Vergeet Large Language Models, SLM is de nieuwe trend

Generatieve AI maakt tot nu toe vooral gebruik van Large Language Models (LLM’s). Met de opkomst van agenticAI verschuift de aandacht naar veel kleinere modellen. Die zijn goedkoper te trainen en verbruiken veel minder energie.

Lees ook: genAI-waarde schuilt in het juiste onderscheid maken tussen SLM’s en LLM’s

Thijs DoorenboschMeer van deze auteur

Small Language Models (SLM) zijn het antwoord op de ratrace van de webgiganten die steeds nieuwe taalmodellen ontwikkelen met meer parameters. Gemini 2.5 Pro, het LLM dat Google deze maand introduceerde, heeft bijvoorbeeld naar schatting 1560 miljard parameters. SLM’s hebben er niet meer dan 10 miljard. LLM’s zijn dan ook bedoeld als generalisten, die voor veel taken zijn in te zetten. SLM’s zijn gericht op specifieke taken en lenen zich daarom heel goed voor het ontwikkelen van AI-agents. Die kunnen autonoom op zoek gaan naar informatie en op basis daarvan beslissingen nemen.

Van generalist naar specialist

Vorige week belichtte SURF de SLM’s als een van de interessante ontwikkelingen in SURF Tech Trends 2026. SLM’s bieden de mogelijkheid om lokaal en real-time analyses uit te voeren zonder dat ze afhankelijk zijn van grote datacentra. SLM’s zijn geschikt voor edgecomputing op lokale servers of laptops en functioneren in sommige gevallen zelfs op mobiele apparatuur zoals smartphones. Daardoor wordt vendor lock-in voorkomen en is het makkelijker om AI toe te passen op privacygevoelige gegevens. Het tijdperk van bigger is better maakt plaats voor smaller is smarter, stelt Harvard Business Review in een recent artikel. Zeker in situaties waarin het essentieel is om AI-ondersteuning in milliseconden in plaats van seconden te krijgen, zoals bij zorg op afstand, in smart factories of autonome voertuigen bieden SLM’s voordelen doordat de reactietijd niet afhankelijk is van cloudcommunicatie.

SLM werkt sneller en beter

Harvard Business Review signaleert dat verschillende aanbieders, zoals Infosys, al SLM’s hebben ontwikkeld die zijn getraind voor taken in specifieke sectoren zoals de financiële industrie of voor gespecialiseerde IT-taken. Chemieconcern Bayer heeft een SLM ontwikkeld voor een agent die de helpdesk ondersteunt bij het beantwoorden van vragen die boeren stellen over het gebruik van gewasbeschermingsmiddelen. Uit onderzoek bleek dat dit SLM 40% meer accurate antwoorden gaf dan wanneer een LLM voor dat doel werd ingezet.

Verlies beheer SLM niet uit het oog

SURF waarschuwt in het trendrapport wel dat er bij de inzet van SLM’s extra aandacht moet komen voor beheer en training. Door de geringe infrastructuurvereisten kunnen SLM’s overal worden ingezet en daarin schuilt het gevaar dat technologie-upgrades en governance onvoldoende aandacht krijgen. Ook zorgt de samenwerking tussen autonome agents die gebruik maken van hun eigen SLM’s voor extra complexiteit in de architectuur.