AI-hallucinaties voorkomen

Een hallucinatie is output die overtuigend klinkt maar feitelijk onjuist is: een wetsartikel dat niet bestaat, een cijfer dat er net naast zit, een citaat dat nooit is uitgesproken. Het is geen storing die met een update wordt opgelost, maar een gevolg van hoe taalmodellen werken — ze voorspellen waarschijnlijke tekst, niet ware tekst. Je kunt het niet uitschakelen; je kunt het wel zo inrichten dat een hallucinatie nooit ongecontroleerd bij een klant belandt.

In het kort

• Het model optimaliseert op waarschijnlijkheid, niet op waarheid.
• Hoe specifieker en formeler het antwoord klinkt, hoe voorzichtiger je moet zijn.
• De effectiefste maatregel: geef bronnen mee in plaats van te vragen wat het model weet.
• Vragen "klopt dit?" werkt niet; vragen om de letterlijke passage wel.
• Bij agents die meerdere stappen zetten vermenigvuldigt een fout zich in plaats van op te vallen.
• Maak verificatie een regel in je AI-beleid, geen goede gewoonte.

Waarom het gebeurt

Een taalmodel berekent, woord voor woord, wat waarschijnlijk volgt op de invoer. Er wordt niets opgezocht en niets geverifieerd, tenzij het model expliciet een bron of zoekfunctie mag raadplegen.

Vraag je naar een wetsartikel dat het model niet kent, dan is "artikel 14, lid 3" een uitstekende voortzetting: het ziet eruit als een wetsartikel en het klinkt als een wetsartikel. Dat het niet bestaat, is voor het model geen categorie die meeweegt.

Daaruit volgt het contra-intuïtieve patroon dat de meeste schade veroorzaakt: overtuigingskracht zegt niets over correctheid. Een vaag antwoord is zelden verzonnen. Een precies, formeel geformuleerd antwoord met een bronvermelding erbij soms wel — juist omdat het model dat formaat perfect kan nabootsen.

Waar het in bedrijven misgaat

Vier terugkerende situaties:

Cijfers in klantmateriaal. Iemand vraagt om marktcijfers voor een presentatie, neemt ze over, en niemand controleert de bron. Dit is de meest voorkomende en de pijnlijkste, omdat het extern zichtbaar is.

Juridische en fiscale teksten. AI schrijft een clausule met een verwijzing naar wetgeving. De tekst is vlot, de verwijzing klopt niet. Zonder juridische controle gaat dat de deur uit.

Productspecificaties. Een model dat jouw producten niet kent, vult plausibele specificaties in. In een offerte is dat een toezegging.

Agents met meerdere stappen. Dit is het onderschatte geval. Een fout in stap twee wordt de aanname in stap drie, en die wordt de basis voor stap zes. Bij ketens vermenigvuldigt een fout zich in plaats van dat hij opvalt — zie AI-agent use cases voor MKB.

Zes maatregelen die daadwerkelijk werken

1. Geef bronnen mee in plaats van te vragen. Verreweg de belangrijkste. Een model dat het contract, de handleiding, de prijslijst of het rapport voor zich heeft, hoeft niets te verzinnen. Het verschil tussen "wat is het opzegtermijn bij dit type contract?" en "hier is het contract, wat staat er over opzegtermijn?" is het verschil tussen gokken en lezen.

2. Vraag om de letterlijke passage. "Citeer de zin waarop je dit baseert" maakt onmiddellijk zichtbaar of er iets onder het antwoord ligt. Staat de zin niet in het document, dan zie je dat meteen.

3. Maak verificatie een regel. Leg in je AI-beleid vast welke categorieën altijd worden gecontroleerd voordat ze naar buiten gaan: cijfers, datums, wetsartikelen, citaten, namen, toezeggingen. Een regel wordt nageleefd, een goede gewoonte niet — zie AI-beleid opstellen.

4. Beperk waar de output landt. Een fout in een interne notitie is een ongemak. Dezelfde fout in een offerte, een jaarverslag of een juridisch stuk is iets anders. Schaal de controle naar het risico van de bestemming, niet naar het gemak.

5. Splits taken op. Eén verzoek dat tegelijk data ophaalt, analyseert, conclusies trekt en een tekst schrijft, is niet te controleren. Vier losse stappen met een tussentijdse blik wel.

6. Leer mensen het mechanisme. Wie begrijpt dát een model tekst voorspelt in plaats van feiten opzoekt, gaat vanzelf verifiëren. Dit is het onderdeel van AI-geletterdheid dat het meeste gedrag verandert — zie AI-geletterdheid verplicht.

Wat niet werkt

"Klopt dit?" vragen. Het model genereert opnieuw waarschijnlijke tekst en bevestigt meestal zijn eigen verzinsel. Dit voelt als controle maar is het niet.

"Verzin niets" in de instructie zetten. Het helpt marginaal en geeft vooral een vals gevoel van zekerheid. Het model kan niet vaststellen dat het iets verzint; als het dat kon, zou het probleem niet bestaan.

Vertrouwen op een tweede model. Twee modellen die dezelfde vraag krijgen zonder bron, kunnen allebei plausibel misgaan — en dan bevestigen ze elkaar.

Wachten op betere modellen. Ze zijn beter geworden in het aangeven van onzekerheid en in bronnengebruik, en dat scheelt echt. Het onderliggende mechanisme blijft hetzelfde.

Per toepassing: hoeveel controle is genoeg?

Toepassing	Risico	Controle
Interne brainstorm, concepttekst	Laag	Gezond verstand
Samenvatting van een meegeleverd document	Laag	Steekproef op de kernpunten
Klantmail of offertetekst	Middel	Volledig lezen voor verzending, bedragen en toezeggingen expliciet
Cijfers en marktdata in extern materiaal	Hoog	Elke claim herleiden tot een bron
Juridische, fiscale of medische inhoud	Hoog	Vakinhoudelijke controle, geen uitzonderingen
Agent die zelfstandig handelt	Hoog	Mens bij elke onomkeerbare actie

De regel achter deze tabel: schaal de controle naar de gevolgen van een fout, niet naar hoe betrouwbaar het antwoord voelt.

Conclusie

Hallucinaties zijn geen reden om AI niet te gebruiken; ze zijn een reden om AI anders in te richten. Geef het model de informatie mee in plaats van te vertrouwen op wat het heeft onthouden, maak verificatie een vastgelegde regel voor de categorieën die ertoe doen, en houd een mens tussen het model en alles wat onomkeerbaar is.

Bedrijven die dat doen, hebben zelden last van dit probleem. Bedrijven die het overslaan komen er meestal één keer achter — en dan op de vervelendste manier, met een klant erbij.

Bronnen

• Verordening (EU) 2024/1689 (AI Act)
• Autoriteit Persoonsgegevens — algoritmes en AI