Waar komt generatieve AI vandaan? 10 data om ChatGPT te begrijpen (en wat het betekent voor uw kmo)
Waarom zou een kmo-zaakvoerder zich voor geschiedenis interesseren?
Voor de meeste mensen begint generatieve AI op 30 november 2022, met ChatGPT. Voor onderzoekers was ChatGPT geen verrassing: het was het resultaat van zo'n tien jaar werk, grotendeels openlijk gepubliceerd.
Die weg kennen is meer dan nieuwsgierigheid. Hij verklaart drie dingen die elke leidinggevende moet weten voor hij werk aan een AI toevertrouwt: waarom het werkt, waarom het zich vergist en waarom de prijzen zo snel dalen.
De video: Monsieur Phi over de begindagen van sprekende machines
Thibaut Giraud, filosoof en wetenschapspopularisator, bekend als Monsieur Phi, publiceerde op 10 oktober 2026 een video van een uur en twintig minuten (in het Frans) over dit verhaal, "Pourquoi le langage semblait inaccessible aux machines (et comment on le leur a donné par accident)" ("Waarom taal onbereikbaar leek voor machines, en hoe we ze die per ongeluk gegeven hebben"), vanaf GPT-1 en zelfs daarvoor. Helder, met bronnen en zonder overbodig jargon: ideaal voor een treinrit of een middagpauze.
Zijn stelling: tussen 2019 en 2020 verloor de mens zijn monopolie op taal. Niet omdat machines "denken", maar omdat ze nu taal produceren die nieuw en samenhangend is en past bij een grote verscheidenheid aan situaties, wat tot dan toe alleen wij konden. De stelling is omstreden: voor sommige filosofen veronderstelt spreken een intentie en een ervaring van de wereld die deze modellen niet hebben.
De 10 data om te onthouden
| Datum | Stap | Wat u moet onthouden |
|---|---|---|
| 2011 | Een neuraal netwerk schrijft letter per letter | Ongeveer 5 miljoen parameters, 100 MB Wikipedia: hier en daar grammaticale zinnen, maar zonder logische samenhang |
| 2012 | AlexNet | 60 miljoen parameters, getraind op grafische kaarten: deep learning verovert de beeldherkenning |
| Januari 2017 | De "mixture of experts" van Google | Een model met 137 miljard parameters: de race naar grootte begint |
| Juni 2017 | De Transformer ("Attention Is All You Need") | De architectuur waarop de huidige modellen nog steeds gebouwd zijn |
| 2018 | GPT-1 (OpenAI) | Voortraining op ongeveer 7.000 boeken, daarna bijsturing per taak |
| Oktober 2018 | BERT (Google) | Een score van 80,5 op de GLUE-benchmark: voortraining wordt de norm |
| 14 februari 2019 | GPT-2 | 1,5 miljard parameters, 40 GB webtekst; OpenAI stelt de volledige publicatie uit uit vrees voor misbruik |
| 13 maart 2019 | "The Bitter Lesson" van Rich Sutton | Algemene methoden die rekenkracht benutten, halen het uiteindelijk, en ruim |
| Mei 2020 | GPT-3 | 175 miljard parameters; een paar voorbeelden in de vraag volstaan om een nieuwe taak uit te voeren |
| 30 november 2022 | ChatGPT | Een GPT getraind voor dialoog met feedback van menselijke beoordelaars; GPT-4 volgt op 14 maart 2023 |
2011-2012: een bescheiden begin
In 2011 trainden Ilya Sutskever (later medeoprichter van OpenAI), James Martens en Geoffrey Hinton een netwerk dat tekst teken per teken leest en het volgende teken leert raden. Van ver lijkt het resultaat op Engels, maar het slaat nergens op. Een jaar later toonde AlexNet, van Sutskever, Hinton en Alex Krizhevsky, dat een groot netwerk getraind op grafische kaarten de klassieke methoden in beeldherkenning ver achter zich laat.
2017: grootte en de Transformer
In januari 2017 bouwde een team van Google (onder wie Noam Shazeer en Geoffrey Hinton) een model met 137 miljard parameters dat telkens maar een klein deel van het netwerk activeert. In juni publiceerden acht onderzoekers, de meesten bij Google, de Transformer, die het woord-voor-woord lezen vervangt door een "attention"-mechanisme: elk woord wordt in verband gebracht met alle andere, en de training laat zich veel beter paralleliseren. Het is de T van GPT, dat er alleen het deel uit overhoudt dat tekst genereert.
2018-2019: eerst voortrainen, dan specialiseren
GPT-1 bracht een eenvoudig idee: het model eerst leren voorspellen hoe gewone teksten (boeken) verdergaan, en het daarna bijsturen voor een specifieke taak. BERT, bij Google, trok dezelfde lijn door en domineerde de benchmarks. Met GPT-2 maakte OpenAI gewoon het model en de data groter. Het model begon samen te vatten, te vertalen of vragen te beantwoorden zonder daarvoor getraind te zijn, nog erg ongelijk, maar het was nieuw. OpenAI publiceerde eerst alleen een kleine versie, en de volledige versie op 5 november 2019.
Op hetzelfde moment publiceerde Rich Sutton, pionier van reinforcement learning, een korte tekst die beroemd werd: in 70 jaar onderzoek hebben algemene methoden die profiteren van groeiende rekenkracht het uiteindelijk ruim gehaald van benaderingen die menselijke kennis met de hand inprogrammeren.
2020-2023: van het lab naar het grote publiek
GPT-3, meer dan honderd keer groter dan GPT-2, kan een nieuwe taak uitvoeren op basis van een paar voorbeelden in de vraag. ChatGPT voegde een beslissende stap toe: menselijke beoordelaars schreven voorbeelden van goede antwoorden en rangschikten daarna de antwoorden van het model, en die oordelen werden gebruikt om het te trainen als een behulpzame gesprekspartner. Het resultaat: een tool die een gesprek voert, toegankelijk voor iedereen. De rest kent u.
Wat deze geschiedenis betekent voor uw kmo
Waarom het werkt: het vervolg voorspellen, op zeer grote schaal
Een taalmodel raadpleegt geen databank met feiten: het voorspelt het meest aannemelijke vervolg van een tekst. Op zeer grote schaal vat die voorspelling grammatica, stijl, veel kennis en een deel redeneervermogen. Daarom blinkt het uit in opstellen, herformuleren, samenvatten en vertalen, de taken die wij aanraden om te beginnen (zie AI in de kmo: waar begint u?, in het Frans).
Waarom het zich vergist: het gokt liever
Een aannemelijk vervolg voorspellen is niet hetzelfde als de waarheid zeggen. OpenAI erkende het in 2025: spelling en grammatica komen overal in teksten voor en worden goed geleerd, maar een zeldzaam, alleenstaand feit (een datum, een nummer, een referentie) valt uit geen enkel patroon af te leiden. En de tests waarmee modellen beoordeeld worden, belonen een gok meer dan een "ik weet het niet".
In de praktijk: controleer altijd de cijfers, namen, data en referenties die een AI produceert, zeker in een document dat naar een klant of de overheid gaat.
Waarom de prijzen dalen: de les van Sutton, voor de portemonnee
Volgens de AI Index 2025 van Stanford University daalde de prijs van een model dat dezelfde score haalt als GPT-3.5 (het model achter de eerste ChatGPT) op een test van algemene kennis van ongeveer 20 dollar per miljoen tokens (stukjes woorden) in november 2022 naar 0,07 dollar in oktober 2024: meer dan 280 keer goedkoper in minder dan twee jaar.
Voor een kmo betekent dit:
- vermijd lange verbintenissen op een tool of een tarief: evalueer minstens één keer per jaar opnieuw;
- een "middelmatig" model van vandaag is vaak even goed als het beste model van twee jaar geleden: de duurste betalen loont niet altijd;
- vrij krachtige modellen draaien nu op uw eigen machines, zonder uw gegevens naar de cloud te sturen (zie lokale AI, in het Frans).
Test uzelf
Bij ExsIT
Wij helpen kmo's en zelfstandigen de AI-tool te kiezen die bij hun taken past, tegen de juiste prijs, en leren het team controleren wat die tool produceert. En als uw gegevens uw bedrijf niet mogen verlaten, installeren wij lokale modellen.
Bronnen
Anselin, G. (2026, 7 mei). Robots parleurs. La Vie des idées. https://laviedesidees.fr/Robots-parleurs
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. arXiv. https://doi.org/10.48550/arXiv.2005.14165
Centre national du cinéma et de l'image animée. (2021, 24 september). Monsieur Phi, à la découverte de la philosophie. CNC. https://www.cnc.fr/creation-numerique/actualites/monsieur-phi-a-la-decouverte-de-la-philosophie_1357404
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv. https://doi.org/10.48550/arXiv.1810.04805
Giraud, T. (2025). La parole aux machines : philosophie des grands modèles de langage [Het woord aan de machines: filosofie van grote taalmodellen]. Grasset.
Heaven, W. D. (2022, 30 november). ChatGPT is OpenAI's latest fix for GPT-3. It's slick but still spews nonsense. MIT Technology Review. https://www.technologyreview.com/2022/11/30/1063878/openai-still-fixing-gpt3-ai-large-language-model/
Kalai, A. T., Nachum, O., Vempala, S. S., & Zhang, E. (2025). Why language models hallucinate. arXiv. https://doi.org/10.48550/arXiv.2509.04664
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. https://papers.nips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
Maslej, N. (2025, 7 april). AI Index 2025: State of AI in 10 charts. Stanford HAI. https://hai.stanford.edu/news/ai-index-2025-state-of-ai-in-10-charts
Monsieur Phi [Giraud, T.]. (2026, 10 oktober). Pourquoi le langage semblait inaccessible aux machines (et comment on le leur a donné par accident) [Video]. YouTube. https://youtu.be/PUxgpy81Cnc
OpenAI. (2019, 14 februari). Better language models and their implications. https://openai.com/index/better-language-models/
OpenAI. (2023, 14 maart). GPT-4. https://openai.com/index/gpt-4/
OpenAI. (2025, 5 september). Why language models hallucinate. https://openai.com/index/why-language-models-hallucinate/
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. OpenAI. https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf
Shazeer, N., Mirhoseini, A., Maziarz, K., Davis, A., Le, Q., Hinton, G., & Dean, J. (2017). Outrageously large neural networks: The sparsely-gated mixture-of-experts layer. arXiv. https://doi.org/10.48550/arXiv.1701.06538
Sutskever, I., Martens, J., & Hinton, G. E. (2011). Generating text with recurrent neural networks. Proceedings of the 28th International Conference on Machine Learning (ICML 2011). https://www.cs.utoronto.ca/~ilya/pubs/2011/LANG-RNN.pdf
Sutton, R. (2019, 13 maart). The bitter lesson. Incomplete Ideas. http://www.incompleteideas.net/IncIdeas/BitterLesson.html
Synced. (2019, 5 november). OpenAI releases 1.5 billion parameter GPT-2 model. https://syncedreview.com/2019/11/05/openai-releases-1-5-billion-parameter-gpt-2-model/
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. arXiv. https://doi.org/10.48550/arXiv.1706.03762