Alisina NawabiJe kunt uitleggen waarom een taalmodel soms zelfverzekerd onzin produceert, dat dit hetzelfde next-token-mechanisme is als bij een goed antwoord, en je herkent de plekken waar hallucinaties het vaakst opduiken.
Handig vooraf: Hoe AI voorspelt
Als een AI drie keurige bronnen verzint die niet bestaan, denk je al snel: bug. Of: het model liegt. Geen van beide klopt. Hetzelfde mechanisme dat "Parijs" achter "de hoofdstad van Frankrijk is" zet, zet ook die verzonnen titels neer, met precies dezelfde stelligheid.
Vraag een chatbot om drie wetenschappelijke artikelen over een niche-onderwerp, met auteur en jaartal. Je krijgt vlot drie nette titels terug, keurige auteursnamen, jaartallen, soms een DOI die er echt uitziet. Alleen: geen van die artikelen bestaat.
Het verschil met Parijs zit niet in hoe het model werkt, maar in wat het in zijn patronen vond. Bij "de hoofdstad van Frankrijk" stond het antwoord duizenden keren in de trainingstekst, dus kreeg "Parijs" bijna alle kans. Bij jouw niche-artikelen zit er geen kant-en-klaar antwoord in die patronen. Dus vult het model het gat met wat statistisch hoort te passen: een titel die klinkt als een titel, een auteur die klinkt als een auteur. Een hoge kans is geen garantie op waarheid, en op zo'n leeg plekje wordt dat pijnlijk zichtbaar.
Voor je verder leest: probeer het zelf even te herkennen.
Een chatbot antwoordt zelfverzekerd op een feitenvraag: een heldere definitie, een voorbeeld, en een bronverwijzing met auteur, jaartal en tijdschrift. Welk onderdeel controleer je als eerste voordat je het gebruikt?
Dit heet hallucineren, en de naam is eigenlijk misleidend: er gaat niets mis. Een hallucinatie is een antwoord dat een taalmodel vloeiend en zelfverzekerd presenteert terwijl het feitelijk onjuist of verzonnen is. Het is geen storing, maar hetzelfde next-token-mechanisme dat elk antwoord maakt: het model berekent altijd het meest plausibele vervolg en kiest dat, ook op een plek waar geen waar antwoord in zijn patronen zit. Er is nergens een aparte waarheids-check die "dit weet ik niet" kan zeggen.
Zie het model als iemand die nooit 'geen idee' mag zeggen. Op elke vraag moet hij het antwoord geven dat het meest logisch klinkt. Weet hij het echt, dan komt er iets waars uit. Weet hij het niet, dan komt er iets uit dat klinkt alsof het waar is, met precies hetzelfde zelfvertrouwen. Hij merkt het verschil zelf niet.
Waarom klinkt een verzonnen antwoord net zo stellig als een waar antwoord?
Omdat vloeiendheid en waarschijnlijkheid losstaan van waarheid. Een goed passend fout vervolg krijgt exact dezelfde toon als een waar vervolg, want beide rollen uit hetzelfde proces. Het model kan "dit weet ik zeker" niet onderscheiden van "dit patroon past statistisch goed". Stelligheid is dus geen betrouwbaar signaal.
De onderzoekers achter de OpenAI-studie lieten dat concreet zien. Ze vroegen een model naar de verjaardag van een van de auteurs en kregen over drie pogingen drie verschillende foute datums, telkens netjes geformatteerd, telkens fout. Ze vroegen ook naar de titel van zijn proefschrift: drie modellen, drie verschillende titels, alle drie verzonnen. Niet één zei "dat weet ik niet". Elk vulde het gat, en elk deed dat met hetzelfde zelfvertrouwen als bij een feit dat het wel kende.
Waar duiken hallucinaties het vaakst op?
Niet bij domme vragen, maar juist bij het specifieke, het zeldzame en het te recente. Vier plekken waar je scherp moet zijn:
- Zeldzame of niche-feiten. Aan de randen van de trainingsdata zijn de patronen dun, dus vult het model vaker een gat op dan bij iets breed bekends.
- Exacte, verifieerbare gegevens. Citaten, URL's, paginanummers, cijfers, quotes, wetsartikelen: alles wat precies moet kloppen, is precies wat het model plausibel invult zonder het na te slaan.
- Gebeurtenissen na de kennis-cutoff. Over wat na de trainingsdatum gebeurde heeft het model geen patronen, dus raadt het.
- Suggestieve vragen. Stop je een onware aanname in je vraag, dan speelt het model vaak mee met die premisse in plaats van hem te corrigeren.
Dat dit geen theorie is, merkte een advocaat in New York in 2023. Hij diende een processtuk in met rechtszaken als onderbouwing die ChatGPT had verzonnen, compleet met citaten. De rechter beboette hem en zijn kantoor voor 5.000 dollar in de zaak Mata v. Avianca. Exact het patroon uit de keuzehulp: een exacte, verifieerbare bronverwijzing, vloeiend gebracht, volledig verzonnen.
Waarom duwt de training het die kant op? Modellen worden beloond voor behulpzaam en stellig antwoorden, terwijl "ik weet het niet" onder-beloond wordt. De OpenAI-studie van september 2025 vat het samen als een examenprobleem: training en evaluatie belonen gokken boven het toegeven van onzekerheid. Net als een student bij een moeilijke toets gokt het model liever een plausibel antwoord dan dat het punten laat liggen door zich te onthouden.
Dat verklaart ook meteen wat wél helpt, al is het nooit een volledige oplossing. Het model gronden met echte bronnen, zodat het citeert in plaats van verzint, drukt het sterk terug: dat is het idee achter AI-output verifiëren voor je hem publiceert. Vraag om verifieerbare bronnen, laat het opzoeken met tools, en houd menselijke controle bij feitenvragen. Elk van die maatregelen vermindert hallucinaties, geen enkele elimineert ze, want de onderliggende motor blijft dezelfde. Precies daarom zijn hallucinaties een structureel risico en geen incidentele bug om op in te richten.
Test nu of het blijft hangen. Kies bij elke vraag het antwoord dat past bij wat je net zag.
Een AI verzint drie bronnen die niet bestaan. Wat is er gebeurd?
Zodra je een hallucinatie ziet als een leeg plekje dat vloeiend wordt opgevuld, in plaats van als een defect, verandert hoe je AI gebruikt. Je gaat niet af op de toon, want die liegt niet en zegt ook niks. Je kijkt naar wat er beweerd wordt, en het scherpst bij het exacte, het zeldzame en het te recente. Daar zit de kans op een gat, en daar hoort jouw controle, of een bron die het model dwingt te citeren in plaats van te gokken.
Veelgestelde vragen
AI die antwoordt met bron
Nu je weet dat een model gaten opvult met plausibele onzin, snap je waarom ik AI voor feitenwerk altijd grond in je eigen bronnen, zodat het citeert in plaats van verzint. Ik denk mee, ontwerp en bouw dat end-to-end.
Dit artikel is geproduceerd samen met het Agent Team. Meer over de redactie.
