Hoe voorspelt AI het volgende woord? De motor achter elke chatbot
← Actueel · 5 augustus 2026
Typ een halve zin in je telefoon en de toetsenbord-suggestie raadt het volgende woord. Meestal zit die er een beetje naast. Een AI-chatbot doet in de kern hetzelfde, het volgende stukje tekst voorspellen, maar dan zo goed dat het resultaat leest als een doordacht antwoord. Hoe kan dezelfde truc zulke verschillende resultaten opleveren?
Eén taak, eindeloos herhaald
Een taalmodel is getraind op één taak: gegeven een reeks tekst, voorspel wat er waarschijnlijk op volgt. Niet per woord overigens, maar per token, een stukje tekst van meestal een paar letters tot een woord. Het model kijkt naar alles wat er al staat, jouw vraag plus alles wat het zelf al heeft geschreven, en berekent voor elk mogelijk volgend token hoe waarschijnlijk het is. Dan kiest het er een, plakt het achter de tekst, en begint opnieuw. Token voor token, tot het antwoord af is.
Vergelijk het met een pianist die duizenden liedjes heeft gespeeld. Vraag je hem een melodie af te maken, dan hoeft hij niet na te denken over notenleer; zijn vingers weten welke noot logisch volgt. Niet omdat hij die specifieke melodie heeft opgeslagen, maar omdat hij de patronen van muziek in zijn vingers heeft. Zo heeft een taalmodel de patronen van taal in zijn parameters.
Waarom lijkt het dan op begrip?
Hier wordt het interessant. Om het volgende token goed te voorspellen in een zin als "de hoofdstad van Frankrijk is", moet het model iets vasthouden dat lijkt op feitenkennis. Om een detectiveverhaal af te maken, moet het bijhouden wie wat wist. Om een redenering voort te zetten, moet het de logica van de vorige stappen volgen. Goed voorspellen dwingt het model dus om tijdens de training interne patronen op te bouwen die zich gedragen als kennis, grammatica en redeneervermogen.
Dat is geen begrip zoals mensen dat hebben. Het model heeft geen bedoeling, geen wereldbeeld en geen besef van waarheid. Maar het onderscheid "het voorspelt alleen maar" doet ook tekort aan wat er gebeurt: die voorspelling leunt op verrassend rijke patronen die uit miljarden teksten zijn gedistilleerd.
Waarom krijg je nooit twee keer hetzelfde antwoord?
Het model berekent waarschijnlijkheden, maar kiest niet altijd de meest waarschijnlijke optie. Er zit bewust een beetje toeval in de keuze, anders zou elke tekst voorspelbaar en stijf klinken. Daarom krijg je op dezelfde vraag telkens een net iets ander antwoord. Dezelfde eigenschap verklaart ook waarom een model soms een prima antwoord geeft en vijf minuten later op dezelfde vraag de mist ingaat: het bewandelt letterlijk een ander pad door de mogelijkheden.
Wat dit verklaart over het gedrag van chatbots
- Vloeiend maar soms fout. Het model optimaliseert voor plausibele tekst, niet voor waarheid. Een goed klinkende fout is voor het model net zo "geslaagd" als een correct feit.
- Sterk in stijl en structuur. Samenvatten, herformuleren, een toon nabootsen: dat zijn patroon-taken, en patronen zijn precies waar het model in uitblinkt.
- Zwak in exacte details. Een specifiek telefoonnummer, een exacte datum of een obscure naam is geen patroon maar een feit, en feiten die zelden in de trainingsdata voorkwamen, worden gemakkelijk "ingevuld" met iets dat plausibel oogt.
- Geen geheugen buiten het gesprek. Het model ziet alleen de tekst die in het gesprek staat. Wat daarbuiten valt, bestaat voor het model niet.
De basis onder alles
Wie dit ene principe kent, tekst voorspellen op basis van patronen, kan opeens veel AI-gedrag verklaren: waarom prompts uitmaken, waarom modellen hallucineren, en waarom ze zo goed zijn in taal en zo wisselvallig in feiten. In de gratis module Wat is een neural network? en de les Tokens en het contextvenster bouwen we dit inzicht stap voor stap op, zonder wiskunde.