Iedereen die een tijdje met ChatGPT of een vergelijkbare AI-tool werkt, maakt het een keer mee: je krijgt een prachtig geformuleerd antwoord, compleet met cijfers en bronnen — en bij controle blijkt de helft verzonnen. Dit verschijnsel heet een hallucinatie, en het is voor veel ondernemers dé reden om AI niet te vertrouwen met serieus werk. Dat is jammer, want wie begrijpt wáárom AI soms dingen verzint, kan er prima omheen bouwen. In dit artikel leggen we uit wat er onder de motorkap gebeurt, hoe vaak het echt misgaat, en hoe je AI zo inzet dat een hallucinatie nooit ongezien bij je klant belandt.
Wat is een AI-hallucinatie precies?
Een hallucinatie is een antwoord dat feitelijk onjuist is, maar door de AI met volledige stelligheid wordt gebracht. Denk aan een verzonnen jaartal, een niet-bestaand telefoonnummer, een citaat dat nooit is uitgesproken of een bron die niet bestaat. Het gevaarlijke zit niet in de fout zelf — mensen maken ook fouten — maar in de verpakking: een hallucinatie leest precies zo vloeiend en zelfverzekerd als een correct antwoord. Er knippert geen rood lampje. Wie het onderwerp niet kent, heeft geen enkele manier om aan de tekst te zien dat er iets mis is.
Belangrijk om te weten: de AI "liegt" niet en heeft ook geen kwade bedoelingen. Een taalmodel is in de kern een systeem dat razend goed heeft geleerd welk woord waarschijnlijk volgt op de woorden ervoor. Meestal levert dat verbluffend bruikbare antwoorden op. Maar als het model iets niet weet, produceert het niet automatisch "dat weet ik niet" — het produceert het antwoord dat er het meest plausibel úítziet. En plausibel is iets anders dan waar.
Waarom verzint AI liever iets dan toe te geven dat het iets niet weet?
Hier is de afgelopen jaren serieus onderzoek naar gedaan, en de uitkomst is verrassend herkenbaar. Onderzoekers van OpenAI publiceerden in september 2025 een veelbesproken studie met als kernconclusie: taalmodellen hallucineren mede omdat de gangbare trainings- en testmethoden gokken belonen en twijfel afstraffen. Vergelijk het met een multiplechoicetentamen: wie bij een onbekende vraag gokt, heeft kans op een punt; wie het vakje leeg laat, krijgt gegarandeerd nul. Modellen die vaker een gokje wagen, scoren nét iets hoger op de ranglijsten — en dus zijn generaties AI-modellen onbedoeld getraind tot zelfverzekerde gokkers.
Hetzelfde onderzoek liet zien hoe groot het verschil kan zijn: op een bekende feitentest gaf het ene model bij ruim de helft van de vragen eerlijk aan het antwoord niet zeker te weten en zat het in ongeveer een kwart van de gevallen fout, terwijl een ander model vrijwel nooit twijfel toegaf — en er in driekwart van de gevallen naast zat. Beide modellen scoorden op "aantal goede antwoorden" bijna gelijk. Het verschil zat volledig in hoeveel onzin er tussendoor werd geproduceerd. De nieuwste generatie modellen wordt daarom nadrukkelijk getraind om vaker "dat weet ik niet zeker" te zeggen, en dat helpt — maar helemaal verdwijnen doet het probleem voorlopig niet.
Een taalmodel is getraind als een student die altijd gokt bij een tentamen: meestal handig, maar je wilt niet dat hij je jaarcijfers invult.
Hoe vaak gaat het eigenlijk mis?
Minder vaak dan de spookverhalen suggereren, maar vaker dan je bij blind vertrouwen zou willen. Het bekendste meetinstrument is het hallucinatie-leaderboard van AI-bedrijf Vectara, dat bijhoudt hoe vaak modellen feiten verzinnen bij het samenvatten van een aangeleverd document — een taak die veel lijkt op wat AI in bedrijven dagelijks doet. De beste modellen zitten daar inmiddels rond de twee à drie procent; zwakkere of oudere modellen gaan bij meer dan twintig procent van de samenvattingen ergens de fout in. Twee dingen vallen op: het verschil tussen modellen is enorm, en zelfs de allerbeste zitten niet op nul.
Dat het geen theoretisch risico is, bewees een zaak bij de rechtbank Rotterdam in 2025. In een geschil over een handelsnaam bleek tijdens de zitting dat álle verwijzingen naar uitspraken van de Hoge Raad in het verweerschrift onjuist waren: sommige zaaknummers hoorden bij strafzaken die nergens over gingen, andere bestonden simpelweg niet. De rechtbank schoof de verwijzingen terzijde — pijnlijk voor de advocaat, en een gratis les voor de rest van ons. Niet de AI kreeg daar de schuld, maar de professional die het werk ongecontroleerd doorstuurde. Zo kijken je klanten er ook naar: een verzonnen cijfer in jouw offerte is jouw fout, niet die van de tool.
Een hallucinatie wordt pas een bedrijfsrisico op het moment dat niemand er meer tussen zit. Dáár zit de knop waar je aan kunt draaien.
Zo beperk je het risico in de praktijk
Het goede nieuws: je hoeft niet te wachten tot AI perfect is. Met een paar nuchtere spelregels haal je het overgrote deel van het risico weg. Dit zijn de vier die wij bij elk traject toepassen:
- Geef de AI je eigen bronnen. Verreweg de meeste hallucinaties ontstaan als een model uit het blote hoofd moet antwoorden. Laat het werken met jouw documenten — prijslijsten, voorwaarden, handleidingen — en laat het aangeven wáár in die stukken het antwoord staat. Dan controleer je in seconden in plaats van minuten.
- Houd een mens tussen AI en buitenwereld. Alles wat naar een klant gaat — mail, offerte, factuur — wordt door iemand gelezen en goedgekeurd. AI bereidt voor, de mens beslist. Dat kost weinig tijd en vangt vrijwel elke uitglijder af.
- Vraag om twijfel. Een simpele instructie als "zeg het als je iets niet zeker weet, verzin niets" maakt aantoonbaar verschil. Reken er niet blind op, maar het scheelt.
- Wees extra alert bij details die precies moeten kloppen: namen, bedragen, data, artikelnummers, wetsverwijzingen. Juist daar zijn hallucinaties moeilijk te zien én duur.
Wie dit slim inricht, laat het controleren bovendien niet van discipline afhangen maar van het systeem zelf. In goed gebouwde AI-oplossingen krijgt een antwoord standaard de bron erbij, komt een conceptmail in een goedkeuringsrij te staan in plaats van direct in de verzonden items, en wordt bij ontbrekende informatie een vraag gesteld in plaats van een gok gedaan. Dat is precies het verschil tussen "even iets aan een chatbot vragen" en een systeem dat je bedrijf kunt toevertrouwen. Hoe AI met je eigen bedrijfskennis werkt, legden we eerder uit in ons artikel over RAG — die techniek is tegen hallucinaties je beste vriend.
Wat betekent dit voor AI in jouw bedrijf?
De conclusie is niet "wacht maar tot het opgelost is", en ook niet "gewoon doen en hopen". De conclusie is: behandel AI zoals je een pientere nieuwe medewerker behandelt. Die laat je in de eerste week ook geen offertes ondertekenen, maar je laat hem wél alvast het voorwerk doen — en je controleert wat naar buiten gaat. Bedrijven die zo werken, plukken de tijdwinst van AI zonder de blunders. Bedrijven die AI óf blind vertrouwen óf uit angst negeren, laten beide kansen liggen.
Wil je weten waar AI in jouw bedrijf veilig waarde kan toevoegen — en waar je juist voorzichtig moet zijn? Doe de gratis AI-check; je hebt binnen een paar minuten een eerste beeld. Wil je je team leren wat er wél en niet in een AI-tool thuishoort, dan is een korte training vaak de snelste stap: die begint bij ons vanaf €400. En een eerste afgebakend traject met ingebouwde controles — bijvoorbeeld een mailassistent die alleen concepten klaarzet — bouwen we vanaf zo'n €1.500.