Waarom je LLM denkt dat „The Madison“ in Wisconsin ligt

Door Tyler Bell, SVP Product

Dit is een bekend scenario: omdat er zoveel tv- content s beschikbaar zijn, vraag je vrienden en familie om aanbevelingen voor series om jezelf het eindeloze scrollen te besparen. Gelukkig raadt een vriend, die weet dat je Yellowstone, Landman en Mayor of Kingstown leuk vond, je de nieuwste tv-serie van Taylor Sheridan aan: The Madison.

Je kunt niet wachten om de serie te beginnen en vraagt je spraakgestuurde afstandsbediening om de eerste aflevering te zoeken en af te spelen. Maar in plaats van het drama met Michelle Pfeiffer in de hoofdrol over een gezin dat van New York City naar de wildernis van Montana verhuist, krijg je een reality-tv-programma te zien over een groep jongvolwassenen die in Madison, Wisconsin, woont.

Dit klinkt misschien onwaarschijnlijk, gezien alle ophef rond Taylor Sheridan en zijn imperium van populaire tv-series. Het is echter precies het antwoord dat een ongetrainde LLM gaf toen we hem om informatie vroegen over het nieuwste programma in het tv-universum van Sheridan.

Hoe verrassend die reactie ook mag lijken, dat zou eigenlijk niet zo moeten zijn. Dat komt omdat LLM’s een aantal zeer fundamentele beperkingen hebben.

Hoewel LLM’s uitblinken in redeneren en conclusies trekken, zijn ze niet ontworpen om feiten te verwoorden. Als voorspellingsmodellen is hun enige functie het voorspellen van het volgende token. En in het bovenstaande voorbeeld zorgt de kennisbeperking van het LLM ervoor dat het niets weet van wat er na afloop van de trainingsperiode is gebeurd, waaronder de première van *The Madison* in maart 2026. 

Bij een LLM hangt de nauwkeurigheid van de antwoorden volledig af van geoptimaliseerde plausibiliteit, niet van feiten. Data en training kunnen de resultaten verbeteren, maar niemand mag feitelijke zekerheid verwachten van een machine die is getraind om op basis van waarschijnlijkheid te antwoorden. Net als bij populaire chatbots zoals ChatGPT en Gemini heeft het LLM binnen elke videodistributiedienst^{een ‘grounding’1} nodig om de gegeven antwoorden te verifiëren, te corrigeren en te verbeteren.

In tegenstelling tot die populaire chatbots hebben LLM’s die worden gebruikt voor het zoeken en ontdekken van content echter domeinspecifieke onderbouwing nodig. Onderbouwing met betrouwbare entertainmentgegevens zou bijvoorbeeld voorkomen dat een niet-onderbouwde LLM informatie zou geven over een Starz-tv-serie genaamd *Heels*, die van 2021 tot 2023 werd uitgezonden, wanneer er wordt gevraagd naar een speelfilm uit 2025 met een zeer vergelijkbare naam: *Heel*.

Naarmate de catalogi v content s groeien, wordt het steeds moeilijker om de juiste content te vinden; tv-kijkers geven namelijk aan dat ze tegenwoordig 14 minuten besteden aan het zoeken naar iets om^{naar te kijken2}. LLM’s zijn in staat om de uitdagingen op het gebied van content -ontdekking voor het publiek op te lossen, maar ze kunnen dit niet in hun eentje doen.

Door zich te richten op de praktijk blijven LLM’s gelijke tred houden met de tijd

LLM’s zijn, uitsluitend op basis van hun trainingsgegevens, geen alomvattende kennisbanken. Dit fundamentele kenmerk vormt de kern van de reden waarom LLM’s externe gegevens nodig hebben om ervoor te zorgen dat de antwoorden die ze geven actueel en nauwkeurig zijn. Zonder externe onderbouwing zorgen kennisgrenzen er bijvoorbeeld voor dat LLM’s geen zicht hebben op content die na hun implementatie wordt uitgebracht – een opmerkelijke beperking als we bedenken hoeveel nieuwe tv-series en films er elk jaar verschijnen.

Hoewel dit voor het publiek frustrerend is, zou het beste antwoord dat een LLM kan geven wanneer het wordt gevraagd naar een nieuwe film, er een kunnen zijn waarin het simpelweg de beperkingen van zijn trainingsgegevens erkent. In een recent onderzoek van de Gracenote deed een in mei 2025 gelanceerd LLM zonder trainingsgegevens precies dat: het merkte op dat het geen informatie had over diverse recente mainstreamfilms die in 2025 en 2026 zijn uitgebracht.

Meestal verzinnen LLM’s echter dingen die ze niet weten (d.w.z. ze ‘hallucineren’), en dat doen ze vol overtuiging. Dit brengt aanzienlijke risico’s voor de gebruikerservaring met zich mee in de entertainmentwereld, vooral gezien de toenemende fragmentatie en het grote aantal heruitgebrachte titels met dezelfde naam als hun voorgangers.

Om een beter inzicht te krijgen in de invloed van hallucinaties op de ontdekking van ‘ content ’, hebben we in ons recente onderzoek onderzocht hoeveel informatie een ‘ungrounded’ LLM verzon over de top 100 tv-afleveringen en de top 100 films in 13 landen. Van de in totaal 2.600 titels verzon de ‘ungrounded’ LLM voor 506 titels (bijna 20% van het totaal) 100% van de informatie op attribuutniveau.

LLM’s kunnen geen feitelijke zekerheid bieden

De beperkingen op het gebied van infrastructuur – in combinatie met de beperkte hoeveelheid trainingsgegevens, het voorspellen van het volgende token en het gebrek aan onderbouwde gegevens – zorgen samen voor een onbevredigende ervaring voor tv-kijkers. Uiteindelijk hangt een positieve gebruikerservaring ervan af of kijkers vinden wat ze zoeken. Op dit punt schieten ononderbouwde LLM’s tekort, simpelweg omdat feitelijke nauwkeurigheid onmogelijk is.

Voor streamingdiensten is ‘ongrounded AI’ geen theoretisch concept. Als een assistent een verhaallijn verzint, de verkeerde cast noemt of vergelijkbare titels door elkaar haalt, zullen kijkers het model daar niet de schuld van geven. Ze zullen de schuld geven aan de ervaring zelf, waardoor ‘grounding’ essentieel is voor vertrouwen, klantbehoud en het genereren van inkomsten.

Juist dat risico maakt het zo dringend om een oplossing te vinden voor de ‘ content ’-problematiek, en de grootste uitdaging waar het publiek momenteel voor staat, is het vinden van iets om naar te kijken. LLM’s zullen hierin een cruciale rol spelen, maar succesvolle AI-strategieën zullen niet worden gebaseerd op grotere modellen. 

In plaats daarvan zullen succesvolle mediabedrijven en streamingdiensten complete en actuele content -informatie rechtstreeks in hun AI-stack integreren, geleverd via gelicentieerde datasets, MCP-servers of andere koppelingen met een gezaghebbende kennisgrafiek.

Agenten en modellen: Maar de chatbot doet dit goed…

Hier is een uiterst belangrijk onderscheid in de wereld van AI: wanneer je als consument met ChatGPT, Gemini of Claude communiceert, maak je geen gebruik van het model dat je op professionele basis zou licentiëren bij respectievelijk OpenAI, Google of Anthropic. In plaats daarvan heb je te maken met een agent, een implementatie van het onderliggende model die is gecombineerd met een aanzienlijk aantal aanvullende tools en gegevens. 

Heb je een wiskundige vraag? Het model koppelt die door naar een rekenprogramma. Wil je meer weten over een recente gebeurtenis, sportuitslagen of het laatste nieuws? Het model stuurt die vraag door naar een speciale tool die op internet zoekt. Deze chatbots voor consumenten maken gebruik van tientallen – zo niet honderden – domein- en taakspecifieke tools en gegevensbronnen om de goed geïnformeerde gebruikerservaring te bieden die ze leveren.

Wanneer je een LLM in je entertainmentstack inzet, heb je geen toegang tot dezelfde tools en gegevens als bij een chatbot voor consumenten. De LLM is een onvolledige oplossing. In dit geval moet je zelf zorgen voor gegevens en tools om:

• Pas LLM-reacties aan om endemische hallucinaties te voorkomen
• Zorg voor aanvullende mogelijkheden die de LLM niet zelfstandig kan uitvoeren, en 
• Zorg ervoor dat het model toegang heeft tot actuele informatie 

Specifieke tools, zoals MCP-servers, worden binnen een agent gecombineerd met gedragsinstructies (de systeemprompt) en bedrijfslogica. Waarschijnlijk zul je voor elke AI-gerelateerde taak in je entertainmentstack een aparte agent implementeren, maar ze zullen allemaal gebruikmaken van hetzelfde LLM en grotendeels dezelfde tools.

Dit artikel verscheen oorspronkelijk op Streaming Media.