Iedereen die AI voor het eerst voor serieus werk gebruikt, maakt op een gegeven moment dezelfde ontdekking. Je vraagt om een bronvermelding voor een bewering, de AI levert keurig een auteur, een tijdschrift en een jaartal, en alles klinkt overtuigend. Tot je het artikel probeert op te zoeken en merkt dat het simpelweg niet bestaat. Geen typefout, geen verkeerd jaartal. Het hele artikel is verzonnen, inclusief een auteur die weliswaar echt bestaat maar dit stuk nooit heeft geschreven.
Zo verging het ook Sven, journalist in opleiding, die een AI-chatbot gebruikte om snel een citaat uit een oud interview terug te vinden. De AI produceerde een vloeiend, geloofwaardig citaat, compleet met naam en datum. Pas na een kwartier zoeken ontdekte hij dat het interview in kwestie helemaal nooit had plaatsgevonden. Dat moment, waarop een AI met volle overtuiging iets verzint dat nergens op gebaseerd is, heeft een naam: een hallucinatie. En begrijpen wat dat precies is, waarom het gebeurt, en hoe je het herkent, is inmiddels net zo essentieel als leren typen ooit was.
Wat is een AI-Hallucinatie? De Korte Uitleg
Een AI-hallucinatie is het verschijnsel waarbij een kunstmatige intelligentie, zoals ChatGPT, Gemini of Claude, met volle overtuiging een antwoord geeft dat volledig onjuist, verzonnen of niet gebaseerd is op de werkelijkheid. Het model twijfelt niet, hapert niet, en waarschuwt je niet vooraf. Het presenteert de verzonnen informatie met exact dezelfde vlotte, zelfverzekerde toon als een feit dat wel klopt, en dat is precies wat een hallucinatie zo verraderlijk maakt.
De beste manier om te begrijpen waarom dit gebeurt, is door te beseffen dat een AI-model niets “weet” zoals een mens dat doet. Het is in de kern een extreem geavanceerde woordvoorspeller: op basis van alles wat het tijdens de training heeft gezien, berekent het welk volgend woord statistisch het meest waarschijnlijk is, gegeven de woorden die eraan voorafgingen. Kan het model het juiste, feitelijk correcte antwoord niet ophalen of berekenen, dan stopt het proces niet. Het voorspelt gewoon door, en kiest woorden die grammaticaal en inhoudelijk logisch aanvoelen, ook als de onderliggende feiten niet kloppen.
Herkenbare Voorbeelden van AI-Hallucinaties
Drie situaties komen in de praktijk het vaakst terug, en het herkennen van dit patroon is de eerste stap om er niet in te trappen. Verzonnen bronnen en boeken vormen misschien wel het bekendste voorbeeld: je vraagt om wetenschappelijke artikelen over een onderwerp, en de AI verzint een auteur die klinkt alsof hij zou kunnen bestaan, gekoppeld aan een titel die precies past bij je vraag, terwijl geen van beide ooit heeft bestaan.
Verkeerde historische feiten vormen de tweede categorie, waarbij een model bijvoorbeeld stellig beweert dat een bekende persoon in een specifiek jaar is overleden, terwijl die persoon op het moment van schrijven nog gewoon in leven is. De derde categorie, foutieve code of rekenfouten, treft vooral programmeurs: een AI genereert een script dat er op het eerste gezicht foutloos uitziet, maar een functie aanroept die in de gebruikte programmeertaal helemaal niet bestaat, iets wat pas duidelijk wordt zodra je de code daadwerkelijk probeert uit te voeren.
Waarom Hallucineert een AI-Model?
Drie oorzaken liggen aan de basis van vrijwel elke hallucinatie, en ze versterken elkaar vaak. De eerste is een fundamenteel gebrek aan “echt” begrip: een taalmodel heeft geen bewustzijn, geen logisch redeneervermogen in de menselijke zin van het woord, en geen intern wereldbeeld dat het kan raadplegen om een bewering te toetsen. Het combineert patronen uit taal, niets meer en niets minder.
De tweede oorzaak zit in de trainingsdata zelf. Bevat de enorme hoeveelheid tekst waarop een model is getraind tegenstrijdigheden, verouderde informatie of regelrechte fouten, dan neemt het model die onvermijdelijk over, zonder enig ingebouwd mechanisme om zelf te controleren of een bron betrouwbaar was. De derde oorzaak is misschien wel de meest onderschatte: een AI-model is er in de basis op getraind om altijd een antwoord te geven. Chatbots zijn zelden spontaan geneigd om “dat weet ik niet” te zeggen, tenzij ontwikkelaars ze daar specifiek op hebben getraind, omdat een stellig, compleet antwoord in de training vaak hoger werd gewaardeerd dan een aarzelend of onvolledig antwoord.
Hoeveel Hallucineren AI-Modellen Eigenlijk?
Hier verdient nuance de overhand boven een simpel percentage, en dat is precies waar veel artikelen over dit onderwerp de plank misslaan. Zoek je naar actuele hallucinatiecijfers, dan vind je voor exact dezelfde modellen enorm uiteenlopende percentages, soms van drie procent tot boven de dertig procent voor hetzelfde model, gepubliceerd in dezelfde maand. Dat is geen tegenstrijdigheid in de werkelijkheid, maar een gevolg van hoe verschillend “hallucinatie” wordt gemeten.
Een benchmark die test hoe trouw een model een kort document samenvat, meet iets fundamenteel anders dan een benchmark die open kennisvragen stelt zonder enige brontekst, en die weer iets anders dan een test die specifiek kijkt naar de nauwkeurigheid van citaten. Op samenvattingstaken scoren de sterkste modellen inmiddels enkele procenten, terwijl diezelfde modellen op citatiegevoelige taken, waarbij ze een exacte bron moeten reproduceren zonder die bron voor zich te hebben, aanzienlijk hoger uitkomen, soms boven de tien procent. Een paar patronen komen wel consistent terug in vrijwel elk onderzoek: modellen met toegang tot live webzoeken hallucineren merkbaar minder dan modellen die alleen op hun trainingsdata vertrouwen, en het inschakelen van uitgebreider “nadenken” of redeneren voordat een model antwoordt, verlaagt de hallucinatiegraad vaak flink, soms met ruwweg de helft, ten koste van een langere antwoordtijd.
De praktische les hieruit is niet welk specifiek model “wint”, want die rangschikking verschuift bij elke nieuwe modelversie en bij elke andere testmethode. De les is dat geen enkel model, ongeacht het gepubliceerde percentage, hallucinaties volledig heeft uitgebannen, en dat je een claim over “0% hallucinaties” met stevige scepsis mag behandelen.
Hoe Voorkom of Herken Je AI-Hallucinaties?
Dubbelcheck altijd belangrijke feiten voordat je erop vertrouwt, zeker bij getallen, data, medisch advies of juridische informatie. Vertrouw een AI-antwoord nooit blind op precies de momenten waarop een fout je het meeste zou kosten, en behandel een AI-gegenereerd antwoord als een eerste, vlot geschreven concept dat nog verificatie nodig heeft, niet als een afgerond, gecontroleerd feit.
Gebruik voor onderzoek bij voorkeur een AI-zoekmachine die directe, klikbare bronvermelding toont in plaats van een model dat puur uit het geheugen antwoordt. Tools die live het web doorzoeken en per bewering naar een specifieke pagina linken, geven je de mogelijkheid zelf te controleren of een bewering klopt, in plaats van te moeten vertrouwen op de zelfverzekerde toon van het antwoord.
Verbeter daarnaast je prompt zelf. Een instructie zoals “als je het antwoord niet zeker weet, geef dit dan expliciet aan en verzin geen feiten” verandert het gedrag van de meeste moderne modellen merkbaar, simpelweg omdat je daarmee de impliciete druk wegneemt om koste wat kost een compleet antwoord te geven. Voor bedrijven die AI structureel inzetten, is Retrieval-Augmented Generation, kortweg RAG, de meest effectieve technische oplossing: in plaats van het model te laten vertrouwen op wat het ooit tijdens de training heeft gezien, koppel je het rechtstreeks aan je eigen, gecontroleerde documenten, waardoor het antwoorden baseert op een bron die je zelf hebt geverifieerd in plaats van op een onzeker geheugen.
Veelgestelde Vragen
Liegt een AI-chatbot als hij hallucineert?
Nee, liegen vereist de intentie om iemand bewust te misleiden. Een AI-model heeft geen intenties, geen bewustzijn en geen besef dat het iets onjuist beweert. Het berekent simpelweg de statistisch meest waarschijnlijke opeenvolging van woorden, en heeft geen intern mechanisme dat “dit is onwaar” van “dit is waar” onderscheidt op het moment dat het antwoord wordt gegenereerd.
Welke AI-modellen hallucineren het minste?
Een eenduidig antwoord bestaat niet, precies omdat benchmarks elkaar tegenspreken afhankelijk van de gebruikte testmethode. Wat wel consistent naar voren komt, is dat modellen met toegang tot live webzoeken structureel beter scoren dan modellen die volledig op hun trainingsgeheugen vertrouwen, en dat het inschakelen van een uitgebreidere redeneermodus binnen eenzelfde model de hallucinatiegraad vaak aanzienlijk verlaagt. Vertrouw dus minder op een los, gerapporteerd percentage, en meer op of een model tijdens jouw specifieke taak toegang heeft tot verifieerbare, actuele bronnen.
Zullen AI-hallucinaties ooit volledig verdwijnen?
Onwaarschijnlijk, althans niet binnen de huidige architectuur. Omdat de onderliggende technologie werkt op basis van statistische waarschijnlijkheid in plaats van gegarandeerde, geverifieerde kennis, blijft er altijd een kans op een zelfverzekerd verkeerd antwoord bestaan, ook al is die kans de afgelopen jaren aantoonbaar gedaald. Experts verwachten dat de percentages verder blijven zakken naarmate technieken zoals RAG en uitgebreider redeneren gangbaarder worden, maar een garantie van nul hallucinaties hoort vooralsnog thuis in de categorie marketingclaim, niet in de categorie technische realiteit.
Dat verzonnen citaat dat Sven een kwartier kostte om te ontmaskeren, dat is waar dit verhaal begon, en het is precies de reden waarom hij nu nooit meer een AI-antwoord ongecontroleerd overneemt in zijn werk. Niet omdat AI onbetrouwbaar is in alles wat het doet, maar omdat het één ding nooit doet uit zichzelf: toegeven dat het iets niet weet. Die stilte, het ontbreken van een aarzeling waar een mens wel zou twijfelen, is precies het signaal waar je zelf op moet leren letten.
