hoe je iets technisch uitlegt aan iemand zonder technische achtergrond,
hoe een verkoper verschillende klantsegmenten aanspreekt,
hoe je een interne analyse voor het management opbouwt.

Goede fine-tuning maakt AI minder generiek. Het klinkt niet als ‘AI’, maar als een deskundige medewerker van de organisatie zelf.

7. Kansen voor startups: een kleiner model, een scherper product

Voor startups kan fine-tuning een bijzonder interessant hulpmiddel zijn.

Een groot algemeen model kan voor een specifieke toepassing duur, traag of te breed zijn. Met fine-tuning kun je een kleiner model leren om één ding heel goed te doen. Dat kan de kosten verlagen en de gebruikservaring van het product verbeteren.

Neem een B2B-SaaS-bedrijf. SaaS is software die je via de cloud gebruikt tegen een abonnementsprijs. Het bedrijf ontwikkelt een hulpmiddel dat klantfeedback analyseert en op thema indeelt.

Aanvankelijk gebruikt het team een algemeen model en prompting. Dat werkt redelijk, maar de antwoorden lopen uiteen. Naarmate het aantal klanten groeit, worden de kwaliteitsproblemen zichtbaar.

Met fine-tuning kan het bedrijf het model leren om feedback precies in de categorieën van het product in te delen. Het resultaat kan sneller, goedkoper en consistenter zijn.

Een belangrijke les voor startups: fine-tuning is meer dan een technische functie. Het kan een concurrentievoordeel opleveren.

8. Praktijkvoorbeelden

Een slecht voorbeeld

Een bedrijf besluit een model te finetunen omdat ‘iedereen het doet’.

De data wordt haastig verzameld. Verouderde klantenserviceantwoorden, tegenstrijdige instructies en halfafgewerkte documenten belanden in de dataset. Het model wordt niet grondig getest. Uiteindelijk antwoordt het zelfverzekerd, maar op de verkeerde toon en soms met verouderde informatie.

Het probleem lag niet bij AI, maar bij de gebrekkige voorbereiding.

Een beter voorbeeld

Een bedrijf kiest één toepassing: conceptantwoorden op klachten opstellen.

Het team verzamelt 300 goede voorbeelden van eerdere antwoorden. Juridische zaken, de klantenservice en het merkteam controleren ze. Het model wordt getest met een aparte dataset die het tijdens de training niet heeft gezien.

De resultaten verbeteren, maar een mens blijft de definitieve antwoorden goedkeuren.

Een uitstekend voorbeeld

Het bedrijf richt het hele proces in:

Eerst wordt de huidige kwaliteit gemeten. Vervolgens wordt bepaald wat een goed antwoord is. De data wordt opgeschoond en het model wordt gefinetuned. De resultaten worden met de uitgangssituatie vergeleken. Fouten worden ingedeeld naar type. Het model wordt stap voor stap verbeterd.

Daarnaast bepaalt het bedrijf wanneer AI zelfstandig mag werken en wanneer een mens het antwoord moet controleren.

Dit is een volwassen manier om fine-tuning in te zetten.

9. Data: de grondstof voor fine-tuning

De belangrijkste vraag bij fine-tuning is niet: ‘Welk model kiezen we?’

De belangrijkste vraag is: ‘Hebben we genoeg goede data?’

Goede data voor fine-tuning is:

representatief,
van hoge kwaliteit,
actueel,
consistent,
gecontroleerd,
relevant voor de toepassing.

Slechte data leert een model slechte gewoontes aan. Als oude klantenserviceantwoorden onduidelijk taalgebruik, onjuiste beloftes of achterhaalde werkwijzen bevatten, kan fine-tuning juist die tekortkomingen versterken.

Daarom vraagt een fine-tuningproject vaak meer om inhoudelijke en bedrijfsmatige keuzes dan om louter technisch werk.

Iemand moet bepalen wat een goed antwoord is.

10. Risico’s en valkuilen

Fine-tuning brengt verschillende risico’s met zich mee.

Het eerste is overfitting. Het model leert de specifieke kenmerken van de trainingsgegevens te nauwkeurig en past het geleerde onvoldoende toe op nieuwe situaties.

Een tweede risico is inzet voor het verkeerde doel. Fine-tuning wordt ingezet om feitenkennis bij te werken, terwijl RAG of een zoekopdracht in een database de juiste oplossing zou zijn.

Een derde risico is een datalek. Bevatten de trainingsgegevens persoonsgegevens, bedrijfsgeheimen of gevoelige klantinformatie, dan is uiterste zorgvuldigheid vereist.

Een vierde risico is misplaatste zekerheid. Een gefinetuned model kan betrouwbaarder overkomen omdat het in de eigen stijl van de organisatie schrijft. Dat betekent echter niet dat het altijd gelijk heeft.

NIST benoemt in het risicoprofiel voor generatieve AI onder meer hallucinaties, informatiebeveiliging, privacy, auteursrecht, vooringenomenheid en risico’s in de waardeketen. Die verdwijnen niet door fine-tuning. Bij gebrekkige data en onvoldoende toezicht kunnen ze in sommige situaties zelfs toenemen.^[3]

11. Ethische en juridische aspecten

In Europa kun je fine-tuning niet los zien van de regelgeving.

De Europese AI-verordening trad op 1 augustus 2024 in werking. De meeste regels worden vanaf 2 augustus 2026 van toepassing. De verplichtingen voor AI-modellen voor algemene doeleinden gelden sinds 2 augustus 2025 al voor modellen die nieuw op de markt worden gebracht.^[4]

Voor een bedrijf betekent dit minstens drie dingen.

Ten eerste moet duidelijk zijn welke rol het bedrijf vervult: gebruikt het een model van een andere partij, past het dat aan of biedt het klanten een eigen AI-systeem aan?

Ten tweede moet het vastleggen welke data het gebruikt en waarom.

Ten derde moet het de risico’s beoordelen. Een model finetunen voor concepten van marketingteksten is iets anders dan voor ondersteuning bij medische besluitvorming.

De Europese gedragscode voor AI-modellen voor algemene doeleinden behandelt onder meer transparantie, auteursrecht, veiligheid en informatiebeveiliging.^[5]

Verantwoorde fine-tuning betekent dus meer dan ‘een betere bot bouwen’. Het gaat ook om databeheer, risicobeheer en leidinggeven.

12. De toekomst: hoe ontwikkelt fine-tuning zich?

De toekomst van fine-tuning bestaat uit meerdere ontwikkelingen die naast elkaar plaatsvinden.

1. Kleinere gespecialiseerde modellen worden gebruikelijker

Niet elke taak vraagt om het grootst mogelijke model. Voor veel taken kan een klein, goed gefinetuned model verstandiger zijn: goedkoper, sneller en eenvoudiger te beheren.

2. Fine-tuning en RAG komen samen

De beste oplossingen van de toekomst beperken zich niet tot één methode. Een model kan worden gefinetuned om het gewenste gedrag te vertonen, terwijl RAG actuele informatie aanlevert.

In de praktijk: fine-tuning leert ‘hoe je antwoordt’, RAG levert ‘waarop de informatie is gebaseerd’.

3. Evaluatie wordt het belangrijkste concurrentievoordeel

Modellen trainen wordt eenvoudiger. Juist het meten van kwaliteit, het classificeren van fouten en het beheersen van risico’s worden doorslaggevend.

Bedrijven die AI-uitvoer systematisch kunnen beoordelen, boeken sneller vooruitgang dan andere.

4. De eigen data van een organisatie krijgt nieuwe waarde

De beste klantcontacten, verkoopgesprekken, ondersteuningsantwoorden en deskundige analyses van een bedrijf zijn meer dan archiefmateriaal geworden. Ze zijn trainingsmateriaal.

Maar alleen als ze van goede kwaliteit en bruikbaar zijn.

5. Regelgeving maakt ongeremd experimenteren professioneler

Fine-tuning verschuift geleidelijk van experimenten naar beheerste processen. Documentatie, audits en informatiebeveiliging zijn geen obstakels, maar voorwaarden om AI voor belangrijke taken te kunnen gebruiken.

13. Conclusies

Fine-tuning is een van de krachtigste manieren om AI nuttiger te maken voor een organisatie.

De waarde zit niet in een model dat ‘meer weet’, maar in een model dat een bepaalde taak beter uitvoert.

Het kan een bedrijf helpen om consistenter met klanten te communiceren, informatie sneller te verwerken, betere producten te ontwikkelen en deskundig werk op grotere schaal uit te voeren.

Maar fine-tuning vraagt om discipline. Eerst moet duidelijk zijn wat je wilt verbeteren. Daarna verzamel je de juiste data. Vervolgens moet je meten, testen en toezicht houden.

De beste vraag is niet: ‘Kunnen we een model finetunen?’

Een betere vraag is: ‘Welke taak is voor ons zo belangrijk en komt zo vaak terug dat het de moeite waard is AI grondig te leren hoe die goed moet worden uitgevoerd?’

Op dat moment wordt fine-tuning van een technisch begrip een praktisch hulpmiddel voor het bedrijf.

14. Praktische modellen en sjablonen

A. Beslismodel: heb je fine-tuning nodig?

Stel deze vijf vragen:

Komt de taak vaak terug?
Kun je duidelijk omschrijven wat een goed resultaat is?
Hebben we voorbeelden van hoge kwaliteit?
Is alleen prompting onvoldoende?
Moet het model gedrag aanleren in plaats van alleen informatie ophalen?

Als je minstens vier vragen met ja beantwoordt, kan fine-tuning een verstandige keuze zijn.

B. Aanpak voor beginners

Kies één duidelijk afgebakende toepassing.
Verzamel 50–100 goede voorbeelden.
Bepaal wat een antwoord goed maakt.
Probeer het eerst met prompting.
Ga pas finetunen als het probleem blijft terugkomen.
Vergelijk de resultaten met de uitgangssituatie.
Blijf mensen betrekken bij de kwaliteitscontrole.

C. Aanpak voor gevorderden

Stel een evaluatiedataset samen die het model tijdens de training niet ziet.
Label de fouttypen: feiten, toon, structuur, ontbrekende informatie, onjuiste conclusie.
Maak een eerste gefinetunede versie.
Meet de resultaten.
Verbeter de data, niet alleen het model.
Voeg RAG toe als het probleem om actuele informatie draait.
Documenteer versies, databronnen en risico’s.

D. Werkblad voor het team

Vul samen in:

Toepassing:
Waarom dit belangrijk is:
Huidig probleem:
Criteria voor een goed antwoord:
Bronnen van de trainingsdata:
Wie de data goedkeurt:
Wat niet in het model mag worden getraind:
Hoe de kwaliteit wordt gemeten:
Wanneer een mens het antwoord controleert:
Wanneer het model moet worden bijgewerkt:

E. Checklist vóór fine-tuning

De data is gecontroleerd.
Persoonsgegevens zijn verwijderd of op de juiste manier verwerkt.
Verouderde voorbeelden zijn verwijderd.
Er is vastgelegd wat een goed antwoord is.
De testdataset is gescheiden van de trainingsdata.
De risico’s zijn beoordeeld.
De toepassing is afgebakend.
De resultaten worden met de uitgangssituatie vergeleken.
Het gebruik van het model wordt gedocumenteerd.
De rol van mensen is duidelijk.

F. Samenvatting in één zin

Fine-tuning loont wanneer AI meer moet doen dan extra kennis opdoen: het moet taken consequent beter uitvoeren op een manier die past bij jouw organisatie.

Fine-tuning maakt van AI een specialist in plaats van een generalist