Mistral Forge: Hoe training van maatwerkmodellen voor enterprises er in de praktijk uitziet

Ik volg de productlanceringen van Mistral AI al een tijd, van de Mistral 3-modelfamilie tot Le Chat en Vibe 2.0. Mistral Forge, als je even bijleest, is geen modellancering. Het is Mistrals zet richting enterprise-infrastructuur.

Nvidia GTC kondigde op 17 maart 2026 aan dat Forge enterprises in staat stelt AI-modellen te bouwen die volledig zijn getraind op interne data. Niet fijngestemd op publieke modellen, maar echt vanaf nul getraind op decennia aan engineeringdocumentatie, eigen codebases, compliancekaders en operationele logs.

In dit artikel leg ik uit wat Mistral Forge is, hoe het werkt, wanneer training van maatwerkmodellen zinvol is ten opzichte van API’s gebruiken, en wat het kost. Ik gebruik voorbeelden van early adopters zoals ASML en Ericsson om te laten zien waar Forge past.

Wat is Mistral Forge?

Mistral Forge is een enterpriseplatform voor het bouwen van AI-modellen met de eigendata van jouw organisatie. In tegenstelling tot API-gebaseerde services waarbij je prompts naar iemands anders model stuurt, geeft Forge je controle over de volledige trainingsketen.

Traditionele AI-API’s (OpenAI, Anthropic):

• Prompts sturen → antwoorden krijgen
• Modellen getraind op publieke internetdata
• Optioneel fine-tunen op beperkte datasets
• Jouw data wordt nooit onderdeel van de kernkennis van het model

Mistral Forge:

• Modellen vanaf nul trainen op interne data
• Volledige lifecyclecontrole: pretraining, fine-tuning, reinforcement learning
• De kennis van je bedrijf wordt in elke laag ingebed
• Modellen begrijpen jullie vakjargon, workflows en context

Het terugkerende probleem: generieke modellen die op publieke webdata zijn getraind, begrijpen de institutionele kennis van je bedrijf niet. Ze hallucineren vakspecifieke termen. Ze kennen jullie engineeringstandaarden, compliancebeleid of operationele procedures niet. Forge lost dit op door je modellen te laten bouwen die de kennis van je organisatie van onderaf internaliseren.

Vroege gebruikers zijn onder meer ASML (halfgeleiderproductie), Ericsson (telecommunicatie), de European Space Agency en DSO National Laboratories in Singapore. Dit zijn geen bedrijven die met chatbots experimenteren. Ze bouwen AI voor bedrijfskritische operaties waar generieke modellen tekortschieten.

Hoe Mistral Forge werkt

Hier is de volledige workflow, van data-inname tot deployment:

Modelselectie

Je begint met het kiezen van een basisarchitectuur uit Mistrals open-weight-modellen: Mistral Large 3 voor complexe redenering, Mistral Small 4 voor snellere inferentie en lagere kosten, of aangepaste MoE-configuraties (Mixture-of-Experts) die prestaties en efficiëntie balanceren.

De keuze tussen dense en MoE is belangrijk voor operationele kosten. Dense modellen bieden sterke algemene capaciteiten. MoE-modellen kunnen vergelijkbare prestaties leveren met lagere latency en rekenkosten—denk aan vergelijkbare resultaten voor 40–60% van de infrastructuuruitgaven.

Dataintegratie

Hier komt je eigendata in beeld. Forge ondersteunt ongestructureerde tekst (documentatie, rapporten, e-mails), codebases met behoud van repository-structuur, gestructureerde data (databases, spreadsheets) en multimodale input (tekst plus afbeeldingen waar relevant).

Voor gereguleerde sectoren waar echte data niet altijd gebruikt kan worden, bevat Forge synthetische datageneratie. Je kunt trainingsvoorbeelden maken die aan beleid voldoen, edgecases simuleren en long-tail-situaties toevoegen die in echte data zelden voorkomen maar in productie wel belangrijk zijn.

Pretraining

Dit is het dure deel waarin institutionele kennis in neurale gewichten wordt ingebed. Pretraining vanaf nul kost miljoenen aan compute, wat de meeste organisaties overslaan. Maar hierdoor gaat het model je domein echt begrijpen.

Pretraining op grote interne datasets kan weken duren op enterprise GPU-clusters. Bedrijven als ASML en Ericsson plannen maanden voor de eerste trainingsrondes, met kosten die in de miljoenen lopen afhankelijk van datavolume en modelgrootte. Dit draai je niet op een lokale machine.

Supervised fine-tuning

Na pretraining verfijn je het model voor specifieke taken via supervised fine-tuning (SFT). Je traint dan op instructie-antwoordparen die specifiek zijn voor jouw domein, zoals het beoordelen van engineering change requests op complianceovertredingen of het analyseren van financiële instrumenten volgens je interne risictaxonomie.

Reinforcement learning

Voor agentische workloads—modellen die tools moeten gebruiken, beslissingen nemen en meerstapstaken afronden—is Reinforcement Learning (RL) de manier om te optimaliseren voor daadwerkelijke taakvoltooiing, niet alleen plausibele tekst. Volgens rapporten van vroege gebruikers behaalden RL-getrainde modellen voor klantescalaties taakvoltooiingspercentages boven de 85%.

Evaluatie en deployment

Forge bevat evaluatiekaders die zijn afgestemd op enterprise-KPI’s, niet alleen generieke benchmarks. Je definieert eigen metrics zoals compliance-nauwkeurigheid, dekking van vakvocabulaire en latency-drempels. Tijdens dit hele proces houdt Forge alles bij: modellen, datasets, trainingsruns, configs. Versiebeheer is first-class. Wanneer toezichthouders vragen "hoe nam het model deze beslissing", heb je complete herkomstinformatie.

Mistral Forge vs. traditionele AI-API’s

Waarom Mistral Forge bestaat

Ik heb met genoeg datateams gesproken om het patroon te kennen: bedrijven rollen AI uit, krijgen indrukwekkende demo’s, en lopen dan vast wanneer modellen vakspecifieke termen tegenkomen of binnen strikte compliancekaders moeten opereren.

RAG helpt. Fine-tuning helpt. Maar geen van beide lost het fundamentele probleem op: generieke modellen zijn niet getraind op de kennis van jouw organisatie.

Mistral gokt erop dat, naarmate AI verschuift van “coole demo” naar “kerninfrastructuur”, enterprises modellen nodig hebben die hun domein op fundamenteel niveau begrijpen. Daarom:

1. Datasoevereiniteit: In gereguleerde sectoren (farma, defensie, finance) zorgt het hosten van eigendata in systemen van derden voor compliancehoofdpijn. Training op je eigen infrastructuur houdt data onder jouw governance. Dit is vooral belangrijk in Europa, waar GDPR-handhaving realiteit is.
2. Agentische systemen: Enterprise-agents moeten meer doen dan vragen beantwoorden. Ze navigeren interne systemen, gebruiken tools correct en nemen beslissingen binnen organisatiebeperkingen. Generieke modellen worstelen hiermee omdat ze de omgeving niet begrijpen. Ik zag dit bij Vibe 2.0-agents: ze werken beter wanneer het onderliggende model is getraind op je codebase.
3. Model-eigenaarschap: API-afhankelijkheden creëren bedrijfsrisico. Als OpenAI GPT-5 bijwerkt en je workflows breken, zit je vast. Als Anthropic een modelversie stopzet, moet je herbouwen. Met Forge bezit je de gewichten. Jij beheert updates. Jij beslist wanneer je nieuwe versies uitrolt.

Maar hier is de contrasterende kijk: de meeste bedrijven hebben geen maatwerkmodellen nodig. Klantenserviceautomatisering, eenvoudige document-Q&A en vergadersamenvattingen werken prima met generieke modellen en goede prompting. Forge richt zich op organisaties waar domeinspecificiteit een echt concurrentievoordeel is, niet zomaar “nice to have”.

Belangrijkste features van Mistral Forge

1. Agent-first ontwerp: Forge is gebouwd met autonome agents als primaire gebruikers, niet mensen. Mistrals eigen Vibe-agent kan zelfstandig modellen fine-tunen, hyperparameters optimaliseren, trainingsjobs inplannen en synthetische data genereren via instructies in gewoon Engels. Naarmate agentische systemen gangbaarder worden, hebben ze platforms nodig die voor programmatische toegang zijn ontworpen.
2. Productierijpe evaluatie: Generieke benchmarks (MMLU, HumanEval) vertellen je niet of een model voor jouw use case werkt. Forge laat je eigen evaluatiecriteria definiëren die op enterprise-KPI’s zijn afgestemd: regressiesuites om performance-dalingen te detecteren wanneer data of prompts veranderen, driftdetectie om gedragsveranderingen in de tijd te monitoren, en A/B-testinfrastructuur om modelversies in productie te vergelijken.
3. Versiebeheer: Modellen, datasets, trainingsruns, configs—bijgehouden als first-class assets. Voor gereguleerde sectoren is deze audittrail essentieel. Als toezichthouders vragen "waarom raadde het model deze behandeling aan" of "hoe vlagde het fraudedetectiesysteem deze transactie", heb je antwoorden nodig.
4. Flexibele deployment: Je kunt getrainde modellen draaien op Mistrals beheerde infrastructuur, op Mistral Compute (dedicated clusters), volledig on-premises (geen data verlaat je omgeving) of aan de edge (gekwantiseerde modellen voor lokale inferentie). Voor defensieaannemers met geclassificeerde data of zorginstellingen met HIPAA-vereisten is on-premises met nul externe data-toegang niet-onderhandelbaar.

Toekomst van platforms zoals Mistral Forge

Het vroege enterprise-AI-handboek was: API-toegang kopen, prompt engineers inhuren en RAG erbovenop leggen. Dit werkt—tot het niet meer werkt. Naarmate AI infrastructuur wordt in plaats van een feature, willen bedrijven eigenaarschap over hun modellen, net zoals ze dat over hun databases willen. Niet iedereen. Maar genoeg om maatwerktraining tot een levensvatbare markt te maken.

Enterprise-agents moeten meer doen dan antwoorden genereren. Ze moeten interne systemen navigeren, tools correct gebruiken en beslissingen nemen binnen organisatiebeperkingen. Maatwerkmodellen maken dit mogelijk. Ik zie dit nu al bij Vibe 2.0. De agents die het best werken, zijn gebouwd op modellen die getraind zijn op de codebases waarin ze opereren.

Enterprises krijgen steeds vaker te maken met compliance-eisen waardoor het hosten van eigend bedrijfsdata in systemen van derden onhoudbaar wordt. EU AI Act. GDPR. Sectorspecifieke regelgeving in finance en gezondheidszorg. Platforms die on-premises training met volledige data-isolatie bieden, hebben een structureel voordeel.

Mistral kondigde Forge niet voor niets aan op Nvidia GTC. NVIDIA bouwt enterprise-AI-infrastructuur met goedkopere GPU’s, betere tools voor gedistribueerde training en geoptimaliseerde inferentie. Naarmate trainingskosten dalen, worden maatwerkmodellen haalbaar voor meer use cases.

Maar het tegenargument: de meeste enterprises hebben deze complexiteit nog niet nodig. Klantenserviceautomatisering vereist geen maatwerkmodellen. Eenvoudige documentverwerking evenmin. De markt zal splitsen—de meeste bedrijven blijven bij API’s, een kleiner segment bouwt eigen infrastructuur. Dat kleinere segment omvat enkele van ’s werelds grootste en meest winstgevende bedrijven. Dat is Mistrals gok.

Aan de slag met Mistral Forge

Vereisten

Voordat je contact opneemt met Mistrals enterprise sales-team, heb je aanzienlijke hoeveelheden vakspecifieke tekst of code nodig (enterprise-implementaties verwerken doorgaans terabytes aan domeinspecifieke data), een datagovernancekader (wie heeft toegang tot wat, bewaartermijnen, PII-afhandeling) en duidelijke domeinspecifieke evaluatiecriteria.

Qua infrastructuur: ofwel een GPU-cluster (8–64 H100’s aanbevolen voor training) of de bereidheid Mistrals beheerde infrastructuur te gebruiken. Je hebt ook ML-engineers nodig met ervaring in gedistribueerde training, domeinexperts die modeluitvoer kunnen beoordelen en juridische/compliance-review voor datagebruik.

Initiële setup

Forge is geen self-service. Je gaat via Mistrals enterpriseteam, bespreekt use cases, data-eisen en deploymenteisen. Begin smal—probeer niet meteen op al je data te trainen. Kies één waardevolle use case zoals compliance-documentanalyse of automatisering van codereviews.

Datavoorbereiding duurt langer dan je denkt. Opschonen, formatteren, PII verwijderen, ordenen per domein—reserveer hier 2–3 maanden voor. Test vóór welke training dan ook prompt engineering met Mistral Large 3 om te kijken of de performance acceptabel is. Misschien heb je maatwerktraining helemaal niet nodig.

Eerste trainingsrun

Begin met supervised fine-tuning, niet met volledige pretraining. Het is goedkoper en sneller. Kijk of taakspecifieke tuning op een basismodel je 80% op weg helpt. Als fine-tuning niet genoeg is, ga dan naar pretraining. Begrijp wel dat je hiermee aanzienlijke compute en tijd vastlegt.

Veelvoorkomende valkuilen

Garbage in, garbage out. Als je interne documentatie inconsistent, verouderd of slecht gestructureerd is, leert het model die patronen. Maatwerktraining lost AI-problemen niet magisch op. Als je use case geen domeinspecifieke kennis vereist, verspil je middelen. Eigen trainingsinfrastructuur draaien is moeilijk. Tenzij je serieuze ML-engineeringscapaciteit hebt, blijf bij Mistrals beheerde aanbod.

Veelvoorkomende use cases voor Mistral Forge

1. Financiële dienstverlening: Compliance-analyse

Een grote investeringsbank had modellen nodig die eigen risicokaders begrijpen—interne ratingsystemen, complianceprocedures, en regelgevinginterpretaties specifiek voor hun business. Generieke modellen konden geen onderscheid maken tussen gelijk klinkende financiële instrumenten met heel verschillende risicoprofielen, zoals gedefinieerd door het interne classificatiesysteem van de bank.

Ze trainden op decennia aan interne risicodocumentatie, compliance-memo’s en regulatorische dossiers. Het model internaliseerde de risicotaxonomie van de bank. Resultaat: 94% nauwkeurigheid bij compliance reviews, en de doorlooptijd daalde van 3 dagen menselijke review naar 2 uur geautomatiseerde analyse met menselijke verificatie.

2. Halfgeleiderproductie: Ontwerpoptimalisatie

ASML bouwt de machines waarmee chips worden gemaakt. Hun engineeringdocumentatie beslaat decennia, meerdere talen en sterk gespecialiseerd jargon. Engineers besteedden uren aan zoeken in documentatie om te begrijpen waarom bepaalde ontwerpbeslissingen waren genomen.

Ze trainden op eigen ontwerpdocumenten, CAD-bestanden, productielogs en engineering change requests. Nu kunnen engineers het model in natuurlijke taal bevragen en contextueel relevante antwoorden krijgen met verwijzing naar specifieke documentsecties. Dit is geen publieke kennis—het is institutionele intelligentie die in decennia is opgebouwd.

3. Softwareontwikkeling: Migratie van legacycode

Een Fortune 500-bedrijf moest een enorme C++-codebase migreren naar moderne frameworks. Decennia aan custom libraries, interne abstracties, ongedocumenteerde afhankelijkheden. Generieke codemodellen stelden wijzigingen voor die interne conventies braken of architectuurstandaarden schonden.

Ze trainden op de volledige codegeschiedenis van het bedrijf—commits, codereviews, architectuurbesluiten, stijlgidsen. Het model genereert nu refactorsuggesties die interne patronen respecteren. Vergelijkbaar met hoe Mistral Vibe 2.0 beter werkt wanneer het je repository-structuur begrijpt.

Prijzen en businessmodel

De prijzen van Forge zijn niet publiek. Op basis van enterprise-salesgesprekken:

• Platformlicenties: $500K–$2M per jaar, afhankelijk van schaal (voor organisaties die op eigen GPU-clusters trainen).
• Beheerde infrastructuur: Als je Mistrals cloud gebruikt, betaal je GPU-uren bovenop platformkosten. Ruwweg $2–3 per H100-uur voor training, $0,50–1,00 per inferentie-uur.
• Ingezette wetenschappers: Dit is het interessante deel. Mistral biedt embedded AI-onderzoekers die met je team meewerken. Ze helpen met trainingsrecepten, hyperparameter-tuning, evaluatiedesign. Denk aan Palantirs model met forward-deployed engineers. Kosten $300K–$500K per wetenschapper per jaar.
• Voorbeeldimplementatie: Voor pretraining op substantiële interne data, supervised fine-tuning en RL-optimalisatie ligt de totale kost in het eerste jaar rond $3,7M (platformlicentie $750K, compute $2,5M, ondersteuning datapijplijn $200K, forward-deployed wetenschapper voor 6 maanden $250K).

Forge is niet voor iedereen. Je hebt een use case nodig waarbij domeinnauwkeurigheid miljoenen waard is. De meeste bedrijven hebben dat niet.

Conclusie

Mistral Forge ruilt gebruiksgemak in voor volledig modeleigenaarschap en diepe domeinaanpassing. Voor de meeste enterprises denk ik nog steeds dat het antwoord simpeler is: blijf bij API’s. En generieke modellen met effectieve prompting of RAG’s werken nog steeds goed voor alledaagse zaken: klantenservice, documentverwerking en vergaderingen samenvatten.

Maar voor organisaties waar domeinspecificiteit een echt concurrentievoordeel is (ik denk aan farmaceutisch onderzoek dat eigen verbindingendata analyseert, halfgeleiderfabrikanten die fabricageprocessen optimaliseren en financiële instellingen met hun regelgevingskaders), kan Forge logisch zijn. De vraag is niet of maatwerktraining in theorie beter is, maar of de verbetering miljoenen aan trainingskosten rechtvaardigt.

Als je Forge evalueert, probeer dan deze volgorde: begin met prompt engineering met Mistral Large 3. Voeg RAG toe indien nodig. Probeer fine-tuning via API. Denk pas aan wat Mistral Forge te bieden heeft als die aanpakken tekortschieten.