Welk AI-model voor welke taak? Een indeling op werkstap

Het belangrijkste kort

Niet het model beslist, maar welke eigenschap de taak verlangt: nauwkeurigheid, actualiteit, lengte, tempo of kosten.
Vijf eigenschappen dekken het dagelijkse marketingwerk af – wie ze kent, kan elke nieuwe modelgeneratie zelf plaatsen.
Voor de meeste kleine bedrijven volstaan twee modellen: een voor lang, nauwkeurig werk, een voor snelle, goedkope massataken.
De overstap tussen modellen kost tijd – vooral omdat instructies en sjablonen telkens opnieuw moeten worden ingesteld.

Modellen verouderen sneller dan elke vergelijking. Wat niet veroudert, is de vraag welke eigenschap een taak verlangt – en die indeling overleeft elke generatie.

De vijf eigenschappen

1. Nauwkeurigheid bij lange instructies

Hoe betrouwbaar worden tien genummerde regels nageleefd – ook de regels die in het midden staan? Beslissend bij toetsopdrachten en overal waar een stijlkader moet worden aangehouden.

2. Toegang tot actuele informatie

Kan het model zoeken, en hoe goed kiest het bronnen uit? Beslissend bij onderzoek, het volgen van de concurrentie en alles wat na de trainingsstand is gebeurd.

3. Verwerkbare lengte

Hoeveel tekst kan in één keer worden meegewogen – en hoe goed wordt het begin nog meegenomen wanneer er achteraan veel staat? Beslissend bij het toetsen van hele documenten.

4. Tempo en kosten

Bij massataken – honderd productteksten, vijftig vertalingen – bepalen tempo en prijs of een taak überhaupt zinvol is.

5. Gereedschapsgebruik

Hoe betrouwbaar wordt gekoppeld gereedschap daadwerkelijk ingezet, in plaats van dat er wordt gegokt? Beslissend zodra er koppelingen met eigen systemen in het spel zijn.

Indeling op werkstap

Werkstap	Belangrijkste eigenschap	Wat er misgaat als die ontbreekt
Onderzoek naar actuele vragen	actualiteit	Verouderde gegevens, overtuigend geformuleerd
Ruwe versie van een vakbijdrage	nauwkeurigheid bij instructies	Stijlkader wordt genegeerd, regels vallen weg
Toetsing van een lang document	lengte	Eerste helft wordt oppervlakkig getoetst
Vertaling naar veel talen	tempo en kosten	Taak wordt onrendabel
Werken met gekoppelde systemen	gereedschapsgebruik	Antwoorden worden gegokt in plaats van opgevraagd
Inkorten en herformuleren	geen bijzondere	–
Ideeën en varianten verzamelen	geen bijzondere	–

De laatste twee regels zijn belangrijker dan ze eruitzien: voor een aanzienlijk deel van de dagelijkse taken maakt de modelkeuze eenvoudigweg niet uit. Wie daar tijd in de keuze steekt, optimaliseert de verkeerde plek.

Wist je dat?

De meest voorkomende reden voor een slecht resultaat is niet het model, maar een instructie die in het midden te veel belangrijks bevat. Gegevens aan het begin en aan het eind van een prompt worden betrouwbaarder meegewogen dan gegevens daartussen – bij alle gangbare modellen.

Wie dus de indruk heeft dat een model «zich niet aan de richtlijnen houdt», zou eerst de kernregel naar het eind moeten verplaatsen. Dat werkt in de praktijk vaker dan een overstap naar een groter model – en het kost niets.

Waarom twee modellen meestal volstaan

Voor kleine bedrijven is de werkbare verdeling overzichtelijk:

Eén krachtig model voor het werk waar het op aankomt. Ruwe versies, toetsingen, alles met lange instructies en lange teksten. Hier loont de hogere prijs, omdat het alternatief nawerk is.
Eén snel, goedkoop model voor massa. Vertalingen, samenvattingen, herformuleringen, indelingen. Hier telt de doorvoer.

Een derde model loont pas wanneer een taak een eigenschap verlangt die de eerste twee niet hebben – bijvoorbeeld een bijzonder grote verwerkbare lengte.

Uit de praktijk

De overstap tussen aanbieders kost meer dan de vergelijking doet vermoeden. Niet de bediening – die lijkt op elkaar. Wel de ingestelde kaders: stijldocument, opgeslagen instructies, sjablonen, koppelingen, vertrouwde formuleringen.

In de praktijk duurt het twee tot drie weken voordat een nieuwe omgeving dezelfde kwaliteit levert als de ingespeelde. Een model moet duidelijk beter zijn, niet een beetje, wil de overstap uit kunnen – en «duidelijk beter» is alleen aan de eigen taak vast te stellen, niet aan een ranglijst.

Hoe je het aan de eigen taak toetst

Ranglijsten meten gestandaardiseerde taken. Jullie taak is daar geen van. Een bruikbare eigen vergelijking heeft vier dingen nodig:

Drie echte taken uit het dagelijks werk, geen testvragen. Het liefst taken waarvan jullie het goede resultaat al kennen.
Dezelfde prompt, woordelijk gelijk. Anders vergelijken jullie formuleringen in plaats van modellen.
Een vaste beoordeling. Leg vooraf vast waaraan jullie «beter» herkennen – bijvoorbeeld: regels nageleefd, geen verzonnen gegevens, lengte gehaald.
Twee rondes per model. De spreiding tussen twee antwoorden van hetzelfde model is vaak groter dan het verschil tussen twee modellen.

Prompt

Help me voor onze werkstappen de passende modelkeuze te bepalen.
Beveel geen aanbieders aan – deel in op eigenschappen.

Onze taken:
[lijst van terugkerende taken, elk op een regel, met
globale frequentie per maand]

Onze randvoorwaarden:
- Budget voor AI-gereedschap per maand: [bedrag]
- Zijn er persoonsgegevens in het spel? [ja / nee / gedeeltelijk]
- Hebben we koppelingen met eigen systemen? [ja / nee]
- Werken we meertalig? [talen]

Opdrachten:
1. Deel elk van onze taken bij precies één hoofdeigenschap in:
   nauwkeurigheid bij lange instructies / actualiteit /
   verwerkbare lengte / tempo en kosten / gereedschapsgebruik /
   geen bijzondere.
2. Noem de taken waarbij de modelkeuze niet uitmaakt – dat zijn
   de taken waarin we geen tijd zouden moeten steken.
3. Zeg me of twee modellen voor ons volstaan, en waarvoor elk.
4. Ontwerp een eigen vergelijking: drie echte taken uit mijn
   lijst, een vaste beoordeling, hoeveel rondes.

Noem geen modelnamen en geen ranglijsten.

Conclusie

De nuttige vraag luidt niet «welk model is het beste», maar «welke eigenschap verlangt deze taak». Vijf eigenschappen dekken het dagelijkse marketingwerk af, en voor een flink deel van de taken is het antwoord: geen bijzondere.

Twee modellen – een voor het veeleisende werk, een voor massa – volstaan voor de meeste kleine bedrijven. En voordat je overstapt, loont de goedkopere poging: de kernregel aan het eind van de prompt zetten.

Veelgestelde vragen

Welk AI-model is geschikt voor welke taak?

Dat hangt af van de gevraagde eigenschap: onderzoek naar actuele vragen heeft toegang tot webzoeken nodig, ruwe versies en toetsingen hebben nauwkeurigheid bij lange instructies nodig, het toetsen van hele documenten vraagt een grote verwerkbare lengte, vertalingen in veel talen vragen tempo en lage kosten, en werken met gekoppelde systemen vraagt betrouwbaar gereedschapsgebruik.

Hoeveel verschillende modellen heeft een klein bedrijf nodig?

Twee volstaan meestal: een krachtig model voor ruwe versies, toetsingen en lange instructies, en een snel, goedkoop model voor massa – vertalingen, samenvattingen, indelingen. Een derde loont pas wanneer een taak een eigenschap verlangt die beide niet afdekken.

Waarom houdt het model zich niet aan mijn richtlijnen?

Vaak ligt het niet aan het model, maar aan de positie van de instructie. Gegevens aan het begin en aan het eind van een prompt worden betrouwbaarder meegewogen dan gegevens in het midden. De kernregel naar het eind verplaatsen werkt in de praktijk vaker dan een overstap naar een groter model.

Loont de overstap naar een nieuw model?

Alleen als het duidelijk beter is, niet een beetje. De overstap kost twee tot drie weken voordat stijldocument, opgeslagen instructies, sjablonen en koppelingen weer zijn ingespeeld. Of «duidelijk beter» klopt, laat alleen een vergelijking aan de eigen taken zien – niet een algemene ranglijst.

Hoe vergelijk je modellen aan de eigen taak?

Met drie echte taken uit het dagelijks werk in plaats van testvragen, een woordelijk gelijke prompt, een vooraf vastgelegde beoordeling – bijvoorbeeld: regels nageleefd, geen verzonnen gegevens, lengte gehaald – en twee rondes per model. Die tweede ronde is belangrijk: de spreiding binnen één model is vaak groter dan het verschil tussen twee modellen.