Alisina NawabiJe kunt in eigen woorden uitleggen wat een redeneermodel doet: eerst zijn stappen als tokens uitschrijven en pas daarna antwoorden, nog steeds via next-token-voorspelling, en je weet wanneer dat loont en wanneer het verspilling is.
Handig vooraf: Hoe AI voorspelt
Zet nadenken aan bij ChatGPT of Claude en je ziet het model ineens hardop piekeren over de eerste stap voordat het antwoordt. Verleidelijk om te denken dat er nu een ander, slimmer brein aan het werk is dat écht zit te redeneren zoals jij. Dat is niet zo. Een redeneermodel gebruikt exact hetzelfde trucje als elk ander taalmodel: het voorspelt gewoon het volgende token, keer op keer. Het enige verschil is dat het zichzelf eerst een lang kladblok vol tussenstappen laat volschrijven, en pas daarna het antwoord geeft. Nadenken is hier niets mysterieus: het is meer tokens besteden voordat het antwoord valt.
Voel dat verschil eerst zelf, voordat ik het een naam geef. Hier is een klassiek puzzeltje.
Een slak zit onderin een put van 10 meter. Overdag klimt hij 3 meter omhoog, ’s nachts zakt hij 2 meter terug. Na hoeveel dagen is hij eruit? Antwoord snel, uit je hoofd, voordat je verder leest.
De meeste mensen zeggen 10. De redenering: 3 omhoog min 2 omlaag is 1 meter netto per dag, en 10 gedeeld door 1 is 10 dagen. Dat is precies wat een gewoon taalmodel doet: het plakt het eerste plausibele getal eraan en zit fout.
Schrijf je de dagen wél uit, dan zie je het kantelpunt. Na dag 7 staat de slak op 7 meter. Op dag 8 klimt hij overdag van 7 naar 10 meter en is eruit, nog vóór hij ’s nachts kan terugzakken. Het antwoord is 8 dagen. Het verschil zit niet in een slimmer brein, maar erin dat je je stappen uitschreef voordat je antwoordde. Precies dat is wat een redeneermodel doet.
Een redeneermodel (reasoning model) is een taalmodel dat vóór zijn eigenlijke antwoord eerst een reeks tussenstappen als tokens uitschrijft, zijn zogenoemde chain-of-thought of redeneerspoor. Die stappen zijn nog steeds gewoon voorspelde tokens, alleen toegepast op zijn eigen kladblok in plaats van meteen op jouw vraag. Door meer rekentijd te besteden op het moment van antwoorden wordt het beter in moeilijke, meerstaps problemen.
Onder de motorkap ziet dat er zo uit: tussen jouw vraag en het antwoord schuift het model een kladblok in.
Zonder nadenken flapt het model het eerste plausibele token eruit, net als bij de slak. Met nadenken vult het eerst een reeks denk-tokens, stap voor stap, en pas daarna komt het antwoord. Nog steeds token voor token, nog steeds kansen, nog steeds geen blik vooruit. Het denken ís meer voorspellen, niet iets naast het voorspellen.
Vergelijk het met hoofdrekenen tegenover het op papier uitschrijven. Vraag iemand 17 keer 24 en uit het hoofd gokt hij er makkelijk naast. Laat hem het op een kladje uitwerken, stap voor stap, en de kans op het juiste antwoord schiet omhoog. Een redeneermodel krijgt datzelfde kladje: het mag eerst hardop uitwerken voordat het iets zegt.
Waarom nadenken je geld en tijd kost
Dat kladblok is niet gratis. Elke denk-token moet gegenereerd worden, en OpenAI rekent die stappen als gewone output-tokens af, ook als je ze niet te zien krijgt. Claude factureert de denk-tokens net zo goed als output en bewaart ze op de nieuwste modellen standaard in de context, en Gemini rekent op de volledige denk-tokens terwijl je alleen een samenvatting terugkrijgt. Twee gevolgen die je merkt: dezelfde vraag kost meer mét nadenken dan zonder, en de denkstappen vullen je contextvenster mee, ruimte die je antwoord dan niet meer heeft. Niet voor niets adviseert OpenAI om minstens 25.000 tokens vrij te houden voor het redeneren en het antwoord samen.
Wanneer is een redeneermodel de moeite, en wanneer verspilling?
De vuistregel volgt uit die kosten. Voor een moeilijke, meerstaps taak, wiskunde, code debuggen, een logische puzzel, een planning met randvoorwaarden, verdient dat uitschrijven zich dubbel en dwars terug: het model kan het probleem opdelen en onderweg een misstap corrigeren in plaats van meteen het eerste antwoord te gokken. Voor een simpele feitvraag zoals de hoofdstad van Frankrijk, een korte vertaling of een snelle samenvatting is het weggegooid geld: trager, duurder, en geen betere uitkomst. Veel modellen laten je het nadenken daarom aan- en uitzetten of een diepte kiezen, precies zodat je die afweging per taak maakt.
En let op één ding: meer denken is geen waarheidsgarantie. Een redeneermodel kan zich net zo goed plausibel ogend de verkeerde kant op redeneren en met keurige tussenstappen bij een fout antwoord uitkomen. De stappen die je ziet zijn een samenvatting, geen bewijs. Vertrouw de uitkomst die je zelf controleert, niet het nette verhaal eromheen.
Test nu of het blijft hangen. Kies bij elke vraag het antwoord dat klopt bij wat je net zag.
Wat doet een redeneermodel dat een gewoon model niet doet?
Zodra je een redeneermodel ziet als een gewoon taalmodel met een kladblok, vallen de rare kanten op hun plek. Waarom het beter is in wiskunde maar niet in het opzoeken van een feit. Waarom het trager en duurder is. Waarom de mooie tussenstappen geen garantie zijn. Het is nooit een ander soort intelligentie geweest, alleen meer van hetzelfde ene trucje: welk token komt er nu waarschijnlijk achteraan, net zolang tot er een antwoord staat.
Veelgestelde vragen
AI die per taak de juiste keuze maakt
Ik denk met je mee waar nadenken loont en waar het geld verbrandt, en ontwerp en bouw AI-systemen die per taak het juiste model en de juiste denkdiepte inzetten, van eerste idee tot een werkend product.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
