Van onderzoeksmodel tot zwaargewicht: de Kimi-K2-reeks

Kimi K2: de technische basis

De oorspronkelijke Kimi K2-versie werd in juli 2025 voorgesteld en uitgebreid beschreven in een technisch rapport (“Kimi K2: Open Agentic Intelligence”). Technisch gaat het om een zogenoemd mixture-of-experts-model (MoE): in plaats van één enkel, doorlopend actief neuraal netwerk bestaat het model uit veel gespecialiseerde deelnetwerken (“experts”), waarvan per aanvraag slechts een klein deel daadwerkelijk wordt geactiveerd. Bij Kimi K2 gaat het volgens opgave van Moonshot AI om in totaal ongeveer één biljoen parameters, waarvan bij elke afzonderlijke aanvraag ongeveer 32 miljard actief worden gebruikt. Het model verdeelt zich over 384 experts, waarvan er per tekstfragment 8 gericht worden geselecteerd, aangevuld met een altijd actieve “gedeelde” expert.

Deze opbouw verklaart waarom Kimi K2 ondanks zijn enorme totale omvang relatief economisch kan worden geëxploiteerd: niet het volledige biljoen parameters moet voor elke aanvraag worden doorgerekend, maar slechts een klein, geselecteerd deel. Het model werd volgens opgave van Moonshot AI getraind met een speciaal ontwikkelde optimalisatiemethode (MuonClip), die bij zo grote MoE-modellen de trainingsstabiliteit moet verbeteren. De oorspronkelijke basisversie bood een contextvenster van 128.000 tokens, de tegelijk gepubliceerde Instruct-versie (voor dialogen en instructies) werd uitgebreid naar 256.000 tokens.

Kimi K2 Thinking: denken en handelen in één model

In het najaar van 2025, volgens overeenstemmende berichten in november 2025, presenteerde Moonshot AI met “Kimi K2 Thinking” een variant die bovendien een uitgebreid, meerstaps-denkproces vóór het eigenlijke antwoord inbouwt en daarbij al tijdens het denkproces hulpmiddelen kan aanroepen (bijvoorbeeld een websearch of een rekenmachine). Volgens beschikbare benchmarkgegevens behaalde het model op de bekende programmeertest “SWE-Bench Verified” een waarde van ongeveer 71 procent en kon het in testscenario’s meerdere honderden achtereenvolgende hulpmiddelaanroepen zelfstandig uitvoeren, om complexe, langdurige taken op te lossen. Daarmee positioneerde Moonshot AI zich gericht in het gebied van de zogenoemde agentmodellen, die niet alleen antwoorden, maar meerstaps-taken zelfstandig plannen en uitvoeren.

De doorontwikkeling in 2026: K2.5, K2.6 en K3

In de loop van 2026 publiceerde Moonshot AI meerdere verdere uitbreidingsniveaus. Volgens overeenstemmende, maar niet altijd eenduidige bronnen verschenen K2.5 en in april 2026 K2.6 met een naar 256.000 tokens uitgebreid contextvenster en verbeterde programmeervaardigheden, gevolgd door een op programmeertaken gespecialiseerde variant genaamd K2.7 Code. In juli 2026 volgde uiteindelijk Kimi K3, dat volgens opgave van de fabrikant aantreedt met een naar ongeveer 1 miljoen tokens vergroot contextvenster en native beeldverwerking (vision) – volgens opgave van Moonshot AI viermaal zo groot als het contextvenster van K2.6. Over de precieze parameteromvang van K3 circuleren in verschillende bronnen uiteenlopende gegevens (deels in de orde van ongeveer twee tot drie biljoen totale parameters); een eenduidig, officieel definitief cijfer is momenteel niet met volledige zekerheid te bevestigen, waarom hier bewust wordt gesproken van een orde van grootte in plaats van een exact cijfer.

Wat maakt de Kimi-modellen technisch en strategisch bijzonder?

Open gewichten met commerciële voorwaarde

Moonshot AI publiceert de modelgewichten van K2 en de opvolgers onder een zelf geformuleerde, aangepaste MIT-licentie. In de kern gaat het om een zeer vrije opensourcelicentie, die ook commercieel gebruik toestaat. Een bijzonderheid: wie een product of dienst op basis van de modellen exploiteert met meer dan 100 miljoen actieve gebruikers per maand of meer dan 20 miljoen Amerikaanse dollar maandomzet, moet de vermelding “Kimi K2” zichtbaar in de eigen interface tonen. Voor de meeste kleinere en middelgrote toepassingen – ook uit de vastgoedbranche – speelt deze clausule praktisch geen rol, maar ze toont dat “open” bij Kimi niet helemaal onvoorwaardelijk is bedoeld.

Agentvaardigheden en groot contextvenster

De strategische focus van de Kimi-modellen ligt duidelijk op zogenoemde agentvaardigheden: de mogelijkheid om meerstaps-taken met hulpmiddelgebruik, webtoegang en code-uitvoering zelfstandig te behandelen, in plaats van alleen losse vragen te beantwoorden. In combinatie met een zeer groot contextvenster – bij K3 ongeveer een miljoen tokens – kunnen daardoor zeer omvangrijke documentverzamelingen in één keer worden verwerkt, bijvoorbeeld meerdere honderden pagina’s aan contractdocumenten of een grotere verzameling objectdocumenten.

Onthoud: het grote contextvenster maakt het mogelijk om zeer veel documenten gelijktijdig in te lezen – dat vervangt echter geen zorgvuldige controle van de uitvoer, want ook een groot contextvenster beschermt niet tegen fouten of weglatingen in het resultaat.

Toepassingsvoorbeelden uit de praktijk

1. Geautomatiseerde samenvatting van grote dossiers

Een medewerker bij een vastgoedbeheerder zou via de API meerdere honderden afrekeningen van bijkomende kosten of notulen van eigenaarsvergaderingen in één enkele ronde kunnen laten inlezen, om bijzonderheden – zoals ongewoon hoge kostenposten – geautomatiseerd te laten markeren. Het grote contextvenster van K2.6 of K3 maakt dit technisch mogelijk, zonder de documenten vooraf in veel kleine stukjes te moeten opsplitsen.

2. Concept en lay-out van een verkoopbrochure

In de agentmodus kan een makelaar een eerste, meerpagina’s tellende conceptversie van een objectbrochure inclusief eenvoudige webweergave laten maken, die vervolgens handmatig redactioneel wordt gecontroleerd en afgestemd op de werkelijke, juridisch bindende objectgegevens.

3. Programmeerondersteuning voor interne hulpmiddelen

Omdat de Kimi-modellen in benchmarks voor programmeertaken bijzonder sterk scoren, gebruiken sommige IT-afdelingen van vastgoedbedrijven Kimi ter ondersteuning bij het maken van kleine interne automatiseringsscripts, bijvoorbeeld voor het vergelijken van huurlijsten tussen twee softwaresystemen.

4. Onderzoek en marktobservatie

Via de webbrowsingfunctie van de agentmodus kan een model worden ingezet voor de doorlopende observatie van publiek toegankelijke marktgegevens, bijvoorbeeld voor het samenvatten van renteontwikkelingen of algemeen toegankelijke vastgoedmarktrapporten – belangrijk hierbij is uitsluitend te werken met publiek beschikbare, niet-persoonsgebonden bronnen.

5. Meertalige communicatie

Bij internationale vastgoedportefeuilles kan een financieel medewerker Kimi gebruiken om standaardbrieven of samenvattingen tussen meerdere talen om te zetten – ook hier geldt echter de eerder beschreven beperking bij persoonsgebonden content.

Onthoud: hoe groter de hoeveelheid gegevens die een model in één keer verwerkt, hoe belangrijker de vraag wordt waar deze gegevens zich precies bevinden tijdens de verwerking – prestatie en gegevensbescherming zijn twee gescheiden vragen die beide moeten worden beantwoord.

Veelgestelde vragen over de Kimi-modellen

Wat is het verschil tussen Kimi K2 en Kimi K2 Thinking?

Kimi K2 is het oorspronkelijke basismodel, Kimi K2 Thinking is een in november 2025 voorgestelde variant die vóór het antwoord een uitgebreider, meerstaps-denkproces met hulpmiddelgebruik inbouwt en daardoor bij complexe taken beter scoort.

Hoe groot is het contextvenster van de actuele modellen?

De modellen van de K2-reeks bieden meestal 256.000 tokens context, het in juli 2026 voorgestelde Kimi K3 wordt opgegeven met ongeveer een miljoen tokens.

Zijn de Kimi-modellen echt open source?

De modelgewichten zijn openlijk toegankelijk en gepubliceerd onder een aangepaste, zeer vrije MIT-licentie. Een bijzonderheid is de attributieverplichting voor zeer grote commerciële toepassingen (meer dan 100 miljoen gebruikers of 20 miljoen Amerikaanse dollar maandomzet).

Zijn de modellen geschikt voor programmeertaken?

Ja, de Kimi-K2-reeks en vooral de gespecialiseerde variant K2.7 Code scoren relatief sterk in publieke programmeerbenchmarks en worden vaak ingezet voor coding-agenten.

Kan ik de modellen zelf exploiteren, in plaats van de Kimi-website te gebruiken?

Ja, omdat de gewichten openlijk worden gepubliceerd, kunnen ze via verschillende cloudaanbieders of op eigen hardware worden geëxploiteerd. Dit vereist echter technische vakkennis en voldoende rekencapaciteit, omdat het om zeer grote modellen gaat.

Basisinformatie over het bedrijf Moonshot AI, over prijzen en over gegevensbescherming vindt u op onze aanbiederspagina. Een vergelijking van alle tien AI-aanbieders in het cluster vindt u op de overzichtspagina.

De Grok-modelfamilie in overzicht

Grok 3 – de vorige generatie

Grok 3 was lange tijd het hoofdmodel van xAI en vormt inmiddels de basis voor het gratis niveau. Het beheerst de basistaken van een chatbot – vragen beantwoorden, teksten formuleren, eenvoudig onderzoek – maar biedt een aanzienlijk kleiner contextvenster en minder nauwkeurigheid bij complexe, meerstaps-taken dan de nieuwere modellen.

Grok 4 en Grok 4 Heavy

Grok 4 was de volgende grote stap en leverde aanzienlijk betere resultaten bij logisch denken en complexere vraagstukken. De variant Grok 4 Heavy gaat nog een stap verder: het gebruikt bij moeilijke taken meerdere parallelle denkprocessen en vergelijkt de resultaten voordat een antwoord wordt gegeven. Dat maakt Grok 4 Heavy langzamer en aanzienlijk duurder, maar daarvoor ook betrouwbaarder bij lastige taken – zoals wiskundige berekeningen of meerstaps-analyses.

Grok 4.1 Fast – snel en goedkoop

Voor taken waarbij het vooral gaat om snelheid en lage kosten – zoals het automatisch beantwoorden van veel korte aanvragen in een app –, biedt xAI met Grok 4.1 Fast een afgeslankte, maar zeer snelle en goedkope variant. De inhoudelijke diepte is geringer, maar voor eenvoudige, herhalende taken volstaat dat meestal.

Grok 4.20 – enorm contextvenster en meer-agenttechniek

Met Grok 4.20 introduceerde xAI begin 2026 een model dat intern werkt met meerdere gespecialiseerde “rollen”, die elkaar controleren voordat een antwoord wordt gegeven – simpel gezegd: één rol coördineert, één controleert feiten, één beoordeelt technische details, één levert creatieve formuleringen. Voor gebruikers uit zich dat vooral in betrouwbaardere antwoorden bij langere, ingewikkeldere aanvragen. Daarbij komt een zeer groot contextvenster van ongeveer 2 miljoen tekstblokjes (tokens) – dat komt overeen met enkele duizenden pagina’s tekst die het model gelijktijdig “in het hoofd” kan houden, bijvoorbeeld voor de analyse van langere contracten of uitgebreide gegevensverzamelingen.

Grok 4.5 – de actuele focus op complexe en technische taken

Grok 4.5, uitgebracht in juli 2026, is het momenteel meest veeleisende beschikbare model van xAI. Het werd gericht getraind voor langere, veeleisende werkonderdelen – oorspronkelijk vooral voor softwareontwikkeling, inmiddels ook voor andere complexe, meerstaps-taken zoals uitgebreid onderzoek of de analyse van grotere gegevenshoeveelheden. Het contextvenster ligt op ongeveer 500.000 tokens, dus kleiner dan bij Grok 4.20, maar daarvoor werkt het model nauwkeuriger bij moeilijke denktaken. Via de programmeerinterface kost Grok 4.5 ongeveer 2 euro per miljoen invoer- en ongeveer 6 euro per miljoen uitvoer-tekstblokjes.

Grok 5 – wat tot nu toe bekend is

Een opvolgmodel met de werknaam Grok 5 bevindt zich volgens xAI in de trainingsfase op een uitgebreid Colossus-datacenter. Een officiële publicatiedatum is er tot augustus 2026 niet, geruchten stellen dat het model aanzienlijk groter zal uitvallen dan Grok 4 en later in 2026 wordt voorgesteld. Tot de officiële aankondiging blijft Grok 4.5 het krachtigste algemeen beschikbare model.

Onthoud: hoe hoger het versienummer, hoe krachtiger en meestal ook duurder het model – maar niet elke taak heeft het krachtigste model nodig. Voor eenvoudige alledaagse vragen volstaat vaak al de snelle, goedkope variant.

Vergelijkingstabel van de Grok-versies

Realtimegegevenstoegang via X

Een kenmerk dat alle actuele Grok-modellen verbindt, is de directe toegang tot publieke berichten van het platform X. Daardoor kan Grok reageren op gebeurtenissen die pas enkele minuten oud zijn – een duidelijk verschil met modellen waarvan de kennis beperkt is tot een bepaalde trainingsdatum. Het nadeel: berichten op social media zijn niet automatisch gecontroleerd of betrouwbaar, waardoor antwoorden die zich baseren op actuele X-berichten altijd met een gezonde dosis voorzichtigheid moeten worden gelezen, vooral bij omstreden of onduidelijke onderwerpen.

Beeldgeneratie en video met Aurora en Grok Imagine

Voor het genereren van afbeeldingen gebruikt xAI een eigen systeem genaamd Aurora, dat inmiddels onder de productnaam Grok Imagine wordt vermarkt. Het maakt uit tekstbeschrijvingen afbeeldingen en inmiddels ook korte video’s van enkele seconden lang in verschillende formaten. In het betaalde niveau SuperGrok is de volledige functieomvang van Grok Imagine opgenomen; het gratis niveau biedt slechts een beperkte basisversie. Voor de programmeerinterface wordt de videogeneratie afgerekend naar het aantal gegenereerde seconden, wat het voor korte clips relatief goedkoop maakt.

Toepassingsvoorbeelden uit het dagelijks leven en business

Voorbeeld 1 – dagelijks leven: Een gebruiker plant een reis en laat Grok op basis van actuele berichten op X samenvatten hoe het weer en de verkeerssituatie op de bestemming er momenteel voorstaan – iets wat een model zonder realtimetoegang niet kan leveren.

Voorbeeld 2 – kleinbedrijf: Een medewerker bij een klein ambachtelijk bedrijf gebruikt Grok 4.1 Fast om binnenkomende klantvragen per e-mail voor te sorteren en antwoordvoorstellen te formuleren, die vervolgens door een mens worden gecontroleerd.

Voorbeeld 3 – vastgoed en financiën: Een vastgoedkantoor wil een eerste indruk krijgen van de actuele sfeer rond een bepaalde locatie – bijvoorbeeld of de afgelopen dagen vaker is gesproken over stijgende huren of een nieuw bouwproject in een stad. Grok kan dankzij de toegang tot actuele X-berichten zulke discussies samenvatten en eerste aanwijzingen leveren. Belangrijk hierbij: zo’n sentimentanalyse vervangt geen solide marktanalyse op basis van officiële gegevens, maar levert slechts een snelle, aanvullende indruk.

Voorbeeld 4 – lang document controleren: Een medewerker uploadt een langer huurcontract of een uitgebreide aanbesteding in Grok 4.20 en laat centrale clausules, termijnen en cijfers samenvatten – dankzij het grote contextvenster kan het model de volledige tekst in één keer meenemen, in plaats van deze in delen te moeten opsplitsen.

Voorbeeld 5 – technische taak: Een ontwikkelaar gebruikt Grok 4.5 om een bestaande softwaretoepassing over meerdere bestanden heen te analyseren en verbetervoorstellen voor de programmacode te krijgen – een taak waarvoor het model gericht is getraind.

Onthoud: hoe langer en vertakter de taak, hoe belangrijker het contextvenster wordt – bij korte alledaagse vragen speelt het daarentegen nauwelijks een rol.

Praktijkvoorbeeld: kosten voor de programmeerinterface inschatten

Een vastgoedkantoor wil per maand geautomatiseerd ongeveer 50 objectbeschrijvingen met Grok 4.5 laten voorformuleren. Voor elke beschrijving zijn geschat 1.000 tokens aan invoer (objectgegevens, randvoorwaarden) en 1.500 tokens aan uitvoer (kant-en-klare tekst) nodig.

• Invoer: 50 x 1.000 = 50.000 tokens, bij 2 euro per miljoen tokens is dat ongeveer 0,10 euro
• Uitvoer: 50 x 1.500 = 75.000 tokens, bij 6 euro per miljoen tokens is dat ongeveer 0,45 euro
• Totale kosten per maand: ongeveer 0,55 euro

Het rekenvoorbeeld laat zien: de pure tekstkosten via de programmeerinterface zijn bij overzichtelijke tekstvolumes zeer laag – de eigenlijke kosten ontstaan meestal door de ontwikkeling en het onderhoud van de koppeling, niet door de afzonderlijke aanvragen zelf.

Veelgestelde vragen

Welk Grok-model moet ik als beginner gebruiken?

Voor de instap volstaat doorgaans het standaardmodel in het gratis of het goedkoopste betaalde niveau. Een overstap naar krachtigere modellen loont pas als je tegen grenzen aanloopt bij complexe of lange taken.

Wat betekent “contextvenster” in gewone taal?

Het contextvenster beschrijft hoeveel tekst een model gelijktijdig “in het hoofd” kan houden. Een groot contextvenster is belangrijk wanneer je lange documenten in één keer wilt laten analyseren, maar speelt bij korte vragen nauwelijks een rol.

Is Grok 4.20 hetzelfde als Grok 4?

Nee. Grok 4.20 is een zelfstandige, latere modelgeneratie met een aanzienlijk groter contextvenster en een interne meer-rollen-controle, die bij Grok 4 nog niet aanwezig was.

Wanneer komt Grok 5?

Een officiële datum is er tot augustus 2026 niet. xAI heeft bevestigd dat een opvolgmodel in ontwikkeling is, zonder een precieze datum te noemen.

Kan ik met Grok betrouwbare marktgegevens krijgen voor vastgoedbeslissingen?

Grok kan actuele discussies en sentimenten samenvatten, maar vervangt geen gecontroleerde officiële gegevens of een vakkundige marktanalyse. Het is het meest geschikt als snelle aanvulling, niet als enige beslissingsgrondslag.

Een overzicht van het bedrijf xAI zelf, de prijsniveaus en de privacybeoordeling is te vinden op onze xAI-aanbiederspagina. Wie in plaats daarvan de andere grote AI-aanbieders in vergelijking wil zien, vindt het overzicht op de AI-modellen-vergelijkingspagina.

Waarom “Copilot” niet gelijk is aan “Copilot”

Microsoft heeft de naam Copilot bewust tot een overkoepelend merk gemaakt, vergelijkbaar met hoe andere concerns merken voor complete productfamilies gebruiken. Achter het oppervlak verschillen de varianten echter aanzienlijk: in de gegevensbasis waartoe ze toegang hebben, in het gebruikte taalmodel en in de veiligheids- en privacytoezeggingen die telkens gelden.

Copilot in Windows

De in de taakbalk geïntegreerde variant is in de eerste plaats een algemene chat voor alledaagse vragen, onderzoek en eenvoudige schrijftaken. Deze heeft geen rechtstreekse toegang tot bedrijfsinterne documenten of e-mails en staat daardoor functioneel dichter bij een klassieke chatbot dan bij een echte kantoorassistent.

Microsoft 365 Copilot (Business en Enterprise)

Deze variant is de eigenlijke zakelijke versie. Ze is via de zogenoemde Microsoft Graph-interface verbonden met de documenten, e-mails, agenda-items en chats waartoe de betreffende gebruiker toch al toegang heeft. Daardoor kan ze bijvoorbeeld een samenvatting maken die daadwerkelijk gebaseerd is op de echte projectbestanden van een team, in plaats van alleen algemene wereldkennis weer te geven. Deze koppeling is het beslissende technische verschil met alle andere Copilot-varianten.

Microsoft 365 Premium (opvolger van Copilot Pro)

Het niveau bedoeld voor particuliere gebruikers en zelfstandigen brengt volledige Copilot-functies naar de persoonlijke Office-toepassingen, maar zonder de diepe koppeling met een bedrijfsnetwerk met veel gebruikers, zoals de zakelijke variant biedt. Het richt zich op individuen, niet op teams.

GitHub Copilot: een eigen productlijn

Voor de volledigheid: GitHub Copilot is een zelfstandig product voor softwareontwikkelaars, dat ondersteunt bij het schrijven van programmacode. Het deelt met de overige Copilot-varianten alleen de merknaam en een deel van de onderliggende techniek, maar richt zich op een geheel andere doelgroep en wordt hier alleen ter duiding genoemd.

Welke AI-modellen schuilen er werkelijk achter

Lange tijd draaide praktisch de gehele Copilot-familie uitsluitend op modellen van OpenAI. Dat is in 2026 veranderd. In juli 2026 hebben Microsoft en OpenAI bekendgemaakt dat het nieuwe model GPT-5.6 het voorkeursmodel wordt voor Microsoft 365 Copilot in Word, Excel, PowerPoint en de nieuwe Copilot-werkruimtes. Het model is speciaal geoptimaliseerd voor kenniswerk en moet bij complexere, meerstaps-taken efficiënter werken dan zijn voorgangers.

Tegelijkertijd heeft Microsoft zijn strategie uitgebreid en biedt sinds 2025 in Microsoft 365 Copilot bovendien modellen van Anthropic aan. In de praktijk kunnen beheerders in veel bedrijfsomgevingen inmiddels kiezen of beperken welk model voor welke toepassing wordt gebruikt. Dat is een belangrijk verschil met pure een-model-aanbieders: Copilot werkt technisch eerder als een schakelbord dat op de achtergrond bemiddelt tussen meerdere modellen, dan als een enkel, onveranderlijk taalmodel.

Wie vraagt “welk model gebruikt Copilot”, krijgt in 2026 geen eenvoudig antwoord meer. De juistere vraag luidt: welk model gebruikt Copilot nu net voor deze ene taak, en is dat in de instellingen te veranderen.

Vergelijkingstabel van de Copilot-varianten

Praktische toepassingsvoorbeelden uit het kantooralledaags

Voorbeeld 1: E-mailvloed in Outlook de baas worden

Een administratief medewerker komt terug van een afwezigheid van twee weken en vindt meer dan 200 ongelezen e-mails aan. Copilot vat lange wisselingen samen, markeert de e-mails met directe actiebehoefte en stelt voor routinevragen kant-en-klare antwoordconcepten voor. In plaats van elk bericht apart te openen, krijgt de medewerker binnen enkele minuten een overzicht.

Voorbeeld 2: Vergadersamenvatting in Teams

Na een uur durende projectbespreking maakt Copilot automatisch een samenvatting met de belangrijkste besluiten, openstaande vragen en een lijst met concrete taken inclusief de telkens verantwoordelijke persoon. Wie niet kon deelnemen, hoeft geen opname te bekijken, maar kan de samenvatting in een paar minuten lezen.

Voorbeeld 3: Rendementstabel opbouwen in Excel

Een voorbeeld met betrekking tot de vastgoedbranche: een beheerder wil voor een meergezinswoning het brutohuurrendement van meerdere mogelijke aankoopprijzen doorrekenen. Hij beschrijft Copilot in Excel in gewone woorden welke kolommen hij nodig heeft, bijvoorbeeld aankoopprijs, jaarhuur, bijkomende kosten en het daaruit berekende rendement in procenten. Copilot bouwt daaruit een basisstructuur met de passende formules, die de beheerder vervolgens aanpast aan de werkelijke cijfers van zijn object. Belangrijk hierbij: Copilot levert een bruikbare rekensjabloon, de inhoudelijke controle van de formules en de gebruikte waarden blijft echter de taak van de beheerder zelf.

Voorbeeld 4: Verkoopbrochure herschrijven in Word

Een makelaarskantoor heeft een zakelijke, maar taalkundig zeer droge objecttekst voor een verkoopbrochure opgesteld. Copilot in Word kan de tekst op verzoek in een vriendelijkere, leesvriendelijkere toon brengen, kortere zinnen voorstellen of herhalingen verwijderen, zonder de eigenlijke feiten over het object te veranderen. De mens blijft daarbij verantwoordelijk voor de inhoudelijke juistheid van de gegevens, Copilot neemt alleen de taalkundige fijnbewerking over.

Voorbeeld 5: Eerste dia-indeling in PowerPoint

Voor een interne presentatie over het kwartaalresultaat levert Copilot op basis van een korte steekwoordtekst een eerste dia-indeling inclusief voorstellen voor passende diagramtypen. Dat bespaart vooral het moeizame eerste halfuur van structureren, de eigenlijke inhoudelijke uitwerking blijft nog steeds handwerk.

Wat betekent de modelwissel concreet voor gebruikers

Voor het dagelijkse werk in Word, Excel of Outlook merken de meeste gebruikers de overstap van het ene model naar het andere nauwelijks, omdat Microsoft de modelkeuze grotendeels automatisch op de achtergrond stuurt. Het thema wordt vooral relevant voor IT-verantwoordelijken in bedrijven, die in de adminstellingen kunnen bepalen welke modellen voor hun organisatie überhaupt zijn toegestaan, bijvoorbeeld uit privacyoverwegingen. Voor particuliere gebruikers blijft doorgaans alleen de keuze van het abonnementsniveau over, niet de afzonderlijke modelkeuze.

Veelgestelde vragen over de Copilot-modellen

Is GPT-5.6 beschikbaar in elke Copilot-variant?

Nee. GPT-5.6 wordt vooral ingezet in Microsoft 365 Copilot en in Microsoft 365 Premium. De gratis Windows-variant gebruikt deels vereenvoudigde of oudere modelversies.

Kan ik als gebruiker zelf kiezen welk model Copilot gebruikt?

In bedrijfsomgevingen kunnen beheerders de modelkeuze beperken of vrijgeven. Particuliere gebruikers hebben doorgaans geen directe modelkeuze, maar alleen de keuze van het abonnementsniveau.

Waarom gebruikt Microsoft naast OpenAI ook Anthropic-modellen?

Microsoft volgt sinds 2025 bewust een strategie met meerdere modelaanbieders, om voor verschillende taken telkens passende modellen te kunnen inzetten en niet afhankelijk te zijn van één enkele aanbieder.

Is GitHub Copilot hetzelfde als Microsoft 365 Copilot?

Nee, GitHub Copilot is een zelfstandig product voor softwareontwikkeling met eigen modellen en eigen prijsstructuur, dat met de kantoorversie alleen de merknaam deelt.

Zijn de rekenresultaten van Copilot in Excel betrouwbaar?

Copilot levert een goede basisstructuur en passende formulevoorstellen, maar de inhoudelijke controle van de waarden en formules moet nog steeds door een mens gebeuren, vooral bij zakelijk relevante berekeningen.

Een overzicht van de afzonderlijke prijsniveaus, privacyvragen en de algemene duiding van Microsoft Copilot biedt de aanbiederspagina Microsoft Copilot in overzicht. Wie in plaats daarvan de andere acht aanbieders in vergelijking wil zien, vindt het overzicht op de hoofdpagina vergelijking van alle AI-modellen.

Het basisprincipe: websearch plus taalmodel in plaats van antwoord uit het geheugen

Waarom een puur taalmodel alleen niet volstaat

Een groot taalmodel zoals dat bijvoorbeeld achter klassieke chatbots schuilt, werd op een bepaald moment getraind met enorme hoeveelheden tekst. Daarna beschikt het weliswaar over zeer veel algemene kennis, maar niet over automatische toegang tot nieuwe gebeurtenissen, actuele cijfers of net gepubliceerde studies. Vraag je zo’n model naar de actuele beleidsrente of een gisteren aangenomen wetswijziging, dan kan het eerlijk zeggen dat het dit niet weet, of – in het slechtere geval – iets onjuist verzinnen dat plausibel klinkt. Precies dit probleem lost Perplexity op met een tweetraps-procedure.

De samenwerking: retrieval ontmoet tekstgeneratie

In de eerste fase, de zogenoemde retrieval, doorzoekt Perplexity actuele websites, nieuwsartikelen, vakportalen en deels wetenschappelijke databases naar content die past bij de gestelde vraag. Deze vindplaatsen worden gefilterd, gesorteerd op relevantie en betrouwbaarheid en als basis doorgegeven aan een taalmodel. Pas in de tweede fase vat het taalmodel deze vindplaatsen samen tot een begrijpelijk, coherent antwoord en voorziet elke uitspraak van een voetnoot die verwijst naar de betreffende bron. Je kunt je dat voorstellen als een zeer snelle onderzoeksassistent die eerst tien vakartikelen leest en daarna een samenvatting met bronvermeldingen dicteert – alleen duurt dit proces een paar seconden.

Niet het taalmodel “weet” het antwoord op een actuele vraag, maar het leest dit in realtime uit vers gevonden bronnen en vertaalt dit naar begrijpelijke taal.

Welke modellen schuilen daar concreet achter?

Eigen Sonar-modellen voor standaardaanvragen

Voor de meeste alledaagse aanvragen gebruikt Perplexity eigen, intern ontwikkelde modellen uit de zogenoemde Sonar-reeks. Deze zijn speciaal getraind om websearchresultaten efficiënt te analyseren en snel om te zetten in een schoon, met bronnen onderbouwd antwoord. Het voordeel van eigen modellen zit vooral in snelheid en kostenefficiëntie – voor eenvoudige feitelijke vragen is het meest bewerkelijke beschikbare model niet nodig.

Toegang tot externe topmodellen afhankelijk van abonnement

Voor complexere vraagstukken, langere analyses of op expliciet verzoek grijpt Perplexity bovendien terug op externe taalmodellen van grote aanbieders – afhankelijk van beschikbaarheid en abonnementsniveau bijvoorbeeld actuele modellen uit de reeksen van OpenAI (GPT), Anthropic (Claude) en Google (Gemini). Perplexity ontwikkelt deze modellen niet zelf, maar koppelt ze via programmeerinterfaces en combineert ze met de eigen zoektechnologie. Pro-gebruikers kunnen in de uitgebreide instellingen vaak gericht kiezen welk model een antwoord moet formuleren, terwijl de gratis versie deze keuze automatisch op de achtergrond maakt.

Model Council: meerdere topmodellen gelijktijdig vergelijken

Voor Max-abonnees is er een bijzondere functie, vaak “Model Council” genoemd: daarbij verwerkt Perplexity dezelfde vraag parallel met meerdere leidende taalmodellen gelijktijdig, zet de resultaten tegenover elkaar en vat samen waar de modellen het eens zijn, waar ze van elkaar afwijken en welke aspecten elk model bijzonder goed heeft uitgewerkt. Voor de gewone gebruiker is dat meestal onnodige moeite, maar voor mensen die een echt belangrijke en complexe beslissing gefundeerd willen onderbouwen, kan de modelvergelijking waardevolle extra perspectieven bieden.

Deep Research: meerstaps, zelfsturend onderzoek

Daarnaast is er een modus genaamd Deep Research, waarbij Perplexity niet slechts één enkele zoekopdracht uitvoert, maar zelfstandig meerdere zoekstappen achter elkaar plant: eerst wordt een overzicht verkregen, dan worden gericht afzonderlijke deelvragen nader onderzocht, en aan het einde ontstaat een langer, gestructureerd rapport met veel bronverwijzingen. Deze modus duurt aanzienlijk langer dan een normale aanvraag, maar levert daarvoor bij complexere thema’s zoals marktanalyses ook meer onderbouwde resultaten.

Modi en niveaus in vergelijking

Toepassingsvoorbeelden uit het dagelijks en beroepsleven

Voorbeeld 1: Snelle feitelijke vraag in het dagelijks leven

Een gebruiker wil weten hoe hoog het actuele inflatiepercentage in Duitsland is. De standaardzoekopdracht levert binnen enkele seconden een kort antwoord met de actuele waarde plus verwijzing naar het bijbehorende bericht van het Duitse statistiekbureau – aanzienlijk sneller dan zelf meerdere websites doorklikken.

Voorbeeld 2: Onderzoek naar actuele hypotheekrentes met bronvermelding

Een medewerker in de vastgoedfinanciering wil een globaal overzicht van de actuele ontwikkeling van hypotheekrentes maken voor een interne notitie. Hij formuleert de vraag naar het ongeveer rentepeil voor tienjarige woningleningen en laat de onderliggende bronnen weergeven, bijvoorbeeld actuele berichten van financiële portalen of rentestatistieken. Belangrijk hierbij: Perplexity levert een goede eerste oriëntatie met navolgbare onderbouwing, maar vervangt geen bindend financieel advies en geen dagactuele bankconditieopvraging. Voor een snelle, bronsgebaseerde duiding vóór een adviesgesprek is het nut echter reëel.

Voorbeeld 3: Samenvatting van een langer marktrapport of huurcontract

Een vastgoedbeheerder die een lang marktrapport of een meerpagina’s tellend huurcontract als pdf in een space uploadt, kan vervolgens gerichte vragen daarover stellen, bijvoorbeeld naar de belangrijkste kernpunten, opzegtermijnen of bepaalde kengetallen. Perplexity gebruikt daarbij zowel het geüploade document als aanvullend de actuele websearch om uitspraken te duiden – een juridische toetsing door een vakspecialist vervangt dat echter niet.

Voorbeeld 4: Voorbereiding op een vakgesprek met meerdere perspectieven

Vóór een belangrijke beslissing, bijvoorbeeld een strategische koerswijziging in het eigen bedrijf, kan de Model Council-modus nuttig zijn: drie verschillende topmodellen behandelen dezelfde vraagstelling, en de samenvatting laat zien waar de inschattingen overeenkomen en waar ze uiteenlopen. Dat vervangt geen vakkundig advies, maar geeft wel een breder blikveld dan een enkel AI-antwoord.

Voorbeeld 5: Snelle vertaling en duiding van vreemdtalige bronnen

Omdat veel vakartikelen en studies alleen in het Engels beschikbaar zijn, kan Perplexity vreemdtalige bronnen rechtstreeks in de Nederlandse samenvatting laten meevloeien, inclusief verwijzing naar het origineel. Dat bespaart vaak de omweg via een apart vertaalhulpmiddel.

Wat betekent deze techniek voor de betrouwbaarheid van de antwoorden?

De combinatie van websearch en taalmodel verlaagt het risico op vrij verzonnen uitspraken aanzienlijk, omdat elke bewering idealiter terug te voeren is op een echte bron. Volledig uitgesloten is een fout daarmee echter niet: ook de onderliggende webbronnen kunnen verouderd, onvolledig of gewoon onjuist zijn, en een taalmodel kan bij het samenvatten nuances verliezen. De gouden regel blijft daarom: bronvermeldingen zijn een enorme verlichting bij de controle, maar geen vervanging voor een eigen kritische blik, vooral niet bij zakelijk of financieel relevante beslissingen.

Hoe belangrijker de beslissing, hoe lonender een blik in de originele bron achter de voetnoot – niet alleen in de AI-samenvatting.

Veelgestelde vragen

Welk AI-model gebruikt Perplexity precies?

Er is geen enkel vast model. Perplexity combineert eigen Sonar-modellen met externe topmodellen van verschillende aanbieders en kiest afhankelijk van aanvraag, modus en abonnementsniveau automatisch of op verzoek de passende combinatie.

Wat is het verschil tussen Pro Search en Deep Research?

Pro Search beantwoordt een vraag in één enkele ronde, terwijl Deep Research zelfstandig meerdere zoekstappen achter elkaar plant en aan het einde een uitgebreider, gestructureerd rapport levert.

Loont de Model Council-modus voor particulieren?

Voor eenvoudige alledaagse vragen doorgaans niet, omdat de extra moeite nauwelijks meerwaarde biedt. Bij echt belangrijke, ingrijpende vraagstukken kan de blik uit meerdere modelperspectieven echter zinvol zijn.

Kan ik blindelings vertrouwen op de bronvermeldingen?

Nee. De voetnoten vergemakkelijken de controle aanzienlijk, maar vervangen geen eigen beoordeling van de bron, vooral wanneer een beslissing financiële of juridische gevolgen heeft.

Waarom antwoordt Perplexity bij dezelfde vraag soms verschillend?

Omdat op de achtergrond afhankelijk van belasting, abonnementsniveau en gevonden bronnen verschillende modellen en zoekresultaten kunnen worden gebruikt, zijn licht afwijkende formuleringen of accenten normaal.

Een overzicht van Perplexity AI als totaalproduct, de prijzen en de beoordeling op het gebied van gegevensbescherming biedt de aanbieder-overzichtspagina: Perplexity AI: de AI-zoekmachine met bronvermeldingen in overzicht. Een vergelijking met de andere grote AI-aanbieders in het cluster vindt u op de overzichtspagina: AI-modellen vergeleken.

Wat betekent “open source” respectievelijk “open weight” bij AI eigenlijk?

Het verschil met ChatGPT, Claude en Gemini

Bij de meeste bekende AI-chatbots zoals ChatGPT van OpenAI, Claude van Anthropic of Gemini van Google verloopt de eigenlijke berekening uitsluitend op de servers van de betreffende aanbieder. Je typt een vraag in, de aanvraag reist via internet naar het datacenter van de aanbieder, wordt daar verwerkt, en het antwoord komt terug. Het model zelf – dus het enorme bestand met de getrainde “denkpatronen” – blijft daarbij altijd bij de aanbieder en is voor niemand daarbuiten inzichtelijk of downloadbaar.

Bij Llama is dat anders. Meta publiceert de getrainde modelgewichten om te downloaden. Wie over de technische voorwaarden beschikt, kan Llama op een eigen server, in de eigen cloudomgeving of zelfs op een krachtige pc installeren en draaien, volledig zonder dat er ook maar één aanvraag naar Meta’s servers wordt gestuurd. Precies daarom spreekt men bij Llama nauwkeuriger van “open weight” in plaats van volledig klassiek opensourcesoftware: de getrainde resultaten zijn openlijk inzichtelijk en bruikbaar, de precieze trainingsgegevens en het complete trainingsproces daarentegen niet volledig openbaar.

Wat betekent dit concreet: zelf hosten in plaats van een clouddienst gebruiken?

“Zelf hosten” betekent dat een bedrijf of een ervaren particulier de software zo inricht dat de AI op eigen hardware draait, of dat een eigen server op kantoor is, een gehuurde server bij een Duits datacenter of een private cloud. Het grote voordeel: alle gegevens die in de AI worden ingevoerd, verlaten in dat geval nooit de eigen infrastructuur. Er is geen derde bedrijf dat de aanvragen meeleest, opslaat of voor eigen doeleinden analyseert. Dat is het beslissende structurele verschil met Meta AI als kant-en-klaar product, dat altijd via Meta’s eigen servers draait, of met ChatGPT en Claude, waarbij een eigen exploitatie technisch in principe niet mogelijk is.

Een open-weight-model zoals Llama is als een recept dat je kunt downloaden en in je eigen keuken kunt nakoken. Een klassieke cloudchatbot is als een restaurant waar je steeds opnieuw naartoe moet, omdat je het recept nooit te zien krijgt.

De Llama-generaties in overzicht

Llama 1 en 2: de begintijd

De eerste Llama-versie uit het voorjaar van 2023 was in eerste instantie alleen bedoeld voor onderzoeksdoeleinden en zorgde er vooral voor dat open AI-modellen überhaupt serieus werden genomen. Met Llama 2 in de zomer van 2023 opende Meta het gebruik voor het eerst expliciet ook voor commerciële doeleinden en legde daarmee de basis voor een brede ontwikkelaarsgemeenschap die op Llama voortbouwt.

Llama 3: de brede doorbraak

Met Llama 3 in 2024 verbeterde Meta vooral de kwaliteit van de antwoorden, de meertaligheid en het vermogen om met aanzienlijk langere teksten om te gaan. Llama 3 geldt als de versie waarmee open modellen voor het eerst serieus konden concurreren met de beste gesloten modellen, en werd de basis van talloze bedrijfstoepassingen.

Llama 4: Scout, Maverick en Behemoth

De actuele generatie Llama 4 kwam in april 2025 en bracht een belangrijke technische sprong: de modellen zijn vanaf de basis “multimodaal” opgebouwd, begrijpen dus niet alleen tekst, maar ook afbeeldingen in één model. De familie bestaat uit meerdere groottes: Llama 4 Scout is de compactere, efficiëntere variant voor eenvoudigere taken en gebruik met beperkte hardware. Llama 4 Maverick is de krachtigere allroundvariant voor veeleisendere taken. Llama 4 Behemoth is veruit het grootste model van de familie en diende in eerste instantie vooral als intern “lerarenmodel”, waarmee de kleinere varianten werden getraind; of en wanneer Behemoth als zelfstandig model openbaar beschikbaar wordt, was ook medio 2026 nog niet definitief bepaald.

De Llama-licentie: wat je moet weten

Ook al wordt Llama vaak “opensource-model” genoemd, is dat in strikte zin niet helemaal juist. Volgens de officiële definitie van opensourcesoftware zou het gebruik volledig onbeperkt moeten zijn, dat is bij Llama niet het geval. Meta staat commercieel gebruik weliswaar in zeer ruime mate toe, met één belangrijke uitzondering: wie een product of dienst exploiteert met meer dan 700 miljoen maandelijks actieve gebruikers, heeft een afzonderlijke licentie rechtstreeks van Meta nodig. Voor de overgrote meerderheid van bedrijven, ook grotere middelgrote bedrijven of vastgoedondernemingen, is deze grens in de praktijk volkomen irrelevant, omdat ze qua omvang ver daaronder liggen. Belangrijk blijft echter om de precieze licentievoorwaarden te kennen voordat Llama vast wordt verankerd in een eigen product.

Voor bijna elk normaal bedrijf in Duitsland is de licentiegrens van 700 miljoen gebruikers pure theorie. Relevanter is de vraag hoe en waar je Llama exploiteert, niet of je dat juridisch mag.

Toepassingsvoorbeelden uit het dagelijks en beroepsleven

Voorbeeld 1: Alledaagse vragen in de chat

Het eenvoudigste gebruik vindt plaats via Meta AI zelf: een vraag over een kookrecept, een vertaling, een korte samenvatting van een tekst. Hier draait Llama op de achtergrond op Meta’s eigen servers, zonder dat de gebruiker daar überhaupt iets van merkt.

Voorbeeld 2: Ontwikkelaars bouwen eigen toepassingen

Een softwarebedrijf kan een Llama-model downloaden en inbouwen in een eigen app, bijvoorbeeld een klantenservice-chatbot, zonder voor elke afzonderlijke aanvraag aan een externe cloudaanbieder te betalen. De lopende kosten bestaan dan uit de eigen server in plaats van uit afrekening per aanvraag.

Voorbeeld 3: Gevoelige gegevens in de vastgoed- en financiële sector

Een voorbeeld uit de praktijk: een makelaarskantoor wil verkoopbrochures, objectbeschrijvingen of interne notities over koopgeïnteresseerden met AI-ondersteuning opstellen, zonder dat klantgegevens, koopprijzen of contractconcepten naar een Amerikaanse cloudaanbieder worden overgedragen. Met een zelf geëxploiteerd Llama-model op een server in Duitsland blijven deze gegevens volledig binnen de eigen infrastructuur. Dat is geen vervanging voor volledige naleving van gegevensbeschermingsregels, maar een structureel verschil met een cloudchatbot, waarbij gegevens in principe het eigen bedrijf verlaten. Belangrijk daarbij: de inspanning voor inrichting, onderhoud en actualisering van een eigen model is reëel en moet realistisch worden ingepland voordat je hiervoor kiest.

Voorbeeld 4: Vertaling en meertaligheid bij overheidsinstanties en administratie

Overheidsinstanties of grotere behandelteams gebruiken open modellen zoals Llama soms om meertalige aanvragen voor te sorteren of standaardantwoorden voor te formuleren, zonder burgergegevens naar een externe clouddienst te versturen.

Voorbeeld 5: Een eenvoudig rekenvoorbeeld over de kostenlogica

Stel dat een klein bedrijf maandelijks ongeveer 50.000 AI-aanvragen voor tekstcreatie laat verwerken. Via een commerciële cloudchatbot met afrekening per aanvraag kunnen afhankelijk van aanbieder en modelgrootte snel meerdere honderden euro’s per maand bij elkaar komen, omdat de kosten met het gebruiksvolume stijgen. Een zelf geëxploiteerde server met een compacter Llama-model zoals Scout veroorzaakt daarentegen grotendeels vaste kosten voor huur en exploitatie van de server, onafhankelijk van of 10.000 of 80.000 aanvragen per maand worden verwerkt. Vanaf een bepaald gebruiksvolume kan de eigen exploitatie daardoor goedkoper worden dan de lopende afrekening per aanvraag – maar alleen als de nodige vakkennis voor inrichting en onderhoud al aanwezig is of wordt ingekocht. Voor klein, onregelmatig gebruik blijft een clouddienst vaak nog steeds de praktischere keuze.

Veelgestelde vragen

Is Llama volledig gratis te gebruiken?

Het downloaden en gebruiken van de modelgewichten is voor de meeste toepassingen gratis. Kosten ontstaan door de exploitatie, dus door serverhardware of cloudrekenkracht die nodig is om het model uit te voeren.

Heb ik programmeerkennis nodig om Llama zelf te exploiteren?

Voor zelfstandige exploitatie zijn doorgaans technische vakkennis of een IT-dienstverlener nodig. Voor het normale gebruik via Meta AI in WhatsApp of de app is daarentegen geen voorkennis nodig.

Is een zelf geëxploiteerd Llama-model automatisch AVG-conform?

Nee, automatisch is helemaal niets. Zelf exploiteren schept echter de technische voorwaarde dat gegevens het eigen bedrijf niet moeten verlaten, wat een belangrijke basis is voor privacyvriendelijke oplossingen. De concrete juridische uitvoering blijft desondanks noodzakelijk.

Wat is het verschil tussen Llama 4 Scout en Maverick?

Scout is de compactere, hulpbronvriendelijkere variant voor eenvoudigere taken en kleinere servers, Maverick de krachtigere variant voor veeleisendere toepassingen met een dienovereenkomstig hogere hardwarebehoefte.

Kan elk bedrijf Llama inzetten in eigen producten?

Voor de overgrote meerderheid van bedrijven ja, binnen de Llama-licentievoorwaarden. Alleen bij diensten met meer dan 700 miljoen maandelijks actieve gebruikers is een afzonderlijke overeenkomst met Meta vereist.

Wie na deze technische deep-dive nog eens het kant-en-klare product Meta AI in het dagelijks leven wil plaatsen, vindt het overzicht op de aanbiederspagina over Meta. Een vergelijking met de andere grote AI-aanbieders is te vinden op de overzichtspagina van de AI-modellen-cluster.