Hallucinatie: waarom AI soms dingen verzint met volle overtuiging

Je vraagt een chatbot om een quote van een bekende Nederlandse econoom voor een LinkedIn-post. Binnen twee seconden staat er een scherp, precies passend citaat, compleet met naam en jaartal. Je plakt het over, klaar voor publicatie. Pas als een collega het later opzoekt, blijkt de quote nergens te bestaan. Niemand heeft die zin ooit gezegd. Het model heeft hem gewoon verzonnen, en niets in de toon van het antwoord verried dat.

Dat is geen storing en geen leugen. Denk aan een leerling die op een proefwerk een vraag krijgt waar hij het antwoord niet op weet. In plaats van het vak leeg te laten, schrijft hij iets op dat plausibel klinkt: een naam, een jaartal, een redenering die aannemelijk aanvoelt. Niet omdat hij wil bedriegen, maar omdat "ik weet het niet" geen optie voelt. Een AI-model werkt vergelijkbaar: het is getraind om altijd een vloeiend, zelfverzekerd antwoord te geven, ook als de feiten ontbreken. Het voorspelt simpelweg het meest waarschijnlijke volgende woord, en soms is dat woord gewoon fout.

Dat verzinnen-met-overtuiging heeft een naam: een hallucinatie. Het model liegt niet bewust, het heeft alleen geen ingebouwd alarm dat afgaat zodra het de feiten niet kent.

Zodra je dit weet, snap je waarom een AI-antwoord er altijd even zelfverzekerd uitziet, of het nu klopt of niet. Een verzonnen rechtszaaknummer, een niet-bestaand boek, een citaat dat nooit is uitgesproken: ze klinken stuk voor stuk even overtuigend als een correct antwoord. Wie dat niet doorheeft, neemt informatie klakkeloos over in een rapport, offerte of e-mail aan een klant, en dat kan reputatieschade of verkeerde besluiten opleveren.

Het scheelt vooral gedoe achteraf. Wie standaard even doorvraagt en checkt, voorkomt het gênante moment waarop een klant of collega de fout eerder ontdekt dan jij.

• Ondernemer (MKB): je laat AI meeschrijven aan een blog of persbericht en neemt cijfers of citaten zo over. Check ze voordat ze naar buiten gaan.
• Verkoop: productclaims of concurrentievergelijkingen in een offerte die net iets te stellig klinken.
• Office/administratie: samenvattingen van wetgeving of cao-teksten die een collega zonder verificatie doorstuurt.
• Corporate teams (manager, HR, marketing, IT): de manager neemt een besluit op basis van een AI-samenvatting, HR vat cao-teksten samen, marketing plakt cijfers in content, IT neemt codevoorbeelden of API-documentatie over die het model erbij verzint.

1. Vraag het model altijd om de bron of redenering bij een feitelijke claim.
2. Controleer namen, cijfers, jaartallen en citaten apart, buiten het model om.
3. Splits grote vragen op in kleinere stappen, zodat het model minder hoeft te "invullen".
4. Gebruik een model met actuele browsing of RAG (retrieval) voor actuele of specifieke feiten in plaats van kale kennis uit de training.
5. Vraag het model expliciet om "ik weet het niet" te zeggen als het niet zeker is.
6. Laat bij twijfel een tweede model of een mens het antwoord controleren.

Een communicatiemedewerker vraagt een chatbot om een quote van een bekende Nederlandse econoom over AI en werkgelegenheid, voor een LinkedIn-post. Het model levert een overtuigend citaat met naam en jaartal. Bij het googelen blijkt de quote nergens te bestaan: het model heeft een plausibel klinkende zin verzonnen die past bij de stijl van die persoon. Zonder check had de post met een verzonnen citaat live gestaan.

• Gebruik dit morgen: vraag bij elk feitelijk antwoord door met "waar komt dit vandaan?" voordat je het overneemt.
• Gebruik dit morgen: laat het model bij twijfelachtige claims een betrouwbaarheidsinschatting geven ("hoe zeker ben je hiervan, op een schaal").
• Gebruik dit morgen: knip- en plak nooit namen, cijfers of citaten direct uit een AI-antwoord in extern communicatiemateriaal zonder eigen check.
• Gebruik dit morgen: zet een vaste stap "broncontrole" in je workflow bij AI-gegenereerde content voor klanten.

Alle modellen (ChatGPT, Claude, Gemini, Copilot)

Beantwoord de volgende vraag: [vraag].
Geef alleen feiten waar je redelijk zeker van bent.
Als je iets niet zeker weet, zeg dit expliciet in plaats van te gokken.
Geef bij elk feit aan of het uit algemene kennis komt of dat het een aanname is.

Controleer het volgende antwoord op mogelijke verzonnen feiten: [antwoord plakken].
Markeer per zin of het (a) een controleerbaar feit is, (b) een aanname, of (c) mogelijk onjuist.
Leg bij (c) uit waarom je twijfelt.

• Een AI-antwoord letterlijk overnemen in een extern document zonder het te checken.
• Denken dat een zelfverzekerde toon betekent dat het antwoord klopt.
• Alleen op het model zelf vertrouwen voor recente gebeurtenissen of specifieke bronnen.
• Geen vervolgvraag stellen als een cijfer of naam "toevallig precies past" bij wat je hoopte te horen.

• Behandel elk feitelijk detail uit een AI-antwoord als een hypothese, niet als een gegeven.
• Gebruik voor feiten die ertoe doen een model met actuele bronvermelding (RAG of browsing) in plaats van kale generatieve kennis.
• Bouw een korte controlestap in je proces in voor alles wat extern wordt gedeeld.
• Wees extra alert bij zeer specifieke details (exacte getallen, namen, paginanummers): die worden het vaakst verzonnen.

Vraag een AI-model om drie feiten te geven over een onderwerp uit jouw vakgebied, inclusief een jaartal en een bron. Zoek daarna zelf op of die drie feiten en bronnen echt bestaan. Noteer welke kloppen, welke deels kloppen en welke verzonnen zijn, en wat je opvalt aan de manier waarop het model de foute feiten presenteerde.