Wat is fine-tuning?
Fine-tuning is het verder trainen van een bestaand AI-model op jouw specifieke data. Je begint met een sterk basismodel (GPT-5, Llama 4) en traint het bij met voorbeelden uit jouw domein. Het resultaat is een model dat beter presteert op jouw specifieke taken, in jouw stijl, met jouw terminologie. Fine-tuning is echter kostbaar in tijd en geld en vaak niet nodig.
Fine-tuning vs prompt engineering vs RAG
Er zijn drie manieren om AI te specialiseren. Prompt engineering: je geeft het model gedetailleerde instructies in je prompt. Goedkoop, snel, maar beperkt door context-lengte. RAG (Retrieval Augmented Generation): je koppelt het model aan een kennisbank en laat het relevante informatie ophalen voor het antwoord geeft. Goed voor toegang tot actuele of specifieke informatie. Fine-tuning: je past het model zelf aan. Duur, traag, maar krachtig voor stijl en domeinkennis.
Wanneer heeft fine-tuning zin?
Fine-tuning heeft zin wanneer: je een zeer specifieke stijl of toon wilt die consistent moet zijn over duizenden outputs (bijv. een herkenbare merkstem), wanneer je domeinspecifieke kennis hebt die niet publiek beschikbaar is, wanneer je hoge volumes verwerkt waarbij promptkosten te hoog oplopen, of wanneer je taken hebt waarbij een kleiner fine-tuned model beter presteert dan een groot algemeen model.
Kosten en tijdsinvestering
Fine-tuning via OpenAI kost ruwweg USD 8 per miljoen training tokens. Voor een dataset van 1 miljoen tokens (ongeveer 750 voorbeelden van 1.300 woorden) betaal je USD 8 aan trainingskosten plus hogere inference-kosten. Daarnaast kost dataverzameling en -voorbereiding tientallen tot honderden uren. Voor de meeste MKB-bedrijven is RAG een snellere en goedkopere oplossing die 80% van de resultaten geeft voor 10% van de kosten.