Fine-tuning is het proces waarbij een voorgetraind AI-model aanvullend wordt getraind op een kleinere, domeinspecifieke dataset. Het model begint niet van nul — het bouwt voort op de brede kennis die het al heeft — maar past zijn gewichten aan om beter te presteren op een specifieke taak, stijl of domein.
Het Verschil met Prompt Engineering
Prompt engineering stuurt het model via de invoer: u geeft instructies, voorbeelden en context bij elke aanvraag. Fine-tuning verandert het model zelf: de kennis en stijl worden in de modelgewichten verankerd, zodat u ze niet telkens opnieuw hoeft mee te geven.
| Prompt engineering | Fine-tuning | |
|---|---|---|
| Kosten | Laag (geen training) | Hoog (data + trainingskosten) |
| Snelheid | Direct inzetbaar | Weken voorbereiding |
| Flexibiliteit | Eenvoudig aan te passen | Hertraining bij wijziging |
| Stijlconsistentie | Wisselend per prompt | Consistent in het model |
| Domeinkennis | Afhankelijk van context | Ingebakken |
Wanneer Fine-tuning Zinvol Is
Fine-tuning is een investering die zichzelf pas terugverdient in specifieke scenario's:
Consistente stijl en toon Als uw organisatie een heel specifieke schrijfstijl heeft — juridische documenten, medische rapportage, technische handleidingen — kan een gefinetuned model deze stijl reproduceren zonder dat u bij elke prompt uitgebreide stijlinstructies meegeeft.
Domeinspecifieke terminologie Sectoren met eigensoortig jargon (scheepvaart, fiscaalrecht, bouwkunde) profiteren van fine-tuning op eigen documenten: het model leert de betekenis van termen in context.
Hoog volume, repetitieve taken Bij duizenden gelijksoortige taken per dag is een gefinetuned model efficiënter: kortere prompts, snellere inferentie, lagere tokenprijzen.
Hardnekkige kwaliteitsproblemen met prompts Als zelfs de beste prompts structureel tekortschieten op een specifieke taak, kan fine-tuning de brug slaan die prompt engineering niet kan maken.
Wat Fine-tuning Niet Oplost
Fine-tuning geeft een model geen nieuwe kennis over feiten of gebeurtenissen na de trainingsafsnijdatum. Het is geen alternatief voor RAG als u een model wilt laten antwoorden op basis van uw interne documenten — voor dat doel is retrieval-augmented generation de juiste aanpak.
Fine-tuning verbetert ook niet automatisch de redenering of het vermogen om complexe problemen op te lossen. Het is een tool voor stijl, format en domeinspecifieke patronen — niet voor fundamentele capaciteitsuitbreiding.
De Praktische Kosten
Een fine-tuning traject omvat:
- Data voorbereiding: Honderden tot duizenden voorbeeldparen (input → gewenste output) verzamelen, annoteren en valideren. Dit is arbeidsintensief en onderschat.
- Trainingskosten: Afhankelijk van modelgrootte en datalabel. GPT-4o fine-tuning via OpenAI kost per 1M tokens; open-source modellen vereisen GPU-infrastructuur.
- Evaluatie: Systematisch testen of het gefinetunte model daadwerkelijk beter presteert dan het basismodel met goede prompts.
- Onderhoud: Bij modelupdates moet fine-tuning worden herhaald.
Voor de meeste MKB-toepassingen is goed geprompt werken met een sterk basismodel de betere investering. Fine-tuning is pas gerechtvaardigd als het basismodel met prompts aantoonbaar structureel tekortschiet.