Foundation Model

Wat is een Foundation Model?

Een foundation model is een groot AI-model dat eenmalig getraind is op brede data op schaal, en vervolgens aangepast wordt aan veel downstream-taken via prompting, fine-tuning, of toolintegratie. In plaats van een apart model per taak te bouwen, bouwen teams producten op een gedeelde basis, wat het economische patroon is achter de hele moderne AI-industrie.

De belangrijkste punten

• De term beschrijft een rol, geen architectuur: één algemeen model dienend als basislaag voor veel applicaties. De meeste foundation models vandaag zijn transformer-gebaseerd, en veel zijn multimodaal.
• Aanpassing wordt bovenop gelaagd, goedkoopste eerst: prompt engineering, dan retrieval-augmented generation, dan LLM fine-tuning. De meeste producten hebben de laatste stap nooit nodig.
• Bouwen op een foundation model concentreert zowel capaciteit als risico. Zijn sterktes, biases, en faalpatronen stromen stroomafwaarts in elk product dat erop gebouwd is.
• Voor kopers is de praktische keuze tussen propriëtaire API-modellen en open-weight-modellen die je zelf kunt hosten, fine-tunen, en vastpinnen op een versie.

Hoe het werkt

Het patroon splitst AI-ontwikkeling in twee fasen bezeten door verschillende partijen. Een aanbieder besteedt enorme rekenkracht aan het voortrainen van een model op biljoenen tokens tekst, code, en steeds meer beelden en audio, en post-traint het dan om instructies veilig te volgen. Het resultaat is algemene capaciteit zonder specifieke toepassing. Applicatieteams passen die basis dan aan hun domein aan. Een supportproduct, een coding-agent, en een contractanalysator kunnen allemaal op hetzelfde onderliggende model zitten, volledig onderscheiden door hun prompts, opgehaalde context, tools, en guardrails.

Aanpassingstechnieken vormen een ladder van kosten en toewijding. Systeemprompts en few-shot-voorbeelden sturen gedrag zonder infrastructuurkosten. Retrieval aardt het model in je private data zonder gewichten te veranderen. Fine-tuning past de gewichten aan op je voorbeelden, nuttig voor consistent formaat, toon, of smalle domeinvaardigheid, tegen de prijs van datasets onderhouden en het werk overdoen wanneer het basismodel update. Toolgebruik en agent-scaffolding breiden het model uit met vaardigheden die geen hoeveelheid trainingsdata biedt, zoals je live database bevragen.

De term zelf komt uit een Stanford-rapport van 2021 met 114 co-auteurs, dat foundation models definieerde als systemen "getraind op brede data op schaal en aanpasbaar aan een breed scala downstream-taken," een framing gekozen om zowel de kans als het risico te benadrukken van alles bouwen op een gemeenschappelijke basis [1]. Die framing bleef hangen in beleidskringen: regelgevende regimes, inclusief de EU AI Act, hangen verplichtingen specifiek op aan general-purpose- en foundation-models in plaats van aan individuele applicaties.

Voorbeeld

Een logistiekbedrijf levert drie AI-features uit in een kwartaal: een e-mailtriage-agent, een douanedocument-extractor, en een chatbot voor zendingsstatus. Alle drie draaien op hetzelfde foundation model achter één API-contract. Triage gebruikt een prompt plus labeldefinities. Extractie gebruikt structured outputs met een schema. De chatbot voegt retrieval over interne documenten toe en een tool die de trackingdatabase bevraagt. Wanneer de aanbieder een sterkere modelversie uitbrengt, draait het team zijn evalsuites opnieuw, zet één configuratiewaarde om, en alle drie de features verbeteren van de ene op de andere dag. Die upgrade-overerving is de kernreden om op een foundation model te bouwen in plaats van iets vanaf nul te trainen.

Veelvoorkomende misvattingen

De hardnekkige misvatting is dat serieuze AI-producten je eigen model trainen vereisen. Voor bijna elk bedrijf geldt het omgekeerde. Een competitief foundation model voortrainen kost honderden miljoenen dollars aan rekenkracht en datawerk, en het resultaat zou nog steeds achterlopen op frontier-labs. Duurzaam voordeel in toegepaste AI komt van propriëtaire data, retrievalkwaliteit, evals, en workflow-integratie gelaagd op de basis van iemand anders. Fine-tuning is af en toe de moeite waard; vanaf nul voortrainen bijna nooit, buiten het handjevol labs wiens business het model zelf is. Dat handjevol is ook geografisch geconcentreerd: Stanfords AI Index van 2025 telde 40 opmerkelijke AI-modellen van in de VS gevestigde instellingen in 2024, tegenover 15 uit China en 3 uit Europa [2].

FAQ

Is een foundation model hetzelfde als een LLM? Ze overlappen maar de termen snijden anders. Een large language model wordt gedefinieerd door wat het is, een model getraind op taal. Foundation model wordt gedefinieerd door hoe het gebruikt wordt, als een algemene basis voor veel applicaties. De meeste LLM's die mensen gebruiken zijn foundation models, en moderne foundation models behandelen steeds meer ook beelden en audio, voorbij taal alleen.

Wat zijn voorbeelden van foundation models? De GPT-serie, Claude, en Gemini aan de propriëtaire kant; Llama-, Mistral-, en DeepSeek-families aan de open-weight-kant. Elk ondersteunt duizenden downstream-producten via API's of self-hosted implementaties.

Hoe verhouden foundation models zich tot frontier models? Frontier beschrijft de capaciteitsgrens: de kleine set modellen die de huidige state of the art definieert. Elk frontier model is een foundation model, maar de foundation-categorie omvat ook honderden kleinere general-purpose-modellen die piekcapaciteit inruilen voor kosten, snelheid, of inzetbaarheid.

Bronnen

1. Stanford CRFM. "On the Opportunities and Risks of Foundation Models: rapport van 2021 dat de term muntte, 114 co-auteurs." https://arxiv.org/abs/2108.07258. Geraadpleegd augustus 2026.
2. Stanford HAI. "AI Index Report 2025: 40 opmerkelijke AI-modellen van Amerikaanse instellingen in 2024 tegenover 15 uit China en 3 uit Europa." https://hai.stanford.edu/ai-index/2025-ai-index-report. Geraadpleegd augustus 2026.