Kennisafsluitdatum: waarom een AI-chatbot niet weet wat er gisteren gebeurde
Stel je een encyclopedie voor die in één keer volledig is gedrukt en daarna nooit meer wordt bijgewerkt. Alles wat vóór de druk gebeurde staat er feilloos in, maar gebeurtenissen van erna ontbreken volledig — het boek weet er simpelweg niets van. De kennisafsluitdatum (in het Engels: knowledge cutoff of training cutoff) is precies dat principe, maar dan voor een AI-taalmodel zoals ChatGPT, Claude of Gemini: de laatste datum waarop informatie is meegenomen in de gegevens waarmee het model is getraind.
Vraag je zo'n chatbot naar het wereldnieuws van gisteren, dan kan het antwoord dus misleidend zijn. Het model 'liegt' niet bewust, maar het heeft simpelweg geen toegang tot gebeurtenissen na zijn kennisafsluitdatum. Sommige modellen zeggen dat eerlijk ('mijn kennis loopt tot...'), andere doen soms een gok die plausibel klinkt maar feitelijk onjuist is — een verschijnsel dat bekendstaat als hallucineren. Begrijpen wat een kennisafsluitdatum is, helpt om AI-antwoorden met de juiste dosis scepsis te lezen.
Wat is het precies?
Een taalmodel wordt getraind door enorme hoeveelheden tekst — websites, boeken, nieuwsartikelen, code, forums — aan een neuraal netwerk te voeren. Tijdens dat trainingsproces leert het model statistische patronen in taal: welke woorden vaak op elkaar volgen, hoe feiten meestal worden geformuleerd, hoe redeneringen zijn opgebouwd.
Het verzamelen en opschonen van al die data kost maanden tot jaren. Op een gegeven moment moet een ontwikkelaar een streep trekken: alle data tot datum X wordt gebruikt, alles daarna niet. Die datum X is de kennisafsluitdatum. Na het verzamelen van de data volgt nog de eigenlijke training, vaak gevolgd door 'fine-tuning' (verfijning met menselijke feedback) en veiligheidstests — een proces dat zelf weer maanden duurt. Daardoor ligt de release van een model meestal geruime tijd ná de eigenlijke kennisafsluitdatum.
Belangrijk om te beseffen: een kennisafsluitdatum is geen scherpe, foutloze grens. Sommige recente informatie sijpelt soms per ongeluk toch binnen (bijvoorbeeld via een webpagina die al eerder was gearchiveerd), terwijl andere content van vlak vóór de cutoff mogelijk juist ontbreekt omdat die simpelweg niet in de trainingsdataset zat. Het is dus eerder een vage zone dan een messcherpe lijn.
Wat wil men ermee bereiken?
Niemand ontwikkelt een kennisafsluitdatum als doel op zich — het is een onvermijdelijk bijproduct van hoe modellen worden gebouwd. Wat bedrijven wél nastreven, is die grens zo kort mogelijk te maken en zo transparant mogelijk te communiceren.
Een recentere kennisafsluitdatum betekent dat een model actuelere feiten, gebeurtenissen en context kent, wat het bruikbaarder maakt voor vragen over de 'huidige' wereld. Tegelijk speelt transparantie een rol: gebruikers moeten weten wanneer ze niet op een model moeten vertrouwen voor actueel nieuws, beurskoersen of recente wetswijzigingen, en wanneer aanvullende bronnen nodig zijn.
Daarnaast is er een sterke drijfveer om de beperking van een vaste cutoff helemaal te omzeilen. Dat gebeurt via technieken als retrieval-augmented generation (RAG) en 'live' internettoegang: het model krijgt dan tijdens het gesprek actuele zoekresultaten of documenten aangereikt, die het combineert met zijn eigen taalvaardigheid. Zo kan een chatbot toch iets zinnigs zeggen over het nieuws van vandaag, ook al stamt zijn onderliggende training van maanden eerder.
Voorbeelden uit de praktijk
De precieze kennisafsluitdatum verschilt sterk per model en wordt niet altijd even nauwkeurig door de makers gepubliceerd. Enkele bekende, veelgenoemde voorbeelden:
- OpenAI GPT-3.5 (het model achter de eerste versie van ChatGPT, gelanceerd in november 2022) had een kennisafsluitdatum die algemeen rond september 2021 wordt gelegd.
- OpenAI GPT-4 (maart 2023) werd door OpenAI zelf gedocumenteerd met een kennisafsluitdatum van september 2021 — meer dan anderhalf jaar vóór de release.
- OpenAI GPT-4 Turbo (november 2023) bracht die grens dichterbij, met een cutoff die door OpenAI werd opgegeven als april 2023.
- Anthropic Claude 3-modellen (begin 2024) werden door Anthropic gedocumenteerd met een trainingscutoff van augustus 2023, en latere Claude 3.5-modellen (medio 2024) met een cutoff die verder opschoof richting begin 2024.
- Google Gemini-modellen (vanaf december 2023) combineren van meet af aan een trainingscutoff met geïntegreerde zoekfunctionaliteit, waardoor Google minder nadruk legt op één vaste cutoff-datum.
Let op: niet alle bedrijven publiceren hun exacte cutoff-datum even consequent, en de datum kan tussen versies van hetzelfde model verschillen. Voor de precieze, actuele stand raadpleeg je het best de officiële documentatie van de aanbieder (zie 'Verder lezen').
Hoe ver is de techniek?
De trend van de afgelopen jaren is duidelijk: de tijd tussen kennisafsluitdatum en release wordt korter, en de cutoff zelf schuift steeds dichter naar het heden op. Waar GPT-4 nog anderhalf jaar 'oude' kennis had ten opzichte van zijn release, ligt die vertraging bij recentere modellen vaak nog maar enkele maanden.
Toch blijft een fundamenteel obstakel bestaan: trainen van een groot taalmodel kost enorm veel rekenkracht en tijd, en dat proces kun je niet oneindig versnellen zonder in te leveren op kwaliteit of kosten. Daarom experimenteren aanbieders steeds meer met hybride oplossingen: een 'bevroren' basiskennis uit de training, aangevuld met live retrieval (zoeken op het web of in documenten) voor actuele feiten. ChatGPT met browsen, Claude met tool-gebruik en Gemini met Google-zoekintegratie zijn hier voorbeelden van.
Een ander obstakel is dat modellen soms niet goed weten wát ze niet weten. Een model kan zelfverzekerd een verouderd feit presenteren alsof het actueel is, zonder te signaleren dat zijn kennis een grens heeft. Verbeteringen op dit vlak — modellen die expliciet aangeven wanneer ze onzeker zijn over recentheid — zijn een actief onderzoeksgebied, maar nog geen opgelost probleem.
Wie werken eraan?
De belangrijkste partijen die kennisafsluitdatums beheren en de gevolgen ervan proberen te verzachten, zijn de grote ontwikkelaars van taalmodellen: OpenAI (GPT-serie, gevestigd in de Verenigde Staten), Anthropic (Claude-serie, eveneens VS), Google DeepMind (Gemini-serie) en Meta AI (de open-source Llama-modellen). Ook het Franse Mistral AI en Chinese partijen zoals Alibaba (Qwen) en DeepSeek spelen een groeiende rol.
Daarnaast houdt de academische wereld zich bezig met de bredere problematiek van 'temporele generalisatie' — hoe modellen omgaan met tijd en veranderende feiten. Onderzoeksgroepen publiceren hierover regelmatig op platforms als arXiv, en universiteiten zoals Stanford (via het Stanford Institute for Human-Centered AI) volgen de ontwikkeling van modellen en hun beperkingen op de voet.