Wat is AI-hallucinatie en hoe herken je het?
AI-hallucinatie is het fenomeen waarbij een taalmodel een antwoord geeft dat feitelijk onjuist, verzonnen of niet te herleiden is naar een bron, terwijl het antwoord zelfverzekerd en overtuigend klinkt. Het ontstaat omdat taalmodellen tekst genereren op basis van waarschijnlijkheid, niet op basis van geverifieerde kennis. Hallucinatie is een structureel kenmerk van huidige taalmodellen, geen incidentele bug die volledig te verhelpen is.
AI-hallucinatie is het verschijnsel waarbij een taalmodel met overtuiging informatie presenteert die feitelijk onjuist of verzonnen is.
Vraag een taalmodel naar een specifiek feit en het antwoordt vlot, gedetailleerd en overtuigend. Het probleem: soms is dat antwoord gewoon niet waar. Dat verschijnsel heet AI-hallucinatie, en het is een van de belangrijkste dingen om te begrijpen voordat je AI inzet voor iets dat feitelijk moet kloppen.
Wat AI-hallucinatie precies is
Een taalmodel genereert tekst door woord voor woord te voorspellen wat statistisch het meest waarschijnlijke vervolg is, gebaseerd op patronen uit enorme hoeveelheden trainingsdata. Er zit geen ingebouwd controlemechanisme in dat checkt of een genereerde uitspraak ook daadwerkelijk klopt.
Het resultaat: als een model iets niet zeker weet, “verzint” het niet in de zin van bewust liegen, maar het produceert wel de taalkundig meest waarschijnlijke zin, ook als die feitelijk onjuist is. Denk aan een verzonnen bronvermelding, een niet-bestaand onderzoek, of een correct klinkende maar foutieve wetsartikel-verwijzing.
Waarom dit gebeurt
De oorzaak zit in hoe taalmodellen werken. Ze zijn getraind om taalkundig coherente en plausibele tekst te produceren, niet om feiten te verifiëren tegen een actuele, betrouwbare bron. Als een onderwerp weinig voorkomt in de trainingsdata, of als er tegenstrijdige informatie in zit, vult het model de leemte op met wat het meest waarschijnlijk klinkt.
Dit wordt versterkt doordat modellen zelfverzekerd formuleren, ongeacht hoe zeker ze eigenlijk “zijn”. Er is geen ingebouwde twijfel-indicator die aangeeft hoe betrouwbaar een antwoord is, tenzij het model daar expliciet om gevraagd wordt.
Waar het risico het grootst is
Hallucinatie speelt vooral op bij specifieke, verifieerbare feiten: cijfers, citaten, wetteksten, historische data, technische specificaties. Hoe specifieker en obscuurder de vraag, hoe groter de kans dat een model iets aannemelijk klinkends verzint in plaats van toe te geven het niet te weten.
Bij creatieve of generatieve taken, zoals het schrijven van een conceptmail of het brainstormen over ideeën, is dit risico veel kleiner, omdat er geen objectief juist antwoord bestaat. Het risico stijgt juist bij toepassingen waarbij feitelijke juistheid essentieel is, zoals klantcommunicatie, rapportages of juridische documenten.
Hoe je het risico verkleint
De meest effectieve techniek is retrieval-augmented generation: het model laten antwoorden op basis van een concreet aangeleverd document of database, in plaats van uitsluitend op zijn getrainde kennis te vertrouwen. Zo baseert het model zich op iets controleerbaars in plaats van op een gok. Meer over hoe je dit opzet in een workflow lees je in het artikel over wat een AI-workflow is.
Daarnaast helpt een duidelijke prompt die het model expliciet vraagt om aan te geven wanneer het iets niet zeker weet, in plaats van altijd een antwoord te forceren. Zie ook het artikel over wat prompt engineering is voor concrete technieken.
Waarom dit geen reden is om AI te vermijden
Hallucinatie is een structureel kenmerk van huidige taalmodellen, geen argument om AI helemaal niet in te zetten. Het is wel een reden om AI-output altijd te behandelen als een concept dat gecontroleerd moet worden, niet als een definitief, geverifieerd antwoord. Voor de meeste zakelijke toepassingen, zoals het opstellen van een eerste versie van een tekst of het samenvatten van een document, is dit risico goed te beheersen met de juiste controles.
Onze tip: vraag een taalmodel expliciet om zijn bron te noemen bij feitelijke claims. Kan het geen concrete, controleerbare bron geven, behandel het antwoord dan als een aanname die je zelf moet verifiëren, niet als een feit.
Veelgestelde vragen
Waarom hallucineren taalmodellen eigenlijk?
Een taalmodel genereert tekst door telkens het meest waarschijnlijke volgende woord te voorspellen op basis van patronen uit trainingsdata. Het model heeft geen ingebouwd mechanisme om te controleren of een uitspraak feitelijk klopt; het optimaliseert voor taalkundig plausibele zinnen, niet voor waarheid. Als de trainingsdata over een onderwerp beperkt of tegenstrijdig is, vult het model de gaten op met een aannemelijk klinkend, maar mogelijk incorrect antwoord.
Hoe herken je een AI-hallucinatie?
Let op overdreven specifieke details zonder bron, zoals exacte cijfers, citaten, jaartallen of paginaverwijzingen die niet controleerbaar zijn. Vraag het model om zijn bron te noemen; kan het dat niet concreet maken, is voorzichtigheid geboden. Controleer feitelijke claims altijd bij een onafhankelijke bron voordat je ze gebruikt in belangrijke communicatie of besluitvorming.
Kun je AI-hallucinatie volledig voorkomen?
Niet volledig, maar wel sterk verminderen. Technieken zoals retrieval-augmented generation (het model laten antwoorden op basis van een aangeleverde, geverifieerde bron in plaats van alleen trainingsdata) verkleinen het risico aanzienlijk. Ook een duidelijke, feitelijk begrensde prompt en het expliciet vragen om 'ik weet het niet' als het model onzeker is, helpen, maar een garantie van nul hallucinatie bestaat momenteel niet.
Is hallucinatie een probleem bij elke toepassing van AI?
Nee, de impact hangt af van het gebruik. Bij creatieve taken, zoals het bedenken van conceptnamen of het schrijven van een eerste concepttekst, is hallucinatie zelden een probleem. Bij feitelijke toepassingen, zoals juridisch advies, medische informatie of financiële cijfers, is het risico groot en moet elk antwoord gecontroleerd worden voordat het gebruikt wordt.