De vraag achter de vraag
“Kunnen we de AI niet gewoon trainen op al onze documenten?” Dat is de vraag die in veel teams opkomt nadat ChatGPT of Copilot voor de zoveelste keer een antwoord gaf dat niet klopt voor jullie bedrijf. De wens is helder: een AI die weet hoe jullie werken, welke klanten er zijn, wat er is afgesproken. De vraag is alleen of trainen daar de weg voor is.
Twee manieren om een model iets te leren
| Trainen (fine-tunen) | Context meegeven | |
|---|---|---|
| Wat er gebeurt | Het model zelf wordt aangepast met voorbeelden | Het model krijgt bij elke vraag de juiste kennis erbij |
| Goed voor | Een vaste vorm, toon of classificatietaak | Feiten, afspraken, documenten, wat er nu speelt |
| Bijwerken | Opnieuw trainen | Het document of de regel aanpassen |
| Zie je de bron? | Nee, de kennis zit in het model | Ja, je kunt laten zien waar het antwoord op rust |
| Wie het kan | Een ontwikkelaar met trainingsdata en evaluaties | Iedereen die een project, instructie of kennisbron beheert |
De documentatie van OpenAI noemt als sterke punten van fine-tunen: een vaste opmaak, classificatie, een bepaalde toon, kortere prompts en een kleiner model voor één taak. Kennis die verandert staat daar niet tussen.
Wat de makers er nu zelf over zeggen
OpenAI schrijft op zijn pagina over modeloptimalisatie: “OpenAI bouwt het fine-tuningplatform af.” Nieuwe gebruikers kunnen er niet meer bij; bestaande gebruikers kunnen de komende maanden nog trainingen starten. Op dezelfde pagina staat dat het werk aan prompts “misschien alles is wat je nodig hebt” voor goede resultaten, en dat je moet beginnen met evaluaties: testvragen die op het echte werk lijken, zodat je kunt meten of een aanpassing helpt.
Anthropic beschrijft hetzelfde van de andere kant. In zijn artikel over context engineering gaat het niet om het model veranderen, maar om de vraag welke informatie je het model op welk moment geeft. Claude Projects is daar een eenvoudig voorbeeld van: je zet documenten in een project, en als die te groot worden voor het contextvenster schakelt Claude volgens de Help Center over naar ophalen.
Het misverstand: trainen is onthouden
Een getraind model “weet” je bedrijfskennis niet zoals een collega dat doet. Het heeft patronen gezien. Vraag het naar de leveringsvoorwaarden van een specifieke klant, en het kan een antwoord geven dat erop lijkt, zonder dat je kunt zien waar het vandaan komt. Verandert de afspraak, dan blijft het oude patroon in het model zitten tot de volgende training. En een model dat getraind is op alle documenten, heeft ook alle documenten gezien: voor iedereen die het gebruikt, ongeacht wie welke stukken mag inzien.
Wat je in plaats daarvan doet
- Schrijf goede instructies. Voor wie de AI werkt, wat een goed antwoord is, wat hij niet doet. Zie Wat zet je in de instructies van een AI-assistent die je hele team gebruikt?
- Maak je documenten doorzoekbaar. Actueel, op één plek, met wie erbij mag. Zie Hoe maak je bedrijfsdocumenten doorzoekbaar voor AI?
- Leg correcties en besluiten vast. Wat het team leert, met datum en reden, zodat het volgende antwoord beter is.
- Meet. Houd een lijst met echte vragen en goede antwoorden bij, en kijk na elke aanpassing of de AI het beter doet.
Wat dit voor een team betekent
Context is te beheren door het team zelf, zonder ontwikkelaar of trainingsbudget. Maar context zit wel per tool: de documenten in een Claude-project, de bronnen van een Copilot-agent en de bestanden in een ChatGPT-project zijn drie aparte kopieën. Wie het bij één bijwerkt, moet het bij de andere ook doen.
Waar Bombos past
Bombos geeft elke AI-tool van het team de bedrijfskennis als context, zonder te trainen: teamkennis, regels die het team leerde, en wat er al in mail, documenten en repo’s ligt. Claude, ChatGPT, Copilot, Grok, Claude Code, Codex, Cursor en eigen agents lezen uit dezelfde bron, en je ziet waarop elk antwoord rust. Een correctie leg je één keer vast in plaats van per tool, in de cloud of op je eigen server.
Vragen die hierbij horen
Kan ik bij OpenAI nog een model fine-tunen?
Alleen als je het platform al gebruikte. OpenAI bouwt het fine-tuningplatform af: nieuwe gebruikers kunnen er niet meer bij, bestaande gebruikers kunnen 'de komende maanden' nog trainen. Getrainde modellen blijven bruikbaar tot hun basismodel verdwijnt.
Waar is fine-tunen wel goed voor?
Volgens OpenAI voor een vaste uitvoervorm, classificatie, een bepaalde toon of stijl, kortere prompts bij heel veel aanroepen, en een kleiner, sneller model voor één taak. Niet voor kennis die maandelijks verandert.
Leert ChatGPT of Claude van wat mijn team erin typt?
Dat is een andere vraag: of de aanbieder je gesprekken gebruikt om zijn modellen te verbeteren. Kijk daarvoor in de voorwaarden van je abonnement. Je eigen team heeft er hoe dan ook niets aan: het model wordt er niet slimmer van over jullie bedrijf, en een correctie van vandaag zit er morgen niet in.
