AI-hallucinaties herkennen en controleren (2026)

Een AI-hallucinatie is een feitelijk onjuiste, intern tegenstrijdige of niet door de opgegeven bron gedragen AI-uitkomst die toch aannemelijk kan klinken. Controleer belangrijke claims daarom bij de oorspronkelijke bron en laat een deskundige beslissen wanneer een fout grote gevolgen kan hebben.

Wat valt onder een AI-hallucinatie?

NIST gebruikt in zijn generatieve-AI-profiel het begrip confabulation voor zelfverzekerd gepresenteerde onjuiste inhoud. Daaronder vallen ook uitkomsten die afwijken van de prompt of bron en antwoorden die zichzelf binnen dezelfde context tegenspreken.

Vorm	Voorbeeld	Eerste controle
Verzonnen bron	Een niet-bestaand onderzoek met auteur en jaartal	Zoek titel, auteur en publicatie bij de uitgever
Verkeerd weergegeven bron	De link bestaat, maar zegt iets anders	Open de exacte passage en controleer reikwijdte
Onjuist feit	Verkeerde datum, naam, productfunctie of wetsregel	Controleer de primaire bron en controledatum
Foutieve berekening	Een plausibel totaal met verkeerde rijen of methode	Bereken opnieuw met brondata en referentie-uitkomst
Bronafwijking	Een samenvatting voegt een conclusie toe die niet in het document staat	Vergelijk claim met de aangeleverde tekst
Interne tegenspraak	Begin en conclusie noemen verschillende waarden	Splits het antwoord in losse claims
Verkeerde gevolgtrekking	Feiten kloppen, maar de conclusie volgt er niet uit	Laat de redenering door een bevoegde beoordelaar toetsen

Niet iedere slechte formulering is een hallucinatie. Een onvolledig, vaag of onhandig antwoord kan inhoudelijk juist zijn. Noteer daarom of een probleem gaat om juistheid, volledigheid, brontrouw, berekening of geschiktheid voor het doel.

Hallucineren is niet hetzelfde als liegen

Liegen veronderstelt menselijke intentie. Een generatief model produceert een uitkomst op basis van patronen, instructies, beschikbare context en eventuele tools. Het kan daarbij onjuiste tekst maken zonder een menselijke bedoeling om je te misleiden.

Gebruik precieze taal:

de bron bestaat niet;
de claim wordt niet door deze bron gedragen;
de berekening gebruikt het verkeerde bereik;
de output spreekt zichzelf tegen;
de conclusie is niet bevestigd.

Precieze foutlabels helpen meer dan zeggen dat een model liegt of onbetrouwbaar is. Je kunt dan bepalen welke controle, bron of proceswijziging nodig is.

Wil je begrijpen hoe een taalmodel tekst genereert, lees dan hoe ChatGPT werkt. De werking verklaart waarom vloeiende taal en feitelijke juistheid verschillende eigenschappen zijn.

Waarom ontstaan stellige fouten?

OpenAI beschrijft dat taalmodellen tijdens voortraining patronen leren door volgende woorden of tokens te voorspellen. Zeldzame, willekeurige of ontbrekende feiten zijn uit zulke patronen niet altijd betrouwbaar af te leiden.

Een tweede probleem zit in beoordeling. Wanneer een test alleen een juist antwoord beloont en ik weet het niet altijd als fout telt, kan gokken gemiddeld gunstiger lijken dan gepast niet-antwoorden. OpenAI pleit daarom voor evaluaties waarin een stellige fout zwaarder telt dan verantwoorde onzekerheid.

Ook buiten het model kunnen fouten ontstaan:

de aangeleverde bron bevat zelf een fout;
de zoekfunctie vindt een verwante maar verkeerde pagina;
een document is verouderd of onvolledig;
een bestand wordt maar gedeeltelijk gelezen;
een tool gebruikt een andere kolom, eenheid of periode;
een citaat wordt los van de context geïnterpreteerd;
de gebruiker vraagt twee tegenstrijdige dingen.

Een fout is dus niet automatisch met één promptinstelling of een nieuw model opgelost. Je moet de concrete taak, bron en uitkomst controleren.

Wat is geen onafhankelijk bewijs?

Deze hulpmiddelen kunnen de kans op een bruikbaar antwoord vergroten of controle makkelijker maken, maar bewijzen de claim niet:

Signaal of hulpmiddel	Waarom dit niet genoeg is
Zelfverzekerde toon	OpenAI waarschuwt dat vertrouwen in formulering geen maat voor betrouwbaarheid is
Een bronlink	De bron kan niet bestaan, verkeerd worden weergegeven of de claim niet ondersteunen
Search of grounding	Zoekselectie, actualiteit, interpretatie en synthese kunnen nog fout gaan
Retrieval of RAG	Een systeem kan het verkeerde fragment ophalen of goede context verkeerd samenvatten
Zelfcontrole door hetzelfde model	Het model kan dezelfde fout herhalen of een nieuwe uitleg verzinnen
Hetzelfde antwoord van twee modellen	Beide kunnen dezelfde bronfout, aanname of populaire misvatting volgen
Een lager creativiteitsniveau	Voorspelbaardere tekst is niet automatisch feitelijk juist
Een nieuwere modelnaam	Resultaat hangt ook af van taak, tools, bron, versie en meetmethode

Google legt bij Gemini uit dat een groene overeenkomst bij de dubbele controle betekent dat Search vergelijkbare inhoud heeft gevonden. Dat is niet noodzakelijk de bron die Gemini gebruikte en bewijst niet dat de gevonden pagina zelf juist of passend is.

Google beschrijft grounding met Search als een manier om realtime informatie en citaties te gebruiken en hallucinaties te verminderen. Behandel verminderen niet als uitsluiten: open de citaties en toets de claim alsnog.

Anthropic adviseert onder meer ruimte voor onzekerheid, directe citaten en controle van claims met citaties. Ook daar blijft de waarschuwing gelden dat zulke technieken fouten niet volledig elimineren.

Gebruik je een AI-zoekdienst met bronlinks, volg dan de extra controles uit Perplexity AI voor beginners; een nette citatie blijft slechts het begin van de verificatie.

Stappenplan: controleer AI-output

Stap 1: bepaal welke claims controle nodig hebben

Markeer namen, datums, cijfers, citaten, berekeningen, code en gevolgtrekkingen. Leg vóór gebruik een stopregel vast:

Zonder primaire bron, herberekening of bevoegde beoordeling wordt deze claim niet gepubliceerd, verstuurd of gebruikt voor een besluit.

Niet ieder stijlwoord hoeft dezelfde controle te krijgen. Geef voorrang aan beweringen die veranderlijk, moeilijk te herstellen of van grote invloed zijn.

Stap 2: bewaar de controlecontext

Leg vast:

de prompt en volledige uitvoer;
datum en tijd van de controle;
product, modelvariant en gebruikte tools;
bronbestanden en versies;
gekoppelde zoek- of databronnen;
wie de eindbeoordeling uitvoert.

Deze context maakt een fout reproduceerbaar. Alleen een gekopieerde antwoordzin is vaak onvoldoende om te begrijpen waar bron, tool of instructie misging.

Stap 3: splits het antwoord in losse claims

Maak van een alinea afzonderlijke controlepunten:

feit;
citaat;
bronverwijzing;
getal of eenheid;
berekening;
interpretatie;
aanbeveling.

Een zin kan een juist feit en een onjuiste conclusie combineren. Beoordeel die onderdelen daarom apart.

Gebruik een eenvoudige claimtabel:

Claim	Type	Primaire bron	Exacte passage of berekening	Controledatum	Oordeel
[bewering]	feit	[URL of bestand]	[passage]	[datum]	bevestigd / onbevestigd / onjuist

Stap 4: open de oorspronkelijke bron

Controleer per claim:

bestaat de bron?
is auteur of eigenaar de oorspronkelijke uitgever?
ondersteunt de exacte passage de bewering?
gaat de bron over hetzelfde product, land, account en tijdvak?
is er een nieuwere versie of correctie?
zijn beperkingen of uitzonderingen weggelaten?

Een zoekresultaat, samenvatting of geciteerde kop kan nuttig zijn om de bron te vinden, maar is niet de eindcontrole.

Stap 5: bereken cijfers, formules en code opnieuw

Gebruik een bekende referentie-uitkomst en minstens één randgeval. Controleer:

bronrijen en uitgesloten waarden;
periode, eenheid en afronding;
formulebereik en filters;
gebruikte code en bibliotheekversie;
totalen vóór en na transformatie;
fout- en leegwaarden.

Laat dezelfde AI niet alleen zeggen dat de eigen berekening klopt. Herbereken in de brontool of met een onafhankelijke methode. Bij bestandsanalyse helpt de workflow data analyseren met ChatGPT.

Stap 6: geef iedere claim een oordeel

Gebruik drie heldere statussen:

bevestigd: bron of herberekening ondersteunt de claim;
onbevestigd: passend bewijs ontbreekt of is niet bereikbaar;
onjuist: bron, berekening of context spreekt de claim tegen.

Onbevestigd betekent niet automatisch onwaar. Het betekent dat je de claim nog niet als feit mag behandelen. Een zelfcontrole door hetzelfde model telt niet als onafhankelijk bewijs.

Stap 7: laat een mens beslissen en maak een regressietest

Laat een bevoegde beoordelaar belangrijke uitkomsten goedkeuren. Sla een gevonden fout daarna op als testgeval met:

oorspronkelijke invoer;
bekende juiste uitkomst;
foutcategorie;
stopregel;
herstelactie.

Herhaal deze test wanneer model, tool, bron, prompt of integratie verandert. Meet niet alleen hoeveel antwoorden juist zijn, maar ook hoeveel stellige fouten en passende niet-antwoorden voorkomen.

Bronbegrenzing en prompts helpen, maar zijn geen garantie

Een goede opdracht kan onzekerheid en ontbrekende informatie zichtbaarder maken:

Gebruik alleen de tekst tussen <bron> en </bron>. Geef per feit een letterlijk bronfragment. Schrijf niet vermeld wanneer de bron geen antwoord bevat. Trek een claim in als je geen ondersteunende passage vindt.

Zo'n instructie begrenst de taak en maakt controle makkelijker. Ze voorkomt niet dat een fragment verkeerd wordt gekozen of uitgelegd. Gebruik goede prompts maken voor doel, bron, uitvoer en grenzen, en voer daarna altijd de onafhankelijke controle uit.

Extra voorzichtig bij grote gevolgen

Neem geen medische, juridische, financiële, personele of veiligheidskritieke beslissing op basis van alleen AI-output. Controleer de primaire brondata en laat een bevoegde deskundige de uitkomst beoordelen.

Voor sectorspecifieke grenzen gebruik je:

AI in de gezondheidszorg voor beoogd gebruik, medische verantwoordelijkheid en patiëntveiligheid;
AI voor juridisch werk voor broncontrole, geheimhouding en menselijke beoordeling;
ChatGPT voor beginners voor Search, privacy en een eerste gecontroleerde werkwijze.

Controleer in de software waarin je werkt

AI-output wordt pas bruikbaar nadat de bron en uitkomst in de betreffende software zijn gecontroleerd:

Excel-fouten vermijden helpt met invoer, formules en controlecellen.
Excel-foutmeldingen oplossen helpt de concrete fout vóór een reparatie vast te stellen.
Een DAX-foutmelding oplossen koppelt een Power BI-melding aan model, filtercontext en meetwaarde.
Een formule-parseerfout in Google Sheets oplossen controleert syntaxis, scheidingstekens en bereiknotatie.

Veelgemaakte fouten

AI liegt als diagnose gebruiken. Benoem welke claim, bron of berekening onjuist is.
Een bronlink niet openen. Controleer de exacte passage, datum en reikwijdte.
Search of RAG als bewijs behandelen. Bronselectie en synthese kunnen nog misgaan.
Alleen hetzelfde model om controle vragen. Gebruik brondata, herberekening of een bevoegde beoordelaar.
Twee modellen als onafhankelijke bronnen behandelen. Gelijke antwoorden kunnen dezelfde fout volgen.
Een temperatuur- of creativiteitsinstelling als waarheidsknop zien. Voorspelbaarheid bewijst geen juistheid.
Een universeel modelklassement gebruiken. Test de concrete taak en versie met een referentieset.
Alleen gemiddelde nauwkeurigheid meten. Tel stellige fouten en passende niet-antwoorden apart.
Onbevestigd en onjuist verwarren. Houd de bewijsstatus zichtbaar.
Een fout niet als regressietest bewaren. Dezelfde fout kan na een wijziging terugkomen.

Veelgestelde vragen

Wat is een AI-hallucinatie?

Een AI-hallucinatie is output die feitelijk onjuist, intern tegenstrijdig of niet door de aangeleverde bron gedragen is, terwijl de formulering wel aannemelijk kan klinken.

Is een AI-hallucinatie hetzelfde als liegen?

Nee. Liegen veronderstelt intentie. Een generatief model kan onjuiste tekst produceren zonder menselijke bedoeling; beschrijf daarom liever dat de output onjuist of verzonnen is.

Waarom ontstaan AI-hallucinaties?

Generatieve modellen maken een waarschijnlijke uitkomst op basis van patronen. Ontbrekende, zeldzame of dubbelzinnige informatie en evaluaties die gokken belonen kunnen leiden tot stellige fouten.

Is een antwoord met bronverwijzingen automatisch juist?

Nee. Een bron kan niet bestaan, verkeerd zijn weergegeven of de claim niet ondersteunen. Open de oorspronkelijke bron en controleer de exacte passage, datum en reikwijdte.

Voorkomen een goede prompt, Search of RAG hallucinaties?

Nee. Bronbegrenzing, ruimte voor onzekerheid, Search en retrieval kunnen het risico verkleinen en controle makkelijker maken, maar bronselectie, interpretatie en synthese kunnen nog steeds fout gaan.

Welk AI-model hallucineert het minst?

Er is geen universeel antwoord. Resultaten verschillen per taak, modelversie, tool, instelling en meetmethode. Test de concrete taak met een eigen referentieset en tel zowel fouten als gepast niet-antwoorden.

Hoe controleer ik AI-output met grote gevolgen?

Neem geen medische, juridische, financiële, personele of veiligheidskritieke beslissing op basis van alleen AI-output. Controleer primaire bronnen en brondata en laat een bevoegde deskundige de uitkomst beoordelen.