Hallucination in één minuut
Een model kan een goed geformuleerd antwoord geven terwijl een feit ontbreekt of verkeerd is. Noem dat geen bewijs van liegen of menselijke verbeelding. Vraag waarop een belangrijke bewering steunt en controleer die bron. Een nette zin en een echte bronvermelding zijn nog geen garantie dat de bewering klopt.
Hallucination met een eenvoudig voorbeeld
Je laat een vergadering samenvatten. In het verslag staat dat de planning volgende week wordt besproken. Het model schrijft vervolgens dat de levering volgende vrijdag plaatsvindt. Die zin kan zakelijk en logisch klinken, maar de bron bevat geen bevestigde leverdatum. De fout zit niet in de stijl van de samenvatting: het systeem heeft een onbevestigde conclusie als afspraak weergegeven.
Bij een productcatalogus kan hetzelfde gebeuren met een eigenschap. De bron noemt een aluminium behuizing; het antwoord voegt toe dat het product waterdicht is. Vergelijkbare producten kunnen dat zijn, maar die gelijkenis onderbouwt de eigenschap van dit specifieke artikel niet. Een nuttige controle vraagt per belangrijk kenmerk: waar staat dit voor precies deze variant?
| Vorm | Voorbeeld | Wat moet je controleren? |
|---|---|---|
| Verzonnen informatie | Een niet vermelde certificering wordt toegevoegd. | Bestaat er een bron voor deze claim? |
| Niet-bestaande verwijzing | Een overtuigend klinkende titel met fictieve auteurs. | Bestaat de publicatie en ondersteunt zij de uitspraak? |
| Overmatige zekerheid | Een onduidelijke foto wordt zonder voorbehoud geïdentificeerd. | Is er voldoende bewijs voor deze mate van zekerheid? |
| Onterechte extrapolatie | Een regionale proef wordt als algemene beschikbaarheid beschreven. | Past de conclusie binnen datum, gebied en voorwaarden van de bron? |
Niet iedere onjuistheid krijgt in onderzoek dezelfde naam. Sommige definities richten zich op strijdigheid met de aangeboden bron, andere op feitelijke onjuistheid of niet verifieerbare inhoud. Ook een correct geciteerd maar inmiddels verouderd document kan tot een verkeerd actueel advies leiden. Voor het herstellen van een werkproces is de concrete oorzaak belangrijker dan het label alleen.
Technisch bekeken
Een LLM genereert tekst op basis van aangeleerde patronen en beschikbare context. Een plausibele voortzetting is niet hetzelfde als een gecontroleerde bewering. In de trainingsdata kunnen hiaten, fouten en tegenstrijdigheden voorkomen. Tijdens gebruik kan een onduidelijke opdracht of ontbrekende passage het model richting een aannemelijke invulling sturen die voor deze vraag toch onjuist is.
Ook wanneer de juiste informatie ergens in de Context Window staat, is correcte toepassing niet verzekerd. Het model kan een uitzondering missen, twee versies verwarren of gegevens van verschillende producten combineren. Een groter contextvenster vergroot de mogelijke hoeveelheid invoer, maar garandeert niet dat ieder detail even goed wordt benut. Controleer zowel de aanlevering als het uiteindelijke antwoord.
Bij Multimodal AI kunnen fouten al ontstaan bij het interpreteren van een afbeelding of geluidsfragment. Een slecht leesbaar nummer kan verkeerd worden overgenomen en daarna in een keurige uitleg terugkomen. Als de eerste herkenningsstap fout is, kan later redeneren die fout verder uitwerken. Vraag daarom bij onduidelijke details om een expliciete melding en vergelijk met het origineel.
De stellige toon van een antwoord is geen gekalibreerde waarschijnlijkheid. Ook een zelfgegeven percentage zoals “95% zeker” vormt zonder passende evaluatie geen betrouwbare foutmarge. Meer tussenstappen laten zien of dezelfde vraag opnieuw stellen kan soms helpen, maar het systeem kan ook dezelfde aanname herhalen of een andere ongefundeerde uitleg produceren.
Onderbouwing is controleerbaar. Splits een antwoord op in afzonderlijke claims en kijk welke passage of welk hulpmiddelresultaat iedere claim ondersteunt. Onderscheid wat de bron letterlijk meldt, wat daaruit redelijk kan worden afgeleid en wat onbekend blijft. Dat maakt fouten herstelbaar en voorkomt dat één bronvermelding een hele alinea onterecht legitimeert.
Een nieuwer model kan op bepaalde tests minder fouten maken, terwijl andere taken lastig blijven. Scores hangen af van de taak, de gegevens, de toegestane hulpmiddelen en de manier van beoordelen. De uitspraak dat een model niet meer hallucineert is daarom geen bruikbare algemene garantie. Beoordeel de prestaties op de vragen en documenten die voor jouw bedrijf werkelijk relevant zijn.
Het risico verkleinen in een dagelijks werkproces
Begin met een heldere opdracht en de juiste bronnen. Vraag een samenvatting van het aangeleverde document en laat ontbrekende informatie apart benoemen. Wanneer actuele gegevens nodig zijn, kan RAG relevante passages ophalen of kan een geschikt hulpmiddel een berekening of databaseopvraag uitvoeren. Controleer vervolgens of het resultaat goed is geïnterpreteerd.
- Bron vaststellen
Selecteer de juiste versie en noteer wat ontbreekt.
- Claims toetsen
Controleer feiten, cijfers en verwijzingen tegen de bron of een uitgevoerd hulpmiddel.
- Passend handelen
Publiceer of gebruik pas na de controle die bij de gevolgen van een fout past.
Bronnen toevoegen is geen eindcontrole. Een link kan echt zijn maar de conclusie niet ondersteunen. Een tool kan een correcte uitkomst leveren voor een verkeerd ingevulde productcode. En een opgehaald fragment kan een relevante voorwaarde uit de volgende alinea missen. Maak zulke afhankelijkheden zichtbaar in plaats van uitsluitend het laatste antwoord op leesbaarheid te beoordelen.
- Laat onbekende feiten open; beloon geen volledig ogend antwoord boven een juist antwoord.
- Controleer namen, data, bedragen, citaten en producteigenschappen afzonderlijk.
- Gebruik reken- of zoeksystemen waar die de taak beter kunnen onderbouwen.
- Test ook tegenstrijdige bronnen, onleesbare invoer en vragen zonder antwoord.
- Laat beslissingen met belangrijke gevolgen door een passende deskundige beoordelen.
Voor een eerste tekstconcept kan een redactionele controle voldoende zijn. Een voorraadbelofte of een uitleg van een technische installatie vraagt een andere verificatie. Leg in het proces vast wie de uitkomst controleert en welke bron doorslaggevend is. Zo blijft AI bruikbaar voor samenvatten, zoeken en schrijven, terwijl onzekerheid een zichtbaar onderdeel van het werk blijft.