Waarom de “Beste LLM voor Marketing” Niet Bestaat

Elke nieuwe grote taalmodelrelease komt met dezelfde beloften: grotere contextvensters, sterker redeneren en betere benchmarkprestaties. Dan, voordat je het weet, voelen marketeers met AI-ervaring een vertrouwde angst beginnen te krijgen. Is het model dat ze voor alles gebruiken al achterop geraakt? Is het de moeite waard om over te schakelen en alles van scratch opnieuw te trainen? Wat als ze niets doen en achterop raken?

Die angst is begrijpelijk. Het is ook misplaatst.

Als iemand die verantwoordelijk is voor het bouwen van de systemen waar marketeers elke dag op vertrouwen, zie ik dit patroon zich afspelen over teams en workflows lang voordat het in de koppen terechtkomt.

Vanuit een product- en platformperspectief is iets de afgelopen jaren steeds duidelijker geworden: er is geen enkel model dat consistent het beste presteert over alle marketingtaken heen. Met een frontrowstoel bij honderden marketingteams die wereldwijde campagnes lanceren terwijl de snelheid van modelinnovatie versnelt, is het duidelijk dat de eisen van real-world marketingwerk te genuanceerd zijn voor een strategie met één model om over tijd heen stand te houden.

Het kiezen van het “juiste” model doet er niet toe, omdat geen enkel model goed is voor elke taak. Wat belangrijk is, is het ontwerpen van systemen die voortdurend modellen kunnen evalueren en koppelen aan het specifieke werk dat marketeers proberen te doen. Dit is iets dat individuele marketeers niet zelf hoeven te beheren, maar iets dat hun tools voor hen moeten doen. De praktische conclusie is eenvoudig: stop met vragen welk model “het beste” is en begin met vragen of je tools kunnen aanpassen als modellen veranderen.

Waarom “Beste Model” Denken in Marketing Faalt

De meeste openbare discussies over LLM’s draaien om algemene benchmarks: wiskundeproblemen, redeneeruitdagingen, gestandaardiseerde examens. Deze benchmarks zijn nuttige signalen voor onderzoeksvooruitgang, maar ze zijn zwakke voorspellers van prestaties in de praktijk.

Marketinginhoud, in het bijzonder, heeft kenmerken die generieke benchmarks zelden vastleggen:

• Het gaat altijd over een specifiek product of dienst
• Het is altijd geschreven voor een gedefinieerd publiek
• Het moet consistent de stem, toon en standaarden van een merk weerspiegelen

Bijvoorbeeld zien we consistent dat verschillende modellen uitblinken in verschillende soorten marketingwerk. Sommige zijn beter in het maken van kopie in uw merkstem van scratch, terwijl anderen beter presteren bij het begrijpen van complexe technische documenten en deze samen te vatten in blogposts. We leren dit door rigoureuze tests, omdat nieuwe mogelijkheden alleen waarde creëren als ze snel en realistisch worden geëvalueerd. Dus, bijvoorbeeld, toen Gemini 3 Pro eind november 2025 werd gelanceerd, integreerden en testten onze team het binnen 24 uur en maakten het beschikbaar voor een selecte groep klanten om de fit tegen echte marketingwerkstromen te beoordelen in plaats van abstracte benchmarks.

Dit patroon is niet anekdotisch. Onderzoek toont steeds vaker aan dat de prestaties van LLM’s sterk taakafhankelijk zijn, met modellen die betekenisvolle variatie vertonen bij schrijf-, samenvatting-, redeneer- en instructievolgtaken. Een model dat goed presteert op algemene redeneertests kan nog steeds worstelen met beperkte, merkgevoelige inhoudsgeneratie.

Nog belangrijker, we zien deze verschuivingen op maand-na-maand-basis. Modelleiderschap verandert naarmate providers worden geoptimaliseerd voor verschillende capaciteiten, kostenstructuren en trainingsbenaderingen. Het idee dat één provider “het beste” zal blijven over alle marketinggevallen heen is al verouderd.

De Verborgen Kosten van het Achtervolgen van Releases

Wanneer teams proberen om modelreleases handmatig bij te houden en gereactiveerd te schakelen, worden de operationele kosten vermenigvuldigd. Marketeers ervaren:

• Workflowonderbreking omdat prompts, sjablonen en processen constant moeten worden aangepast
• Onconsistentie in de kwaliteit van de output omdat verschillende modellen zich anders gedragen over taken
• Besluitvormingsmoeheid omdat evaluatietijd productieve arbeid vervangt

Ik heb marketingteams zien besteden aan het migreren van de ene provider naar de andere, alleen om te ontdekken dat hun zorgvuldig afgestemde prompts niet langer werken zoals verwacht. De inhoud die eerder op maat leek, leest nu anders. Teamleden die net comfortabel waren geworden met een workflow moeten nu een nieuwe leercurve doorlopen. De beloofde prestatieverbeteringen materialiseren zelden op manieren die de onderbreking rechtvaardigen.

Branchonderzoek toont consistent aan dat de meeste AI-waarde verloren gaat, niet op het modelniveau, maar op het niveau van integratie en veranderingbeheer. Vanuit een productstandpunt is het grootste risico het te strak koppelen van workflows aan één model. Dit creëert technische lock-in, wat verbetering moeilijker maakt over tijd.

Een Meer Duurzame Benadering: LLM-Geoptimaliseerde Systemen

Een meer veerkrachtige benadering is om te assumeren dat er sprake is van volatiliteit. En dan ontwerp je daarvoor.

In een LLM-geoptimaliseerd systeem worden modellen behandeld als uitwisselbare componenten in plaats van vaste afhankelijkheden. Prestaties worden voortdurend geëvalueerd met behulp van echte workflows, niet abstracte benchmarks. Verschillende modellen kunnen worden doorgestuurd naar verschillende taken op basis van waargenomen resultaten in plaats van theoretische capaciteit.

Dit kan betekenen dat social media-bijschriften worden doorgestuurd naar een model dat uitblinkt in bondigheid en punch, terwijl lange bloginhoud wordt doorgestuurd naar een ander model dat consistentie behoudt over duizenden woorden. Het agent dat helpt bij het opstellen van strategie kan een derde model gebruiken dat beter is in redeneren. Het systeem neemt deze routeringsbeslissingen automatisch op basis van welk model het beste heeft getest voor elke specifieke taaktype.

Vanuit het perspectief van de gebruiker zou dit proces onzichtbaar moeten zijn. Een analogie die ik hier graag gebruik, is die van de Franse keuken: elke component – saus, reductie, kruiden – heeft een techniek achter zich. De diner hoeft niet te weten waar elk ingrediënt vandaan komt. Ze ervaren gewoon een betere maaltijd.

Voor marketeers geldt hetzelfde principe. De onderliggende motor kan veranderen terwijl workflows stabiel blijven. Verbeteringen komen geleidelijk tot uiting in de vorm van betere merkalignement, hogere tevredenheid met inhoud en consistentere resultaten, zonder teams te dwingen om elke paar maanden hun tools opnieuw te leren. In de praktijk betekent dit dat marketeers consistentere resultaten krijgen en minder workflowonderbrekingen, zelfs als modellen onder de motorkap veranderen.

Waarom Meting Belangrijker is dan Benchmarks

Modelbeslissingen doen er alleen toe als ze meetbare verbeteringen opleveren in echte workflows. Openbare benchmarks bieden richtinggevende inzichten, maar ze beantwoorden marketing-specifieke operationele vragen niet, zoals:

• Past dit model de merkstem meer betrouwbaar toe?
• Neemt het productkennis op met minder fouten?
• Verkort het de bewerkings- of governance-bottlenecks?

Recent onderzoek benadrukt het belang van mens-in-de-lus-evaluatie en taakspecifieke tests voor toegepaste LLM-systemen. Op grote schaal zijn deze signalen veel voorspellender van waarde dan leaderboard-rankings.

De Agentic Shift Verhoogt het Spel

Naarmate AI-systemen agentischer worden, plannen, ontwerpen, itereren en uitvoeren met minder directe toezicht, neemt het belang van onderliggende modelselectie toe. Tegelijkertijd wordt het minder haalbaar voor mensen om elke beslissing te controleren.

Dit weerspiegelt het huidige onderzoek naar agentic systemen, dat benadrukt dat tool- en modelkeuze aanzienlijk van invloed is op betrouwbaarheid en veiligheid. In deze omgeving wordt modelselectie een infrastructuurbeslissing, niet een gebruikersvoorkeur. Het systeem zelf moet ervoor zorgen dat elke component van een workflow wordt aangedreven door het meest geschikte model op dat moment, op basis van waargenomen prestaties in plaats van gewoonte.

Verandering Opnemen in Plaats van Reageren

De koppen zullen blijven komen, nieuwe modellen zullen blijven lanceren en leiderschap in LLM-prestaties zal blijven verschuiven.

Succes gaat over het bouwen van systemen die modelvolatiliteit kunnen opnemen in plaats van op elke release te reageren. Dit is hoe marketeers hun werk snel kunnen schalen, kwaliteit en merkconsistentie kunnen behouden en zich kunnen concentreren op het werk dat daadwerkelijk impact heeft.

Ik geloof echt dat de toekomst van AI in marketing eruit bestaat om modelverandering irrelevant te maken voor de mensen die het werk doen. Marketeers hebben immers veel belangrijkere dingen te doen dan modellen elke zes maanden opnieuw te trainen.