AI-hallucinaties uitgelegd: waarom modellen dingen verzinnen en hoe je de uitvoer verifieert
Elk taalmodel verzint soms informatie. Het mechanisme is fundamenteel voor de werking van op transformers gebaseerde generatie. Dit is wat hallucinatie is, waarom het gebeurt en hoe je uitvoer met hoge inzet verifieert.
Wat hallucinatie is en waarom het gebeurt
Een AI-hallucinatie is een met overtuiging gestelde uitvoer die feitelijk onjuist is. Het mechanisme is mechanisch, niet bedrieglijk: op transformers gebaseerde taalmodellen genereren uitvoer één token tegelijk door het meest waarschijnlijke volgende token te voorspellen op basis van de voorafgaande context. Het model heeft geen aparte 'waarheids'-controle — het doel is plausibiliteit binnen de patronen die het tijdens de training heeft geleerd. Wanneer de trainingsgegevens geen direct antwoord op een vraag bevatten, genereert het model de meest plausibel klinkende uitvoer, die fout kan zijn. Het fenomeen is gedocumenteerd bij alle grote modellen, waaronder GPT-5, Claude Sonnet en Gemini 3.
Waar hallucinatie het meest voorkomt
Specifieke datums, exacte statistieken, citaatverwijzingen, URL's, API-methodesignaturen, biografische details over niet-publieke figuren, zeer recente gebeurtenissen (na de trainingsstop van het model) en de inhoud van documenten die niet in de prompt staan. Het patroon is: hoge specificiteit + lage frequentie in trainingsgegevens = hoog risico op hallucinatie.
Wat moderne assistenten doen om dit te beperken
Retrieval-augmented generation (RAG): het model krijgt op het moment van de vraag relevante documenten aangereikt, zodat het antwoord is gefundeerd op opgehaalde inhoud in plaats van op parametrisch geheugen. Perplexity is RAG-standaard — elke Pro Search haalt bronnen op en citeert ze. Het webzoeken van ChatGPT en het webzoeken van Claude halen live-URL's op en citeren ze. Google's Gemini integreert fundering met de Zoekfunctie. Citaten maken van hallucinatie een zichtbaar spoor dat je kunt verifiëren. Het verifiëren van citaten blijft de verantwoordelijkheid van de gebruiker — modellen genereren af en toe plausibel ogende citaten die in werkelijkheid niet bestaan.
Hoe je uitvoer met hoge inzet verifieert
(1) Voor code: voer het uit. De compiler is de waarheidscontrole. (2) Voor numerieke beweringen: vraag het model om zijn bron en verifieer de bron via een tweede zoekopdracht. (3) Voor citaten: klik op de link. Als de URL een 404 geeft, is het citaat fout. (4) Voor recente gebeurtenissen: controleer de trainingsstopdatum van het model en vul aan met een tool die live webtoegang heeft. (5) Voor beweringen met hoge inzet: kruisverwijs met een tweede model (Perplexity maakt dit eenvoudig door per vraag van model te wisselen).
Wanneer je het risico kunt negeren
Het meeste informele gebruik is van lage inzet. Brainstormen, het samenvatten van e-mails die je zelf hebt geschreven, het opstellen van standaardcode, het genereren van ideeën — hallucinaties zijn meestal duidelijk of onbelangrijk. Bewaar de verificatie-inspanning voor uitvoer waarbij fout zijn echte kosten met zich meebrengt: juridisch advies, medische informatie, financiële beslissingen, feitelijke beweringen die je gaat publiceren of citeren. AI-uitvoer behandelen als een eerste concept in plaats van een definitief antwoord is het juiste werkmodel.
Bronnen
Anthropic over hallucinatie: anthropic.com/news (zoek op 'hallucinations'). Documentatie over hallucinatie + RAG van OpenAI: openai.com/index/why-language-models-hallucinate. Fundering van Google AI: ai.google.dev (zoek op 'grounding'). Pro Search van Perplexity: perplexity.ai/help-center. Alle URL's geraadpleegd op 2026-04-30.