Je vraagt een AI-tool naar de garantietermijn in jouw branche en krijgt een helder antwoord met een wetsartikel erbij. Het klinkt professioneel. Het artikel bestaat niet. Dit is het grootste praktische risico van AI in een bedrijf, en het is goed te beheersen zodra je begrijpt waar het vandaan komt.
Waarom verzint een taalmodel dingen?
Een taalmodel is geen database. Het bevat geen lijst met feiten die het opzoekt. Wat het heeft geleerd, is welke woorden statistisch op elkaar volgen in enorme hoeveelheden tekst. Als je een vraag stelt, berekent het stap voor stap welk volgend woord het meest waarschijnlijk is.
Dat verklaart het gedrag precies:
- Een plausibel verzinsel is statistisch net zo aantrekkelijk als een feit. "Artikel 7:18 van het Burgerlijk Wetboek" ziet eruit als een echt wetsartikel. Of het bestaat, weegt niet mee.
- Het model heeft geen gevoel voor eigen onzekerheid. Er is geen interne meter die zegt "hier weet ik te weinig van". Het produceert altijd het meest waarschijnlijke vervolg, ook als dat vervolg nergens op gebaseerd is.
- Zeldzame informatie is kwetsbaar. Over onderwerpen die vaak in de trainingsdata voorkwamen, zit het model er zelden naast. Over jouw specifieke branche, jouw prijzen of een kleine Nederlandse regeling veel vaker.
- Vragen duwen het model een richting in. Vraag je "wat zijn de drie voordelen van X", dan krijg je drie voordelen — ook als er maar één bestaat.
Waar gaat het in bedrijven het vaakst mis?
Niet bij de grote, opvallende fouten. Die ziet iedereen. Het gaat mis bij antwoorden die net geloofwaardig genoeg zijn om door te sturen:
| Situatie | Wat de AI doet | Waarom het gevaarlijk is |
|---|---|---|
| Vraag over wetgeving | Noemt een artikelnummer dat niet bestaat | Klinkt controleerbaar, wordt niet gecontroleerd |
| Vraag over je eigen producten | Verzint een specificatie of levertijd | Klant krijgt een belofte die je niet nakomt |
| Samenvatting van een document | Voegt een conclusie toe die er niet in stond | Niemand leest het origineel terug |
| Cijfers en berekeningen | Rekent plausibel maar fout | Een getal ziet er altijd exact uit |
| Bronvermelding | Verzint een titel, auteur en jaartal | Een nepbron oogt juist extra betrouwbaar |
De gemene deler: in al deze gevallen is de fout alleen te vinden als iemand de bron erbij pakt. En precies dat slaat men over, omdat het antwoord zo verzorgd klinkt.
Zes maatregelen die echt helpen
1. Geef het model de bron in plaats van het te laten onthouden
Dit is de maatregel met het grootste effect. In plaats van vragen "wat is onze garantietermijn?" laat je het systeem eerst de juiste passage uit je eigen documenten ophalen en dan de vraag beantwoorden op basis van die passage. Deze aanpak heet RAG en staat uitgelegd in chatbot met je eigen bedrijfsdata. Het model hoeft dan niets te weten — alleen te lezen.
2. Maak "ik weet het niet" een geldig antwoord
Zet het expliciet in je instructie: "Baseer je antwoord uitsluitend op de meegegeven documenten. Staat het antwoord er niet in, zeg dan dat je het niet weet en verwijs naar een medewerker." Zonder die toestemming vult het model de leegte op. Meer hierover in prompts schrijven.
3. Laat het model citeren
Vraag bij elk antwoord om de passage waarop het gebaseerd is. Twee voordelen: controleren kost seconden in plaats van minuten, en een verzonnen antwoord valt meteen op doordat er geen citaat bij past.
4. Controleer wat objectief te controleren is, automatisch
Niet alles hoeft een mens te beoordelen. Bestaat dit klantnummer in het CRM? Valt dit bedrag binnen de normale marge? Is deze datum een werkdag? Zulke checks zijn code, niet AI, en ze vangen een groot deel van de schade af.
5. Houd de mens in de lus waar het telt
Scheid je gebruik in drie categorieën:
- Vrij. Interne concepten, brainstorms, eerste opzetjes. Fouten zijn goedkoop.
- Controleren. Alles wat naar een klant gaat. Concept klaarzetten mag, versturen niet.
- Niet doen. Juridische, medische en financiële uitspraken zonder vakmens erbij.
Leg die indeling vast in je AI-beleid, zodat het geen kwestie van persoonlijke inschatting is.
6. Vraag niet naar feiten die je zelf hebt
De verleiding is groot om een model naar je eigen prijzen of voorwaarden te vragen. Doe dat niet. Die informatie hoort uit je eigen systemen te komen, waar hij actueel en controleerbaar is.
Hoe herken je een hallucinatie?
Een paar betrouwbare signalen:
- Verdachte precisie. Exacte percentages, artikelnummers en jaartallen zonder bron. Hoe specifieker zonder onderbouwing, hoe groter de kans.
- Een bron die je niet kunt vinden. Zoek de titel letterlijk op. Levert dat niets op, dan bestaat hij niet.
- Het antwoord verandert. Stel dezelfde vraag opnieuw in een nieuw gesprek. Een echt feit blijft hetzelfde; een gok varieert.
- Te netjes. Precies drie punten, perfect symmetrisch, geen nuance. De werkelijkheid is rommeliger.
Worden nieuwere modellen niet gewoon beter?
Ze worden merkbaar beter, en nieuwere modellen die kunnen zoeken of doorrekenen voor ze antwoorden, maken minder fouten. Maar het probleem verdwijnt niet, want het zit in de aard van de techniek: een model dat het meest waarschijnlijke vervolg voorspelt, zal blijven gokken als het niets weet.
Twee dingen veranderen daar niet door. Je eigen bedrijfsgegevens staan niet in een publiek model — die moet je altijd aanleveren. En de verantwoordelijkheid voor wat er naar je klant gaat blijft bij jou, hoe goed het model ook wordt. De AI-verordening legt die verantwoordelijkheid ook expliciet bij de organisatie die het systeem gebruikt, niet bij de leverancier van het model.
Daarom is de kern van betrouwbaar AI-gebruik niet "wacht op een beter model", maar: zorg dat het antwoord op jouw bronnen gebaseerd is, en controleer wat de deur uit gaat.
Veelgestelde vragen
Veelgestelde vragen over ai hallucinaties
Kan ik hallucinaties helemaal uitsluiten?
Nee, maar je kunt het risico zo klein maken dat het beheersbaar is. De combinatie die in de praktijk werkt: laat het model alleen antwoorden op basis van documenten die jij aanlevert, laat het citeren waar het antwoord staat, controleer automatisch wat objectief te controleren is, en laat een mens alles nakijken wat naar buiten gaat.
Hallucineert ChatGPT meer dan Claude of Gemini?
De verschillen tussen de grote modellen zijn kleiner dan de verschillen in hoe je ze gebruikt. Een middelmatig model met toegang tot jouw documenten en de instructie om te citeren, is in de praktijk betrouwbaarder dan het beste model dat uit zijn geheugen moet antwoorden. Besteed je aandacht aan de inrichting, niet aan de modelkeuze.
Helpt het om te zeggen "verzin niets" in mijn prompt?
Een beetje, maar veel minder dan mensen hopen. Het model kan die instructie niet echt opvolgen, omdat het zelf niet weet wanneer het verzint. Wat wél werkt, is het model een bron geven om uit te werken en expliciet toestaan dat "dit staat niet in de documenten" een goed antwoord is.
Wie is aansprakelijk als AI een fout antwoord naar mijn klant stuurt?
In de praktijk jijzelf. Je bent verantwoordelijk voor de communicatie die vanuit jouw bedrijf naar buiten gaat, ongeacht welk hulpmiddel die heeft opgesteld. Dat is precies de reden om klantgerichte AI-output standaard als concept te behandelen en niet automatisch te laten versturen. Laat je aansprakelijkheidsvragen altijd toetsen door een jurist — dit artikel is geen juridisch advies.
Hoe leg ik dit uit aan mijn medewerkers?
De vergelijking die blijft hangen: behandel AI als een vlotte stagiair die alles met overtuiging zegt en nooit toegeeft dat hij iets niet weet. Je gebruikt zijn werk graag, en je kijkt het na voordat het naar een klant gaat.
