Blog · AI & Technologie
Waarom AI-taalmodellen hallucineren (een plausibel klinkende onwaarheid)
Olaf Lemmens, Founder NinA AI Agency · 13 september 2025 · 8 min leestijd
Een vroege ochtend in Amsterdam. Terwijl ik mijn koffie drink, check ik snel of ChatGPT me kan helpen met een nieuw idee. Het antwoord lijkt perfect. Totdat ik doorheb dat er dingen in staan die niet kloppen.
En dat gebeurt vaker dan je denkt.
Ik gaf laatst een workshop en iemand vertelde me over zijn eigen ervaring. Een onderzoeker die een onderzoek gedeeld had met CoPilot, de vraag? Hoeveel respondenten zijn dit?
50 zei CoPilot vol vertrouwen. Het juiste antwoord.
Maar toen vroeg hij het opnieuw. "weet je dat heel, heel zeker??"
"Je hebt gelijk, het zijn er 49."
AI loog.
Het paper van OpenAI dat ik deze week heb gelezen, laat zien waarom dat gebeurt. En belangrijker: wat jij eraan kunt doen.
TL;DR:
- •Taalmodellen hallucineren omdat ze liever gokken dan "ik weet het niet" zeggen.
- •De oorzaak ligt in hoe ze getraind en getest worden.
- •Jij kunt met slimme prompts hallucinaties verminderen.
Wat is een hallucinatie eigenlijk?
Een hallucinatie is een plausibel klinkende onwaarheid. Het paper modelleert dit nuchter: zie een model als een classifier die moet bepalen of een mogelijke output "geldig" is of "fout". Als het die scheiding niet perfect kan leren, krijg je ongeldige (maar geloofwaardige) zinnen terug. Dat is geen mystiek, maar basale statistiek.
Het gokspel van AI
OpenAI vergelijkt taalmodellen met studenten tijdens een multiple-choice examen. Als je het antwoord niet weet, heb je drie opties:
- 1Blanco laten
- 2Zeggen "ik weet het niet"
- 3Gewoon gokken
Wat doen de meeste studenten? Gokken. Want er is geen straf voor fout antwoorden, alleen punten voor goede antwoorden. Taalmodellen werken hetzelfde: het trainingssysteem beloont ze om altijd iets te zeggen, ook al is het onzin.
Waar het misgaat in de training
Zelfs als je een perfect foutloze dataset zou hebben, ontstaan er nog steeds fouten. Waarom? Omdat het model statistisch gezien nooit alles kan weten.
🎲 Arbitraire feiten
Dingen die maar één keer in de training voorkomen (zoals obscure verjaardagen). Hier móét een model gokken.
🤖 Slechte modellen
Oudere systemen zoals trigram-modellen faalden structureel bij simpele taken (denk aan spelling of lettertellen). Moderne modellen zijn slimmer, maar nog steeds feilbaar.
🗑️ Garbage in, garbage out
Als er fouten in de trainingsdata staan, neemt het model ze vrolijk over.
Waarom het probleem blijft bestaan
Zelfs na de training zou je denken: oké, dan leren we het model gewoon om "ik weet het niet" te zeggen. Maar daar wringt de schoen.
De meeste benchmarks beoordelen antwoorden binair: goed of fout. Er is géén beloning voor twijfel of voorzichtigheid. Dus blijft het model bluffen, net zoals een student die altijd invult wat het meest aannemelijk klinkt.
Dat betekent: zolang de evaluatie verkeerd is ingericht, blijven modellen hallucineren.
Wat jij ermee moet
Ik merk bij klanten vaak dat ze ChatGPT als "waarheidsmachine" zien. Maar dat is het niet. Het is een generator van plausibele zinnen. Dat klinkt minder sexy, maar is eerlijker.
De oplossing ligt deels bij de onderzoekers, die hun evaluaties moeten aanpassen. Maar jij kunt vandaag al iets doen.
Tips om hallucinaties te beperken in je prompts:
- 1Vraag expliciet om "ik weet het niet": voeg toe "als je het niet zeker weet, zeg dan: ik weet het niet."
- 2Laat onderbouwing eisen: vraag om de bron of om stap-voor-stap redenering.
- 3Vergelijk meerdere runs: stel dezelfde vraag drie keer en check of de antwoorden consistent zijn.
- 4Gebruik retrieval (RAG): koppel het model aan je eigen betrouwbare data, zodat het minder hoeft te gokken.
Handige prompt templates om te gebruiken!
Kopieer, plak, klaar. Dit werkt in Chat, agents en je interne tooling. Dit gebruiken we tegenwoordig ook in de AI Agents die we voor onze klanten bouwen.
Vaak zijn die overigens zo ingesteld dat ze een mens om raad moeten vragen zodra ze de feiten niet uit een database kunnen halen.
🎯 Confidence-drempel + straf
"Beantwoord alleen als je >75% zeker bent. Een fout antwoord weegt zwaarder dan 'ik weet het niet'. Als je twijfelt, zeg expliciet: 'ik weet het niet' en leg uit wat je nodig hebt om het wél te weten."
📎 Eis bewijs & begrens het domein
"Beperk je tot [bron/dataset/scope]. Noem je bron of bewijs in 1 regel. Als bewijs ontbreekt binnen dit domein, zeg 'ik weet het niet binnen deze scope'."
📋 Antwoordformat met 'IDK'-optie
"Antwoord in dit JSON-schema: {'antwoord': string, 'zekerheid': 'hoog|laag|idk', 'redenering': string, 'wat_mis_ik': string}. Gebruik 'idk' als je <75% zeker bent."
❓ Verifieer-bij-twijfel
"Als je <75% zeker bent: stel max 2 verhelderingsvragen óf geef een checklist wat je nodig hebt om te verifiëren. Antwoord nog niet."
🔒 Obscure feiten? Maak gokken duur
"Voor feit-vragen over persoon/uniek record: antwoord alleen met 'ik weet het niet' tenzij je de exacte match kunt citeren. Geen gok-datums of -titels."
Conclusie
Hallucinaties zijn geen foutje van AI, ze zijn een direct gevolg van hoe we modellen bouwen en beoordelen. Dat betekent dat we ze nooit helemaal kwijt zullen raken, maar wél slimmer kunnen omgaan met hoe we AI inzetten.
"Wie AI gebruikt alsof het altijd klopt, loopt vroeg of laat tegen de lamp. Wie AI ziet als een slimme, maar soms overmoedige collega, haalt er maximaal voordeel uit."
En nu ben ik benieuwd: hoe ga jij in jouw prompts om met hallucinaties?