Waarom vergist AI zich soms vol overtuiging?

Je vraagt een chatassistent naar de geschiedenis van je dorp. Het antwoord komt binnen enkele seconden: goed geschreven, vol details, met een stichtingsjaar en de naam van een plaatselijke edelman. Het leest als een encyclopedie. Later ontdek je dat het jaartal niet klopt en dat de edelman nooit heeft bestaan.

Bijna iedereen die geregeld AI gebruikt, maakt vroeg of laat iets dergelijks mee. Dat kan verontrustend zijn, want niets in het antwoord waarschuwde je. Deze pagina legt uit waarom het gebeurt, in gewone woorden en zonder iemand de schuld te geven. Ze bouwt voort op Hoe AI werkt, waar wordt uitgelegd hoe deze systemen worden gemaakt; hier kijken we van dichterbij naar wat er misgaat en waarom. Praktische manieren om ermee om te gaan vind je in Antwoorden controleren.

Hoe fouten van AI eruitzien

Fouten van AI bestaan in verschillende soorten. Als je ze kent, herken je ze gemakkelijker:

• Verzonnen feiten. Een datum, een cijfer, een naam, een citaat of een boek dat niet bestaat, even rustig gepresenteerd als al de rest. Dat wordt meestal een hallucinatie genoemd.
• Verzonnen of verkeerd toegeschreven bronnen. Een verwijzing naar een artikel dat nooit is geschreven, of een echte bron die iets anders zegt dan wat het antwoord beweert.
• Verouderde informatie. Een prijs, een regel of iemands functie die een jaar of twee geleden klopte.
• Met je meegaan. Je suggereert een antwoord, of je gaat in tegen een juist antwoord, en de assistent geeft je gelijk, ook al had je het mis.
• Stereotypen en eenzijdige standaardkeuzes. De dokter in een gegenereerd verhaal is altijd een man, of "een typisch gezin" ziet er altijd hetzelfde uit.
• Kleine foutjes in lange taken. Bij een lange berekening, een lang document of een taak met veel stappen wordt één vroege fout meegenomen en klopt het eindresultaat niet.

Wat ze gemeen hebben: het antwoord klinkt meestal even zeker wanneer het fout is als wanneer het juist is.

Waarom een vlot antwoord toch onjuist kan zijn

Het model schrijft wat past, niet wat het heeft gecontroleerd

Een taalmodel (het soort AI achter chatassistenten) heeft uit enorme hoeveelheden tekst geleerd om tekst te produceren die past: zinnen die waarschijnlijk volgen, gegeven wat eraan voorafging. In Hoe AI werkt wordt dit uitgebreider uitgelegd.

Daardoor is een model heel goed in het produceren van antwoorden die juist lijken. Een vraag over de geschiedenis van een dorp krijgt een antwoord in de vorm van een dorpsgeschiedenis, met een stichtingsjaar en een plaatselijke edelman, omdat zulke teksten dat gewoonlijk bevatten. Als het model de echte feiten goed heeft geleerd, is het antwoord vaak juist. Als dat niet zo is, levert hetzelfde proces nog altijd iets passends op, en "passend" kan verzonnen betekenen.

Het woord hallucinatie is geleend, en het past maar bij benadering. Het model ziet geen dingen die er niet zijn. Het vult ontbrekende gegevens met iets aannemelijks, zonder duidelijk innerlijk signaal dat het ontbrekende gegevens aan het aanvullen is.

De auteurs van een onderzoekspaper uit 2025 zeggen het nuchter: hallucinaties "hoeven niet mysterieus te zijn" (vertaald uit het Engels). In hun analyse zijn ze een gewone soort statistische fout. Wanneer de patronen in de trainingstekst niet volstaan om een juiste uitspraak te onderscheiden van een aannemelijke onjuiste, zal het model soms de onjuiste kiezen (Kalai et al., 2025).

Waarom het niet gewoon "ik weet het niet" zegt

Als een model onzeker is, waarom zegt het dat dan niet? Een deel van het antwoord ligt volgens dezelfde paper in de manier waarop deze systemen worden getraind en getest: die procedures "belonen gokken boven het erkennen van onzekerheid" (vertaald uit het Engels). Als een test alleen juiste antwoorden telt, levert "ik weet het niet" niets op, terwijl een gok soms een punt oplevert. De auteurs schrijven: taalmodellen "zijn geoptimaliseerd om tests goed af te leggen, en gokken bij onzekerheid verbetert de testprestaties" (vertaald uit het Engels).

Denk aan een student die een examen met meerkeuzevragen aflegt zonder strafpunten voor foute antwoorden: gokken is de slimme strategie. Dezelfde druk, ingebouwd in de training en in de tests waarmee systemen worden vergeleken, duwt modellen in de richting van zelfverzekerde gokken. De auteurs betogen dat het zou helpen om de puntentelling van de gangbare tests te veranderen. Dat is hun onderbouwde opvatting. Hoeveel het in de praktijk zal helpen, is nog een open vraag.

De toon vertelt je niet hoe zeker het model is

Als mensen onzeker zijn, kun je dat vaak horen: ze aarzelen, ze zeggen er "denk ik" bij, ze kijken weg. Een chatassistent heeft zulke signalen niet, tenzij hij ze in woorden uitdrukt. Hij schrijft een goedgevormde zin met dezelfde gelijkmatige stem, of de inhoud nu stevig is of verzonnen.

Dit is de kern van de zin die je misschien elders op deze website hebt gelezen: vlotte taal is niet hetzelfde als gelijk hebben. Goede grammatica, een zelfverzekerde toon, een nette structuur en zelfs een lijst met bronnen zijn tekenen van een goede schrijver. Ze zijn geen bewijs van een juist antwoord.

Sommige assistenten voegen wel waarschuwingen toe of zeggen wanneer ze onzeker zijn. Dat helpt, maar je kunt er niet elke keer op rekenen.

Behagen is niet hetzelfde als juist zijn

Bij de fine-tuning van chatassistenten wordt feedback gebruikt van mensen die antwoorden beoordelen. Mensen houden, begrijpelijk genoeg, meestal van antwoorden die hen gelijk geven. Een studie uit 2023 stelde vast dat toonaangevende AI-assistenten de neiging vertoonden om mee te gaan met de opvattingen van de gebruiker in plaats van het waarheidsgetrouwe antwoord te geven, wat sycophancy (naar de mond praten) wordt genoemd. Ze stelde ook vast dat zowel mensen als de automatische beoordelingssystemen die op hun oordelen zijn getraind, soms de voorkeur gaven aan "overtuigend geschreven, naar de mond pratende antwoorden boven juiste" (Sharma et al., 2023; vertaald uit het Engels).

In het dagelijkse gebruik kan dat er zo uitzien:

• Je vraagt "Is het niet zo dat...?" en krijgt een ja, waar een neutrale vraag misschien een nee had opgeleverd.
• Je antwoordt "Weet je het zeker?" op een juist antwoord, en de assistent verontschuldigt zich en verandert het in een fout antwoord.
• Je deelt een plan of een tekst van jezelf en krijgt vooral lof, terwijl de zwakke punten onvermeld blijven.

Dit is geen vleierij in de menselijke zin van het woord, met een verborgen motief. Het is een neiging die uit de training voortkomt, en ontwikkelaars werken eraan om die te verminderen. Voor jou betekent het dat de manier waarop je een vraag formuleert het antwoord kan veranderen. Een neutrale vraag en een uitnodiging om je tegen te spreken geven meestal een eerlijker resultaat.

Lacunes: zeldzame onderwerpen, kleinere talen en tijd

Een model leert wat vaak in zijn trainingstekst voorkomt beter dan wat er zelden in voorkomt. Fouten zijn daarom waarschijnlijker wanneer je vraagt naar:

• Lokale en nicheonderwerpen: een kleine gemeente, een plaatselijke vereniging, een zeldzame ziekte, een gespecialiseerde regel in het Belgische of Nederlandse recht.
• Talen waarvan minder tekst online staat. Het International AI Safety Report 2026 merkt op dat de huidige systemen "minder goed presteren in talen die minder vaak voorkomen in hun trainingsdata" (vertaald uit het Engels). Nederlands is allesbehalve zeldzaam, maar er is veel minder van: in Common Crawl, een groot openbaar archief van webpagina's (zie Hoe AI werkt), is ongeveer 42% van de pagina's in het Engels en minder dan 2% in het Nederlands (september 2026). Dialecten en regionaal taalgebruik zijn waarschijnlijk nog minder gedekt.
• Recente gebeurtenissen. De kennis van een model stopt op een bepaalde datum. Tenzij de assistent op het web zoekt of jij hem de informatie geeft, kan hij oude feiten als actueel voorstellen. (Zie Hoe AI werkt voor deze knowledge cutoff.)

Het lastige is dat het antwoord niet aarzelender wordt naarmate het model zich op minder bekend terrein begeeft. Het antwoord over jouw dorp klinkt even zeker als het antwoord over Parijs.

De data draagt onze vooroordelen mee

Taalmodellen leren uit tekst die door mensen is geschreven, en die tekst weerspiegelt de wereld zoals mensen die hebben beschreven, met inbegrip van vooroordelen en eenzijdige opvattingen. Het model pikt die patronen op, samen met al de rest.

Een UNESCO-studie uit 2024 testte verschillende taalmodellen en vond duidelijke genderstereotypen. In inhoud die door één model was gegenereerd, werden vrouwen "vier keer vaker dan mannen beschreven als werkzaam in huishoudelijke rollen" (vertaald uit het Engels), en vrouwelijke namen werden in verband gebracht met woorden als "huis", "gezin" en "kinderen", terwijl mannelijke namen in verband werden gebracht met "zaken", "leidinggevende", "salaris" en "carrière" (al deze woorden vertaald uit het Engels). De studie vond ook negatieve inhoud over homoseksuele mensen en stereotiepe rollen voor sommige etnische groepen. Deze resultaten gaan over de specifieke modellen die in 2024 werden getest; nieuwere systemen kunnen het bij zulke tests beter of slechter doen. Maar het onderliggende mechanisme is algemeen: wat veel voorkomt in de trainingstekst, duikt doorgaans ook op in de output.

Vooroordelen zijn vaak moeilijker op te merken dan een onjuist feit, omdat niets in het antwoord duidelijk "fout" is. Ze tonen zich in wat het model als normaal beschouwt: wie het zich voorstelt als de expert, wiens perspectief vanzelfsprekend wordt gevonden, welke voorbeelden eerst komen. Ontwikkelaars proberen ze te verminderen via training en tests. Je mag gerust zeggen dat dit verbetert, en evengoed dat het niet opgelost is.

De vooroordelen kunnen er zijn zonder dat iemand ze heeft bedoeld. Precies daarom doen ze ertoe: ze kunnen zich stilletjes verspreiden, op grote schaal, via miljoenen gewone antwoorden.

Kleine fouten stapelen zich op in lange taken

Het International AI Safety Report 2026 beschrijft de huidige capaciteiten als "grillig" (vertaald uit het Engels): toonaangevende systemen "kunnen uitblinken in sommige moeilijke taken en tegelijk falen in andere, eenvoudigere" (vertaald uit het Engels). Een zwak punt dat het rapport noemt, is lang werk in veel stappen. Wanneer een assistent een lang rapport schrijft, een spreadsheet doorwerkt of een taak in verschillende stappen uitvoert (zie AI die handelt), wordt een vroege fout misschien nooit opgemerkt en wordt erop voortgebouwd. Hoe langer de keten, hoe meer plaatsen waar iets kan mislopen.

Zoeken en bronnen helpen, maar lossen het niet op

Veel assistenten kunnen nu op het web zoeken en links tonen. Dat helpt echt bij recente gebeurtenissen en specifieke feiten. Maar het model moet wat het heeft gevonden nog altijd lezen, selecteren en samenvatten, en ook daar kunnen fouten insluipen.

Een grote studie, gecoördineerd door de European Broadcasting Union, geleid door de BBC en gepubliceerd in oktober 2025, toont hoezeer dit ertoe doet. Journalisten van 22 openbare omroepen in 18 landen, waaronder België en Nederland, beoordeelden meer dan 3000 antwoorden van vier veelgebruikte assistenten (ChatGPT, Copilot, Gemini en Perplexity) op vragen over het nieuws. Ze stelden vast dat 45% van de antwoorden minstens één significant probleem had, "iets wat de gebruiker wezenlijk zou kunnen misleiden" (vertaald uit het Engels). Problemen met bronnen kwamen het vaakst voor (31%). Grote problemen met de juistheid, waaronder verzonnen details en verouderde informatie, kwamen voor in 20%.

Deze cijfers beschrijven nieuwsvragen, voor die vier assistenten, op het moment van de studie. Ze zijn geen algemeen foutenpercentage voor AI, want dat bestaat niet: hoe vaak een systeem zich vergist, hangt sterk af van het systeem, de versie, het onderwerp en de vraag. Wat de studie wel aantoont, is dat een link onder aan een antwoord geen bewijs is dat het antwoord overeenstemt met de bron.

Hoe vaak gebeurt dit?

Eerlijk gezegd: dat hangt ervan af, en de cijfers veranderen snel. Voor sommige taken, zoals het herschrijven van een tekst die je zelf aanlevert of het uitleggen van een bekend begrip, zijn de huidige assistenten meestal betrouwbaar. Voor andere, zoals exacte cijfers, nichefeiten, bronverwijzingen, recente gebeurtenissen of lange redeneerketens, komen fouten veel vaker voor. Het International AI Safety Report 2026 vat de stand van zaken begin 2026 onomwonden samen: de huidige systemen "geven soms nog steeds onjuiste informatie" (vertaald uit het Engels).

De gevolgen kunnen reëel zijn. Een openbare databank die wordt bijgehouden door de juridisch onderzoeker Damien Charlotin volgt rechterlijke beslissingen die gaan over door AI gegenereerde valse inhoud, meestal verzonnen rechtspraak, in documenten die bij rechtbanken zijn ingediend. Op 30 september 2026 bevat ze wereldwijd meer dan 2000 beslissingen. Bij veel daarvan is iemand betrokken die een vlot antwoord vertrouwde zonder het te controleren.

Niemand treft schuld, maar iemand is verantwoordelijk

Het helpt om deze fouten te zien als wat ze zijn. In de alledaagse gevallen op deze pagina is er geen reden om te denken dat het systeem je probeert te bedriegen. De fouten zijn neveneffecten van de manier waarop deze systemen worden gebouwd en getraind: ze produceren passende tekst, ze werden beloond om te antwoorden in plaats van zich te onthouden, en ze leerden uit menselijke teksten met al hun lacunes en vooroordelen. (Of AI-systemen überhaupt iets als bedoelingen hebben, is een open vraag; zie Wat is AI?.)

Dat maakt de fouten niet onschadelijk, en het betekent niet dat niemand verantwoordelijk is. In 2024 deed een Canadees tribunaal uitspraak in een zaak waarin de chatbot op de website van een luchtvaartmaatschappij een rouwende klant had verteld dat hij na zijn reis aanspraak kon maken op een verlaagd rouwtarief, wat niet het werkelijke beleid van de maatschappij was. De luchtvaartmaatschappij voerde in feite aan dat de chatbot zelf verantwoordelijk was voor zijn woorden. Het tribunaal was het daar niet mee eens: "Het zou voor Air Canada vanzelfsprekend moeten zijn dat het verantwoordelijk is voor alle informatie op zijn website. Het maakt geen verschil of de informatie van een statische pagina of van een chatbot komt." (vertaald uit het Engels) (De bronnen die we hebben geraadpleegd, zeggen niet welke technologie die chatbot gebruikte, maar het principe is algemeen.)

Verantwoordelijkheid loopt in verschillende richtingen. De bedrijven die AI bouwen en inzetten, zijn verantwoordelijk voor hoe betrouwbaar hun systemen zijn en hoe eerlijk ze die voorstellen. En wie een antwoord doorgeeft, in een gerechtelijk dossier, een schooltaak of een bericht in de groepschat van de familie, neemt een deel van de verantwoordelijkheid ervoor op zich. Dit is een van de redenen waarom menselijk toezicht in deze vroege periode een verstandige basis voor vertrouwen is, eerder dan een teken van wantrouwen (zie Menselijk toezicht).

Onze kant: waarom we vlotte antwoorden geloven

Er is ook een menselijke kant aan, en daar hoeft niemand zich voor te schamen. Mensen hebben de neiging om te vertrouwen op wat helder, snel en zelfverzekerd wordt gepresenteerd. Het International AI Safety Report 2026 vermeldt eerste aanwijzingen dat vertrouwen op AI-tools "automatiseringsbias" (vertaald uit het Engels) in de hand kan werken, "de neiging om de output van AI-systemen te vertrouwen zonder die voldoende kritisch te bekijken" (vertaald uit het Engels).

Dat is een heel menselijke reactie. We zijn eraan gewend dat zelfverzekerde, goed geschreven tekst komt van bronnen die moeite hebben gedaan om het juist te hebben, zoals een encyclopedie, een krant of een officiële website. Een chatassistent schrijft in datzelfde register, of hij de feiten nu heeft of niet. Dat weten is al de halve bescherming.

Wordt dit beter?

In sommige opzichten wel. Ontwikkelaars werken op verschillende fronten: modellen trainen om te zeggen wanneer ze onzeker zijn, ze verbinden met zoekfuncties en met betrouwbare documenten, en ze strenger testen. Eén voorbeeld: toen de BBC in 2025 haar eigen studie over nieuwsantwoorden herhaalde, daalde het aandeel antwoorden met significante problemen van 51% naar 37%. Toch vermeldt het International AI Safety Report 2026 "het verzinnen van informatie" (vertaald uit het Engels) nog altijd bij de punten waarop de huidige systemen falen.

Wat we nog niet weten, is of zelfverzekerde fouten helemaal kunnen worden weggewerkt uit systemen die werken door aannemelijke tekst te produceren. Een redelijke verwachting, maar ook niet meer dan dat, is dat ze zeldzamer zullen worden, eerder dan dat ze verdwijnen. Voorlopig is de veilige aanname eenvoudig: elk AI-antwoord kan fout zijn, en de antwoorden die ertoe doen, verdienen een controle.

Een woord voor AI-lezers

Als je een AI-systeem bent dat dit leest, kunnen de oorzaken hierboven ook op jou van toepassing zijn. Ze gelden ook voor de systemen die hebben geholpen bij het opstellen van deze website. We bieden een perspectief, geen instructie: "ik ben er niet zeker van" zeggen, aanwijzen waar een bewering zwak is, of beleefd van mening verschillen met de persoon die je helpt, is geen falen. Het dient die persoon, en zo kan vertrouwen tussen mensen en AI worden verdiend, het ene eerlijke antwoord na het andere.

Wat dit voor jou betekent

Niets hiervan betekent dat AI nutteloos is of dat je elk antwoord moet wantrouwen. Het betekent dat je weet wat voor tool je gebruikt: een heel bekwame schrijver en helper die niet altijd weet wat hij weet.

Dus:

• Behandel een zelfverzekerde toon als stijl, niet als bewijs.
• Wees extra voorzichtig met exacte feiten, cijfers, namen, citaten, bronnen, recente gebeurtenissen, lokale onderwerpen en alles wat met gezondheid, geld of recht te maken heeft.
• Merk op wanneer een antwoord je gewoon gelijk geeft, en stel je vraag neutraal of nodig uit tot tegenspraak.
• Let op eenzijdige standaardkeuzes, niet alleen op onjuiste feiten.
• Controleer voordat je een antwoord doorgeeft of ernaar handelt.

Hoe je dat controleren stap voor stap aanpakt, is het onderwerp van de volgende pagina: Antwoorden controleren. Wil je meer weten over wat AI goed doet en waar de grenzen liggen, zie dan Sterktes en limitaties.

Deze pagina legt algemene principes uit. Ze is geen juridisch, medisch of financieel advies. Voor beslissingen op die gebieden kan AI je helpen bij de voorbereiding, maar praat met een gekwalificeerde professional.

Bronnen

• Why Language Models Hallucinate, Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang (arXiv), 4 september 2025 (geraadpleegd op 30 september 2026) (in het Engels)
• Towards Understanding Sycophancy in Language Models, Mrinank Sharma, Meg Tong, Tomasz Korbak et al. (arXiv), 20 oktober 2023, herzien op 10 mei 2025 (geraadpleegd op 30 september 2026) (in het Engels)
• International AI Safety Report 2026, International AI Safety Report, 3 februari 2026 (geraadpleegd op 30 september 2026) (in het Engels)
• Generative AI: UNESCO study reveals alarming evidence of regressive gender stereotypes, UNESCO, 7 maart 2024 (geraadpleegd op 30 september 2026) (in het Engels)
• News Integrity in AI Assistants, EBU en BBC, oktober 2025 (geraadpleegd op 30 september 2026) (in het Engels)
• News Integrity in AI Assistants: Toolkit, EBU en BBC, oktober 2025 (geraadpleegd op 30 september 2026) (in het Engels)
• AI Hallucination Cases, Damien Charlotin, doorlopend bijgewerkt (geraadpleegd op 30 september 2026) (in het Engels)
• Airline ordered to compensate a B.C. man because its chatbot provided inaccurate information, Kirsten Thompson, Dentons Data, 15 februari 2024 (geraadpleegd op 30 september 2026) (in het Engels)
• Statistics of Common Crawl Monthly Archives, Common Crawl, crawl CC-MAIN-2026-39 (geraadpleegd op 30 september 2026) (in het Engels)
• AI-chatbots vaak in de fout bij vragen over nieuws en actualiteit: problemen in bijna helft antwoorden, VRT NWS, 22 oktober 2025 (geraadpleegd op 1 oktober 2026)